Az OpenAI kutatóügynökei 3,1 munkanapot dolgoznak minden emberi munkanapra: hogyan add át a kutatómunkát?

Az OpenAI 2026. szeptember 6-án közzétett, belső méréseken alapuló beszámolója szerint augusztus közepére a cég kutatási szervezete minden emberi munkanapra 3,1 munkanapnyi ügynöki munkát használt fel, vagyis a kutatóügynökök összesen több mint háromszor annyi ideig dolgoztak, mint maguk a kutatók. A szám gyorsan bejárta a szakmai sajtót, sokan pedig úgy olvasták, hogy egy AI-ügynök egy nap alatt három napnyi kutatást végez el. Ez nem pontosan így van, a különbség pedig forintban is mérhető: aki a hírcímek alapján bízza a piackutatást vagy a beszállítók összehasonlítását egy ügynökre, könnyen gyorsabban kap rossz választ, mint korábban jót.

Az OpenAI saját megfogalmazásában ráadásul ott van egy apró, de mindent eldöntő kitétel: az ügynökök jól körülhatárolt, emberi irányítás alatt végzett feladatokban teljesítenek jól. Az alábbi útmutató 2026. szeptember 22-i állapotot tükröz. Szétszedjük benne, mit mér pontosan a 3,1-es szám és hol csúszik félre az értelmezése, milyen kutatási feladatot érdemes egy magyar kis- vagy középvállalatnak ügynökre bízni, mit kell minden egyes alkalommal ellenőrizni, végül egy képzeletbeli, de nagyon is életszerű beszállítói összehasonlításon forintra számolva végigmegyünk a teljes folyamaton.

Röviden

• Az OpenAI 2026. szeptember 6-i beszámolója szerint augusztus közepén a cég kutatói minden 8 órás emberi munkanapra összesen 3,1 munkanapnyi, azaz 24,8 órányi ügynöki futásidőt használtak fel, ami ráfordítást mér, nem pedig elkészült eredményt.
• A kutatóügynök olyan AI-program, amely egy kutatási kérdésre önállóan keres, forrásokat olvas, adatokat gyűjt ki és hivatkozásokkal ellátott összefoglalót készít, a kérdést, a kereteket és a végső döntést viszont ember adja.
• Jól körülhatárolt az a feladat, amelynél a kérdés, a forráskör, a kimenet formája és a „kész” kritériuma előre rögzített, ilyen például a versenytársak árlistáinak összegyűjtése vagy egy pályázati felhívás feltételeinek ellenőrzőlistába rendezése.
• Az OpenAI saját adatai szerint a sikeres, 4 és 8 óra közötti ügynöki feladatok több mint felénél kellett legalább egy emberi beavatkozás, ezért minden számot, dátumot, hivatkozást és jogi állítást emberi ellenőrzéssel kell lezárni, mielőtt döntés épül rá.
• Saját becslésünk szerint egy nyolc versenytársat feldolgozó elemzés tokenköltsége a GPT-6 Astrával nagyjából 2 800 Ft, a valódi költség tehát nem a gépidő, hanem az ellenőrzésre fordított emberi munkaóra.
• Egy KKV-nak akkor éri meg kutatóügynököt használni, ha van legalább két-három ismétlődő, jól leírható kutatási feladata, amelynek eredményét egy hozzáértő kolléga néhány óra alatt ellenőrizni tudja.

Mit jelent pontosan a 3,1 munkanap és hol nem igaz?

A 3,1 munkanap azt jelenti, hogy az OpenAI kutatói 2026 augusztusának közepén minden 8 órás emberi munkanapra összesen 24,8 órányi ügynöki futásidőt használtak fel, jellemzően több, egyszerre dolgozó ügynökkel. Ez ráfordítás és nem teljesítmény: a szám nem állítja, hogy egy ügynök egy nap alatt három napnyi kutatói munkát végez el.

Az OpenAI „Research acceleration: The view inside OpenAI” című, 2026. szeptember 6-i bejegyzése saját fordításunkban így fogalmaz: „egy szabványos, 8 órás munkanappal számolva augusztus közepén a kutatási szervezet összesen 3,1 ügynök-munkanapnyi ráfordítást használ minden emberi munkanapra”. A mérés logikája egyszerű: összeadják a kutatási szervezetben futó összes ügynök futásidejét, elosztják nyolc órával, majd összevetik az emberi munkanapok számával. Az eWeek szeptember 8-i elemzése ki is számolta, hogy ez nyolcórás emberi munkanaponként 24,8 ügynökórát jelent. A cikk szerzője arra is figyelmeztetett, hogy mivel több ügynök futhat egyszerre, a szám nem azt jelenti, hogy egyetlen AI egy nap alatt több mint három emberi napnyi kutatást végzett volna el.

A szám egy nagyobb bejelentés részeként jelent meg. Az OpenAI tavaly ősszel azt a célt tűzte ki, hogy 2026 szeptemberére megépít egy automatizált kutatógyakornokot (research intern), amelyet saját fordításunkban olyan rendszerként határoz meg, amely „emberi irányítás mellett jól definiált kutatási feladatokat tud elvégezni, beleértve olyanokat is, amelyek egy képzett kutatónak néhány napig tartanának”. A cég szerint ezt a célt elérte, a következő mérföldkő pedig egy automatizált AI-kutató 2028 márciusára. A definícióban három kifejezés hordozza a lényeget: a „jól definiált”, az „emberi irányítás” és a „gyakornok”. Senki sem állítja, hogy az ügynök vezető kutató lenne, a hasonlat inkább egy szorgalmas, gyors, de felügyeletre szoruló pályakezdőre illik.

Futásidő, nem eredmény

A leggyakoribb félreolvasás az, hogy a 3,1 munkanapot kibocsátásként értelmezik. A mutató valójában azt méri, mennyi ideig futottak az ügynökök, arról viszont semmit sem mond, hogy ebből mennyi lett használható eredmény. Ha egy kutató reggel elindít négy ügynököt, amelyek egyenként hat órán át dolgoznak, az 24 ügynökóra, vagyis három ügynök-munkanap, akkor is, ha a négyből kettő zsákutcába futott és a kutató a délutánját a kimenetek átfésülésével töltötte. Az eWeek elemzése ezt úgy foglalta össze, hogy az OpenAI saját adatai nem bizonyítják, hogy a többlet ügynöki idő arányos növekedést hozott volna a kutatási eredményekben.

Maga az OpenAI is óvatos. A bejegyzés szerint a mutatók „még előzetesek”, bizonyos jelzőszámok, például a csapatok által generált kód mennyisége, könnyen mérhetők, de nehezen értelmezhetők, mert bizonytalan a kapcsolatuk a tényleges kutatási előrehaladással. A cég azt is leírja, hogy 2025 óta jelentősen nőtt a rendelkezésre álló számítási kapacitás, így nehéz szétválasztani, mennyi a javulásból az ügynökök érdeme és mennyi a több hardveré. Végül kimondja, hogy mivel az AI-kutatás sok szűk keresztmetszettel terhelt folyamat, a teljes haladás valószínűleg nem fogja tartani a lépést ezekkel a részmutatókkal.

Az emberi beavatkozás nem tűnt el

A bejegyzés egyik legfontosabb, a hírcímekből mégis rendre kimaradó mondata saját fordításunkban így szól: „az elmúlt hat hónapban a sikeres, 4 és 8 óra közötti feladatok több mint felénél legalább egy beavatkozásra volt szükség”. Vagyis nem a sikertelen, hanem a sikeresnek elkönyvelt feladatok többségénél kellett egy embernek belenyúlnia a munkába. Az OpenAI azt is leírja, hogy az ügynökök a feladat bonyolultságának növekedésével egyre több emberi irányítást igényelnek, a magas szintű tervezés pedig az ügynökök kimeneti tokenjeinek csak elenyésző hányadát adja. A kutatási prioritásokat, azt, hogy melyik ötletet és eredményt érdemes követni, valamint a skálázásról, a leállításról és a bevezetésről szóló döntéseket a cég szerint továbbra is emberek hozzák meg.

Kiváló kutatók, szinte korlátlan infrastruktúra

A 3,1-es arányt a világ egyik legtapasztaltabb AI-kutatócsapata érte el, olyan emberek, akik maguk építik az ügynököket és pontosan tudják, hogyan kell nekik feladatot adni. A környezet is különleges: saját belső eszközök, testre szabott infrastruktúra és olyan tokenkeret, amelyről egy magyar KKV nem is álmodik. Az OpenAI szerint augusztus közepére a medián kutató naponta több mint 600 dollárnyi API-költséget generált, a 90. percentilisbe tartozó felhasználó pedig napi 7 000 dollárnál is többet. Kerekített 320 Ft-os dollárárfolyammal ez medián kutatónként napi 192 000 Ft, havi 21 munkanappal számolva körülbelül 4 millió forint, a legnagyobb fogyasztóknál pedig napi 2 240 000 Ft. Aki tehát a 3,1-es arányt a saját cégére vetítené, annak azt is végig kell gondolnia, milyen tudással és mekkora keretből dolgozik.

Nem piackutatás, hanem hibakeresés

A harmadik fontos különbség a feladatok jellegében rejlik. Az OpenAI beszámolója szerint az ügynökök a belső kutatási infrastruktúra hibaelhárításában, a technikai támogatásban, a kutatási és infrastruktúrakód megírásában, valamint a futó kísérletek felügyeletében hozták a legnagyobb változást. A cég példaként említi, hogy több csapat, amely korábban fogadóórát tartott a kutatóknak hibaelhárításra, 2026-ban csökkenő érdeklődést tapasztalt, egy csapat pedig teljesen meg is szüntette az alkalmait. Ezek jellemzően olyan munkák, ahol az eredmény gyorsan ellenőrizhető: a kód lefut vagy hibát dob, a kísérlet elindul vagy elakad. Egy piackutatásnál vagy egy beszállítói összevetésnél viszont a rossz eredmény nem dob hibaüzenetet, hanem ugyanolyan magabiztosan néz ki, mint a jó.

Mit bizonyít mégis a szám?

A fenntartások mellett a trend valódi. Az OpenAI szerint az aktív kísérletezőnkénti kísérletszám augusztusban minden idők legmagasabb szintjére ért a 2025 januárja óta tartó mérésben, amit a cég a Codex terjedésével hoz összefüggésbe, miközben a több számítási kapacitást is lehetséges magyarázatnak tartja. Ebből a legfontosabb tanulság egy cégvezetőnek az, hogy az ügynök végrehajtó réteggé válik: az ember határozza meg, mit kell elvégezni, az ügynökök pedig a körülhatárolt részfeladatokat viszik. Ez a munkamegosztás egy 15 fős cégben is működhet, csak sokkal kisebb léptékben és sokkal szigorúbb ellenőrzéssel, mint egy AI-laborban.

Mit csinál egy kutatóügynök és miben más, mint egy chatbot?

A kutatóügynök olyan AI-program, amely egy kutatási kérdésből kiindulva maga tervezi meg a lépéseket, több tucat keresést futtat, weboldalakat és dokumentumokat olvas végig, adatokat gyűjt ki, majd hivatkozásokkal ellátott jelentést ír. A chatbot egy kérdésre egy választ ad, az ügynök viszont percekig vagy órákig dolgozik, közben maga dönt a következő lépésről.

Egy tipikus kutatóügynök munkája hat szakaszra bontható. Ezeket azért érdemes ismerni, mert mindegyiknél másfajta hiba csúszhat be:

• Tervezés: a kapott kérdést részkérdésekre bontja és eldönti, milyen keresésekkel kezdjen.
• Keresés: keresőmotoron, megadott weboldalakon vagy feltöltött dokumentumokban kutat, jellemzően több tucat lekérdezéssel.
• Olvasás: megnyitja a találatokat, kiszűri a nem releváns oldalakat, a relevánsakból kivonatot készít.
• Kigyűjtés: a szövegből számokat, dátumokat, neveket, feltételeket emel ki és strukturált formába rendezi.
• Összegzés: a kigyűjtött anyagból jelentést, táblázatot vagy összehasonlítást ír, forrásmegjelöléssel.
• Önellenőrzés: jobb esetben visszanéz, ellentmondásokat keres és jelzi, amit nem talált meg.

A gyakorlatban egy KKV ezt legtöbbször a nagy AI-szolgáltatások mélykutatási (angolul deep research) funkcióján keresztül éri el, amilyen a ChatGPT-ben, a Claude-ban és a Geminiben is van, illetve az ügynöki módokon keresztül, amelyekben a modell böngészőt és más eszközöket is kezel. Az OpenAI 2026. szeptember 3-án bejelentett GPT-6 Astra modellje a cég szerint kifejezetten erős az online kutatásban és a számítógép-használatban, a vállalati ChatGPT-munkaterületeken azonban alapból ki van kapcsolva, így az adminisztrátornak kell engedélyeznie. Fejlesztői oldalon az OpenAI 2026. szeptember 10-én nyilvános bétába küldött Agents API-ja kínál építőkockákat saját kutatóügynökhöz: az Agent Stack elemzése szerint a webkeresés 1 000 hívásonként 10 dollárba kerül a tokenek mellett, a fájlkeresés 2,50 dollárba, a naplózás és a költségek átláthatósága viszont egyelőre hiányzik a csomagból. Az Agents API részleteivel és az automatizációs platformokra gyakorolt hatásával külön cikkben foglalkozunk.

A chatbot és az ügynök közötti különbség a kockázat helyében is megmutatkozik. Egy chatbot rossz válasza ott van előtted egy bekezdésben, azonnal látod és megkérdőjelezheted. Egy ügynök hibája ezzel szemben elbújhat egy húszoldalas jelentés tizennegyedik oldalán, egy táblázat harmadik oszlopában vagy egy lábjegyzetben, amelynek linkje egy egészen más oldalra mutat. Minél hosszabb és önállóbb a munka, annál több helyen kell keresni a hibát, ezért a kutatóügynök bevezetése legalább annyira ellenőrzési, mint technológiai kérdés.

Miért a „jól körülhatárolt” a legfontosabb kifejezés?

Azért, mert az AI-ügynökök megbízhatósága a feladat hosszával és homályosságával meredeken romlik. A rövid, egyértelmű, ellenőrizhető kimenetű feladatot a mai ügynökök jó eséllyel teljesítik, a hosszú, nyitott, ítélőképességet igénylő kutatásban viszont emberi irányítás nélkül gyakran rossz irányba indulnak el.

Ezt a jelenséget a METR nevű független kutatószervezet 2025. március 19-i tanulmánya írta le a legtisztábban. A kutatók azt mérték, milyen hosszú (emberi munkaidőben kifejezett) szoftveres feladatokat tudnak a modellek önállóan megoldani. Az akkori modellek a 4 percnél rövidebb feladatokon közel 100%-os sikerrel dolgoztak, a nagyjából 4 óránál hosszabbakon azonban 10%-nál ritkábban jártak sikerrel. A tanulmány azt is kimutatta, hogy az 50%-os megbízhatósággal elvégezhető feladatok hossza az előző hat évben nagyjából hét havonta megduplázódott. A trend alapján a 2026 őszi modellek ennél jóval hosszabb feladatokat is elbírnak, az OpenAI már néhány napos kutatói feladatokról beszél, a görbe alakja azonban ugyanaz maradt: minél hosszabb és lazábban megfogalmazott egy feladat, annál nagyobb az esélye, hogy valahol elcsúszik, a hibák pedig a lánc végére felhalmozódnak.

A METR mérése szoftverfejlesztési feladatokon készült, ahol a siker viszonylag egyértelműen eldönthető. Üzleti kutatásnál ez nehezebb, hiszen egy versenytárselemzésnél nincs olyan teszt, amely megmondaná, hogy a táblázat hibátlan-e. Emiatt egy KKV-nál a „jól körülhatárolt” kifejezést még szigorúbban kell venni, mint egy fejlesztőcsapatnál.

Az öt ismérv

Tapasztalatunk szerint egy kutatási feladat akkor jól körülhatárolt, ha az alábbi öt feltétel mindegyike teljesül:

• A kérdés egyetlen mondatban leírható és egyértelmű, hogy mire kell választ adni.
• A forráskör rögzített: tudod, milyen weboldalakon, adatbázisokban vagy dokumentumokban kell keresni, illetve mit nem fogadsz el forrásként.
• A kimenet formája előre meghatározott, például egy táblázat megadott oszlopokkal, egy ellenőrzőlista vagy egy legfeljebb kétoldalas összefoglaló.
• Van „kész” kritérium: tudod, mikor áll le az ügynök, például tíz versenytárs után vagy amikor minden oszlop kitöltött.
• Az eredmény ellenőrizhető: minden állításhoz tartozik egy forrás, amelyet egy ember néhány perc alatt vissza tud keresni.

A különbséget a legkönnyebben párokon keresztül lehet megérteni. A bal oszlopban olyan megbízások szerepelnek, amilyeneket a legtöbben ösztönösen adnánk, a jobb oszlopban ugyanezek jól körülhatárolt változata.

A jobb oldali megbízások hosszabbak és kevésbé elegánsak, cserébe az eredményük ellenőrizhető. Érdemes megfigyelni, hogy a döntést egyik sem bízza az ügynökre: a „melyik a legjobb” kérdést a táblázat alapján egy ember válaszolja meg, aki ismeri azokat a szempontokat is, amelyek soha nem kerültek papírra.

Piackutatás, versenytárselemzés, pályázati előkészítés: mit adhatsz át egy kutatóügynöknek?

Egy kutatóügynöknek azokat a részfeladatokat érdemes átadni, amelyekben sok nyilvános forrást kell végigolvasni és egységes formába rendezni: árlistákat, szolgáltatási csomagokat, vásárlói véleményeket, pályázati feltételeket. A következtetés levonását, a stratégiai döntést és a hivatalos dokumentumok végleges szövegét viszont tartsd emberi kézben.

Piackutatás: az asztali kutatás gyorsítása

Az asztali kutatás (desk research) az a munka, amikor meglévő, nyilvános forrásokból rakod össze a képet egy piacról. Egy kutatóügynök pontosan ebben a műfajban a legerősebb. Vegyünk egy képzeletbeli, 8 fős pécsi kávépörkölőt, amely havi előfizetéses szolgáltatást indítana. Az ügynök néhány óra alatt összegyűjtheti a hazai kávé-előfizetések kínálatát havi díjjal, mennyiséggel, szállítási móddal és lemondási feltételekkel, ami kézzel egy kolléga két napját vinné el. A vásárlói vélemények témák szerinti összesítése is jó feladat, feltéve, hogy az ügynök a panaszok típusait gyűjti ki, nem pedig a véleményírók nevét, hiszen a személyes adatok tömeges gyűjtése a GDPR miatt külön mérlegelést igényel.

A piackutatás leggyakoribb csapdája a piacméret. Az ügynökök előszeretettel emelnek be globális, angol nyelvű piackutató cégek sajtóközleményeiből származó számokat („a világpiac 2030-ra ennyi milliárd dollár lesz”), amelyek egy magyar döntéshez jellemzően se nem relevánsak, se nem ellenőrizhetők, mert maga a jelentés fizetős. Érdemes ezért a megbízásban kikötni, hogy piacméretet csak elsődleges forrásból fogadsz el, például a Központi Statisztikai Hivatal vagy az Eurostat adataiból, illetve szakmai szövetségek kiadványaiból, minden számhoz pedig kötelező megadni az évet és a földrajzi lefedettséget.

Versenytárselemzés: pillanatfelvétel dátummal

A versenytárselemzés AI-val akkor működik jól, ha a megbízás pontosan megnevezi a versenytársakat a domainjükkel együtt, továbbá rögzíti, mit kell róluk kigyűjteni: szolgáltatási csomagokat, nyilvános árakat, szállítási feltételeket, a blog témáit, a nyitott álláshirdetéseket vagy a Meta Hirdetéstárában futó hirdetéseket. A domain megadása nem szőrszálhasogatás, mert az ügynökök rendszeresen összetévesztik az azonos vagy hasonló nevű cégeket, különösen, ha egy magyar KKV neve egy külföldi nagyvállalatéra hasonlít.

A versenytárs weboldala holnap már másképp nézhet ki, ezért minden adatnál kérd a forrás-URL-t és a lekérdezés dátumát. Az így kapott táblázat pillanatfelvétel, amely akkor ér igazán sokat, ha rendszeresen megismétled. Egy havonta futó, azonos megbízással dolgozó versenytárs-figyelés mutatja meg a változásokat is: ki emelt árat, ki indított új csomagot, ki kezdett el toborozni egy új területre. Az ilyen ismétlődő futtatást már megéri workflow-automatizációval ütemezni, hogy ne egy kollégán múljon, eszébe jut-e minden hónap elején.

Pályázati előkészítés: ellenőrzőlista, nem kész pályázat

A pályázati előkészítés mesterséges intelligenciával ott hoz látványos időmegtakarítást, ahol a felhívást és a mellékleteit kell feldolgozni. Egy pályázati felhívás sokszor több tucat oldalas, a jogosultsági feltételek, az elszámolható költségek, a kötelező mellékletek és a határidők pedig szétszórva szerepelnek benne. Egy kutatóügynök ezekből gyorsan ellenőrzőlistát készít, minden sorhoz oldalszámmal, majd összeveti a cég alapadataival (tevékenységi kör, létszám, árbevétel, székhely), végül megjelöli, melyik feltételnél bizonytalan a megfelelés.

Két dologra viszont ne használd az ügynököt. Az egyik a felhívás felkutatása ellenőrzés nélkül: a keresők gyakran lejárt kiírásokat vagy tanácsadó cégek régi blogbejegyzéseit dobják fel, a felhívásokat pedig menet közben módosíthatják, ezért a hatályos változatot mindig a hivatalos pályázati portálon kell megnézni. A másik a végleges szöveg és a nyilatkozatok megírása emberi átnézés nélkül, hiszen a benyújtott pályázat tartalmáért a cég felel, az ügynök által félreértett feltétel pedig akár a támogatás visszafizetésével is járhat. A projektleírás vázlatát nyugodtan megírathatod az ügynökkel, a végleges szöveget azonban mindig egy hozzáértő ember fogalmazza át.

Hogyan adj ki egy kutatási feladatot AI-ügynöknek lépésről lépésre?

Egy jó kutatási megbízás a döntésből indul ki, egy mondatban fogalmazza meg a kérdést, rögzíti a forráskört és a kimenet sablonját, állításonként forrást kér, továbbá előre kijelöli, mikor álljon le az ügynök. Az első élesítés előtt egy olyan próbafeladaton teszteld, amelynek már ismered a helyes válaszát.

Az alábbi nyolc lépés bármelyik mélykutatási eszközzel működik, a ChatGPT-től a Claude-on át a Geminiig, sőt akkor is, ha később saját, API-ra épülő kutatóügynököt fejlesztetsz:

• Írd le, milyen döntést támogat a kutatás. A „piackutatás” önmagában nem feladat, az „el kell döntenünk októberig, hogy indítunk-e előfizetéses csomagot” viszont már kijelöli, mi számít releváns információnak.
• Fogalmazd meg a kérdést egy mondatban, majd bontsd három-öt részkérdésre, amelyek mindegyikére önálló, ellenőrizhető válasz adható.
• Rögzítsd a forráskört: milyen weboldalakat, adatbázisokat vagy csatolt dokumentumokat használhat az ügynök, milyen nyelven és milyen időszakból, valamint mit nem fogadsz el forrásként (például fórumbejegyzést vagy AI-generált összefoglaló oldalt).
• Add meg a kimenet sablonját: táblázat esetén az oszlopokat, a mértékegységet, a pénznemet és azt, hogy nettó vagy bruttó értéket vársz.
• Kérj forrásmegjelölést állításonként: URL, a forrás dátuma, a lekérdezés dátuma és egy rövid, szó szerinti idézet, amelyre az állítás épül.
• Írd elő a bizonytalanság jelölését: ha egy adat nem található, a cellába a „nincs megadva” kerüljön, ha a források ellentmondanak egymásnak, az „ellentmondásos” jelölés, ha pedig az ügynök maga számolt, a „becslés” szó és a számítás menete.
• Határozd meg a leállási feltételt és a keretet, például legfeljebb tíz versenytárs, legfeljebb egy óra futásidő, vagy leállás, ha egy adatot három különböző forrásban sem talál.
• Futtass próbakört egy olyan esetre, amelynek ismered a helyes válaszát. Élesíteni csak akkor szabad, ha a próbakör eredménye kiállta az ellenőrzést.

A gyakorlatban egy ilyen megbízás egy tömör bekezdés is lehet, nem kell hozzá hosszú dokumentum. Íme egy minta, amelyet a saját feladataidhoz igazíthatsz:

Minta megbízás: „Döntést készítünk elő arról, hogy indítsunk-e havi kávé-előfizetést. Gyűjtsd ki a magyarországi kávé-előfizetéses ajánlatokat legfeljebb 12 szolgáltatótól, kizárólag a szolgáltatók saját weboldaláról. Táblázatot kérek ezekkel az oszlopokkal: szolgáltató, domain, havi díj bruttó forintban, kávé mennyisége grammban, szállítási mód, lemondási feltétel, forrás-URL, lekérdezés dátuma. Hiányzó adatnál írd be: »nincs megadva«. Ne adj ajánlást, ne becsülj piacméretet. A táblázat után sorold fel, melyik oldalt nem sikerült betölteni.”

A megbízásokat jó egy közös dokumentumban gyűjteni és minden futtatás után finomítani. Három-négy kör után kialakul egy olyan sablon, amelyet bármelyik kolléga újra tud használni. Ettől lesz a kutatóügynök a cég folyamatának része ahelyett, hogy egy lelkes munkatárs személyes kísérlete maradna.

A hibaarány kezelése: mit ellenőrizz mindig?

Mindig ellenőrizd a döntést befolyásoló számokat, a dátumokat és határidőket, a hivatkozások létezését és tartalmát, a pénznemet és a nettó vagy bruttó jelölést, valamint azt, hogy mi maradt ki. Az AI-ügynök ritkán hibázik látványosan, sokkal gyakrabban magabiztosan és csendben, így a legveszélyesebb hibák éppen a hihetőek.

Az AI-hallucináció az a jelenség, amikor a modell valótlan, de hihetőnek tűnő állítást, számot vagy forrást állít elő. A kutatóügynököknél ez gyakran kitalált vagy félreidézett hivatkozásként jelentkezik, a magabiztos tévedésre pedig az egyik legtöbbet idézett mérés a Columbia Egyetem Tow Centerének 2025. március 6-i vizsgálata, amelyet a Columbia Journalism Review közölt. A kutatók nyolc generatív keresőeszközt teszteltek 1 600 lekérdezéssel, amelyekben egy hírcikkből vett részlet alapján kellett megnevezni a cikk címét, a kiadót, a megjelenés dátumát és a linket. Az eszközök összességében a válaszok több mint 60%-ában tévedtek, a Perplexity 37%-ban, a Grok 3 pedig 94%-ban. A Gemini és a Grok 3 válaszainak több mint fele kitalált vagy nem működő URL-re hivatkozott, a Grok 3 esetében 200 válaszból 154 hibaoldalra vezetett. Talán a legtanulságosabb adat, hogy a ChatGPT 134 cikket azonosított tévesen, mégis a 200 válaszból csak 15 esetben jelezte, hogy bizonytalan, a választ pedig egyszer sem tagadta meg. A vizsgálat másfél éves, az azóta megjelent modellek jobbak, a tanulság azonban máig érvényes: a válasz magabiztossága semmit sem árul el a helyességéről.

A 2026-os adatok sem adnak okot a lazaságra. Az Artificial Analysis és a Zapier 2026. július 6-án közzétett AutomationBench-AA tesztje 657 üzleti automatizálási feladaton mérte a modelleket hat területen, a legjobb eredmény pedig mindössze 48,6% lett. Minden modell megsértett üzleti szabályokat, feladatonként átlagosan 0,46 és 1,26 közötti alkalommal, a pénzügyi folyamatokban pedig nagyjából fele akkora volt a sikerarány, mint az ügyfélszolgálati és operációs feladatokban. Ez a teszt nem kifejezetten kutatást mér és azóta újabb modellek is megjelentek, a pénzügyi feladatok gyengébb eredménye viszont egy beszállítói összehasonlításnál nagyon is releváns figyelmeztetés.

Van egy harmadik, alattomosabb hibatípus is: a látszólagos siker. Ha egy weboldal nem töltődik be, egy bejelentkezést igényel vagy sütifalat mutat, az ügynök könnyen úgy jelenti, hogy „az adat nem elérhető”, holott valójában el sem jutott hozzá. A Moveworks 2026. szeptember 14-én éppen erre a problémára jelentett be változtatást, amely a sikertelen eszközhívásnál kifejezett hibaállapotot ad vissza a látszólagos siker helyett. Amíg ez nem általános, a megbízásban kérd, hogy az ügynök külön sorolja fel a be nem töltött oldalakat.

Az ellenőrzőlista

Az alábbi táblázat a kutatóügynökök tipikus hibáit és az ellenőrzésük módját foglalja össze. Tapasztalatunk szerint ez a hét hibatípus adja a gyakorlatban előforduló tévedések nagy részét.

A teljes ellenőrzés sokszor elviszi az időmegtakarítás jelentős részét, ezért érdemes rétegezni. A döntést közvetlenül befolyásoló számokat és határidőket mindig száz százalékban ellenőrizd, a többi állításból pedig vegyél véletlenszerű mintát, mondjuk minden ötödiket. Ha a mintában egynél több hibát találsz, az egész anyagot nézd át, a hibák alapján pedig pontosítsd a megbízást. Egy egyszerű hibanapló (dátum, feladat, hibatípus, ki vette észre) egy hónap alatt megmutatja, hol megbízható az ügynök és hol nem, ami sokkal többet ér bármilyen gyártói benchmarknál.

Hasznos kiegészítés lehet, ha egy másik szolgáltató modelljével ellenőrizteted a hivatkozásokat, mert egy második, független szempont kiszűrhet olyan hibát, amely az elsőnek fel sem tűnt. Ez csökkenti, de nem szünteti meg a kockázatot, így a végső felelősség ugyanúgy annál a kollégánál marad, aki a táblázatot a döntéshozó elé teszi.

Egy magyar példa: beszállítói ajánlatok összehasonlítása kutatóügynökkel

A beszállítói ajánlatok összehasonlítása szinte tankönyvi példája a jól körülhatárolt kutatási feladatnak: adott a forráskör (a beérkezett ajánlatok), adott a kimenet (egy összehasonlító táblázat), a döntés pedig egyértelműen emberi kézben marad. Éppen ezért jól látszik rajta az is, hol hibázik az ügynök és hol kell a szakértő.

Tegyük fel, hogy egy képzeletbeli, 22 fős szegedi élelmiszer-feldolgozó új beszállítót keres a termékeihez használt nyomtatott csomagolótasakokra. Évente nagyjából 400 000 darabra van szüksége, hat ajánlat érkezett PDF-ben és e-mailben, eltérő pénznemben, mértékegységben és szállítási feltétellel. A beszerzési vezető eddig körülbelül másfél napot töltött egy ilyen összevetéssel, most egy kutatóügynököt állít munkába az alábbi menetrend szerint:

• Feltölti a hat ajánlatot egy üzleti előfizetésű AI-munkaterületre, miután ellenőrizte, hogy a szolgáltató nem tanít a céges adatokon, a beszállítói szerződések titoktartási kikötései pedig nem tiltják a feltöltést.
• Megírja a megbízást: táblázat rögzített oszlopokkal, az árak eredeti formában és 1 000 darabra átszámítva, nettó forintban, rögzített 364 Ft-os euróárfolyammal, minden adat mellett az ajánlat oldalszámával, a hiányzó adatnál „nincs megadva” jelöléssel.
• Kéri, hogy az ügynök beszállítónként sorolja fel a tisztázandó kérdéseket, de ajánlást ne adjon és senkinek ne írjon.
• Az elkészült táblázat minden számát az oldalszám alapján visszakeresi az eredeti PDF-ben.
• A teljes éves költséget ő maga számolja ki, a tisztázó kérdéseket ő küldi el, a döntést pedig a cégvezetővel együtt hozza meg.

Az ügynök táblázatából az átszámítás után a három legolcsóbb ajánlat így néz ki (a számok szemléltető, kitalált adatok):

A táblázat alapján az ügynök helyesen állapítja meg, hogy darabár szerint a „B” ajánlat a legolcsóbb. Egy tapasztalt beszerző azonban csak itt kezd el igazán számolni. Évi 400 000 darabnál az „A” ajánlat 16 400 000 Ft. A „B” ajánlat 15 288 000 Ft, a gyárból elhozott nyolc szállítmánnyal (az 50 000 darabos minimális rendelés miatt) és fuvaronként feltételezett 60 000 Ft saját szállítási költséggel együtt viszont már 15 768 000 Ft. A „C” ajánlat havi rendeléssel, tizenkét szállítással 15 400 000 + 540 000 = 15 940 000 Ft. A „B” így is évi 632 000 Ft-tal olcsóbb az „A”-nál, a „C”-hez képest azonban már csak 172 000 Ft az előnye.

Ekkor jön a képbe az, amit egyetlen táblázat sem mutat meg magától. A „B” ajánlat euróban szól, így ha a forint 5%-ot gyengül, vagyis az euró 364 helyett 382,2 Ft lesz, a darabár 40,13 Ft-ra nő, az éves költség pedig szállítással együtt 16 532 400 Ft-ra, ami már az „A” ajánlatnál is drágább. Az előre utalás lekötött pénzt és partnerkockázatot jelent, az 50 000 darabos tételek pedig raktárhelyet igényelnek. A „C” ajánlat forintban szól, kis tételben is rendelhető, csakhogy az érvényessége nincs megadva, így ez lesz az első kérdés, amelyet a beszerző feltesz. Hogy végül melyik a jó döntés, az a cég likviditásán, a raktáron és a beszállítói kapcsolatokon múlik, vagyis olyan tudáson, amely nincs benne a PDF-ekben.

Ebben a példában a legveszélyesebb ügynöki hiba egy félreolvasott áfajelölés lenne. Ha az ügynök egy bruttó árat nettónak venne, az 27%-os eltérést okozna, ami jóval nagyobb, mint a legdrágább és a legolcsóbb ajánlat éves összköltsége közötti, nagyjából 4%-os különbség, így egyetlen rossz cella az egész döntést megfordíthatná. Ezért nem alku tárgya, hogy minden számot vissza kell keresni az eredeti dokumentumban.

A megtakarítás saját becslésünk szerint így alakul: a megbízás megírása először húsz perc, később a sablonnak köszönhetően öt, az ügynök néhány perc alatt végez, az oldalszámok alapján végzett ellenőrzés nagyjából másfél-két óra, a teljes költség kiszámítása pedig ugyanannyi idő, mint korábban. A másfél napos munkából így durván fél nap lesz. A gépi költség elhanyagolható: ha a hat ajánlat feldolgozása az újraolvasásokkal együtt 100 000 bemeneti és 15 000 kimeneti tokent igényel, az a GPT-6 Astra 10, illetve 50 dolláros millió tokenenkénti árával 1,75 dollár, kerekített 320 Ft-os árfolyammal 560 Ft.

Mennyibe kerül egy kutatóügynök egy magyar KKV-nak?

Saját becslésünk szerint egy kutatóügynök gépi költsége feladatonként jellemzően néhány száz és néhány ezer forint között mozog, előfizetésben pedig a havidíjas keretbe számít bele. A valódi költség az emberi idő, vagyis a megbízás megírása és főleg az eredmény ellenőrzése, ami egy közepes feladatnál órákban mérhető.

Nézzünk egy versenytárselemzést nyolc versenytárssal. Tegyük fel, hogy az ügynök 80 webkeresést futtat. Mivel minden lépésnél újra megkapja az addigi előzményeket, összesen 600 000 bemeneti és 40 000 kimeneti (gondolkodási és látható) tokent használ el. A GPT-6 Astra árával ez 6 dollár bemenet, 2 dollár kimenet, az Agents API szerinti 10 dolláros ezres díjjal számolva további 0,80 dollár a keresésekért, összesen 8,80 dollár, azaz kerekített 320 Ft-os árfolyammal 2 816 Ft. Az emberi oldalhoz egy feltételezett, 6 000 Ft-os teljes óránkénti bekerülési költséggel számolunk, ezt a saját béradataiddal írd felül.

A táblázat két dolgot mutat meg. Az egyik, hogy a tokenköltség a teljes ráfordítás töredéke, így a modellválasztásnál a megbízhatóság fontosabb szempont, mint néhány száz forint különbség. A másik, hogy a megtakarítás szinte teljes egészében azon múlik, mennyi ideig tart az ellenőrzés: ha a három óra helyett hat kell, mert a táblázat tele van hibával, a számítás gyorsan romlik. Aki előfizetésben, például a ChatGPT üzleti csomagjaiban használja az Astrát, annál a használat a csomag keretébe számít, szükség esetén pedig pluszkredit vásárolható. Érdemes szem előtt tartani a léptéket is: az OpenAI medián kutatója naponta több mint 600 dollárnyi tokent használt el, egy KKV-nak ezzel szemben a fenti becslés alapján havi néhány tízezer forintos keretből is sok hasznos kutatás kijön. Az egyes modellek és feladatok részletes árazásáról külön ártáblázatos cikkben írunk.

Mikor ne bízd a kutatást AI-ügynökre?

Ne bízd ügynökre a kutatást, ha bizalmas vagy személyes adatot kellene átadnod megfelelő szerződéses és technikai garanciák nélkül, ha a kérdés ítélőképességet igényel, ha a fontos források fizetősek vagy nem kereshetők, illetve ha az ellenőrzés tovább tartana, mint maga a munka.

Az adatkezelés a leggyakoribb buktató. A beszállítói ajánlatok, az ügyféllisták és a belső árazási adatok üzleti titkok, a személyes adatok kezelésére pedig a GDPR és a magyar adatvédelmi hatóság, a NAIH gyakorlata vonatkozik. Minden eszköznél külön ellenőrizd, tanítanak-e a szolgáltató modelljei a feltöltött adatokon. Hogy ez nem elméleti kérdés, jól mutatja a Mistral példája, amely a Vibe nevű szolgáltatás ingyenes szintjén alapértelmezetten tanít a felhasználói promptokkal (ki lehet kapcsolni), a vállalati és az API-hozzáférés viszont kivétel. Ingyenes fogyasztói fiókba céges dokumentum tehát nem kerülhet.

Az ítéletet igénylő kérdések sem valók ügynöknek: kit vegyél fel, melyik piacra lépj be, mennyiért árazz. Az ügynök ezekhez anyagot gyűjthet, a döntés logikája azonban olyan szempontokon múlik, amelyek sehol sincsenek leírva. Hasonló a helyzet a nehezen elérhető forrásokkal: a fizetős cégadatbázisok, a zárt szakmai csoportok vagy egy kisebb önkormányzat rendeletei gyakran kimaradnak a keresésből, az ügynök pedig nem feltétlenül jelzi, hogy nem látta őket. Jogi, adózási és egészségügyi kérdésekben a végső választ mindig szakembernek kell adnia.

Végül a kutatóügynök csak olvasson, ne cselekedjen. Ha az ügynök e-mailt küldhet a beszállítónak, űrlapot tölthet ki vagy fájlokat oszthat meg, az már egy egészen más kockázati kategória. Az ENSZ független tudományos panelje 2026. szeptember 21-én éppen az AI-ügynökökkel szembeni elővigyázatosságot sürgette, a spanyol adatvédelmi hatóság pedig szeptember 17-én egy lehetséges, ügynök által végrehajtott adatszivárgást vizsgál. Az ügynökbiztonság részleteivel külön cikkben foglalkozunk, a kutatási feladatokhoz annyi is elég, hogy az ügynök csak olvasási jogot kapjon.

Hogyan vezesd be 30 nap alatt a kutatóügynököt a cégnél?

Egy KKV-nál a kutatóügynök bevezetése egy négyhetes, mérhető próbaidőszakkal a legbiztonságosabb: az első héten kiválasztod a feladatokat és megméred a jelenlegi időráfordítást, a második és harmadik héten párhuzamosan fut az ügynök és az ember, a negyedik héten pedig a számok alapján döntesz.

A négy mutató közül az ellenőrzési idő a legárulkodóbb. Ha a harmadik hét végére sem csökken, az szinte mindig a megbízással van gond, nem az eszközzel: túl tág a kérdés, hiányzik a forráskör, vagy nincs előírva az állításonkénti hivatkozás. Egy tanulságot pedig bátran átvehetsz az OpenAI-tól: a mérés legyen őszinte és a futásidő helyett az eredményt nézze. Az nem siker, ha az ügynök sokat dolgozott, csak az, ha a döntés gyorsabban és legalább olyan jó minőségben született meg, mint korábban.

Miben segít a Convergo?

Ha szeretnéd kipróbálni a kutatóügynököket, de nem tudod, melyik feladattal érdemes kezdeni, az AI-felmérés és oktatás keretében közösen kiválasztjuk azokat a kutatási és adatgyűjtési folyamatokat, ahol a legtöbb idő szabadulhat fel, megírjuk hozzájuk az első megbízássablonokat, a csapatodat pedig felkészítjük arra, hogyan ellenőrizze gyorsan az eredményt. Ha a beszállítói ajánlatok, számlák vagy pályázati dokumentumok feldolgozását rendszeresíteni szeretnéd, a dokumentumfeldolgozás és a workflow automatizáció segít abban, hogy a folyamat ütemezetten, naplózva és emberi jóváhagyással fusson. Az első lépés egy ingyenes egyeztetés, ahol átnézzük, mely feladataidat érdemes ügynökre bízni és melyeket nem.