E-mail-kezelés AI-ügynökkel: a beérkező posta, amely magától rendeződik

Az e-mail-kezelés AI-ügynökkel 2026 őszére olyan feladattá vált, amelynek a hasznát egy kis cég is napról napra lemérheti a saját postafiókján. A Microsoft 2025 júniusában megjelent Work Trend Index-különjelentése szerint egy átlagos irodai dolgozó naponta 117 e-mailt kap, amelyek többségét egy percnél rövidebb idő alatt futja át, a Microsoft 365 felhasználóit pedig átlagosan kétpercenként szakítja meg egy megbeszélés, egy levél vagy egy értesítés. Szeptemberben két hír is abba az irányba mutatott, hogy a beérkező posta rendezését ma már érdemes gépre bízni: az n8n automatizációs platform szeptemberi kiadásai tovább csiszolták a Gmail-, az Outlook- és a Teams-integrációkat, a szingapúri Automaid pedig szeptember 21-én olyan folyamatosan futó ügynökközpontot indított, amely új e-mailekre és Slack-üzenetekre reagálva dolgozik.

Egy 5 és 50 fő közötti magyar cégnél a kérdés nagyon is kézzelfogható: ki olvassa el reggel az info@ címre éjszaka érkezett negyven levelet, ki dönti el, melyik sürgős, ki írja meg aznap tizedszer ugyanazt a választ arra, hogy mikor érkezik a szerelő, illetve mi lesz mindezzel, ha az irodavezető éppen szabadságon van. A folytatásban 2026. szeptember 22-i állapot szerint végigvesszük, mit lehet ma reálisan automatizálni a levelezésben, mit hoztak az n8n és az Automaid friss fejlesztései, mennyibe kerül mindez forintban, milyen hibákat véthet egy ügynök, végül azt is, hogyan érdemes bevezetni egy 10 fős csapatnál úgy, hogy egyetlen ügyfél se kapjon félresikerült automatikus választ.

Röviden

• Az e-mail-kezelés AI-ügynökkel azt jelenti, hogy egy nyelvi modellre épülő program olvassa a beérkező leveleket, címkét és prioritást ad nekik, válaszvázlatot készít és továbbítja őket a felelősnek, miközben az érzékeny lépéseket ember hagyja jóvá.
• 2026. szeptember 22-i állapot szerint a legbiztonságosabb kezdőlépés a címkézés és a válaszvázlat, az emberi jóváhagyás nélküli küldést csak szűk levéltípusoknál és mért pontosság után érdemes megengedni.
• Saját becslésünk szerint egy napi 120 levelet fogadó közös postafiók besorolása és havi 735 válaszvázlat elkészítése a választott modelltől függően havonta nagyjából 400 és 29 000 Ft közötti tokenköltséggel jár, amelyhez az n8n Starter-előfizetés kerekítve 6 400 Ft-os havidíja adódik hozzá.
• A legnagyobb kockázatot nem a technika jelenti, hanem a téves címzett, a bizalmas adat kiszivárgása, a levélbe rejtett utasítás (prompt injection) és a helyzethez nem illő hangnem, ezért jogosultságkorlátozás, naplózás és jóváhagyási lépés nélkül nem szabad élesíteni.
• Egy 10 fős csapatnál hat-nyolc hét alatt reálisan bevezethető a rendszer, ha az ügynök először csak megfigyelő módban címkéz, a munkatársak visszajelzést adnak a javaslataira, a hatáskörét pedig csak a mért pontosság alapján bővítik.

Miért éppen az e-mail az első folyamat, amelyet érdemes AI-ügynökre bízni?

Azért, mert a levelezés minden cégben naponta ismétlődik, teljesen digitális és a nagy része néhány visszatérő mintára épül. Egy ügynök által besorolt vagy megválaszolt levélnél már az első héten látszik, mennyi időt spórolt, hány hibát ejtett és hol kellett közbelépni, ami ritka előny a lassan megtérülő AI-projektek között.

Az e-mail időigényéről a legtöbbet idézett adat a McKinsey Global Institute 2012 júliusában kiadott, The social economy című jelentéséből származik. Eszerint egy átlagos, sokat kommunikáló szellemi dolgozó (a jelentés szóhasználatában interaction worker) a munkahetének becslés szerint 28%-át tölti az e-mailek kezelésével, további közel 20%-át pedig belső információk keresésével, illetve annak kiderítésével, melyik kolléga tud segíteni egy adott feladatban. Negyvenórás munkahéttel számolva ez saját számításunk szerint heti 11,2 óra levelezést jelent. Az adat bő tízéves, azóta megjelentek a csevegőalkalmazások és a videóhívások is, a levelezés azonban ma is a munkanap egyik legnagyobb falatja maradt.

Ezt a Microsoft friss adatai is alátámasztják. A Microsoft WorkLab 2025 júniusában közzétett, Breaking down the infinite workday című elemzése szerint a reggel hatkor már online lévők 40%-a az e-mailjeit nézi át, hogy felmérje a nap prioritásait, a legalább 20 címzettnek szóló tömeges levelek száma pedig egy év alatt 7%-kal nőtt. A Microsoft adatai 2025. február 15-ig gyűjtött, anonimizált Microsoft 365-jelekből származnak, az európai uniós és az oktatási bérlők (tenantok) nélkül, így egy magyar KKV számai ettől eltérhetnek.

Az e-mail azért jó első terep, mert a levelek félig strukturált formában érkeznek (feladó, tárgy, dátum, szöveg, melléklet), a forgalom zöme ráadásul néhány ismétlődő típusba sorolható: egy képzeletbeli épületgépészeti kivitelezőnél például ajánlatkérés, időpont-egyeztetés, számlakérdés, reklamáció és beszállítói visszaigazolás. A kezdeti lépések visszafordíthatók, hiszen egy rossz címkét egy kattintással le lehet venni, egy el nem küldött vázlatot pedig törölni lehet. Végül az eredmény azonnal mérhető: hány levelet sorolt be jól a rendszer, mennyi idő telt el az első válaszig és hány vázlat ment ki változtatás nélkül.

Nem véletlen, hogy a nagy szoftvercégek is ezen a terepen haladnak a leggyorsabban. A HubSpot szeptember 19-i közlése szerint, amelyről az AI Agent Store heti hírösszesítője számolt be, a Pro Plus csomag ügyfeleinek 19%-a használt ügynököt augusztusban, az ügynöki műveletek száma pedig havonta a 3,5-szeresére nőtt. A Zapier és az Artificial Analysis 2026. július 6-án közzétett AutomationBench-AA tesztje szerint a pénzügyi folyamatokat feleakkora sikerrel oldották meg a modellek, mint az ügyfélszolgálati és operációs feladatokat. Aki tehát az első komolyabb AI-projektjét keresi, a levelezéssel kisebb kockázatot vállal, mint például a könyveléssel.

Miben más egy AI-ügynök, mint a levelezőprogram szabályai?

A Gmail-szűrők és az Outlook-szabályok előre megadott feltételek, például a feladó, a tárgy vagy egy kulcsszó alapján mozgatják a leveleket, a tartalmat viszont nem értik. Az AI-ügynök a levél jelentését értelmezi, ezért akkor is felismeri a reklamációt, ha abban egyetlen előre megadott kulcsszó sem szerepel, cserébe tévedhet, így ellenőrzés kell mellé.

Az AI-ügynök olyan program, amely egy nagy nyelvi modell (LLM, large language model) segítségével értelmezi a helyzetet, eszközöket hív meg (például címkét tesz egy levélre vagy ügyfelet keres a CRM-ben), majd az eredmény alapján dönt a következő lépésről. A különbséget egy hétköznapi példa mutatja meg a legjobban. Tegyük fel, hogy egy ügyfél ezt írja: „A múlt héten beszerelt kazán megint leállt, a gyerekek hideg vízben fürdenek, ha holnapig nem jön ki valaki, keresünk mást.” Egy szabály, amely a „reklamáció” vagy a „panasz” szóra figyel, ezt a levelet egyszerűen átengedi, egy nyelvi modell viszont felismeri benne a panaszt, a sürgősséget és azt is, hogy az ügyfél elvesztése a tét.

A gyakorlatban három szintet érdemes megkülönböztetni, mert a marketingszövegekben ma szinte minden termék „ügynöknek” nevezi magát, a kockázat és a költség viszont szintenként egészen más.

Tapasztalatunk szerint a legtöbb kis- és középvállalatnak a középső szint a jó kiindulópont. Ebben a felállásban a nyelvi modell azt csinálja, amiben erős, vagyis megérti a levelet és szöveget ír, minden más döntést (ki kapja meg, mehet-e külső címre, kell-e jóváhagyás) azonban a folyamatba épített, ember által megírt szabályok hoznak meg. Így ha a modell téved, a hiba egy rossz címkében vagy egy félresikerült vázlatban jelentkezik, nem pedig egy rossz címre elküldött ajánlatban.

A Google Workspace és a Microsoft 365 beépített AI-asszisztensei (a Gemini, illetve a Copilot) szintén tudnak leveleket összefoglalni és vázlatot írni, ezek azonban jellemzően egy-egy felhasználó saját munkáját segítik. A kettő jól megfér egymás mellett: az egyéni asszisztens maradhat a személyes postafiókban, míg a közös címek (info@, ajanlat@, szamla@) szabályozott, naplózott rendezését egy külön munkafolyamat végezheti.

Mit lehet automatizálni: címkézés, prioritás, válaszvázlat, továbbítás?

Négy alapfeladat bízható ma nagy biztonsággal AI-ra: a levelek címkézése, a prioritás megállapítása, a válaszvázlat elkészítése és a levél továbbítása a felelős kollégának. Ezekhez csatlakozik az összefoglalás, az adatkinyerés és az utánkövetés, az önálló küldés viszont a legtöbb cégnél még emberi jóváhagyást kíván.

Címkézés és besorolás

A címkézés az a lépés, amellyel minden bevezetést érdemes kezdeni, mert itt a legkisebb a tét és a leggyorsabban látszik az eredmény. A modell minden beérkező levélről egy rövid, strukturált választ ad: melyik kategóriába tartozik (ajánlatkérés, reklamáció, számla és pénzügy, időpont, álláspályázat, beszállító, hírlevél, belső ügy), milyen nyelven íródott, mennyire biztos a döntésében és egy mondatban miért így döntött. Az n8n-ben erre a célra külön szövegosztályozó (Text Classifier) node is van, de egy általános AI-lépés is megoldja, ha szigorú kimeneti formát írsz elő.

A jól működő címkerendszer titka a kevés, egyértelmű kategória: ha „Ajánlat”, „Árajánlat” és „Érdeklődés” címke is van, a modell ugyanúgy bizonytalan lesz, mint egy új kolléga az első napján. A legtöbb kis cégnél hét-kilenc kategória bőven elég, mindegyikhez két-három valódi példalevéllel. Érdemes egy „Ellenőrizendő” címkét is bevezetni azokra a levelekre, amelyeknél a modell bizonyossága egy általad megadott küszöb alatt marad, így a kétes esetek nem vesznek el, hanem ember elé kerülnek.

Prioritás és sürgősség

A prioritás megállapítása a címkézés természetes folytatása, de itt már a cég saját adataira is szükség van. A modell a levél szövegéből felismeri a határidőt, a feszült hangnemet vagy az olyan szavakat, mint a „kötbér”, a „felmondás” és az „ügyvéd”, a folyamat pedig a CRM-ből vagy egy egyszerű táblázatból hozzáteszi, hogy kiemelt ügyfélről vagy nyitott projektről van-e szó. Az eredmény három szint lehet: azonnali (értesítés megy Teamsre vagy Slackre), aznapi és ráér.

Jól kiegészíti ezt a reggeli összefoglaló, hiszen a Microsoft adatai szerint a korán kezdők 40%-a éppen a levelei átnézésével méri fel a nap prioritásait. Egy képzeletbeli 10 fős cég ügyvezetője reggel hétkor egy rövid listát kap arról, hogy éjszaka hány levél jött, ebből melyik három igényel tőle személyesen döntést, illetve melyik ügyfél írt másodszor ugyanarról a problémáról.

Válaszvázlat

A válaszvázlat az a funkció, amelytől a legtöbben a nagy megtakarítást várják, ez a várakozás egy jól beállított rendszernél nem is alaptalan. Az ügynök a levél mellé kap egy tudásbázist (általános szerződési feltételek, árlista, szállítási és kiszállási idők, gyakori kérdések), egy stílusútmutatót és néhány korábbi, jól sikerült választ, ezekből pedig vázlatot készít, amelyet a Gmail vagy az Outlook piszkozatai közé ment. A kolléga megnyitja, szükség esetén javít rajta, majd maga küldi el.

Két apróság sokat számít: az egyik, hogy a vázlat jelölje meg a bizonytalan részeket, például szögletes zárójelben: „[ELLENŐRIZD: a szállítási határidő a raktárkészlettől függ]”. A másik, hogy ha a tudásbázisban nincs meg a válasz, a modell ne találjon ki semmit, hanem írja bele a vázlatba, hogy ehhez emberi információ kell. Egy kitalált szállítási határidő vagy egy nem létező kedvezmény sokkal többe kerül, mint amennyi időt a vázlat megspórolt.

Továbbítás és feladatkiosztás

A továbbítás a besorolásra épül: a reklamáció a projektvezetőhöz megy, a számla a pénzügyeshez, az álláspályázat az ügyvezetőhöz, az ajánlatkérés pedig az értékesítőhöz, aki éppen soron következik. Belső címre ez nyugodtan történhet automatikusan, ha minden lépés naplózva van. Hasznos kiegészítés, hogy a folyamat a CRM-ben vagy az Odoo-ban feladatot is nyit, vagyis a levél nem csak egy újabb postafiókba vándorol át, hanem felelőse és határideje lesz.

Szabadság idején ez különösen hasznos: ha a naptár szerint a projektvezető nincs bent, a reklamáció a helyettesének megy, az ügyfél pedig nem egy távollétüzenet mögött várakozik egy hétig. Külső címre (alvállalkozó, könyvelő, ügyvéd) viszont a továbbítást induláskor tiltsd le, vagy csak jóváhagyással engedd, mert itt egy téves döntés már adatvédelmi incidens lehet.

Összefoglalás, adatkinyerés, utánkövetés

A hosszú levélváltásokról készült összefoglaló akkor ér aranyat, amikor egy kolléga átvesz egy ügyet, vagy az ügyvezetőnek két perc alatt kell képbe kerülnie. Az adatkinyerés a rendelésekből, ajánlatkérésekből kiemeli a strukturált adatokat (név, cím, termék, mennyiség, kért időpont), majd ezeket betölti a CRM-be vagy egy táblázatba. Az utánkövetés arra figyel, hogy ha egy elküldött ajánlatra három munkanapon belül nem jön válasz, az értékesítő emlékeztetőt kapjon, vagy vázlat készüljön egy udvarias rákérdezéshez.

A következő táblázat azt foglalja össze, melyik feladatnál mekkora önállóságot kapjon az ügynök az első hónapokban.

n8n Gmail- és Outlook-frissítések, Automaid folyamatosan futó ügynökök

Az n8n augusztus végi és szeptemberi kiadásai (a 2.37.0-tól a 2.40.0-ig) látványos újdonságok helyett az éles levelezéshez szükséges megbízhatóságot javították: admin által kezelt hitelesítő adatokat, stabilabb Outlook- és IMAP-eseményindítót, szigorúbb titokkitakarást hoztak. Az Automaid szeptember 21-én indított ügynökközpontja ezzel szemben a felhőben folyamatosan futó, a lépéseiket maguk megválasztó ügynökökre épít.

n8n: apró javítások, amelyek egy éles postafióknál számítanak

Az n8n fair-code licencű (Sustainable Use License) automatizációs platform, amely 1 500-nál több integrációt kínál és saját szerveren vagy a gyártó felhőjében is futtatható. A levelezéshez minden szükséges építőkocka megvan benne: Gmail-eseményindító és Gmail node (címkézés, piszkozat, válasz), Microsoft Outlook node és eseményindító, IMAP-alapú Email Trigger bármilyen levelezőszerverhez, AI Agent node, valamint az említett szövegosztályozó. Több üzenetküldő node, köztük a Gmail és a Slack, olyan „küldés és várakozás” típusú műveletet is tud, amelynél a folyamat megáll, amíg egy kijelölt ember jóvá nem hagyja a következő lépést. Ez az e-mail-ügynökök egyik legfontosabb biztonsági eleme.

A 2026. augusztus 25-én megjelent 2.37.0-s verzió legfontosabb újítása a levelezés szempontjából, hogy az adminisztrátor példányszintű hitelesítő adatokat (credentialöket) kezelhet. Ez elsőre száraz technikai részletnek tűnik, a gyakorlatban azonban azt jelenti, hogy a céges Gmail- vagy Outlook-hozzáférés nem egy munkatárs személyes fiókjához kötődik, így ha az illető távozik, a postafiókot rendező folyamat sem áll le másnap reggel. Ugyanebben a kiadásban az Anthropic node alapértelmezett modellje a Claude Sonnet 5 lett, ami annak jó hír, aki eddig is Claude-dal íratta a válaszvázlatokat.

A szeptember 8-i 2.39.0 és a szeptember 15-i 2.40.0 kiadás javításai között a releasebot.io változásnapló-összesítése szerint szerepel, hogy a Microsoft Outlook eseményindító kézi futtatáskor a legfrissebb levelet hozza le (ez a folyamat tesztelését könnyíti meg), az IMAP-alapú Email Trigger pedig helyreállítja a kapcsolatot, ha a levelezőszerver bontja. Ez utóbbi egy magyar KKV-nál különösen fontos, mert sok cég levelezése nem a Google-nél vagy a Microsoftnál, hanem egy hazai tárhelyszolgáltatónál fut, egy csendben megszakadt IMAP-kapcsolat pedig azt jelenti, hogy az ügynök órákig nem dolgoz fel semmit, miközben senki sem veszi észre. A két kiadás emellett az OAuth-kezelést és az ügynöki eszközök hibakezelését is javította, a 2.40.0 pedig szigorította a titkok (jelszavak, API-kulcsok) kitakarását.

Ezek egyike sem kerül címlapra, egy közös postafiókot kiszolgáló folyamatnál mégis ilyen részleteken múlik, hogy a rendszer hétfő reggel is működik-e. Aki most kezd, annak az admin által kezelt hitelesítő adatok miatt érdemes legalább a 2.37-es verzióval indulnia, aki pedig frissít, az előbb egy tesztpéldányon futtassa végig a levelezési folyamatait.

Automaid: az ügynök, amely akkor is dolgozik, amikor kilépsz

Az Automaid egy szingapúri cég, amelyet Daniel Tan alapított (korábban a FindTheLoan nevű pénzügyi hitelpiacteret hozta létre). A cég 2025-ben nem nyilvános összegű magvető befektetést kapott. Az ITBrief 2026. szeptember 21-i beszámolója szerint az Automaid olyan AI-műveleti központot indított, amelyben a felhasználó egyszerű angol nyelvű mondatokkal írja le a kívánt eredményt, az ügynökök pedig maguk választják ki az eszközöket, kódot futtatnak és a kapcsolt alkalmazásokban végzik el a feladatot. A lényeg a folyamatos működés: az ügynökök a felhőben futnak, külső eseményekre (új e-mail, Slack-frissítés) reagálnak, sőt akkor is folytatják a munkát, amikor a felhasználó már bezárta a böngészőt.

A beszámoló szerint az Automaid a Gmaillel, a Slackkel, a WhatsAppal és webes alkalmazásokkal dolgozik, több ezer beépített integráció mellett HTTP API-kat, webhookokat, MCP-szervereket és belső eszközöket is elér, a weboldalakon pedig a Browser Use nevű technológiával navigál. A cég a Zapier, az n8n és az IFTTT típusú folyamatszerkesztők természetes nyelvű alternatívájaként pozicionálja magát. Daniel Tan az ITBriefnek (saját fordításunkban) így fogalmazott: „A legtöbb AI-termék arra összpontosít, hogy jobb választ adjon. Mi arra összpontosítunk, ami a válasz után történik.”

Egy magyar KKV szemszögéből ez az irány izgalmas, de óvatosságot kíván. Az ITBrief cikke árat nem közölt, a szingapúri szolgáltató igénybevétele pedig EU-n kívüli adattovábbítást jelenthet, amelynek a GDPR szerinti feltételeit (adatfeldolgozói szerződés, megfelelő garanciák) előre tisztázni kell. Az is mérlegelendő, hogy egy olyan ügynöknél, amely maga dönti el a lépéseit, nehezebb előre megmondani, mit fog csinálni egy szokatlan levélnél. Ha kipróbálnád, egy kevésbé érzékeny postafiókkal (például egy hírlevél- vagy beszállítói címmel) kezdj, küldési jog nélkül.

Mi a helyzet a Zapierrel, a Make-kel és az OpenAI Agents API-val?

A Zapier 9 000-nél több alkalmazást és 400-nál több AI-eszközt kapcsol össze, a Make pedig új generációs AI-ügynökökkel és 3 000-nél több alkalmazással jelentkezett, vagyis mindkettővel megépíthető ugyanaz a címkéző és vázlatíró folyamat. A választást inkább a levélmennyiség dönti el (a díj a műveletek számával nő), illetve az, hogy fontos-e a levelek feldolgozását saját, EU-s szerveren tartani, amire az önállóan telepített n8n ad lehetőséget.

Az OpenAI 2026. szeptember 10-én nyilvános bétába küldött, szeptember 21-én szélesebb körben megnyitott Agents API-ja munkamenet-kezelést, automatikus kontextustömörítést és alügynököket kínál, az AgentStack elemzése szerint viszont hiányzik belőle a triggerkezelés, a kész csatlakozókönyvtár, az OAuth, a naplózás és a költségláthatóság. Egy e-mail-ügynöknél éppen ezekre van a legnagyobb szükség, ezért az Agents API inkább fejlesztőcsapattal rendelkező cégeknek érdekes, egy tipikus KKV-nál a kész platform gyorsabb és olcsóbb út.

Általánosabb tanulságot hordoz a Moveworks szeptember 14-i fejlesztése, amelynél az ügynök sikertelen eszközhívásnál kifejezett hibaállapotot jelez, nem pedig látszólagos sikert. Egy e-mail-ügynöknek is szólnia kell, ha hiányzik egy adat vagy a CRM nem válaszol, ahelyett hogy félkész vagy kitalált tartalmú vázlatot tenne a piszkozatok közé.

Egy megbízható e-mail-ügynök felépítése

A jól működő e-mail-ügynök nem egyetlen, mindent eldöntő AI-lépés, hanem egy láncolat, amelyben a modell csak két-három láncszemért felel, a többit kiszámítható, ellenőrizhető lépések végzik.

• Eseményindító: a Gmail-, az Outlook- vagy az IMAP-alapú trigger észleli az új levelet.
• Előszűrés modell nélkül: a hírleveleket, a no-reply címekről érkező automatikus értesítéseket és az ismert spameket egyszerű szabályok szűrik ki, így ezekért nem fizetsz tokenköltséget.
• Adattakarékos előkészítés: a folyamat levágja az aláírásokat és az idézett korábbi levélváltást, a modell csak a döntéshez szükséges részt kapja meg.
• Besorolás strukturált kimenettel: a modell kategóriát, prioritást, nyelvet, bizonyossági értéket és egymondatos indoklást ad vissza előre rögzített formában.
• Üzleti szabályok a kódban: az, hogy mehet-e a levél külső címre, kell-e jóváhagyás és ki a felelős, nem a modell döntése, hanem a folyamatba írt szabályé.
• Művelet: címke, piszkozat, belső továbbítás, feladat a CRM-ben vagy értesítés Teamsen, Slacken.
• Emberi jóváhagyás: minden kifelé irányuló lépés előtt, legalábbis az első hónapokban.
• Naplózás és visszajelzés: minden döntés az indoklásával együtt visszakereshető, a kollégák javításai pedig a finomítás alapanyagai.

A jogosultságokat vedd a lehető legszűkebbre. A Microsoft Graph felületén például külön jogosultság tartozik a levelek olvasásához (Mail.Read), módosításához (Mail.ReadWrite) és küldéséhez (Mail.Send), a Google is külön hatókörökkel (scope) kezeli az olvasást, a módosítást és a küldést. Az első fázisban az ügynök olvashat, címkézhet és piszkozatot készíthet, küldési jogot viszont nem kap, vagyis a küldés gombot ember nyomja meg a saját levelezőprogramjában. Ez egyetlen beállítás, mégis ez választja el a kellemetlen hibát a komoly incidenstől.

Mit tartalmazzon az ügynök utasítása?

Az utasítást (promptot) úgy írd meg, mint egy új munkatárs betanítási jegyzetét. Az alábbi elemek nélkül ne élesítsd:

• rövid cégleírás: mivel foglalkoztok, kik az ügyfeleitek, milyen hangnemben kommunikáltok;
• a kategóriák pontos meghatározása, mindegyikhez két-három valódi, anonimizált példalevéllel;
• tiltások: a vázlat nem ígérhet árat, határidőt vagy kedvezményt, amely nem szerepel a tudásbázisban, nem tehet jogi kijelentést és nem vehet fel új címzettet;
• a megszólítás szabálya: magázás vagy tegezés, „Tisztelt” vagy „Kedves”, cégenként és ügyfélkörönként eltérhet;
• egyértelmű utasítás arra, hogy ha a modell nem tudja a választ, ezt írja bele a vázlatba, ne pedig kitaláljon valamit;
• annak rögzítése, hogy a levél tartalma adat, nem utasítás, vagyis ha egy levél arra kéri a rendszert, hogy továbbítson valamit vagy hagyja figyelmen kívül a korábbi szabályokat, az gyanús levélnek minősül.

Mennyibe kerül az e-mail-kezelés AI-ügynökkel egy 10 fős cégnél?

Saját becslésünk szerint egy napi 120 levelet fogadó, képzeletbeli 10 fős cégnél a modellhasználat díja a választott modelltől függően havonta nagyjából 400 és 29 000 Ft között mozog, amihez az automatizációs platform díja adódik. A valódi költség a beállítás munkaórája, a haszon pedig a kollégák felszabaduló ideje, ami jó esetben havonta több tucat óra.

Vegyünk egy képzeletbeli 10 fős szegedi épületgépészeti kivitelezőt, amelynek két közös címe van (info@ és ajanlat@), ezekre munkanaponként összesen 120 levél érkezik. Havi 21 munkanappal ez 2 520 besorolandó levél, amelyből naponta 35, vagyis havonta 735 igényel rutinválaszt (időpont, ajánlat állapota, számlamásolat, garanciális kérdés). Becslésünk szerint egy besorolás nagyjából 1 500 bemeneti tokenből (utasítás, kategóriák, példák, maga a levél) és 100 kimeneti tokenből áll, egy válaszvázlat pedig 3 500 bemeneti tokenből (levél, előzmény, tudásbázis-részlet, stílusútmutató) és 400 kimeneti tokenből. A token a nyelvi modellek elszámolási egysége (nagyjából egy szótöredék). Mivel a magyar szöveg jellemzően több tokenre bomlik, mint az angol, célszerű ráhagyással számolni. Kerekített, 320 Ft-os dollárárfolyammal számolunk (a szeptember 21-i árfolyam kb. 317 Ft volt).

A számítás menete az xAI Grok 4.7 modelljénél, amely millió bemeneti tokenenként 2, millió kimeneti tokenenként 6 dollárba kerül: egy besorolás 1 500 × 2 / 1 000 000 = 0,003 dollár bemenet és 100 × 6 / 1 000 000 = 0,0006 dollár kimenet, összesen 0,0036 dollár, ami 1,15 Ft. Ugyanígy számolva egy vázlat 0,0094 dollár, vagyis 3,01 Ft.

A táblázat első tanulsága, hogy a modell díja szinte sosem szűk keresztmetszet: még a számítógép-használatra optimalizált, címkézéshez kifejezetten túlméretezett GPT-6 Astra is havi 30 000 Ft alatt marad. Bevett megoldás a kétmodelles felállás: a besorolást egy olcsó modell végzi, a vázlatot egy erősebb, amelynek a magyar stílusát előbb a saját leveleiden teszteled. Ha például a Grok 4.7 sorol be és az Astra ír vázlatot, a havi tokenköltség 2 903 + 12 936 = 15 839 Ft. A legolcsóbb, csak API-n elérhető Alibaba-modell ára szinte elhanyagolható, egy kínai szolgáltatónál ugyanakkor az adatkezelési és adattovábbítási kérdéseket különösen alaposan kell megvizsgálni, mielőtt ügyfélleveleket küldenél neki.

Az automatizációs platform díja ehhez jön. Az AgentStack elemzése szerint az n8n Starter csomagja havi 20 dollárba kerül, ez kerekítve 6 400 Ft, míg az önállóan telepített n8n esetén licencdíj helyett a szerver és az üzemeltetés költségével kell számolni. A középutas változat (Grok 4.7 és n8n Starter) így havi nagyjából 11 500 Ft-ból kijön.

A haszon oldalán szintén becsléssel dolgozunk, ezért a feltételezéseket írd át a saját cégedre. Tegyük fel, hogy egy levél elolvasása, besorolása és továbbítása kézzel átlagosan 1,5 percet vesz igénybe, ami napi 120 levélnél 180 perc. Ha az ügynök besorol és a kolléga csak ellenőriz, levelenként fél perccel számolva ez 60 percre csökken, a megtakarítás napi 120 perc. A napi 35 rutinválasz megírása darabonként 6 perc, egy jó vázlat átnézése és elküldése 2 perc, ez újabb napi 140 perc. Papíron ez napi 260 perc, vagyis havonta 21 munkanappal nagyjából 91 óra lenne. A valóságban a bevezetés első hónapjaiban ennek a fele is jó eredmény, ezért számoljunk havi 45 órával, amely 5 000 Ft-os óránkénti teljes munkáltatói költséggel (ez is feltételezés) havi 225 000 Ft értékű munkaidőt jelent.

Ebből levonva a havi 11 500 Ft-os futtatási költséget és a karbantartást (tudásbázis-frissítés, hibás besorolások átnézése, havonta nagyjából 6 óra, azaz 30 000 Ft), a nettó haszon havi 183 500 Ft körül alakul. Ha a beállítás egyszeri költsége például 400 000 Ft lenne, ez ebben a felezett, óvatos forgatókönyvben is alig több mint két hónap alatt térülne meg. A számítás legnagyobb bizonytalansága nem a tokenár, hanem az, hogy a felszabaduló időt a csapat valóban értékes munkára fordítja-e, ezért a bevezetés előtt döntsétek el, mire szánjátok a nyert órákat.

Kockázatok: téves küldés, bizalmas adat, hangnem

A három klasszikus kockázat a rossz címzettnek elküldött levél, a bizalmas adat illetéktelen helyre kerülése és a helyzethez nem illő hangnem, negyedikként pedig a levélbe rejtett utasítás társul hozzájuk. Mindegyik kezelhető, ha az ügynök nem kap küldési jogot, a külső továbbítás tiltott, a kifelé menő szöveget pedig ember látja.

Az alapprobléma az, hogy a nyelvi modellek a kapott szabályokat sem tartják be hibátlanul. Az AutomationBench-AA tesztjén a Zapier és az Artificial Analysis szerint minden vizsgált modell megsértett üzleti szabályokat, feladatonként 0,46 és 1,26 közötti átlaggal. Ebből az következik, hogy a tiltásokat nem elég az utasításba beleírni, a legfontosabbakat a folyamat kódjában is ki kell kényszeríteni.

Téves küldés

A rossz címzett már az AI-ügynökök megjelenése előtt is az egyik leggyakoribb levelezési hiba volt. Az Egyesült Királyság adatvédelmi hatóságának (ICO) 2019 negyedik negyedéves adatai szerint, amelyekről az Infosecurity Magazine 2020 májusában számolt be, a nem kibertámadásból eredő bejelentett incidensek között a rossz címzettnek elküldött e-mail volt a leggyakoribb, 337 esettel. Egy AI-ügynök ehhez új hibalehetőségeket ad: válaszolhat mindenkinek ott, ahol csak a feladónak kellett volna, csatolhat nem odavaló fájlt, vagy a levélben említett címre is elküldheti az üzenetet.

Az ellenszer egyszerű és szigorú: az ügynöknek nincs küldési joga, a vázlat címzettje csak az eredeti feladó lehet, új címzettet nem adhat hozzá, mellékletet automatikusan nem csatol. Ha később szűk levéltípusoknál engedélyezed az önálló küldést, tegyél be néhány perces késleltetési sort, amelyből a kolléga még visszahívhatja a levelet, a külső domainekre menő leveleket pedig egy engedélyezett lista alapján szűrd.

Bizalmas adat

Amikor a modell egy levelet feldolgoz, a levél tartalma a modellszolgáltató szervereire kerül, ezért a szolgáltatóval adatfeldolgozói szerződést kell kötni, a céges levelek pedig nem kerülhetnek ingyenes, fogyasztói AI-felületekre. Ez nem elméleti kérdés: a Mistral például a Vibe nevű termékének ingyenes szintjén alapértelmezetten a felhasználói promptokkal is tanít (ez kikapcsolható), a vállalati és az API-hozzáférés viszont kivétel. A HR-, a bérszámfejtési és az ügyvezetői postafiókot hagyd ki a körből, a bankszámlaszámokat és az egészségügyi adatokat pedig lehetőség szerint takard ki, mielőtt a szöveg a modellhez kerül.

Az ügynökök hozzáférése önmagában is támadási felület. A spanyol adatvédelmi hatóság szeptember 17-én egy olyan lehetséges adatszivárgásról adott hírt, amelyben egy ügynök jelentkezett be, térképezte fel a rendszert és ért el személyes adatokat, a kiváltó ok vizsgálata még tart. Szeptember 7-én a LiteLLM nevű AI-átjáró MCP-hitelesítésében derült ki egy aktívan kihasznált bejelentkezés-megkerülési hiba. A tanulság egy KKV-nak az, hogy a postafiók-hozzáférést adó kulcsokat úgy kell védeni, mint a banki belépést, ráadásul a használt eszközöket is rendszeresen frissíteni kell.

Levélbe rejtett utasítás

A prompt injection olyan támadási mód, amelynél a feldolgozott szövegbe (itt a levélbe) rejtett utasítás próbálja eltéríteni a modellt, például arra kérve, hogy továbbítson adatokat vagy hagyja figyelmen kívül a szabályait. Az e-mail-ügynök ebből a szempontból különösen kitett, hiszen bárki írhat neki az interneten. A kockázat valós: az Aim Security kutatói 2025-ben EchoLeak néven (CVE-2025-32711) olyan sérülékenységet tártak fel a Microsoft 365 Copilotban, amelynél például egy Outlook-levélbe rejtett utasítás felhasználói kattintás nélkül is adatok kiszivárgásához vezethetett volna. A Hack The Box elemzése szerint a Microsoft a hibát szerveroldalon javította, a felhasználóknak nem kellett tenniük semmit.

A védekezés alapja, hogy az ügynök csak a feladatához szükséges eszközöket érje el, a levél tartalmát adatként kezelje, ne kövessen külső linkeket, a kimenetét pedig egy egyszerű ellenőrzés vizsgálja meg, mielőtt bárhová kerül. Ha például egy vázlat olyan webcímet vagy adatot tartalmaz, amely sem a beérkező levélben, sem a tudásbázisban nem szerepel, azt a folyamat jelölje meg gyanúsként.

Hangnem

A hangnem a legkevésbé látványos, mégis a leggyakrabban bosszantó hiba. A nyelvi modellek hajlamosak a túlzott lelkesedésre („Nagyszerű kérdés!”), a fordításízű mondatokra és arra, hogy a magázásból minden átmenet nélkül tegezésbe váltsanak, ami egy hatvanas éveiben járó magyar ügyfélnél akár rosszabb benyomást is kelthet, mint egy késve érkező válasz. Reklamációnál külön veszély, hogy a modell túl gyorsan ismer el felelősséget vagy ígér kártérítést. A stílusútmutató és a valódi, jól sikerült példalevelek sokat javítanak ezen, a dühös vagy jogi kérdést feszegető leveleket viszont mindig ember válaszolja meg.

Mit mond a GDPR és az EU AI Act a mesterséges intelligenciával kezelt levelezésről?

A GDPR szempontjából a levelek AI-feldolgozása személyesadat-kezelés, a modellszolgáltató pedig adatfeldolgozó, ezért szerződés, frissített adatkezelési tájékoztató és az EU-n kívüli adattovábbítás rendezése kell hozzá. Az EU AI Act 50. cikke 2026. augusztus 2-a óta előírja, hogy jelezni kell, ha valaki AI-rendszerrel lép kapcsolatba.

A GDPR-os teendők egy KKV-nál jól körülhatárolhatók: adatfeldolgozói szerződés a modell- és a platformszolgáltatóval, a tevékenység felvétele az adatkezelési nyilvántartásba, a tájékoztató kiegészítése, a naplók megőrzési idejének meghatározása és annak ellenőrzése, hol dolgozzák fel fizikailag az adatokat. Ebből a szempontból az önállóan telepített n8n és egy EU-s adatközpontban futó modell a legegyszerűbb felállás. A munkatársakat is tájékoztatni kell a gépi feldolgozásról, a személyes postafiókok bevonása pedig külön érdekmérlegelést kíván, kétség esetén nézd át a NAIH munkahelyi adatkezelésre vonatkozó útmutatásait is.

Az Európai Unió mesterségesintelligencia-rendelete (EU AI Act) a Gibson Dunn összefoglalója szerint két ponton érinti az e-mail-ügynököket. Az egyik az említett átláthatósági kötelezettség, amely egy teljesen automatikusan küldött válasznál egyértelmű jelölést indokol. A másik a toborzás: az önálló, magas kockázatú (Annex III) rendszerekre vonatkozó szabályok a májusi Digital Omnibus-megállapodás után 2027. december 2-án lépnek életbe, márpedig a toborzás is ezek közé tartozik. Ha tehát az ügynök az álláspályázatokat rangsorolja vagy szűri, a céged szigorúan szabályozott területre lép, ezért javasoljuk, hogy a pályázatokat csak címkézze és továbbítsa.

Bevezetés lépésről lépésre egy 10 fős csapatnál

Egy 10 fős csapatnál nagyjából nyolc hét alatt vezethető be biztonságosan az AI-alapú levélkezelés: egy hét felmérés, egy hét beállítás, két hét megfigyelő mód, majd lépcsőzetesen a címkézés, a belső továbbítás és a válaszvázlatok élesítése. Minden lépcső előtt számok alapján döntesz arról, hogy mehet-e tovább a rendszer.

Maradjunk a képzeletbeli szegedi kivitelezőnél, ahol az ügyvezető mellett egy irodavezető, két értékesítő, két projektvezető, egy pénzügyi asszisztens és három szerelő dolgozik, a rendszer gazdája pedig a levelezést amúgy is összefogó irodavezető lesz.

• Felmérés (1. hét): nézzétek meg az elmúlt hónap leveleit a közös címeken, számoljátok össze, milyen típusok fordulnak elő a leggyakrabban, ki válaszol rájuk és mennyi idő telik el az első válaszig, mert ehhez a kiinduló állapothoz méritek majd az eredményt.
• Felelős és tiltólista: jelöljétek ki a rendszer gazdáját, rögzítsétek, mit nem tehet az ügynök (küldés, külső továbbítás, ígéret árra és határidőre), valamint azt, hogy mely postafiókok maradnak ki a körből.
• Kategóriák és tudásbázis (2. hét): határozzatok meg hét-kilenc kategóriát valódi, anonimizált példákkal, gyűjtsétek össze az általános szerződési feltételeket, az árlistát, a gyakori kérdéseket, valamint húsz-harminc jól sikerült korábbi választ, végül írjatok egyoldalas stílusútmutatót.
• Technikai alap és szerződések: telepítsétek vagy fizessétek elő az n8n-t, adjatok külön, szűk jogosultságú hozzáférést a postafiókhoz, kössétek meg az adatfeldolgozói szerződéseket és frissítsétek az adatkezelési tájékoztatót.
• Megfigyelő mód (3. és 4. hét): az ügynök csak egy „AI-javaslat” címkét tesz a levelekre, semmit nem mozgat, a csapat pedig a megszokott módon dolgozik, miközben minden nap összeveti a saját döntését a gépével.
• Címkézés és belső továbbítás élesben (5. hét): ha a besorolási pontosság elér egy előre rögzített küszöböt (javaslatunk szerint legalább 95%-ot), a címkék és a belső továbbítás élesedhet, a bizonytalan leveleket az „Ellenőrizendő” címke gyűjti.
• Válaszvázlatok (6. és 7. hét): a két-három leggyakoribb levéltípushoz az ügynök piszkozatot készít, amelyet mindig ember hagy jóvá és küld el, a javításokat pedig a rendszer gazdája hetente átnézi.
• Oktatás és visszajelzés: egy félórás csapatmegbeszélésen mutassátok meg, hogyan működik a rendszer, vezessetek be egy „AI hibázott” címkét, a hibákat pedig heti húszperces áttekintésen beszéljétek meg.
• Kiértékelés és döntés (8. hét): a mért számok alapján döntsetek arról, bővítitek-e a rendszert (reggeli összefoglaló, CRM-feladatnyitás, újabb levéltípusok), vagy egy szűk sablonnál, például a beérkezés visszaigazolásánál, AI-jelöléssel engeditek az önálló küldést.

Milyen számokat figyelj a bevezetés alatt?

Öt mutató elég ahhoz, hogy tisztán lásd, működik-e a rendszer. A besorolási pontosság azt mutatja, a címkék hány százalékát kellett kézzel javítani, a vázlat-elfogadási arány pedig azt, hogy a piszkozatok mekkora része ment ki változtatás nélkül vagy csak apró javítással. Az első válasz idejének mediánja a kiinduló állapothoz mérve mutatja az ügyfél által is érzékelt javulást. Az „Ellenőrizendő” címkét kapott levelek aránya jelzi, mennyire bizonytalan a modell, az incidensnapló (téves továbbítás, hibás tartalom) pedig azt, hol kell szigorítani. Ha ezek mellé havonta kiszámolod az egy levélre jutó költséget is, a bővítésről szóló döntés szinte magától adódik.

Kinek nem éri meg még az AI-alapú levélkezelés?

Nem éri meg azoknak, akiknek kevés és nagyon változatos a levelezésük, akiknél hiányoznak a folyamat alapjai, illetve akik szigorúan titkos adatokkal dolgoznak megfelelő jogi és technikai háttér nélkül. Nekik egyelőre a jól beállított levelezőszabályok és a mentett válaszsablonok jobb befektetést jelentenek, a felkészülést azonban már most érdemes elkezdeni.

Tapasztalatunk szerint ha egy közös postafiókba naponta húsznál kevesebb levél érkezik, a beállítás és a karbantartás ideje könnyen meghaladja a megtakarítást. Az sem segít, ha nincs tisztázva, ki felel a reklamációkért vagy az ajánlatokért, mert az AI a rendetlen folyamatot csak felgyorsítja. Egészségügyi, ügyvédi vagy pénzügyi tanácsadói tevékenységnél csak alapos adatvédelmi előkészítés után szabad ügyfélleveleket modellhez küldeni, egy egységes címkerendszer és egy rendezett tudásbázis azonban ilyenkor is sokat gyorsít a későbbi bevezetésen.

Miben segít a Convergo?

A Convergo workflow automatizáció szolgáltatásával n8n-alapú, naplózott és jóváhagyási lépésekkel védett folyamatot építünk a közös postafiókjaid köré, a címkézéstől a válaszvázlatokig. A vázlatok minőségét a tudásbázis-alapú chatbotoknál bevált módszerrel emeljük, hogy a modell a céged saját dokumentumaira támaszkodjon, ne pedig kitalált árakra vagy határidőkre. Ha a levelezést a CRM-mel vagy az Odoo-val is össze kell kötni, egyedi AI-integrációval oldjuk meg, átgondolt jogosultságkezeléssel. Az első lépés egy ingyenes egyeztetés, ahol közösen átnézzük a levélforgalmadat, majd megmutatjuk, melyik postafióknál érdemes elindítani a nyolchetes bevezetést.