Az elmúlt évben nem lehet úgy megnyitni a LinkedInt, hogy valaki ne magyarázná el, miért van szüksége AI-ügynökre. A Salesforce-nak ott az Agentforce. A Make elindította az AI-ügynökök új generációját. A Zapier vállalati ügynököket kínál. Az OpenAI API-ra sajátot is építhet. És minden második konferencia-előadás azzal kezdődik, hogy „az ügynökök a munka jövője."
Lehet. De amikor középvállalatok vezérigazgatóival beszélek, többségüknek nincs szüksége ügynökre. Jól beállított automatizálásra van szükségük. A kettő közötti különbség dönti el a költségvetést, és azt is, hogy fél év múlva marad-e bárki, aki karban tudja tartani a megoldást.
A Zapier és a Make egyetlen elven áll. Ön meghatároz egy triggert és egy műveletet. Számlát tartalmazó e-mail érkezik, a melléklet a Google Drive-ra kerül, és értesítés megy a Slackbe. Megváltozik egy rendelés státusza a CRM-ben, frissül a rekord a könyvelési rendszerben.
Determinisztikus és kiszámítható. Pontosan ezért olyan értékes. Ön előre tudja, mi fog történni, és ha egyszer beállította, hónapokig fut beavatkozás nélkül.
Az ügynök másképp működik. Célt kap, nem utasítást. Hozzáfér az eszközökhöz, az adatokhoz és az előzményekhez, és maga válogatja össze a lépéseket, amelyekkel a célhoz jut.
Mondja neki, hogy „kezeld ezt az ügyfélpanaszt", és elolvassa az üzenetet, kikeresi az ügyfél előzményeit a CRM-ben, felméri a súlyosságot, majd eldönti, hogy maga válaszol vagy embernek adja tovább. Ha válaszol, a hangnemet és a tartalmat a kontextushoz igazítja.
A különbség egyetlen mondatba fér. Az automatizálás utasításokat hajt végre, az ügynök döntéseket hoz. A döntésekkel pedig kockázat jár, amit valakinek kézben kell tartania.
Tíz hónapnyi bevezetés után mindkét megközelítésből egyszerű döntési keretrendszer maradt ránk. Akkor is ehhez tartjuk magunkat, ha az ügyfél rögtön ügynököt kér.
Ha a bemenetei kiszámítható formátumúak, és a szabályok elférnek if/then logikában, nincs szüksége ügynökre. Az automatizálás olcsóbb, gyorsabban áll be, és szakember nélkül is elmegy. Ide tartozik a CRM és a könyvelés szinkronizálása, a státuszalapú értesítés, a sablonból generált dokumentum vagy a rendszeres adatbázis-jelentés.
Ha a bemenetek különböző formátumokban, természetes nyelven érkeznek, és a feldolgozás mérlegelést igényel, az ügynöknek van értelme. Ilyen az ügyfélpanaszok elemzése, a dokumentumok tartalom szerinti osztályozása, a nehezebb kérdések megválaszolása tudásbázisból vagy a beszállítói ajánlatok értékelése.
És itt kezd érdekes lenni. A valódi megoldások többsége se nem tiszta ügynök, se nem tiszta automatizálás. Automatizálási munkafolyamat, amely a döntési pontokon AI-t hív. A Make vagy a Zapier viszi a folyamatot, az AI ott dönt, ahol kell, a többi pedig determinisztikusan fut. Így csak abban a néhány lépésben fizet intelligenciáért, ahol tényleg szükség van rá.
Az értékesítési postaláda naponta 200-nál is több üzenetet kap, az értékesítési csapat pedig napi egy órát tölt pusztán a rendezéssel.
A Zapier elkap minden új e-mailt, és elküldi az OpenAI API-nak. Az öt kategória valamelyikébe sorolja az üzenetet, vagyis új megkeresés, meglévő deal, spam, panasz vagy számlázás. Az eredmény alapján a Zapier a megfelelő Slack-csatornába irányítja, címkét rendel hozzá a CRM-ben, vagy spam és egyértelmű kérdés esetén rögtön válaszol.
Teljes értékű ügynök itt fölösleges volna. A folyamat világos, az AI pedig egyetlen dolgot csinál, osztályoz. A többi determinisztikus automatizálás, így kevesebb a hiba és kisebb az API-számla.
Az ügyfélszolgálat a kérdések 80%-ára ugyanazt válaszolja. Kontextus nélkül mégsem megy, vagyis kell hozzá az ügyfél csomagja, a kommunikáció előzményei és az aktuális incidensek képe.
Ide olyan AI-ügynököt teszünk, amely tudásbázishoz, CRM-hez és monitoringrendszerhez kapcsolódik. Az ügyfél feltesz egy kérdést, az ügynök megkeresi a releváns dokumentációt, ellenőrzi az előzményeit, és felméri, tud-e magától válaszolni. Ha igen, válaszol. Ha nem, kontextussal együtt ticketet nyit, és a megfelelő emberhez rendeli.
Automatizálással ez nem menne, mert a kérdések kiszámíthatatlanok és a kontextus mozog. Az ügynöknek a jelentést kell értenie, nem a kulcsszavakat. A lényeg azonban máshol van. Az ügynöknek világos határai vannak, mikor adja tovább embernek, és visszatérítésről, szerződési feltételről vagy technikai beavatkozásról soha nem dönt magától.
A vezetőség heti teljesítményáttekintést szeretne, csakhogy az adatok három rendszerben szórtan hevernek, és egy elemző minden péntekjét az összeállításukra fordítja.
Egy Make-munkafolyamat minden pénteken reggel 6:00-kor adatot tölt le a CRM-ből, a könyvelésből és a projektmenedzsment-eszközből. Strukturált JSON-ná összesíti, majd elküldi az OpenAI API-nak, amely vezetői összefoglalót ír belőle a legfontosabb mutatókkal, trendekkel és ajánlásokkal. Az eredmény e-mailbe és a Slackbe kerül.
Ügynöknek itt nincs dolga. Az adat strukturált, a folyamat pedig minden héten ugyanaz. Az AI összefoglal és értelmez, nem dönt.
A leggyakoribb hiba. A cég olvas az ügynökökről, és minden folyamatra akar egyet. A vége magas API-hívási költség, kiszámíthatatlan viselkedés és nehezen debugolható hiba. Tartson egy egyszerű szabályt. Ha a folyamat felrajzolható döntési rombuszok nélküli folyamatábraként, nincs szüksége ügynökre.
Az ügynök önállóan dönt, és senki nem nézi át a kimeneteket. Az első hónapban minden nagyszerű. A másodikban olyan válaszokat kezd generálni, amelyek nem egészen helyesek. A harmadikban az ügyfelek panaszt tesznek. Minden ügynöknek ezért kell meghatározott eszkalációs útvonal és egy határ, amelynél ember lép be.
Amikor az ügynök rossz döntést hoz, Önnek tudnia kell, miért. A bemenetek, a döntési folyamat és a kimenetek naplója nélkül nem tudja hibakeresni. Naplózza a bemeneteket, a promptot, a modell válaszát, a végrehajtott műveletet és az eredményt.
Minden éles AI-bevezetésnél négy dolgot tartunk.
Semmilyen adat nem közlekedik nyílt szövegként. Az eszközök, API-k és adatbázisok közötti kommunikáció TLS-en megy.
Az ügynök csak ahhoz fér hozzá, amire szüksége van. Ha e-maileket dolgoz fel, a pénzügyi adatokhoz nem jut el. Ha aztán téved, körülhatárolt téren belül téved.
Az ügynök minden döntése auditnaplóba kerül. Ki, mikor, mit és miért. A szabályozó hatóság egyszer kérdezni fog, és Önnek válaszolnia kell tudni.
Marad a rate limiting és a költségplafon. Az API-hívási limit nélküli ügynök biztonsági és pénzügyi kockázat is, mert egy magába forduló munkafolyamat elviszi a havi keretet, mielőtt bárki észrevenné.
Képzeljen el egy Make-munkafolyamatot AI-csomóponttal, amely a beérkező rendeléseket komplexitás szerint osztályozza. A rendelés bekerül a rendszerbe, a munkafolyamat elküldi a választott modellnek, az pedig a tételszám és a speciális igények alapján kategóriát javasol.
Az egyszerű rendelések (standard termékek, szokásos cím, semmilyen speciális igény) közvetlenül automatikus feldolgozásba kerülnek. Az összetett rendeléseket (nagy mennyiségek, nem szabványos igények, magas értékű új ügyfelek) manuális ellenőrzésre jelöli meg.
Ez architektúra-szemléltetés, nem állítás egy ügyfél eredményéről. A pilot sikerét valós adatokon kell mérni. Nézze a helyesen besorolt rendelések arányát, a manuális javítások számát és a feldolgozási időt a bevezetés előtt és után.
Semmi ügynök. Determinisztikus munkafolyamat egyetlen AI-döntési csomóponttal és világos úttal a manuális ellenőrzéshez.
Nincs szüksége mindenre ügynökre. A legtöbb üzleti folyamat automatizálható szokásos eszközökkel. Ahol dönteni kell, tegyen bele AI-csomópontot. Teljes értékű ügynököt pedig csak ott vezessen be, ahol valódi a komplexitás, és ahol a monitoringhoz, naplózáshoz és eszkalációhoz szükséges infrastruktúra már készen áll.
Ha szeretné megtudni, hol van értelme az AI-nak az Ön cégében, és hol elég az automatizálás, ezt egy kéthetes AI Sprint keretében meg tudjuk tenni. Feltérképezzük a folyamatokat, megtervezzük a megoldást, és működő prototípust szállítunk. Vegye fel velünk a kapcsolatot, és megbeszélünk egy bevezető hívást.
A Rise.sk alapítója és műszaki vezetője. Webalkalmazásokat, adatrendszereket és automatizálást tervez és szállít; szoftverdöntésekről, AI-ról és digitális szolgáltatásokról ír.
A kínai modellek ma már csak hónapokkal, nem évekkel maradnak el az amerikai élvonaltól, mégpedig a költség töredékéért. Egy európai cég számára a valódi kérdés nem az, ki nyeri a versenyt, hanem az, hogy érdemes-e használni őket, és hogyan.
Az OpenAI szerint a GPT-5.6 Sol a költség harmadáért veri a Claude Fable 5-öt kódolásban. Az Anthropic szerint a Fable 5 vezet a nyers képességben. Mindkettőnek igaza van. Íme, melyik modell melyik feladatot nyeri.
Az API-tokenek kevesebbe kerülhetnek egy fejlesztői óránál, de nem képezik a teljes projekt költségét. Gyakorlati összehasonlítás a modellhasználatról, az átnézésről, a tesztelésről és az üzemeltetési költségekről.
Az Ön helyzete határozza meg a választ
