Mesterséges intelligencia használata a gyakorlatban: 7 valódi projekt külföldről
A Qonto nevű európai pénzügyi szolgáltatónál az AI előkészíti a banki utalást és megírja a számlát, a végső lépést pedig az ügyfél hagyja jóvá. Hét ilyen valódi, külföldi projektet hoztunk el, és mindegyiknél megmutatjuk, mi az, amit egy hazai vállalkozás is átvehet belőle. A példák több ágazatból jönnek: pénzügyből, autóiparból, marketingből és jogból.
- A hét példa a Google és az Anthropic által közzétett ügyféltörténetekből származik.
- Mindegyik cég egy szűk, ismétlődő feladattal kezdett: készlet, ügyfélkérdés, számla, riport vagy szerződés.
- Ahol az AI pénzt mozgat vagy kampányt indít, ott ember hagyja jóvá a végső lépést.
- A cégek a saját adataikra építenek, és több példánál mért eredményről is beszámolnak.
- Az eredmények a cégek és a gyártók saját közlései, független mérés nem áll mögöttük.
Összefoglaló táblázat a hét projektről:
| Cég | Mire használja az AI-t | Eredmény a közzétett anyag szerint |
|---|---|---|
| Qonto | utalások előkészítése, számlaírás | kétszer gyorsabb utalás, háromszor rövidebb számlakészítés |
| TruckHouse | készletkövetés a Google Táblázatokban | a forrás számot nem közöl |
| LUXGEN | ügyfélszolgálati chatbot a LINE-on | 30 százalékkal kisebb terhelés az ügyfélszolgálatosokon |
| Wagestream | belső ügyfélmegkeresések kezelése | a megkeresések több mint 80 százaléka |
| Mobiauto | vásárlási tanácsadó és hirdetéskészítés | nőtt a bevétel és az ügyfélkör, számot nem közöl |
| Supermetrics | marketingadatok elemzése, kampánykezelés | a Layer ügynökségnél 10 óra helyett 20 perc egy riport |
| Spellbook | szerződések átnézése | nagyjából 10 óra helyett körülbelül 1 óra egy megállapodás |
Qonto: számlaírás és utalás-előkészítés AI-ügynökökkel
A Qonto európai pénzügyi szolgáltató: nyolc európai piacon több mint 600 000 vállalkozás intézi nála a banki és könyvelési ügyeit. Ügyfeleik egyéni vállalkozók, szabadúszók, új cégek és kis csapatok.
A Forrester Qontónak készült elemzése szerint ezek az ügyfelek havonta átlagosan akár 8 órát töltenek pénzügyi adminisztrációval. A cég 15 fős AI Labja 2025 végén AI-ügynököket épített az alkalmazásba. 2025 novemberében indult a projekt, és az első ügynök hat héttel később jelent meg több ezer béta-ügyfélnek.
Három feladatot végeznek az ügynökök:
- előkészítik a banki utalásokat
- megírják az ügyfélszámlákat
- válaszolnak a számokkal kapcsolatos kérdésekre
A közzétett esettanulmány szerint a banki utalások kétszer gyorsabbak lettek, az ügyfélszámlák elkészítése háromszor kevesebb időt vesz igénybe, a bérszámfejtési utalások pedig ötször gyorsabbak. Minden esetben az ügyfél hagyja jóvá a végső lépést, mielőtt a pénz megmozdul vagy a számla elmegy.
Átvehető ötlet: egy sablonos adminisztrációs lépést, például a számlák előkészítését bízd az AI-ra, de az elküldés előtti utolsó gombnyomás maradjon nálad. Kezdésként érdemes egyetlen ügyféltípust kiválasztani, ahol a számlázás mindig ugyanúgy megy. Egy első kérés lehet ez:
Az alábbi adatokból készíts számlatervezetet a szokásos formátumunkban, és jelöld meg, ha valamelyik kötelező adat hiányzik: [ide másold be az adatokat]
TruckHouse: készletkövetés a táblázatokban
A TruckHouse expedíciós járművekre szakosodott cég. A Google Cloud listája szerint a Gemini a Google Táblázatokban segít nekik gyorsabban követni a készletet.
Céljuk egyszerű volt: kevesebb időt tölteni a táblázatokkal, és több időt a szabadban. Pontos számot a megtakarított időről a forrás nem közöl.
Átvehető ötlet: az AI a már megszokott eszközödben is dolgozhat, új rendszer bevezetése nélkül. Ha például alkatrészeket vagy anyagokat tartasz nyilván táblázatban, kezdd a leggyakrabban fogyó tételek listájával. A táblázatodhoz ez lehet az első kérés:
Nézd át a készlettáblázatot, és jelöld meg azokat a tételeket, amelyekből a legutóbbi három hónapban a legtöbb fogyott.
LUXGEN: ügyfélszolgálati chatbot a LINE-on
A LUXGEN tajvani elektromosautó-márka. Vásárlói kérdésekre egy Vertex AI-ra épülő AI-ügynök válaszol a cég hivatalos fiókján a LINE-on, amely egy üzenetküldő alkalmazás.
A Google Cloud listája szerint a chatbot 30 százalékkal csökkentette az emberi ügyfélszolgálatosok terhelését.
Átvehető ötlet: a gyakori, ismétlődő ügyfélkérdésekre egy jól betanított bot is válaszolhat. Ha webáruházat viszel, a szállítási időről vagy a garanciáról szóló kérdések jó kezdőpontok, és elég a tíz leggyakoribb kérdést és választ összegyűjteni hozzá. Ebben is segíthet az AI, például így:
Az alábbi ügyfélüzenetekből gyűjtsd ki a tíz leggyakoribb kérdést, és mindegyikhez írj egy rövid, barátságos választervezetet: [ide másold be az üzeneteket]
Ha saját chatbotot építenél, a chatbot-készítésről szóló útmutatónkban lépésről lépésre bemutatjuk, hogyan.
Wagestream: belső ügyfélmegkeresések kezelése
A Wagestream munkavállalói juttatásokhoz kapcsolódó pénzügyi jólléti platform. A Google Cloud listája szerint Gemini-modellekkel kezelik a belső ügyfélmegkeresések több mint 80 százalékát.
Két ilyen kérdéstípust említ példaként a forrás:
- mikor lesz a következő kifizetés
- mennyi az aktuális egyenleg
Átvehető ötlet: a munkatársak belső kérdéseire is építhetsz AI-alapú választ. Egy húsz-harminc fős cégnél a szabadságolási rend vagy a belső folyamatok leírása jó alapanyag lehet egy ilyen belső keresőhöz. Első próbaként így kezdheted:
Az alábbi belső szabályzat alapján válaszolj a munkatársak kérdéseire, és ha a válasz nincs benne a szövegben, jelezd: [ide másold be a szabályzatot]
Mobiauto: vásárlási tanácsadó és hirdetéskészítő
A Mobiauto járművek vételét és eladását segítő cég. A Geminivel és a BigQueryvel egy vásárlási tanácsadó (Shopping Consultant) funkciót építettek, amely három dolgot csinál:
- megmutatja a vásárlónak az ideális autót
- automatikusan hirdetéseket készít
- összefoglalja a leadek adatait a kereskedőknek
Ezzel a forrás szerint nőtt a bevételük és az ügyfélkörük, konkrét számot viszont nem közöl.
Átvehető ötlet: ha a meglévő adataidat a szöveggenerálással kötöd össze, a párosítás és a hirdetésírás is gyorsulhat. Egy ingatlaniroda például egyetlen lakástípus alapadataival kezdheti a hirdetésszövegek elkészítését.
Supermetrics: marketingadatok elemzése és kampánykezelés
A Supermetrics európai startup, amely több mint 200 000 vállalkozásnak szolgáltat marketingadatokat. Februárban Claude-connectort indított, és a közzétett esettanulmány szerint a connector aktív felhasználóinak száma az indulás óta havonta átlagosan 250 százalékkal nőtt.
A connectorral a marketinges ezeket teheti meg:
- megkérdezheti a Claude-tól, miért teljesített gyengén egy kampány, és a válasz a hirdetési és analitikai platformokból élőben érkezik
- kampányt hozhat létre vagy módosíthat a Google Ads, a Meta, a Microsoft Advertising, a TikTok, a LinkedIn és a Snapchat felületén
A kampány csak emberi jóváhagyás után élesedik. A Supermetrics egyik ügyfele, a 25 fős norvég Layer ügynökség, a korábban 10 órás ügyfélriportokat a connectorral 20 perc alatt készíti el.
Átvehető ötlet: a rendszeres riportkészítést érdemes AI-val kipróbálni. Kezdd egyetlen platformmal, például a közösségi média statisztikáinak elemzésével. Egy havi exportból így kérhetsz összefoglalót:
Az alábbi havi közösségimédia-adatokból foglald össze, mely posztok teljesítettek a legjobban és a leggyengébben, és mi a közös bennük: [ide másold be az adatokat]
Spellbook: jogi szerződések átnézése és írása
A Spellbook 2022 óta működő jogi szoftver, amelynek 80 országban 5000 ügyfele van, köztük ügyvédi irodák és vállalati jogi osztályok.
A közzétett esettanulmány szerint a Claude-alapú ügynökeik havonta nagyjából 530 000 szerződést néznek át. Tízszer rövidebb lett egy megállapodás elkészítési ideje: nagyjából 10 óra ügyvédi munkáról körülbelül egy órára. Azt is mérik, a javaslataikból hányat fogad el ténylegesen a felhasználó.
Átvehető ötlet: hosszú dokumentumok előzetes átnézésére bármelyik cégnél akad feladat, például beszállítói szerződésekhez vagy pályázati kiírásokhoz. Első lépésként kérj egy rövid összefoglalót egy szerződéstervezet legfontosabb határidőiről:
Olvasd el az alábbi szerződéstervezetet, és gyűjtsd ki táblázatba a határidőket, a fizetési feltételeket és a felmondási szabályokat: [ide másold be a szerződést]
Mi a közös ezekben a projektekben
A hét példában négy minta ismétlődik:
- szűk, jól körülhatárolt, ismétlődő feladattal kezdtek
- ahol az AI cselekszik, ott ember hagyja jóvá a végső lépést
- a saját adataikra építenek
- mérik az eredményt
Az első minta talán a legfontosabb. Mindegyik cég egy konkrét problémával indult: a TruckHouse a készlettel, a LUXGEN az ügyfélkérdésekkel, a Qonto a számlákkal.
Az emberi jóváhagyás a pénzmozgásnál (Qonto) és a kampányok élesítésénél (Supermetrics) jelenik meg a legtisztábban. Saját adatokra mindegyik épít, a készlettáblázattól az ügyfélkérdéseken és a számlákon át a marketingadatokig.
Mérésre a Spellbook a jó példa: azt figyelik, a javaslataikból hányat fogad el a felhasználó. Ugyanígy mérhető mutató a terhelés csökkenése (LUXGEN) és a megtakarított idő (Qonto, Layer).
Így kezdj hozzá a saját vállalkozásodban
A négy mintából öt lépés következik, amelyet egy kisebb cég is végigjárhat:
- válassz ki egy ismétlődő feladatot, amelyet a csapatod hetente többször elvégez
- gyűjtsd egy helyre a hozzá tartozó adatokat: táblázatokat, korábbi válaszokat, dokumentumokat
- jelöld ki, hol kell emberi jóváhagyás, főleg pénzügyi, jogi és ügyfeleknek szóló lépéseknél
- teszteld kicsiben, néhány tucat eseten
- mérd az eredményt, például a feladatra fordított időt előtte és utána
Ha az első feladathoz keresel ötletet, a kisvállalkozásoknak szóló 10 feladatos gyűjteményünkben találsz néhányat.
Az első lépésnél kerüld a több osztályt érintő, bonyolult folyamatokat. A számlák rögzítése, az e-mailek szortírozása vagy a heti riport összeállítása kézenfekvőbb kezdés.
Második lépésként az adatokra szánj időt. Pontatlan, hiányos adatból az AI is pontatlan eredményt ad, ezért az alapanyag rendbetétele a munka fontos része.
Ha például egy havi riport eddig egy teljes délelőttöt vett el, ezt jegyezd fel, és a tesztidőszak végén vesd össze az új idővel. Az eredményt a csapattal is érdemes megbeszélni, mert ők látják, hol akad el a folyamat.
A tesztelésnél, ha az AI félreérti a feladatot, fogalmazd meg pontosabban, és adj egyértelműbb iránymutatást. Ha kis lépésekben haladsz, a hibák is kicsik maradnak, és időben kiderülnek.
Gyakran ismételt kérdések
Mire használják a cégek a mesterséges intelligenciát a gyakorlatban?
A bemutatott cégek szűk, ismétlődő feladatokra használják: ügyfélkérdések megválaszolására, számlák előkészítésére, készletkövetésre, riportkészítésre és szerződések átnézésére. A cél mindegyiknél az időigényes adminisztráció csökkentése.
Kell-e fejlesztőcsapat egy ilyen projekthez?
Egy egyszerűbb feladat a meglévő táblázatkezelőben is elkezdhető, ahogy a TruckHouse példája mutatja. Az alkalmazásba épített ügynökökhöz, amilyeneket a Qonto AI Labje készített, már technikai szakember kell.
Megbízhatók-e ezek az eredmények?
Minden itt szereplő szám a cégek és a gyártók saját közlése. A felhasználási módok jól mutatják az irányokat, a számokat ennek tudatában érdemes kezelni.
Hol érdemes kezdeni egy kisvállalkozásnak?
Érdemes egyetlen, sok időt elvevő irodai feladattal kezdeni, amelyhez már megvannak az adatok. Egy ilyen kis, kontrollált próbából hamar kiderül, megéri-e továbblépni.
Mi történik, ha az AI hibázik?
A bemutatott példákban, ahol az AI pénzt mozgat vagy kampányt indít, ember hagyja jóvá a végső lépést. Így a hibát még az élesítés előtt ki lehet javítani.
Tetszett a cikk?
Iratkozz fel és kapd meg a legfrissebb cikkeket közvetlenül az email fiókodba. Napi hírlevél a legfontosabb AI és tech hírekről, magyarul, 5 perc alatt átfutható formában.