A mesterséges intelligencia fejlődését mindig ugrásszerű áttörések jellemezték. A generatív AI megmutatta, hogy a gépek nemcsak számolni vagy elemezni tudnak, hanem képesek új tartalmakat létrehozni – ez volt az első nagy ugrás. Most azonban újabb fordulóponthoz érkeztünk: az AI-agentek elterjedése legalább ekkora változást hoz, hiszen a kreativitás után a cselekvés képessége kerül előtérbe.
Az új korszak – az AI agentek felemelkedése
A mesterségesintelligencia-megoldások 10 évvel ezelőtt alapvetően adatelemzésre és előrejelzésekre szolgáltak. Az előrejelzések nem új tartalmak voltak, hanem szabályok szerinti statisztikai becslések. Bár a generatív AI ugyanúgy statisztikai modellekre épít, a számok elhagyásával olyan tartalmakat tud előállítani, amelyek emberek számára is jól érthető formátumok: szöveg, kép, kód, zene. A Stanford AI Index szerint ezzel a generatív AI lett az első olyan AI-technológia, ami néhány hónap alatt több százmillió felhasználót ért el, gyorsabban, mint az internet és az okostelefon. Így lett a mesterséges intelligencia tömegesen a mindennapok része.
És miben más az, amikor AI agentekről beszélünk? A generatív AI-ra üzleti szemmel gyakran úgy gondolunk, mint „ötletadó asszisztens” vagy „kreatív segéd”. De ez egy passzív szerep, ugyanolyan, mint a Google keresőfunkciója. Ha a generatív AI egy dokumentumszerkesztő eszköz, akkor az AI agent már tényleg az a gyakornok, aki nem csak megírja a dokumentumot, hanem el is küldi a címzettnek vagy kikeresi a szükséges adatokat hozzá (pl. az OpenAI ChatGPT agent funkciója már saját böngészőfelületet nyit, ahol végignézhetjük, hogyan keresi a válaszunkhoz az anyagokat).
Az ugrás nem a mögöttes nyelvi modellekben keresendő, hanem abban, hogy a fókusz a válaszadásról (vagy generálásról) a cselekvésre tolódik. A nagy nyelvi modellekkel és a generatív AI-jal csak megnyílt a lehetőség arra, hogy a mesterséges intelligencia ne csak egyszeri feladatokat hajtson végre, hanem akár teljes folyamatokat kövessen végig. Ez ugyanakkora lépés, mint a számítógép előléptetése volt számítási és szövegszerkesztési feladatkörből internethez kapcsolódó, adatgyűjtő és üzleti feladatokat automatizáló rendszerré. Ahhoz azonban, hogy valóban megértsük az agentic AI jelentőségét, először világosan kell látnunk, mit is értünk pontosan alattuk, és miben különböznek a korábbi AI-megoldásoktól.
Az agentic AI sajátosságai
Az agentic AI által kiszervezhetővé vált a cselekvés. Az ügynökök nemcsak válaszolnak, hanem célt értelmeznek, döntéseket hoznak, és eszközökön, adatbázisokon, szoftvereken át végigviszik a feladatot. Ezzel az AI kilép a „kimenet gyártó” szerepből, és folyamat-szereplővé válik: együttműködik emberekkel, rendszerekkel – sőt más ügynökökkel is. Ahogyan folyamatábrákon is elkülönülnek már az automatizált és kézi feladatok, az AI agentek egy új kategóriát nyitnak.
Az AI agenteknek három kulcstulajdonságuk van: célorientáltak; komplex döntéshozatalra és folyamatvégrehajtásra képesek; önálló integrációval és együttműködési lehetőségekkel rendelkeznek ökoszisztémákban.
A legtöbb eszközzel és pusztán generatív AI megoldásokkal ellentétben az AI agentek nem (csak) bemenet–kimenet viszonyban működnek (legalábbis felhasználói szinten), hanem magasabb szintű célt értelmeznek, és ahhoz illesztik a lépéseiket. Egy generatív AI tud e-mailt írni, de nem tud dönteni arról, hogy az e-mailt el is küldje-e és lezárjon egy CRM ticketet is. Ezt megfelelő beállítással és hozzáférésekkel elvégzik az ügynökök.
A generatív AI-nak gyakori kritikája, hogy „hazudik”, „hallucinál”. A probléma forrása, hogy a generatív megoldások alapvető célfüggvénye, hogy minták segítségével generáljanak egy kimenetet (pl. egy meglévő szöveg alapján válaszoljanak egy kérdésre). Nem feltétlenül képesek arra, hogy önellenőrző módon tegyék ezt. Az ügynökök képesek akadályokat kezelni, alternatív stratégiát választani, és összetett feladatokat végigvinni (akkor is, ha egy lépésben nem megoldható).
Egy prediktív modell jelez egy közelgő géphibát. Ezzel szemben egy ügynök munkalapot nyit, alkatrészt rendel, időpontot egyeztet, majd ellenőrzi a javítás állapotát. Ebből a szempontból az ügynökök hasonlítanak az emberekhez: alapvetően nem kezdenek el muszájból válaszolni, ha nem értenek valamihez, és nem állítanak meg véglegesen egy folyamatot, mert az elsőre nem sikerült. Válaszokat keresnek és új utakat találnak.
A humán ügynökökhöz hasonlóan nem csak determinisztikusan tudnak használni eszközöket az AI agentek. Aktívan csatlakoznak API-khoz, adatforrásokhoz, alkalmazásokhoz. A klasszikus humán–humán, humán–eszköz, eszköz–eszköz kapcsolatok kiegészülnek humán–ügynök, eszköz–ügynök és ügynök–ügynök együttműködésekkel. Egy sima chatbot információt ad a számláról. Egy ügynök módosít a számlázóban, egyeztet egy másik (pl. compliance) ügynökkel validációról, majd értesíti. Ráadásul az egyszerű gépekkel ellentétben az AI-agentek az emberekkel képesek természetes nyelven, és nem csak felhasználói felületeken vagy dokumentumokon keresztül kommunikálni.
Single- és Multi Agent rendszerek
Az együttműködési képességekre alapozva sok agentic AI rendszer már két kategóriára is bontható: együgynökös rendszerekre (Single-Agent Systems – SAS) és többügynökös rendszerekre (Multi-Agent Systems – MAS).
A SAS esetében egyetlen ügynök kezeli a célt a kezdetektől a befejezésig. Egy adott folyamatra vagy funkcióra optimalizált, és jellemzően egy felhasználót vagy szűkebb területet támogat. Ebből adódóan a SAS-ok:
A MAS több ügynök együttműködésén alapul, ahol minden ügynök egy adott részfeladatra specializálódik. Az együttműködés lehetőséget teremt arra, hogy specialisták egymás számára adjanak specifikus ismereteket, ellenőrizzék egymást. Az együttműködések jellemzően hierarchikusan (pl. koordinátor–specialista modellben) vagy horizontálisan, ügynök–ügynök tárgyalások formájában történnek meg. Ezáltal a MAS-ok többek között:
Ahogyan bármilyen más eszköz esetében, így az ügynök-alapú rendszereknél is érdemes a folyamatból levezetni a technológia alkalmazhatóságát. A SAS ideális olyan döntések előkészítésére, amelyek egy rosszul strukturált adatra épülnek egy adott funkcióban:
Ezzel szemben a MAS-ok jól kezelnek több döntésből álló funkciókon átívelő feladatokat:
Természetesen nem tudnak mindent átvállalni az ügynökök. A SAS megoldások megfelelő integráció nélkül súlytalan generatív chatbottá válnak és nehezen skálázhatóak. A MAS megoldások pedig rendkívüli komplexitást visznek egy gyakorlatilag fekete dobozba, amelyet rendkívül nehéz lehet nyomon követni. És pont az ellenőrizhetőségben rejlik a kulcskérdése az ügynököknek: mely döntéseket és döntéselőkészítéseket adja ki a szakértő a kezéből? Egyedül az emberek vállalhatnak felelősséget döntéseikért. A kérdéstől azonban nem érdemes visszaretteni, hiszen a vezetők is átadnak felelősséget beosztottjaiknak, és a gépek is erősen befolyásolják döntéseinket (pl. az előrejelzési modellek vagy egy autónak a sebességmérője).
Alap üzleti megfontolások és piaci eszközök
Az agentic AI nemcsak technológiai érdekesség, hanem üzleti realitás is. A kérdés nem az, hogy a szervezetek kipróbálják-e, hanem az, hogy hogyan és milyen gyorsan tudják beépíteni a folyamataikba. A piaci adatok világosan mutatják: a következő években az agentic AI az egyik leggyorsabban növekvő szegmens lesz a mesterséges intelligencia területén.
Az autonóm ügynökök piacán - a mesterséges intelligencián alapuló más technológiákhoz hasonlóan -, rendkívül magas növekedéssel számolnak az elemzők. A Toloka és a Precedence Research becslései szerint jelenleg a piac mérete 4,5-5,5 milliárd dollár körül mozog. Az előrejelzések szerint ez évi 42-45%-os növekedés mellett 2030-ra 50 milliárd dollárra, majd 2034-re 100 milliárd dollárra növekedhet.
Az ügynökök piacát azok már folyamatban lévő és várható elterjedése hajtja. A DemandSage elemzése alapján, amelybe 1000 db, 500 millió dollárnál nagyobb árbevételű vállalatot vontak be, már a válaszolók 51%-a használ AI ügynököket munkavégzéshez, és további 35% a következő 1-2 éven belül tervezi bevezetni őket. Érdekesség, hogy a FinTech Global felmérése szerint a pénzügyi ágazat kifejezetten aktív, 2027-re már a pénzintézetek 93%-a tervezi az ilyen megoldások bevezetését.
Az elterjedés sebességéhez komoly elvárások is tartoznak, ugyanis a korai alkalmazók is 18 hónapon belül várnak teljes, 100%-os megtérülést az AI agentektől. Ennek a realitásához hozzátartozik, hogy az ügynökök alkalmazói jellemzően 30-60%-os termelékenységnövekedést tapasztaltak.
A keresletre természetesen meg is jelentek az első válaszok is. Ezeket a megoldásokat komplexitás szerint érdemes szétválasztani: dobozos ügynökplatformok, low-code és no-code eszközök, fejlesztői keretrendszerek. Ezeknek mind megvannak a maga előnyei, hiszen a fejlesztői keretrendszerek rendkívüli személyre szabhatóságot tudnak nyújtani, a dobozos platformok pedig már kész megoldásokat kínálnak az illeszkedő folyamatokhoz. Jellegükből adódóan az egyik kulcskérdés, hogy milyen lehetőségeket nyújtanak integráció területén, hiszen minél több “harmadikfeles” eszközt vagy nyelvi modellt tudnak támogatni, annál valószínűbb, hogy beépíthetőek egy szervezet ökoszisztémájába.
Természetesen az első belépők között találjuk a Microsoftot és az IBM-et, amelyek a már meglévő szolgáltatásaikra támaszkodva készítették el AI agent platformjukat a Copilot és a Watson brand égisze alatt. De már látszódnak azok a specifikus szereplők is, amelyek lehet, hogy pont ezzel robbannak be a köztudatba. Ilyen a worfklow-kra építő n8n vagy a sikeres LangChain ökoszisztémára építő LangGraph. A piacnak még sokat kell tisztulnia, de várható, hogy idővel konszolidálódik, és lesznek olyan nyertesek vagy vesztesek, akárcsak a generatív AI esetében nyertes volt az OpenAI.
A felsorolt példák mindegyike alapvetően nagyvállalati szinthez való, és remek referenciákkal rendelkezik. Ezen felül persze még rengeteg megoldás érhető el a piacon, a nyílt-forráskódú megoldásoktól nagyobb szoftvercsaládok beépülő megoldásain át, egészen az OpenAI vagy a Google fejlesztőeszközeiig. Választás előtt azonban rengeteg megfontolandó kérdés van a business case felépítésétől egészen a megfelelő architektúra és ökoszisztéma illeszkedésig.
Összefoglaló
Az üzleti megfontolások és a piacon elérhető eszközök együtt mutatják, hogy az Agentic AI nem pusztán technológiai kívánság, hanem versenyképes stratégiává válik. Az már ma egyértelmű, hogy aki jól választ és stratégiailag épít, az előnyt szerezhet a hatékonyságban és ügyfélértékben.
Az AI agentek felemelkedése új korszakot jelez a mesterséges intelligencia fejlődésében: a kreativitás után a cselekvés kerül előtérbe. Cikksorozatunkban tovább vizsgáljuk, hogyan formálja át ez az új megközelítés a vállalatok működését és döntéshozatali folyamatait. Érdemes velünk tartani, ha szeretné átlátni, milyen irányba halad a technológia és milyen lehetőségeket nyit meg a jövőben.
Szerző:
Mozol Gábor, tanácsadó
