Amikor egy cég először vág bele egy komolyabb AI megoldásba, szinte mindig ugyanaz a kép fogad. A figyelem szinte teljesen a modellre irányul. Melyiket használjuk, melyik a legokosabb, melyik a legolcsóbb, mennyibe kerül havonta. Ez fontos kérdés, de a projekt sorsa szempontjából a legkisebb. A modellt ma néhány kattintással lecseréled, a köré épülő rendszert nem.
Az elmúlt években több AI megoldást is végigvittem cégeknél, sajátot is építettem, és mindegyikből ugyanaz a tanulság jött vissza. A modell a jéghegy csúcsa. Alatta van az adat, a folyamat, az ellenőrzés és a rendszer, ami mindezt összefogja. Ezt a részt nem lehet megvenni, ezt fel kell építeni, és pont ez az, amit a legtöbb terv alábecsül. Öt olyan lecke van, ami minden egyes projektnél visszaköszön.
Ezeket a leckéket nem elméletből szedtem össze, hanem abból, hogy láttam, hol akadnak el a projektek a valóságban. Mindegyik egy-egy olyan pont, ahol a lelkes indulás és a működő rendszer közötti különbség eldől. Aki előre ismeri őket, az nem a nehézségek felfedezésével tölti az első hónapokat, hanem eleve arra tervez, ami tényleg számít.
Nulláról nem megy magától
Az első és leggyakoribb tévhit, hogy az AI-jal bárki bármit fel tud építeni, előképzettség nélkül. A valóság ennél árnyaltabb. Kell egy alap, amivel érted, hogyan állnak össze a részek, mitől lesz egy megoldás valóban használható, és hol vannak a buktatók. Az AI nagyon sokat gyorsít, de nem pótolja azt a tudást, ami eldönti, hogy amit épp csinálsz, annak van-e egyáltalán értelme.
Egy budapesti kereskedelmi cégnél láttam ennek a tanulságát. Lelkesen belevágtak egy saját AI megoldásba, mert egy demó pár perc alatt lenyűgözőnek tűnt. Aztán elakadtak, mert senki nem értette igazán, mit épít a rendszer a felszín alatt, és amikor hibázott, nem tudták, hol keressék az okot. Nem a lelkesedéssel volt baj, hanem azzal, hogy azt hitték, a technikai megértés kihagyható lépés. Nem az.
Ez nem azt jelenti, hogy mindenkinek fejlesztővé kell válnia. Azt jelenti, hogy valakinek a csapatban értenie kell, mi történik a motorháztető alatt, mielőtt a cég éles folyamatot bíz a rendszerre. Enélkül a megoldás egy fekete doboz, ami addig jó, amíg működik, és kezelhetetlen abban a pillanatban, amikor nem. A legrosszabb helyzet az, amikor egy cég olyan rendszertől függ, amit senki nem ért nála. Ezt a függést könnyű észrevétlenül felépíteni, és nagyon nehéz utólag feloldani.
Az adat a nehéz rész, nem a fejlesztés
Ez az a pont, ami mindig meglepi a cégeket. Azt gondolják, a fejlesztés lesz a nagy munka, aztán kiderül, hogy a maga alkalmazása szinte gyerekjáték ahhoz képest, amit az adat előkészítése kíván. Az adatok összegyűjtése, tisztítása, rendbe tétele és karbantartása a legtöbb projektben nagyobb feladat, mint az egész AI rész együtt.
Egy jó AI megoldás mögött szinte mindig ott van egy adathalmaz, ami nem terem magától. Össze kell szedni a szétszórt helyekről, egységesíteni kell, ki kell dobni belőle a szemetet, és folyamatosan frissen kell tartani. Ha ez a rész hiányzik, a legokosabb modell is használhatatlan válaszokat ad, mert nincs mihez nyúlnia. A cégeknél, ahol egy AI projekt látványosan bukik, kilencszer a tízből az adat volt a valódi ok, nem a technológia.
Ebből egy fontos vezetői következtetés adódik. Az AI bevezetés jó része valójában adatprojekt. Aki ezt előre tudja, az reálisan tervez időt és erőforrást az adatra, és nem éri meglepetésként, hogy a látványos rész előtt van egy csendes, fáradságos szakasz, ami nélkül az egész nem áll meg a lábán.
Ahol a munka valójában eloszlik
Ha megnézem, mibe telik egy AI projekt ideje és energiája, a megoszlás szinte mindig meglepi a megrendelőt. A modell kiválasztása és beállítása a teljes munka töredéke. Az idő nagy része az adatra, a folyamat kialakítására és az ellenőrzés megszervezésére megy el. Ez nem hiba a tervezésben, hanem a dolog természete, csak ritkán mondják ki előre.
Ezért félrevezető, amikor egy AI bevezetést egyetlen eszköz megvásárlásaként árulnak. Az eszköz a belépő, nem a megoldás. Egy hazai gyártó cégnél pontosan ezt láttam. Megvettek egy ígéretes AI eszközt, és azt hitték, ezzel a projekt le van tudva. Fél év múlva ott tartottak, hogy az eszköz működött, csak épp nem volt mögötte se rendes adat, se folyamat, ami értelmet adott volna neki. A pénz elment, az eredmény elmaradt, pedig a technológia hibátlan volt.
A tanulság nem az, hogy az eszközök rosszak, hanem hogy önmagukban keveset érnek. A vezetőnek azt kell látnia, hogy amikor AI megoldást vásárol, a nehezebbik felét nem vette meg, azt a saját szervezetének kell felépítenie. Aki ezzel a tudattal tervez, az nem a demó alapján dönt, hanem aszerint, hogy megvan-e a háttér, ami az eszközt valóban működővé teszi.
A terméket és a folyamatot is fejleszteni kell
A következő lecke, hogy egy AI megoldás sosem kész egyszerre. Nem elég egyszer beállítani, aztán magára hagyni. Minden körben finomítani kell az automatizmusokat, új szabályokat bevezetni, javítani a szűréseket, mert a valóság folyamatosan új eseteket dob be, amikre az eredeti felállás nem készült fel. Az AI csak annyira jó, amennyire jól van köré építve a rendszer.
Ez a fajta fejlesztés nem a modellben történik, hanem körülötte. A szabályokban, amelyek megmondják, mit tegyen és mit ne, a szűrőkben, amelyek kiveszik a hibás eseteket, és a visszacsatolásban, ami a rossz válaszokból tanul a következő körre. Ez a láthatatlan munka adja a megoldás valódi értékét, és ez az, amit egy demó soha nem mutat meg. A demó a könnyű tíz százalék, a maradék kilencven a folyamat.
Az emberi ellenőrzés nem gyengeség
Sokan úgy képzelik, a jó AI megoldás az, ahol az ember teljesen kikerül a képből. A gyakorlatban ennek az ellenkezője igaz. Sok mindent lehet automatizálni, de nem mindent érdemes. Van, ahol egy emberi döntés több időt és költséget spórol, mint egy újabb automatikus lépés, és van, ahol egyszerűen ki kell mondani, hogy ezt az esetet nem lehet megbízhatóan gépre bízni.
A jól működő rendszerekben az ember a kockázatos pontokon marad a folyamatban. Ott, ahol egy hibának valódi ára van, ahol a döntés érzékeny, vagy ahol a gép bizonytalan. Ez nem az automatizálás kudarca, hanem a jó tervezés jele. Aki mindent gépre bíz, az előbb vagy utóbb pont ott bukik el, ahol emberi kézre lett volna szükség, és ezt általában egy kellemetlen esetből tanulja meg.
Az arány idővel változhat. Ami ma emberi ellenőrzést kíván, arról fél év múlva kiderülhet, hogy a rendszer már elég megbízhatóan kezeli, és fordítva, egy új típusú eset visszahozhatja az embert oda, ahonnan kikerült. Ezért nem egyszeri döntés, hogy hol van ember a folyamatban, hanem egy arány, amit időnként újra kell mérlegelni. A jó rendszer nem az, amiből teljesen eltűnik az ember, hanem az, ahol pontosan tudják, hol van rá szükség és hol nincs.
Ne a Claude dolgozzon helyetted, hanem építsen neked eszközt
Az utolsó lecke a legkevésbé nyilvánvaló, mégis ez hozza a legnagyobb ugrást. A legtöbben úgy használják az AI-t, hogy minden feladatnál újra elmagyarázzák neki, mit szeretnének, és minden alkalommal a nulláról indulnak. Ez működik, de rengeteg energiát pazarol. A jobb megközelítés, hogy az AI-val nem elvégezteted a munkát, hanem megíratod vele azt az eszközt, ami utána magától elvégzi.
Ez a szemlélet a projektek egyik legnagyobb felismerése volt számomra. Ahelyett, hogy minden héten újra és újra ugyanazt kérném a modelltől, egyszer megíratom vele a folyamatot egy újrafelhasználható formában, és onnantól a rendszer végzi a munkát. Az AI így nem egy fáradhatatlan gyakornok, akinek mindent el kell magyarázni, hanem egy szerszámkészítő, aki tartós eszközöket ad a kezedbe.
Ez a különbség dönti el, hogy egy cég AI használata évek múlva is skálázódik-e, vagy megreked azon a szinten, hogy valaki mindennap kézzel promptolgat. Az egyik esetben a rendszer egyre többet tud magától, a másikban örökre ott marad az emberi ismétlésnél. A modellt bármikor lecseréled egy jobbra, de a köré épített eszközök, folyamatok és adatok azok, amik a cégednél maradnak, és amiktől a megoldás igazán a tiéd lesz.
Amit egy vezető ebből átvehet
Ez az öt lecke együtt egy másfajta gondolkodást ad az AI bevezetéshez, mint amivel a legtöbb cég nekiindul. A modell fontos, de nem ott dől el a siker. A siker az adaton, a folyamaton, az ellenőrzésen és a köré épített eszközökön múlik, vagyis pont azokon a részeken, amelyeket a lelkes indulás könnyű átugrani.
A gyakorlati következtetés egyszerű. Amikor egy AI projektet tervezel, ne a modell körül forogjon a kérdés, hanem a rendszer körül. Van-e adatod, ami táplálja. Van-e folyamatod, ami frissen tartja. Van-e emberi kéz a kockázatos pontokon. És épül-e olyan eszköz, ami a munkát tartósan elvégzi, nem csak egyszer. Ha ezekre igen a válasz, a modell megválasztása már a könnyű döntés.
A cégek, amelyek ezt megértik, más ütemben haladnak. Lassabban indulnak, mert az elején az adattal és a folyamattal foglalkoznak, de utána nem akadnak el, mert szilárd alapra építettek. Akik a modellel kezdik és a többit később akarják megoldani, azok gyorsan látványos demót raknak össze, aztán ott ragadnak, amikor a valódi működésre kerülne a sor. A verseny nem a modellnél dől el, hanem abban, hogy ki hajlandó megcsinálni a nehezebbik felét.
kdconsulting.hu · [email protected]