Mi az AI-tanácsadás valójában
Egy negyvenoldalas prezentáció még egyetlen beérkező számlát sem dolgozott fel.
Mégis sok magyar kkv pontosan ezt kapja, amikor AI-tanácsadást rendel: diákat, trendgrafikonokat és egy általános ígéretet arról, hogy a mesterséges intelligencia mindent megváltoztat.
Az AI-tanácsadás valójában strukturált folyamat. Egy konkrét üzleti problémából indul, és egy validált, mérhető üzleti use case-ig jut el, amelyről adatokkal igazolható, hogy megéri megépíteni.
Nem technológiai előadás.
És nem is ötletbörze.
A hazai gyakorlat sokszor mást mutat. A cégek egy része promptlistát kap („50 ChatGPT-parancs értékesítőknek”), más része eszközajánlót, amely tíz SaaS-terméket sorol fel havidíjakkal.
Ez hasznos lehet, de nem tanácsadás, hanem katalógus.
A különbség a felelősségvállalásban van.
Egy jó tanácsadó nem azt kérdezi, melyik nagy nyelvi modellt válassza a cég. Azt kérdezi, melyik folyamat tart túl sokáig, hol keletkezik a legtöbb hiba, és pontosan mennyit ér, ha ez megszűnik.
A tanácsadás célja nem a prezentáció, hanem az élesben működő funkció. Ha a projekt végén nincs semmi, amit a munkatársak hétfő reggel használni tudnak, a tanácsadás nem végezte el a dolgát.
Ez az útmutató ebből a szemléletből indul. Cégvezetőknek, kkv-döntéshozóknak és startupalapítóknak szól, akik az első AI-projektjüket tervezik, és nem szeretnének milliókat költeni egy olyan anyagra, amely végül egy megosztott mappában porosodik.
A következő fejezetek megmutatják, hogyan különböztesd meg a szolgáltatástípusokat, mikor éri meg külső szakértőt bevonni, és hogyan jut el egy ötlet a mesterséges intelligencia üzleti alkalmazásának első lépésétől a működő rendszerig.
Tanácsadás, stratégia, oktatás vagy fejlesztés
Ugyanaz a szó, öt különböző szolgáltatás.
A magyar piacon az „AI-tanácsadás” címke alatt ma workshopot, stratégiai dokumentumot, Make-automatizálást és egyedi szoftverfejlesztést is árulnak, gyakran ugyanazon az áron és ugyanazzal a szóhasználattal.
Ez nem ártatlan pontatlanság.
Aki oktatást vesz, de működő funkciót vár, csalódni fog. Aki stratégiát rendel egy tizenöt fős cégbe, olyan dokumentumot kap, amelyre nincs kapacitása.
Az alábbi táblázat segít eldönteni, valójában mire van szükséged.
| Szolgáltatás | Cél | Tipikus időtáv | Elvárt kimenet | Mikor indokolt |
|---|---|---|---|---|
| AI-tanácsadás | Üzleti problémából validált, rangsorolt use case-ek kiválasztása | 2-6 hét | Rangsorolt use case-lista, megvalósíthatósági elemzés, ütemterv, gyakran kattintható prototípus | Van egy fájó probléma, de nem tudod, hol hoz az AI mérhető eredményt |
| AI-stratégia | Cégszintű irány, prioritások és AI governance kialakítása | 1-3 hónap | Stratégiai dokumentum, governance-keretrendszer, költségvetés, 12-36 hónapos roadmap | Több részleg, több párhuzamos AI-kezdeményezés, jellemzően 50 fő feletti cég |
| AI-oktatás | Munkatársi AI-műveltség és biztonságos eszközhasználat | 1-3 napos workshop vagy 4-8 hetes program | Képzett csapat, belső irányelvek, prompt engineering alapok | A csapat már használ ChatGPT-t vagy Copilotot, de rendezetlenül és szabályok nélkül |
| Automatizálási projekt | Ismétlődő, szabályalapú folyamat kiváltása | 2-8 hét | Működő workflow (például Make, n8n, Power Automate), API-integráció a meglévő rendszerek között | A folyamat dokumentált, a szabályok egyértelműek, a döntések nem igényelnek mérlegelést |
| Egyedi AI-fejlesztés | Saját AI-funkció vagy alkalmazás építése | 6-16 hét az első éles verzióig | Éles szoftver, forráskód, dokumentáció, üzemeltetési terv | A kész eszközök nem fedik le az igényt, versenyelőnyt jelent, vagy érzékeny adatokkal dolgozik |
A táblázat egyik legfontosabb tanulsága az időtáv. Egy kéthetes munkából nem lesz cégszintű stratégia, és egy háromhónapos stratégiai folyamat végén sem lesz automatikusan működő szoftver.
A másik tanulság: ezek a szolgáltatások nem versenytársai egymásnak. Egy jó tanácsadási folyamat több típust is érinthet, logikus sorrendben.
Tipikus út egy kkv-nál: rövid AI-oktatás a csapatnak, majd tanácsadás a legjobb use case kiválasztására, utána automatizálás vagy egyedi AI-fejlesztés, és csak a harmadik-negyedik sikeres projekt után egy átfogó AI-stratégia.
Fordított sorrendben ritkán működik.
A stratégia ugyanis akkor a leghasznosabb, ha már van mire építeni.
Mikor éri meg AI-tanácsadást kérni
Honnan tudod, hogy egy ötlet megér-e két hónapot és több millió forintot?
A válasz nem megérzés kérdése.
Egy egyszerű pontozási rendszerrel a legtöbb kkv egy délután alatt szétválogatja a valódi lehetőségeket és a csillogó, de üres ötleteket.
Use case-ek súlyozott rangsorolása
Öt szempontot érdemes vizsgálni, mindegyiket 1-től 5-ig pontozva.
Az üzleti hatás (30% súly) azt méri, mennyi időt, pénzt vagy hibát takarít meg a megoldás. A megvalósíthatóság (25%) azt, hogy a mai technológiával és a meglévő rendszerekkel mennyire reális az építés.
Az adatminőség (20%) a rendelkezésre álló adatok mennyiségét, rendezettségét és elérhetőségét értékeli.
A kockázat (15%) fordítottan pontozandó: az alacsony kockázat kap magas pontot. A bevezetési idő (10%) pedig azt, milyen gyorsan érhető el az első mérhető eredmény.
Nézzünk egy példát.
Egy ügyfélszolgálati e-mail-osztályozó kaphat 4-es hatást, 5-ös megvalósíthatóságot, 4-es adatminőséget, 4-es kockázati pontot és 5-ös bevezetési időt. A súlyozott eredmény 4,35.
Egy prediktív árazási modell ugyanebben a cégben 5-2-2-2-2 pontokkal mindössze 2,9-re jön ki, hiába ígér nagyobb hatást.
Ökölszabályként a 3,5 feletti use case-ek indulhatnak pilotként.
A 2,5 és 3,5 közöttiek előkészítést igényelnek (jellemzően adattisztítást).
A 2,5 alattiakat egyelőre érdemes parkolópályára tenni.
Mennyibe kerül és mit tartalmazzon az ajánlat
A korrekt magyar piaci árazási logika háromlépcsős. Először egy ingyenes, 30-60 perces konzultáció, ahol kiderül, van-e értelme együtt dolgozni.
Utána írásos ajánlat fix terjedelemmel és fix árral, mérföldkövekre bontva.
Óradíj nélkül.
Miért fontos, hogy ne óradíjas legyen? Mert az óradíj a lassúságot jutalmazza.
A fix ár a szolgáltatót ösztönzi a hatékonyságra, téged pedig megvéd a költségtúllépéstől.
2026-ban a tapasztalati sávok nagyjából így alakulnak: egy AI readiness felmérés 300 ezer és 1,5 millió forint között mozog, egy validált prototípus 1,5-5 millió forint, egy éles, integrált rendszer pedig 4-15 millió forint vagy több. Ezek irányadó értékek, a végösszeget a terjedelem és az integráció mélysége határozza meg.
Egy korrekt ajánlat öt dolgot mindig rögzít.
A scope-ot (mi van benne, és ami legalább ilyen fontos, mi nincs). A határidőt mérföldkövekkel.
Az adatkezelési feltételeket: hol futnak a modellek, ki fér hozzá az adatokhoz, van-e adatfeldolgozói szerződés. A tulajdonjogot a forráskódra, promptokra és dokumentációra.
És a támogatást utána: hibajavítás, válaszidő, havi díj.
Kész eszköz vagy egyedi integráció
Nem minden problémához kell egyedi fejlesztés.
Sőt, a legtöbb kkv első lépésként jól jár egy üzleti ChatGPT- vagy Microsoft 365 Copilot-előfizetéssel, ha a cél egyéni produktivitás: e-mailek megfogalmazása, dokumentumok összefoglalása, megbeszélések jegyzetelése.
Az egyedi AI-integráció akkor válik szükségessé, amikor az AI-nak a folyamat részévé kell válnia. Például ha a CRM-ből vagy ERP-ből kell adatot olvasnia, ha a cég saját tudásbázisán kell pontosan válaszolnia, ha több lépést önállóan végrehajtó AI-ügynökökre van szükség, vagy ha az érzékeny adatok miatt auditálható, kontrollált környezet kell.

Jó teszt: ha a munkatársak naponta tucatszor másolnak adatot az AI-eszköz és egy belső rendszer között, az egyedi integráció valószínűleg hónapokon belül megtérül.
A felméréstől az élő AI-funkcióig

A legtöbb AI-projekt nem a technológián bukik el.
Hanem azon a szakadékon, amely a jóváhagyott prezentáció és az első valódi felhasználó között tátong.
Ez a fejezet arról szól, hogyan hidald át.
AI-érettségi felmérés lépései
Az AI-érettség felmérése jellemzően 1-3 hetet vesz igénybe, és négy lépésből áll. Az első a folyamattérkép: a kiválasztott területen (például ajánlatkészítés vagy ügyfélszolgálat) lépésről lépésre rögzítik, ki mit csinál, mennyi idő alatt, és hol akad el a munka.
A második az adatleltár.
Milyen adatok keletkeznek, hol tárolják őket, milyen formátumban, és mennyire megbízhatóak? Egy 2019 óta vezetett, de félig kitöltött Excel-tábla egészen mást jelent, mint egy rendezett ügyféladatbázis.
A harmadik a rendszerinventár: CRM, ERP, dokumentumtár (SharePoint, Google Drive), ügyfélszolgálati platform, levelezés. Itt derül ki, melyik rendszernek van használható API-ja, és hol kell kerülőutat építeni.
A negyedik lépés az interjúk.
Három-hat beszélgetés a folyamatot ténylegesen végző munkatársakkal gyakran többet ér bármilyen dokumentációnál.
Ők tudják, melyik kivétel fordul elő hetente, és melyik szabály létezik csak papíron.
A felmérés kimenete nem egy általános érettségi pontszám, hanem a korábban bemutatott súlyozott módszerrel rangsorolt use case-lista. Legfeljebb három jelölttel, amelyből egy azonnal indulhat.
Prototípustól éles rendszerig
A klasszikus tanácsadás itt véget ér: átadják a jelentést, és a cég magára marad. Az end-to-end megközelítés viszont pontosan itt kezdődik igazán, egy öt elemből álló lánccal.
Először jön a prototípus, egy 1-2 hét alatt elkészülő, kattintható verzió, amelyet a valódi felhasználók kipróbálhatnak.
Utána a teszt valós adatokkal: itt dől el, mennyire pontos a rendszer, hogyan működik a hallucinációk kezelése, és hol kell emberi felülvizsgálat.
Ezt követi az integráció, amikor API-n keresztül a meglévő rendszerekhez kapcsolódik a megoldás.
A negyedik elem a monitoring: hibaarány, válaszidő, felhasználói visszajelzés, futási költség folyamatos mérése.
Az ötödik pedig az üzemeltetés, mert a nagy nyelvi modellek frissülnek, az adatok változnak, és ami ma pontos, fél év múlva elcsúszhat.

Hogy néz ez ki a gyakorlatban? A CompletApp end-to-end megközelítése jó példa.
Fix terjedelemmel és fix árral dolgozik, a megrendelő minden héten kattintható előnézetet kap, így nem a projekt végén derül ki, hogy valami félrement.
Két további elem különbözteti meg a szokásos ügynökségi modelltől.
A kiszállási garancia azt jelenti, hogy a megrendelő nincs bezárva egy olyan projektbe, amely nem hozza az elvárt eredményt.
A 100%-os kódtulajdon pedig azt, hogy a forráskód a megrendelőé, bármikor továbbvihető más fejlesztőhöz.
A konkrét referenciák, mint a Frendex és az Apartmanom, élesben működő termékek, nem prezentációs esettanulmányok. Ez az a mérce, amelyet bármelyik tanácsadótól érdemes elkérni: mutasd meg, mi fut ma valódi felhasználókkal.
Adatbiztonság és az EU AI Act 2026-ban
Sok kkv-vezető úgy gondolja, hogy az EU AI Act csak a nagyvállalatokra és a technológiai óriásokra vonatkozik.
Tévedés.
A rendelet bizonyos kötelezettségei a méretétől függetlenül minden AI-t használó cégre érvényesek.
A rendelet 4. cikke szerint 2025. február 2. óta minden AI-rendszert alkalmazó szervezetnek gondoskodnia kell a munkatársai megfelelő AI-műveltségéről. Ez nem jelent kötelező vizsgát, de dokumentált képzést és tudatos eszközhasználatot igen.
2026 augusztusától pedig életbe lépnek az átláthatósági szabályok is: ha például egy chatbot az ügyfelekkel kommunikál, jelezni kell, hogy gépről van szó.
A magas kockázatú alkalmazásokra (például munkaerő-kiválasztás, hitelbírálat) szigorúbb követelmények vonatkoznak. Ezek ütemezése az uniós egyszerűsítési javaslatok miatt részben módosulhat, ezért érdemes rendszeresen követni a frissítéseket.
A legtöbb kkv-s use case viszont a minimális vagy korlátozott kockázati kategóriába esik.
Kkv-szinten öt gyakorlati teendő van.
Kell egy rövid, érthető AI-használati szabályzat, amely rögzíti, mely eszközök engedélyezettek és mire. Kell AI-műveltségi képzés minden érintett munkatársnak.
Kell emberi kontroll minden olyan döntésnél, amely ügyfélre vagy munkavállalóra hat. És kell rendszeres AI-output validálás, vagyis szúrópróbaszerű ellenőrzés.
Az ötödik teendő az érzékeny adatok kezelése, és itt történik a legtöbb baleset.
Ügyféladat, szerződés vagy forráskód soha nem kerülhet ingyenes, fogyasztói AI-eszközbe.
Üzleti előfizetés kell, amelyben a szolgáltató szerződésben vállalja, hogy az adatokat nem használja modelltanításra, ideális esetben EU-s adattárolással és adatfeldolgozói szerződéssel.
A GDPR és a mesterséges intelligencia viszonya egyszerűbb, mint amilyennek tűnik: amit eddig nem küldtél volna el egy külső szolgáltatónak szerződés nélkül, azt egy AI-eszköznek sem küldheted el.
Gyakori hibák AI-bevezetésnél
A legdrágább AI-projekt az, amelyik működik, csak éppen senkinek nem hoz semmit.
A sikertelen bevezetések mögött ritkán áll technikai hiba. Sokkal gyakoribbak ezek a minták:
- Rendezetlen vagy hiányos adatok. Az AI nem javítja meg a rossz adatot, hanem felnagyítja a hibáit. Ha a CRM-ben minden harmadik ügyfélnél hiányzik az iparág, a szegmentáló modell is minden harmadik esetben tévedni fog.
- Nem dokumentált folyamat automatizálása. Ha három munkatárs háromféleképpen végzi ugyanazt a feladatot, az automatizálás csak a káoszt gyorsítja fel. Előbb szabványosítás, utána folyamatoptimalizálás AI-jal.
- Túl alacsony várható üzleti hatás. Egy havi két órát megtakarító megoldás ritkán indokol több milliós fejlesztést. Számold ki előre az éves megtakarítást, és vesd össze a teljes költséggel.
- A mérés hiánya. Nincs előtte-utána összehasonlítás az átfutási időre, a hibaarányra, a kapacitásra, a költségre és az ügyfélélményre. Bevezetés előtt legalább két-négy hétig rögzítsd az alapértékeket, különben a ROI és KPI mérés utólag csak becslés marad.
- Vendor lock-in. Nincs forráskód-átadás, nincs dokumentáció, és a szerződés nem tisztázza a tulajdonjogot. Ilyenkor minden apró módosítás az eredeti szolgáltatóhoz köt, a saját árain.
- Rossz use case-szel indulni csak azért, hogy induljon valami. Ha a legjobb jelölt is 2,5 pont alatt van, jobb elhalasztani a projektet. Egy kudarcba fulladt első pilot évekre eltemetheti a cégen belüli bizalmat az AI iránt, míg egy háromhónapos adattisztítás után induló projekt sokkal nagyobb eséllyel sikeres.
Összegzés: az első lépés
A legnagyobb hiba, amit egy kkv elkövethet, nem az, hogy későn kezd.
Hanem az, hogy túl nagyot akar elsőre.
Egy átfogó digitális transzformációs program helyett kezdj egy alacsony kockázatú, 6-8 hetes pilot use case-szel, amelynek hatása egyértelműen mérhető.
A döntési logika egyszerű.
Ha az adatok rendezettek és a folyamat ismert, indulhat a pilot. Ha nem, előbb rendet kell tenni: dokumentálni a folyamatot, megtisztítani az adatokat, rögzíteni az alapértékeket.
Ez nem időveszteség, hanem a siker előfeltétele.
Amikor ajánlatokat hasonlítasz össze, kérdezz rá a fix árra, a heti előnézetekre, a kódtulajdonra és az élesben futó referenciákra. Ezek a válaszok többet elárulnak, mint bármilyen portfólió.
Az AI-tanácsadás értéke a működő termékben mérhető, nem a prezentációban. A kérdés tehát nem az, milyen szép lesz a záró jelentés, hanem az, mit fognak a munkatársaid használni három hónap múlva.