Miért buknak el az AI-pilóták a KKV-kban is?

Az AI önmagában nem csodafegyver: előbb a folyamatot, az adatokat és a felelősségeket kell rendbe tenni.

Mi történt

A Tech Observer 2026. szeptember 10-én arról írt, hogy az indiai vállalati környezetben az AI-alapú tesztelési pilotok sokszor nem tudnak élesben felskálázódni. A cikk szerint a probléma nem feltétlenül az AI-eszközökben van, hanem abban, hogy a bevezetés előtt gyakran nincs meg a megfelelő folyamat-, adat- és működési alap.

Mit jelent ez egy magyar KKV-nak

A magyar KKV vezetőjének ebből nem az a tanulság, hogy „az AI nem működik”, hanem az, hogy az AI-projektek tipikusan ott csúsznak el, ahol a cég a legkevésbé látványos, de legfontosabb alapmunkát kihagyja. Ha a folyamatok eleve kézzel, e-mailben, Excelben vagy fejben futnak, akkor az AI nem fogja varázsütésre rendbe tenni őket. Legfeljebb gyorsabban fogja ugyanazt a rendezetlenséget előállítani.

Ez különösen igaz azokra a területekre, ahol a codemesh is dolgozik: Excel kiváltás, workflow automatizálás, riport automatizálás, ügyfélportálok, dokumentumfeldolgozás és AI adminisztráció. Ezekben a projektekben a siker ritkán azon múlik, hogy „tud-e az AI valamit”, hanem azon, hogy a cégnek van-e egyáltalán tiszta folyamata, egységes adatforrása és kijelölt felelőse. Ha nincs, akkor a digitalizáció először rendrakás, és csak utána automatizálás.

A hír magyar szemmel azért fontos, mert sok KKV-nál még mindig úgy indul egy AI-kezdeményezés, hogy valaki azt mondja: „nézzük meg, mit tudna ez kiváltani”. Ez önmagában kevés. Előbb azt kell látni, hogy a jelenlegi működésben mi a bemenő adat, mi a kivétel, ki hagy jóvá, hol keletkezik a hiba, és mi számít késznek. Ha ezek nincsenek leírva, akkor az AI nem tud stabilan dolgozni, csak ad hoc módon segít.

A cikk egyik legfontosabb üzenete magyar KKV-ra fordítva az, hogy a pilot és a skálázhatóság között nagy a szakadék. Egy demonstráció, egy jól sikerült demó vagy egy belső teszt még nem jelent működő üzemi folyamatot. A valódi kérdés az, hogy a megoldás bírja-e a napi változásokat: új ügyfelek, eltérő dokumentumok, hiányos adatok, szabadságon lévő kolléga, módosuló jóváhagyási rend, eltérő formátumú riportigény. A KKV-k többségénél épp ezek a helyzetek adják a mindennapi működés lényegét.

A magyar piacon ráadásul gyakori, hogy egy-egy terület külön fejlődik. Lehet, hogy az értékesítés már CRM-ben dolgozik, a pénzügy Excelben zár, a logisztika e-mailben egyeztet, az ügyfélszolgálat pedig megosztott postafiókból működik. Ilyenkor az AI bevezetése nem egyetlen döntés, hanem több rendszer és több felelősségi kör összehangolása. Ha ezt nem kezelik tudatosan, akkor az AI csak újabb réteget rak a meglévő káoszra.

A dokumentumfeldolgozásnál ez különösen látványos. Ha a bejövő számlák, szállítólevelek, szerződések vagy ügyféliratok formátuma eltérő, és nincs egységes osztályozás, akkor az AI tévedései nem „technikai hibák”, hanem napi operációs problémák lesznek. Ugyanez igaz a riportokra is: ha a vezetői riport alapadatai több helyről, eltérő logikával jönnek össze, az AI legfeljebb gyorsabban állít elő egy bizonytalan minőségű összefoglalót. Erről bővebben érdemes elolvasni a Riportok kézi másolgatás nélkül és a Riport példa: Excel helyett automatizált riportok anyagokat.

Az is fontos különbség, hogy a magyar KKV-k többsége nem nagyvállalati AI-kísérleti büdzséből dolgozik. Nálunk ezért sokkal inkább az a kérdés, hogy egy megoldás csökkenti-e a manuális munkát, az elakadást és a hibát, vagy csak új eszközt ad a meglévő folyamatra. Ha egy AI-alapú ötlethez először nem kell tisztázni a folyamatot, az adatstruktúrát és a kivételeket, akkor az valószínűleg túl korán jött. Ha viszont egy jól körülírt, ismétlődő adminisztratív lépést támogat, akkor már lehet értelme.

A hír alapján a magyar KKV-knak nem feltétlenül az AI-t kell félretenniük, hanem a sorrendet kell megfordítaniuk. Először a folyamatot kell egységesíteni, utána jöhet az automatizálás, és csak ezután érdemes AI-t tenni a rendszerbe. Ez igaz lehet például a bejövő levelek kezelésére, a beszerzési igények jóváhagyására, a partner-adminisztrációra vagy a szerződéslejáratok követésére. Ha a működés már digitálisan átlátható, akkor az AI tényleg rá tud segíteni a kivételek felismerésére, az osztályozásra vagy az előkészítésre. Ha nem, akkor csak gyorsabb lesz a bizonytalanság.

A magyar sajátosság az is, hogy sok cégben a döntés nem IT-kérdésként, hanem napi működési kérdésként jelenik meg. A vezető azt nézi: kevesebb lesz-e az e-mail, gyorsabban megy-e a jóváhagyás, csökken-e a hibás adatbevitel, átláthatóbb lesz-e a felelősség. Ez jó megközelítés. Az AI-t nem önmagáért kell bevezetni, hanem azért, hogy egy konkrét üzleti lépés kevesebb kézi munkával, kevesebb hibával és jobb visszakövethetőséggel menjen. Ha ez a cél nincs kimondva, a pilot könnyen látványos marad, de üzletileg haszontalan.

Érdemes azt is kimondani, hogy nem minden esetben kell AI. Sok KKV-folyamatnál a szabályalapú automatizálás stabilabb, olcsóbb és könnyebben karbantartható. Például ha egy dokumentum típusa, egy jóváhagyási út vagy egy státuszváltás jól leírható szabályokkal, akkor nem biztos, hogy AI kell. Erről hasznos kapaszkodót ad a Mikor használj szabályalapú automatizálást AI helyett? cikkünk. Az AI ott ér igazán sokat, ahol sok a kivétel, a szöveges információ, az eltérő formátum és a félig strukturált adat.

Végül a hír magyar olvasatra fordítva egy egyszerű figyelmeztetés: ne ígérj AI-megtakarítást addig, amíg nem látod a folyamatot végig, emberi lépésről emberi lépésre. A legdrágább AI-projekt nem az, ami sokba kerül, hanem az, ami rossz alapra épül, és később sem működik megbízhatóan. KKV-ként neked nem az a célod, hogy legyen AI-d, hanem az, hogy a működésed gyorsabb, átláthatóbb és kevesebb hibával járjon.

Mit csinálj vele

Először nézd át, melyik folyamatodnál van sok kézi döntés, sok másolás, sok e-mail és sok kivétel. Ha ezt nem tudod három mondatban leírni, akkor még nincs meg a digitalizálási alap, és az AI-t most érdemes félretenni.

Második lépésként válassz ki egyetlen, jól körülhatárolt területet: például bejövő dokumentumok feldolgozását, jóváhagyási folyamatot vagy riportkészítést. Ne egyszerre akarj mindent AI-jal megoldani. A kisebb, tiszta folyamatokon lehet a legjobban látni, hol segít az automatizálás és hol kell előbb szabályokat, adatokat vagy felelősségeket rendezni.

Harmadik lépésként írd össze, miből áll a siker: mi a bemenet, mi a kimenet, mi számít hibának, ki ellenőrzi, és mi történik kivétel esetén. Ez sokkal fontosabb, mint az, hogy milyen modell vagy eszköz kerül a háttérbe. Ha ezek tiszták, akkor az AI és az automatizálás is sokkal megbízhatóbban működik.

Negyedik lépésként döntsd el, hogy a problémádhoz AI kell-e, vagy elég egy szabályalapú workflow. Ha a folyamatod jól strukturált, ne erőltesd rá az AI-t. Ha viszont sok a szöveges, változó vagy félig strukturált input, akkor már lehet értelme AI-t bevonni, de csak tiszta működési kerettel.

Ha szeretnéd, a codemesh ingyenes konzultációval segít átnézni, hol érdemes kezdeni, és mit érdemes inkább még nem automatizálni. Nézd meg a Digitalizációs felmérés oldalt, és indulj el egy olyan irányba, ami nem pilotként, hanem üzemi működésként is működik.