Mi az AI-fejlesztés valójában?
Ha a csapatod ChatGPT-vel írja az e-maileket, az még nem AI-fejlesztés.
Akkor sem, ha a havi előfizetés már külön sor a költségvetésben.
Az AI-fejlesztés azt jelenti, hogy egyedi mesterséges intelligencia-logika kerül egy termék vagy üzleti folyamat működésébe. A rendszer maga hív meg egy modellt, maga dolgozza fel a választ, és maga dönti el, mi történjen ezután.
Egy eszköz használata ehhez képest csak felhasználói szint.
Hasznos, de más műfaj.
A mesterséges intelligencia fejlesztés 2026-ban négy jól elkülöníthető szinten zajlik:
Modellfejlesztés, vagyis saját gépi tanulási modell tanítása.
AI-funkció fejlesztés, amikor egy meglévő alkalmazás kap egyedi, mesterséges intelligenciára épülő képességet.
AI-integráció, amikor egy kész nagy nyelvi modell kerül API-n keresztül egy rendszerbe.
Végül az AI-val gyorsított szoftverfejlesztés, ahol a mesterséges intelligencia a fejlesztők munkáját gyorsítja, nem a végterméket alkotja.
És itt jön a leggyakoribb tévhit.
A legtöbb hazai szolgáltatói oldal az AI-fejlesztést lényegében AI chatbot készítésével azonosítja.
Egy beszélgetőablak a weboldal sarkában, kész.
A chatbot a jéghegy csúcsa. Ami alatta van (rendszerintegráció, mérhetőség, jogosultságkezelés, biztonság), az dönti el, hogy a projekt pénzt termel vagy pénzt éget.
Ez a cikk döntéshozóknak szól.
Kapsz egy döntési keretet arról, melyik szintre van ténylegesen szükséged. Végigmegyünk egy lépésről lépésre felépített fejlesztési folyamaton, és megnézzük azokat a biztonsági, adatvédelmi és költségszempontokat, amelyek nélkül egy AI alkalmazásfejlesztési projektet felelőtlenség elindítani.
Mikor kell AI, és mikor nem?
A legdrágább AI-projekt az, amelyikre nem is volt szükség.
Sok cég úgy indít mesterséges intelligencia fejlesztést, hogy egy egyszerű szabályrendszer is megoldotta volna a problémát, töredék áron.
Az AI-fejlesztés négy szintje
Saját modell fejlesztése KKV-knál ritkán indokolt.
Akkor van értelme, ha nagy mennyiségű, egyedi, másutt nem elérhető adatod van, például egy gyártósor több évnyi szenzoradata, amiből hibaelőrejelzést akarsz építeni. Ehhez adattudós, infrastruktúra és hosszú modellértékelési ciklus kell.
Egyedi AI-funkció egy meglévő appba a leggyakoribb értelmes belépési pont.
Egy ingatlanos mobilapp például automatikusan hirdetésszöveget generál a feltöltött fotók és adatok alapján. Egy könyvelőprogram pedig beolvassa és kategorizálja a beérkező számlákat.
Kész LLM API integrálása akkor jó választás, ha a feladat általános nyelvi képességet igényel: összefoglalás, fordítás, osztályozás, szövegírás. Itt nem tanítasz modellt, hanem jól megtervezett promptokkal és API-integrációval kötöd be a generatív AI-t a meglévő rendszeredbe.
AI mint fejlesztői gyorsító a legkevésbé látványos, mégis gyakran a leggyorsabban megtérülő szint. A fejlesztőcsapat kódgeneráló és tesztíró eszközökkel dolgozik, így ugyanaz a webalkalmazás-fejlesztés rövidebb idő alatt készül el.
Melyik szint a tiéd? Négy szempont dönti el:
Adatmennyiség: van-e elég saját, jó minőségű adatod ahhoz, hogy egyedi megoldás jobb legyen egy általános modellnél.
Egyediség igénye: versenyelőnyt jelent-e, ha a működés csak nálad létezik.
Kontroll és compliance: kell-e tudnod, hol fut a modell, hol tárolódnak az adatok, és ki fér hozzájuk.
Várható megtérülés: mennyi munkaórát vagy bevételt mozgat a feladat havonta.
Mikor elég egy kész modell
Vegyünk egy konkrét példát.
Egy szolgáltató cég CRM-jébe naponta 200 ügyfél-e-mail érkezik, amelyeket ma kézzel olvasnak el és címkéznek fel. Ehhez elég egyetlen LLM API-hívás, amely összefoglalja a levelet, besorolja kategóriába és javaslatot tesz a felelősre.
Néhány hét fejlesztés, havi szinten kiszámítható modellköltség.
Egészen más a helyzet, ha ugyanennek a cégnek 4000 belső dokumentumból kell válaszolnia, osztályonként eltérő jogosultságokkal, auditálható forrásmegjelöléssel. Itt már egyedi pipeline kell: dokumentumfeldolgozás, RAG és vektorbázis, jogosultságszűrés, naplózás.
Ugyanaz a modell, teljesen más projekt.

És van egy harmadik eset, amiről ritkán beszélnek.
Ha a feladat szabályalapú és a bemenet kiszámítható, nem kell AI.
A „minden 500 000 forint feletti számlát a pénzügyi vezető hagyja jóvá” típusú logika egy klasszikus AI automatizáció helyett sima munkafolyamat-automatizációval megoldható.
Gyorsabb, olcsóbb, és soha nem hallucinál.
Chatbot, asszisztens vagy ügynök?
Három szó, amelyet a piac szinte szinonimaként használ.
Pedig a különbség köztük nem stilisztikai.
Az számít, mennyit dönthet a rendszer egyedül, és ki viseli a következményeket, ha téved.
Az alábbi összevetés marketingnyelv nélkül mutatja meg, mit kapsz az egyes típusoknál.
| Szempont | AI chatbot | AI asszisztens | AI ügynök |
|---|---|---|---|
| Autonómia | Nincs, előre megírt vagy szűken generált válaszok | Részleges, javaslatot tesz, az ember dönt | Magas, önállóan tervez és hajt végre lépéseket |
| Eszközhasználat | Nincs API-hozzáférés | Korlátozott, jellemzően olvasási jog (naptár, CRM, dokumentumok) | Írási jog is: API-hívások, rendelés, módosítás, küldés |
| Kontextuskezelés | Egy beszélgetésen belül, gyakran még ott sem | Felhasználói és üzleti kontextust is kezel | Több rendszer állapotát követi egyszerre |
| Felelősségi szint | Alacsony | Közepes, kritikus lépéseknél emberi jóváhagyással | Magas, szigorú naplózás és AI monitoring nélkül nem élesíthető |
| Tipikus példa | GYIK-válaszoló a weboldalon | Ügyfélszolgálati válaszvázlat, amit a munkatárs jóváhagy | Visszatérítést önállóan elbíráló és kifizető rendszer |
| Üzleti érték | Korlátozott | Magas, jó kockázat-haszon arány | Nagyon magas, de csak érett folyamatoknál |
Jogosultság, autonómia és kockázat
A szabály egyszerű: minél több jogosultságot kap a rendszer, annál több kontroll kell köré.
Egy chatbot legrosszabb esetben butaságot mond.
Egy AI ügynök legrosszabb esetben rossz ügyfélnek küld pénzt.
Ezért az ügynököknél a legkisebb jogosultság elve nem ajánlás, hanem alapfeltétel.
Az ügynök csak azokat az API-kat érheti el, amelyek a feladatához feltétlenül kellenek, összeghatárral, napi limittel és minden művelet naplózásával. Az ember a folyamatban megközelítés itt azt jelenti, hogy a visszafordíthatatlan lépéseket (fizetés, törlés, külső kommunikáció) egy ember hagyja jóvá.
A legtöbb KKV számára 2026-ban az AI asszisztens a legjobb kiindulópont.
Valódi időt spórol, de a végső döntés még az emberé.
RAG: mikor segít, mikor árt
A RAG (retrieval-augmented generation) lényege, hogy a modell nem a saját „emlékezetéből” válaszol, hanem előbb kikeresi a releváns dokumentumrészleteket egy vektorbázisból, és azokra építi a választ. Ez drasztikusan csökkenti az AI-hallucináció esélyét, és lehetővé teszi a forrásmegjelölést.
Akkor segít, ha a válaszoknak forráshoz kötötten kell megbízhatónak lenniük: belső szabályzatok, termékdokumentáció, szerződésfeltételek, jogi vagy műszaki tudásbázis.
De a RAG nem ingyenes biztonság.
Ha a vektorbázisba olyan dokumentumok kerülnek, amelyekhez nem minden felhasználó férhet hozzá, és a keresés nem szűr jogosultság szerint, akkor a rendszer egy gyakornoknak is kiadhatja a vezetői fizetési táblát. Ilyenkor az adatbázis kezelése önmagában új biztonsági problémát teremt.
Ha a tudásanyag kicsi és ritkán változik, egy jól megírt rendszerprompt gyakran egyszerűbb és biztonságosabb.
Az AI-fejlesztés folyamata lépésről lépésre
A legtöbb sikertelen AI-projekt nem a modellen bukik el.
Hanem azon, hogy senki nem írta le az elején, mit jelent a siker.
A jól felépített folyamat ezt a hibát szűri ki, még mielőtt egy sor kód elkészülne.
Discovery és adatérettség
- Discovery workshop. Egy 2-4 órás közös alkalom, ahol rögzítjük az üzleti célt, a felhasználókat és a jelenlegi folyamatot. A kérdés nem az, hogy „milyen AI-t akarunk”, hanem az, hogy „melyik lépés lassú, drága vagy hibás ma”.
- Sikerkritériumok írásban. Mérhető célokat határozunk meg, például „a beérkező kérések 70%-a helyes kategóriába kerül emberi beavatkozás nélkül” vagy „az átlagos válaszidő 4 óráról 30 percre csökken”. Írásban, mert később ehhez mérjük az eredményt.
- Adatérettség felmérése. Számba vesszük, milyen dokumentumok, strukturált adatok és rendszerek állnak rendelkezésre, és milyen formátumban. Egy beszkennelt, 2014-es PDF-halom egészen más munka, mint egy rendezett adatbázis.
- Jogosultság és adatminőség. Tisztázzuk, ki mihez férhet hozzá, és mennyire megbízható az adat. A rossz adatminőség itt derül ki olcsón, nem az élesítés után drágán.
Prototípustól az élesítésig
- Prototípus és promptteszt. Egy szűk, működő változat készül valós adatokon, előre összeállított tesztkérdés-készlettel. A prompt engineering itt nem művészet, hanem mérhető kísérletezés: minden promptváltozatot ugyanazon a teszthalmazon értékelünk.
- Hallucináció-kontrollok beépítése. Forráskötelező válaszadás (forrás nélkül nincs válasz), confidence threshold (bizonytalan esetben a rendszer nem tippel), fallback folyamat és emberi jóváhagyás a kritikus pontokon. Ezek nélkül egy generatív AI-funkció nem kerülhet ügyfél elé.
- Staging és mérés. A megoldás éles környezettel azonos tesztkörnyezetbe kerül, ahol a sikerkritériumokhoz mérjük. Itt derül ki, hogy a 70%-os cél reális-e.
- Élesítés fokozatosan. Először a felhasználók 10-20%-a kapja meg a funkciót, majd az eredmények alapján bővül a kör.
- Utógondozás. AI monitoring a válaszminőségre, költségfigyelés tokenszinten, promptverziózás és regressziós tesztek minden modellfrissítés után. A modellszolgáltatók rendszeresen frissítenek, és ami tegnap működött, holnap másképp viselkedhet.

Hogyan néz ki ez a gyakorlatban?
A CompletApp stúdióban a tervezés, a mobilalkalmazás-fejlesztés, a webalkalmazás-fejlesztés és a backend-fejlesztés egy csapatnál, egyetlen folyamatban fut. Az AI-funkció nem külön „kiegészítőként” érkezik, hanem a backendbe illesztve, ugyanazokkal a jogosultsági szabályokkal, amelyek az app többi részét is védik.
Ennek kézzelfogható előnye van.
Nincs átadás-átvétel három beszállító között, a tesztelés a teljes felhasználói útvonalat lefedi, és élesítés után ugyanaz a csapat felel a támogatásért, a monitoringért és a promptok karbantartásáért.
Biztonság, adatvédelem és az EU AI Act
Egy hagyományos szoftvert fel lehet törni.
Egy AI-rendszert viszont meg is lehet győzni.
Ez a különbség teljesen új kockázati kategóriát nyit, amelyre a klasszikus IT-biztonsági gondolkodás csak részben készít fel.
Kockázatok a GDPR-on túl
A GDPR és mesterséges intelligencia kapcsolata a legtöbb cégnél ismert terep: jogalap, adattakarékosság, adatfeldolgozói szerződés a modellszolgáltatóval. De az OWASP által 2025-ben frissített, nagy nyelvi modellekre vonatkozó Top 10 lista olyan kockázatokat is felsorol, amelyekről a jogi megfelelés önmagában nem gondoskodik.
Prompt injection: egy rosszindulatú felhasználó vagy egy feldolgozott dokumentumba rejtett utasítás átírja a rendszer viselkedését.
Érzékeny adat kiszivárgása: a modell olyan információt ad ki, amelyet a kontextusban látott, de nem kellett volna megosztania.
Túlzott ügynöki jogosultság: az ügynök többet tehet, mint amennyi a feladatához kell.
Ide tartozik még a kimenetkezelés hiánya, amikor a modell válaszát ellenőrzés nélkül futtatja vagy jeleníti meg a rendszer, és a supply-chain kockázat: harmadik féltől származó modellek, bővítmények és könyvtárak, amelyek biztonságáért nem te felelsz, a következményeiért viszont igen.

Az EU AI Act kockázatalapú szabályozás: minél nagyobb a rendszer hatása az emberekre, annál szigorúbbak a követelmények.
A rendelet 2024 augusztusában lépett hatályba, a tilalmak 2025 februárja óta érvényesek, az átláthatósági kötelezettségek döntő része pedig 2026 augusztusától alkalmazandó. A magas kockázatú rendszerekre vonatkozó szabályok pontos ütemezéséről 2026-ban még folyik az uniós egyeztetés.
A gyakorlatban ez egy átlagos KKV-projektnél négy dolgot jelent.
A felhasználót tájékoztatni kell, hogy AI-val kommunikál. Naplózni kell a rendszer döntéseit. Biztosítani kell az emberi felügyeletet, és dokumentálni kell, mit csinál a rendszer és milyen adatokon.
Ez nem csak megfelelés, hanem jó AI governance is.
A bizalom végül az AI UX-en múlik.
A rendszer jelezze egyértelműen az AI-jelleget (például egy „AI által generált vázlat” címkével), kínáljon egyszerű visszajelzési és javítási lehetőséget, és adja át a feladatot embernek, ha a felhasználó kéri, ha a bizonyosság alacsony, vagy ha a téma érzékeny.
Egy jól időzített „ezt egy kollégánk nézi meg” többet ér tíz magabiztos, de téves válasznál.
Ellenőrzőlista az első konzultációhoz
Az első szakmai beszélgetés akkor hasznos igazán, ha nem üres kézzel érkezel. Hét kérdést érdemes előre végiggondolni, még ha csak vázlatosan is.
Üzleti cél: milyen problémát oldana meg a rendszer, és mennyibe kerül ez a probléma ma.
Felhasználók: kik használnák, belső munkatársak vagy ügyfelek, és hányan.
Jelenlegi folyamat: hogyan zajlik most a feladat, lépésről lépésre, hol akad el.
Adatforrások: milyen dokumentumok, adatbázisok vagy rendszerek tartalmazzák a szükséges információt.
Sikerkritériumok: milyen számnál mondanád azt, hogy megérte.
Integrációk: mely meglévő rendszerekhez kell kapcsolódni (CRM, ERP, webshop, mobilapp).
Kockázatok: mi történik, ha a rendszer téved, és ki viseli a következményt.
Ha ezekre a kérdésekre van legalább részleges válaszod, az első konzultáció 30 perce alatt eljuthatsz egy reális irányig.
Így dönts egyetlen perc alatt
Ha csak egy szabályt viszel magaddal ebből a cikkből, legyen ez.
Ismétlődő, bizonytalan bemenetű, nagy volumenű feladatnál AI-funkció indokolt. Szabályalapú, ritkán változó folyamatnál elég az automatizáció.
Szabad szövegű ügyféllevelek, változatos formátumú számlák, sokféle kérdés egy tudásbázishoz? Ott a nagy nyelvi modell valódi értéket teremt.
Fix jóváhagyási szabályok, egyértelmű feltételek, kiszámítható adatok? Ott a mesterséges intelligencia csak drága kerülőút.
És mielőtt bármelyik irányba elindulsz, ülj le egy rövid discovery beszélgetésre.
Egy óra tervezés mindig olcsóbb, mint három hónap rossz irányba vitt fejlesztés… és a végén sokkal kevesebb kínos magyarázkodással jár.
Az AI-fejlesztés sikere nem a modellen múlik. Hanem azon, hogy mennyire jól illeszkedik a termékbe, milyen az adatminőség, és ki gondozza a rendszert az élesítés után.
A modellek egyre jobbak és egyre olcsóbbak lesznek. A különbséget az a munka adja, amely a modell köré épül: integráció, biztonság, mérés és folyamatos karbantartás.
Nem tudod biztosan, melyik szintre van szükséged: kész API-ra, egyedi AI-funkcióra vagy egyszerű automatizációra? Egy ingyenes, 30 perces konzultáció során a fenti ellenőrzőlista mentén végigmegyünk a folyamatodon, és őszintén megmondjuk, hol érdemes AI-t használni, és hol nem.