Valódi projektek, mérhető eredmények

A helyzet

Kétféle probléma volt, és mindkettő az ügynökség növekedésének falába ütött. Az egyik az átfutási idő volt, a briefingektől a kész szövegekig átlagosan két és fél hét telt el. A szövegírók órákat töltöttek ismétlődő feladatokkal, variánsok gyártásával, verziók összeolvasásával, a kapacitást pedig nem lehetett lineárisan bővíteni új emberek felvételével.

A másik, kevésbé látható probléma az volt, hogy rengeteg kreatív ötlet maradt az asztalon, mert drága lett volna megvalósítani. Interaktív mikrooldalakhoz, személyre szabott generátorokhoz és egyedi kampányeszközökhöz fejlesztő kellett, hetekre és jelentős büdzsével, hogy egy szövegíró vagy art director elképzelése kódba kerüljön. Önkorlátozóvá vált a kreatív csapat, és nem ötletelt olyat, ami nem fért volna bele a rendelkezésre álló fejlesztési kapacitásba.

A megközelítés

Két irányban dolgoztunk párhuzamosan. Az egyik a szövegírói munkafolyamat gyorsítása volt, prompt engineering és brand voice keretrendszer bevezetésével. Instrukcióblokkokra fordítottuk le az ügynökség saját hangját, ezek a blokkok minden AI interakcióba beépülnek, így az eredmény következetes, rögtön használható szöveg lett, nem szeszélyesen generált tartalom.

A második, nagyobb áttörést a Claude Code hozta. Szövegírók, art directorok és stratégák tanulták meg, hogyan építhetnek kódolási tudás nélkül működő eszközöket, oldalakat és generátorokat a Claude Code segítségével. Ami korábban fejlesztői sprint volt, az most egy délután, és azt is megcsinálják, amire korábban nem jutott büdzsé. Felszabadult a fantáziájuk, mert az eszközök már nem korlátozzák, amit el tudnak képzelni.

Az eredmény

A szövegírói kapacitás megnőtt, de a nagyobb változás ennél mélyebb. Az ügynökség kreatív csapata ma olyan megoldásokat tud ügyfeleinek ajánlani és leszállítani, amelyeket korábban csak a nagyobb ügynökségek engedhettek meg maguknak. A Claude Code eszközzé vált a kreatív munka kezében, nem külön megrendelendő technológia, hanem saját erő, amit bármikor be lehet vetni.

A helyzet

Az iroda három fronton vérzett egyszerre. Ajánlatírásban egy közepes, versenyeztetett ajánlat összerakása 3 és 5 nap között tartott, és az anyag nagy részét korábbi projektekből másolták át kézzel. Az adatkezelésben a projektadatok, szerződések, alvállalkozói adatlapok és műszaki specifikációk különböző rendszerekben, Excel táblákban és levelekben szétszórva éltek, az összesítés, az egyeztetés és a frissítés kézi munka volt. A pénzügyekben a számlázás és a riportálás manuális, lassú és hibalehetőségekkel teli folyamat volt, és a projektek pénzügyi állapotát senki nem látta valós időben.

A megközelítés

Az AI Transformation Day után három területen dolgoztunk párhuzamosan, és mindhárom esetben egyedi eszközöket fejlesztettünk a cég konkrét folyamataira.

Az ajánlatíráshoz AI asszisztált ajánlatkészítő munkafolyamatot építettünk. A rendszer a korábbi projektek adataiból és a cég minőségi sablonjaiból dolgozik, a projektvezetőnek csak a projektre jellemző adatokat kell megadnia, a szerkezet és a szöveg magától elkészül.

Az adatbázis munkához automatizált összekötőket fejlesztettünk a szétszórt rendszerek között, így a projektstátuszok, az alvállalkozói teljesítések és a szerződéses határidők egyetlen nézetben, valós időben frissülnek. Automatikusan történik az adatminőség ellenőrzése és az eltérések jelzése is.

A pénzügyi és számlázási folyamatokhoz egyedi eszközöket készítettünk. Ilyen az automatikus számlagenerálás a teljesítési adatok alapján, a projektvezetőknek és a vezetőségnek szóló pénzügyi összesítő, valamint egy riportáló rendszer, amely valós időben mutatja az elszámolások státuszát.

Az eredmény

A mérnökök visszatértek a terepre. Az adminisztrációs és pénzügyi csapat ma nem adatokat keres és egyeztet, hanem döntéseket hoz és problémákat old meg. Gyorsabban mennek ki az ajánlatok, a számlák pontosabban és időben keletkeznek, a projektvezetők pedig most látják első alkalommal valós időben a saját projektjeik pénzügyi helyzetét.

A helyzet

A szálloda működésének nagy része tudásigényes. Vendégek kérdeznek, a kollégák egymástól kérdeznek, az új munkatársak pedig hetekig tartó betanítással váltak önállóvá. Emberekben élt a tudás, nem rendszerben. Ha a tapasztalt recepciós szabadságon volt, az új kolléga nem tudta, hol van a szobaszerviz árlistája, mi a late checkout szabálya, mikor zár a spa, és milyen allergiabarát lehetőségeket kínál az étterem. Minden részlegnek külön leveleket írt a menedzsment, a szabályzatok különböző mappákban léteztek, és senki nem volt biztos benne, melyik a legfrissebb változat.

A megközelítés

Felépítettük a szálloda belső RAG (Retrieval Augmented Generation) rendszerét, vagyis egy olyan AI asszisztenst, amely a szálloda saját dokumentumaiból, szabályzataiból, árajánlataiból, étlapjaiból és eljárásrendjeiből válaszol, mindig a legfrissebb változatból, és mindig megadja, honnan vette az információt.

Minden munkakör számára elérhető a rendszer, szerepre szabva. A recepciós a foglalási és vendégkezelési folyamatokról kérdez, a házvezetés a takarítási protokollokról és a felszerelés nyilvántartásról, az éttermi csapat az allergiainformációkról és az étlapról, a menedzsment pedig az összesítőkről és az operatív kérdésekről. Az adminisztrátornak elég feltöltenie egy frissített dokumentumot, és az összes részleg azonnal az új változatot látja.

Az eredmény

Rövidült az onboarding, mert az új dolgozó az első naptól tud kérdezni és választ kapni anélkül, hogy egy kollégát meg kellene zavarnia. A vendégkiszolgálás minősége egyenletesebb lett, mert az információ nem függ attól, ki áll éppen a pultban. Egycsatornás lett a menedzsment kommunikációja is, feltöltik az anyagot, és mindenki tudja.

A helyzet

A vállalatcsoport megvette a Microsoft Copilot for Microsoft 365 licenceket a teljes magyarországi csapatnak. Hat hónappal a bevezetés után az aktív felhasználási arány 12% körül volt. Az IT tudta aktiválni a licenceket, de senki nem tudta, mire való valójában, hogyan illik bele a mérnöki és adminisztrációs napi munkába. A csapat angolul dolgozott, a folyamatok multinacionális kontextusban zajlottak.

A megközelítés

Az adoption program három lépésből állt. A kiindulópont a szerepkörönkénti use case-ek felmérése volt, vagyis hogy mit csinál naponta egy mérnök, egy projektmenedzser és egy értékesítési munkatárs, és melyik Copilot funkció hoz ott azonnali értéket. Erre épültek a szerepkör alapú tréningek, amelyeket angolul, kis csoportokban tartottam, mindenki a saját munkájához kapcsolódó konkrét feladatokon. A szervezeti oldalon minden érintett részlegből kijelöltünk egy-egy power user-t, akik strukturált motivációt és belső láthatóságot kaptak. Ők lettek a belső kommunikáció csatornái, és a kollégáikat saját munkahelyi helyzeteken segítik, nem elvont tréningen. Végül megszerveztük a közös tudásmegosztást, hogy a részlegek között ne legyen információs siló.

Az eredmény

Megtérült a licenc befektetés. A csapat nagy része ma napi szinten használja a Copilotot, és hónapról hónapra nő az önállóan megoldott kérdések száma. Működik a power user hálózat, az alapkérdésekhez már nincs szükség külső tanácsadóra.

A helyzet

A csapat sok időt töltött megbeszéléseken és levelezéssel. Minden megbeszélésből összefoglaló, utánkövetés és státuszjelentés született, mind kézzel írva. A különböző divíziók között lassan áramlott az információ, a belső tudás személyekhez kötődött, és az új kollégák betanulása hosszú volt, mert nem volt könnyen hozzáférhető tudásbázis. Nagy, szétszórt szervezetről volt szó, ahol a változást érzékenyen kezelték.

A megközelítés

A bevezetés két fronton zajlott párhuzamosan. Az egyiken a Microsoft Copilot for Teams és Outlook bevezetése zajlott, meeting összefoglalókkal, levélvázlat asszisztenssel és az akciópontok automatikus követésével. A másikon az AI asszisztált belső tudásmegosztás indult el egy strukturált belső tudásbázis prototípusával, amelybe a leggyakrabban keresett információk kerültek. Minden lépés a csapatvezetők bevonásával zajlott, és a változás kommunikációja ugyanolyan fontos volt, mint a technológia.

Az eredmény

Érezhetően csökkent a megbeszélések utáni adminisztrációs teher. A meeting összefoglalók, akciópontlisták és emlékeztetők ma automatikusan keletkeznek, a csapat pedig arra figyelhet, amit az összefoglaló mond, és nem arra, hogy ki írja meg. Rövidült az onboarding, és az új kollégák gyorsabban válnak önállóvá.

A helyzet

A cég az évek során rengeteg belső dokumentumot termelt, szabályzatokat, eljárásrendeket, szerződési sablonokat és technikai kézikönyveket. Ezek különböző mappákban, meghajtókon és SharePointon éltek, részben elavultan, részben nehezen megtalálhatóan. Az operatív csapatokhoz naponta érkeztek ismétlődő belső kérdések, amelyekre valaki mindig kézzel kereste meg a választ. Hosszú volt az onboarding is, mert az új kolléga mástól tanulta meg, amit egy jól szervezett rendszerből maga is megtanulhatott volna.

A megközelítés

A projekt két fázisban zajlott. Az első fázisban felméréssel azonosítottuk a legnagyobb értékű dokumentumtípusokat és a leggyakrabban feltett belső kérdéseket. Erre épült a RAG alapú (Retrieval Augmented Generation) AI tudásbázis, amely valódi vállalati dokumentumokból dolgozik, és minden válasznál megjelöli, honnan vette az információt. A második fázisban a legtöbbször ismétlődő adminisztratív folyamatokhoz automatizált AI asszisztenst fejlesztettünk, amelyet a csapat a saját eszközein, böngészőből ér el.

Az eredmény

Felszabadultak az operatív csapatok az ismétlődő kérdések megválaszolása alól. Az új kollégák önállóan tájékozódnak a rendszerben, és az első napoktól érdemi munkát végeznek. A belső kérdések nagy része ma az AI tudásbázison keresztül oldódik meg, emberi beavatkozás nélkül.

A helyzet

A stúdió forgatókönyvei iránt rendszeresen érdeklődtek külföldi stúdiók, angol és német piacon egyaránt. Magyarul kiválóak voltak a munkák, a dialógusok feszes ritmusa, a beatek elhelyezése, a karakterhangok következetessége és a szubtext kezelése együtt adta azt az érzelmi sűrűséget, ami miatt a külföldi felkérések érkeztek.

A fordítás azonban újra meg újra elveszítette, amit a magyar eredeti felépített. Átjött a tartalom, a cselekmény, a szituáció és a mondanivaló is. Ami elveszett, az a párbeszédek lüktetése volt, az a pillanat, amikor egy sor épp akkor ér véget, amikor kell, amikor a szereplő hallgatása ugyanannyit mond, mint a szöveg, amikor egy poén a ritmus miatt üt, és nem csak a tartalma miatt. Angolul és németül másképp kell felépíteni a dialógust ahhoz, hogy ugyanolyan természetesnek hasson, mint magyarul, és ezt hagyományos fordítással nem lehet megoldani.

A megközelítés

A megoldás egy egyedi AI eszköz volt, amely a forgatókönyv tartalmát nem fordítja újra, hanem a dialógus stílusát adaptálja. Így működik a stúdió kezében.

A csapat feltölt öt angol nyelvű forgatókönyvet, amelyek párbeszédstílusához közel szeretnének kerülni, hasonló műfajban, hangnemben és karakterdinamikával. Az eszköz megvizsgálja ezeknek a dialógusoknak a DNS-ét, a mondatszerkezetek hosszát és változatosságát, a beatek és a szünetek helyét, a karakterhangok közötti kontrasztot, a szubtext sűrűségét, az expozíció természetességét és a jelenetek érzelmi ívét. Ezután a már lefordított dialógusokat, amelyekben a tartalom helyes, de hiányzik az angol ütés, úgy írja át, hogy a mondanivalón egy szót sem változtat, a ritmus, a kadencia, a lüktetés és a természetesség viszont igazodik ahhoz, amit az öt referencia forgatókönyv alapján az angol piac elvár.

Az eszköz se nem sima fordítást, se nem generatív újraírást végez, hanem stiláris kalibrációt. A stúdió saját hangja megmarad, az angol párbeszédek mégis úgy szólnak, mintha angolul születtek volna.

Az eredmény

Az egyik forgatókönyvből, amelyet az eszközzel adaptáltak angolra, film készül, és jelenleg gyártás alatt van. A stúdió elmondása szerint az eszköz előtt sosem tudtak olyan minőségű angol párbeszédet leadni, amilyen minőségben magyarul megírták az anyagot. Most a külföldi stúdióknak küldött anyagok ugyanolyan erővel szólnak angolul, ahogy az eredeti magyarul. A külföldi partnerek visszajelzései ma már arról szólnak, mikor kezdik a következő közös munkát.