A vállalati kereső AI olyan rendszer, amely a cég összes adatforrásából, dokumentumból és rendszerből releváns, kontextusban értelmezett választ ad egyetlen lekérdezésre. A hagyományos kulcsszavas keresővel szemben nem találati listát dob vissza, hanem összegzést, forráshivatkozással. A HUN‑REN SZTAKI és a Bosch közös tesztje szerint a jól megválasztott technológiai kombináció mérhetően javítja a találati pontosságot, ami közvetlenül lerövidíti a keresésre fordított munkaidőt.

Röviden:

  • A vállalati kereső AI összegző választ ad, nem listákat, és a szinonimát is megérti, így hatékonyabbá teszi az adatok feldolgozását.
  • A rendszer szórt adatok, például e-mailek és szerződések gyors keresését és összegzését teszi lehetővé több rendszerből összeállítva a releváns eredményt.
  • A pilot sikerességét mérhető KPI-kkal, például növekvő recall@K és csökkenő keresési idő mutatókkal kell igazolni.
  • A jogosultságkezelés hiánya kockázatot jelent, ezért dokumentum-szintű hozzáférést és auditnaplózást kell alkalmazni.
  • A hatékony bevezetéshez a stratégia a problémák feltárásával, mérhető célkitűzésekkel, rendszeres frissítésekkel és az üzleti kérdésekre alapozott módszertannal kezdődik.

Tartalomjegyzék

Mi a vállalati kereső AI, és miben más, mint a hagyományos keresés

A hagyományos vállalati kereső egyezést keres a beírt szavak és a dokumentumban szereplő szavak között. Ha a felhasználó más szót használ, mint amit a dokumentum tartalmaz, a rendszer üres kézzel tér vissza, még akkor is, ha a válasz ott lapul a megosztott meghajtón.

A vállalati kereső AI ezzel szemben jelentés alapján keres. Megérti, hogy a „garanciális idő” és a „jótállási periódus” ugyanazt jelenti, összekapcsolja a szétszórt információt, és nem listát ad, hanem kész választ, forrásmegjelöléssel. Ez a különbség akkor válik igazán érezhetővé, amikor a cég adatai több forrásban élnek: e-mailekben, ERP-ben, CRM-ben, megosztott meghajtókon és papír alapú szkennelt dokumentumokban.

Érdemes belevágni, ha a szervezetben teljesül legalább kettő az alábbiak közül:

  • a dokumentumállomány több ezer fájlt vagy több tízezer oldalt tesz ki
  • az adatok legalább három különböző rendszerben szóródnak szét (például dokumentumkezelő, levelezés, ERP)
  • a munkatársak érdemi munkaidőt töltenek információkeresésre kollégáktól vagy régi fájlokból
  • ügyfélszolgálati vagy értékesítési csapatok gyakran ugyanazokat a kérdéseket teszik fel, mert nem találják a választ

Hol hoz mérhető üzleti előnyt a vállalati kereső AI

A leggyakoribb bevezetési terület a belső tudástár. Egy szemantikus keresőmotor percek alatt megválaszolja, amit korábban egy tapasztalt kolléga tudott csak fejből, és ez különösen fontos, amikor a szakértő szabadságon van vagy elhagyja a céget.

Kéz állítja a szerver állapotjelzőjét a szerverteremben

Az ügyfélszolgálat egy másik erős terület. A rendszer a korábbi jegyekből, tudásbázisból és termékdokumentációból azonnal összeállítja a választ, ami rövidebb átfutási időt (SLA) eredményez, és kevesebb eszkalációt az elsővonalas munkatársaktól a szakértők felé.

Kéz dug be ethernet kábelt a patch panelbe

A dokumentumintenzív munkakörök, például a jogi vagy beszerzési csapatok, szerződések és műszaki leírások közötti keresésre és kivonatolásra használják a technológiát: a rendszer megtalálja a releváns klauzulát száz szerződés között, és összegzi a lényeget.

Vezetői szinten a döntéstámogatás a legértékesebb alkalmazás: a rendszer több jelentésből, riportból és belső dokumentumból állít össze releváns háttéranyagot egy adott döntés előtt.

  • tudásmenedzsment: gyorsabb belső válaszadás, kevesebb függés egyetlen szakértőtől
  • ügyfélszolgálat: rövidebb válaszidő, konzisztensebb minőség
  • dokumentumkezelés: gyorsabb szerződés- és specifikáció-keresés
  • döntéstámogatás: összegzett, releváns adat vezetői döntésekhez

Hogyan működik technológiailag: vektoros keresés, hibrid modell, GraphRAG

A vektoros keresés (embedding alapú keresés) a szöveget számokból álló vektorrá alakítja, amely a jelentést kódolja, nem a pontos szóalakot. Ez teszi lehetővé, hogy a rendszer szinonimákat és körülírásokat is megértsen.

Kéz érinti a szerver hűtőventilátorának rácsát közelről

A tiszta vektoros keresés önmagában gyenge pontos egyezéseknél, például cikkszámoknál vagy szerződésszámoknál. Ezért terjedt el a hibrid modell, amely a kulcsszavas és a vektoros keresést egyszerre futtatja, majd a két eredményhalmazt egyesíti. Az Elastic platformja is ezt a hibrid megközelítést támogatja, kiegészítve relevancia-rangsorolási (reranking) és dokumentum-szintű biztonsági eszközökkel.

A RAG (retrieval augmented generation) módszer a keresés eredményét adja át a nyelvi modellnek, amely ebből fogalmazza meg a választ. A GraphRAG ezen egy lépéssel túllép: tudásgráfot épít az entitások és kapcsolataik köré, így olyan összefüggéseket is feltár, amelyeket a puszta szöveghasonlóság nem talál meg. A HUN‑REN SZTAKI kutatása szerint ez a lépés különösen komplex, összefüggő ipari adatoknál hoz érdemi javulást.

A GraphRAG bevezetésének lépései jellemzően így néznek ki:

  1. entitáskinyerés a dokumentumokból (személyek, termékek, folyamatok)
  2. az entitáshivatkozások normalizálása, hogy ugyanaz a fogalom egyféleképpen szerepeljen
  3. gráfmodell felépítése az entitások közötti kapcsolatokból
  4. a gráf indexelése, majd összekapcsolása a RAG lekérdezési réteggel és a nyelvi modellel

Profi tipp: Ne kezdje a projektet a gráfmodellel. Építsen előbb működő hibrid keresést, és csak akkor lépjen tovább GraphRAG irányba, ha a pilot igazolja, hogy az összetett, több lépésben összefüggő kérdésekre van valódi igény.

Hogyan induljon el egy pilot: a bevezetés lépései

A bevezetés sosem a technológiával kezdődik, hanem az üzleti kérdéssel. Négy szakaszra érdemes bontani a projektet.

  1. Discovery workshop. Cél: feltárni, mely csapatoknál a legnagyobb az időveszteség keresésre, milyen adatforrások érintettek, és mi lenne a mérhető siker. Kimenet: prioritizált use case-lista és realisztikus költségbecslés.
  2. Pilot vagy POC. Egy szűk, jól körülhatárolt adathalmazon és felhasználói körön kell tesztelni, konkrét KPI-kkal (találati pontosság, válaszidő, felhasználói elégedettség).
  3. Integráció. A pilot után jönnek a jogosultságkezelési kérdések: ki mihez férhet hozzá, hogyan kapcsolódik a rendszer a céges SSO-hoz, és milyen auditnaplózás készül minden lekérdezésről.
  4. Skálázás és üzemeltetés. Az index rendszeres frissítése, a költségek monitorozása és a modell teljesítményének folyamatos ellenőrzése nélkül a rendszer néhány hónap alatt elavul.

Az AI-alapú vállalati tudástár kialakításáról szóló gyakorlati útmutató részletesebben bemutatja, hogyan épül fel egy ilyen roadmap lépésről lépésre.

Hogyan védjük az adatokat: jogosultságkezelés és governance

A legnagyobb kockázat nem a nyelvi modell pontatlansága, hanem a hiányzó jogosultságkezelés. Ha a rendszer olyan dokumentumból is válaszol, amelyhez a felhasználónak nem lenne hozzáférése, az önmagában adatvédelmi incidens, függetlenül attól, hogy a válasz technikailag helyes volt-e.

A megoldás dokumentum-szintű hozzáférés-kezelés, amely minden lekérdezésnél valós időben ellenőrzi a jogosultságot, nem csak indexeléskor. Ehhez társul az auditnapló, amely rögzíti, ki mit kérdezett és milyen forrásból kapott választ, valamint egy emberi felügyeleti pont (human-in-the-loop) a kritikus döntéseknél.

  • dokumentum-szintű, nem csak mappa-szintű jogosultságok bevezetése
  • élő hozzáférés-ellenőrzés minden lekérdezésnél, nem csak az indexelés pillanatában
  • rendszeres auditnapló-elemzés és emberi felülvizsgálat a kritikus válaszoknál
  • egyértelmű szabályzat arra, mit tehet és mit nem tehet a rendszer bizalmas adatokkal

A jogosultságkezelés hiánya vállalati környezetben komoly adatvédelmi és biztonsági kockázatot jelent egy publikus chatbot és egy zárt, jogosultságkezelt vállalati AI‑rendszer között.

A governance és felkészültségi felmérés pontosan ezt a kockázatot méri fel bevezetés előtt, mielőtt a rendszer éles adatokhoz nyúlna.

Milyen KPI-kkal mérjük, hogy a pilot sikeres-e

A pilot csak akkor ér valamit, ha számokkal igazolható. A legfontosabb mutatók: a recall@K (hányszor van a helyes válasz az első K találat között), a precision (mennyi a releváns találatok aránya), az MRR (mennyire elöl jelenik meg a jó válasz), a keresésre fordított idő, valamint a felhasználói elégedettség (CSAT/NPS).

  • recall@K és precision: a találati pontosság technikai mérőszámai
  • MRR: mennyire gyorsan jut el a felhasználó a helyes válaszhoz
  • keresésre fordított átlagos idő csökkenése a bevezetés előtti állapothoz képest
  • CSAT vagy NPS: a felhasználók szubjektív elégedettsége a válaszokkal

A HUN‑REN SZTAKI és a Bosch tesztje jól szemlélteti, mit jelent ez gyakorlatban: egy 365 dokumentumos műszaki adathalmazon a kombinált szöveges, vektoros és gráf alapú módszer a recall@10 értéket 0,8-ról 1,0-ra emelte a tiszta kulcsszavas kereséshez képest. Egy középvállalati pilotnál reális célszám a recall@10 legalább 15-20 százalékpontos javulása a jelenlegi kereséshez képest, mérhető A/B teszttel, ahol a régi és az új rendszer ugyanazokra a kérdésekre ad választ párhuzamosan.

Mit ad a Stratify egy pilot után: módszertan és átadott anyagok

Stratify a bevezetést nem a technológiával, hanem az üzleti problémával kezdi. A módszertan discovery workshopból indul, amely feltárja a legnagyobb időveszteséggel járó keresési pontokat, majd pilot következik mérhető KPI-kkal, és csak ezután jön az integráció és a governance kialakítása.

Egy pilot lezárása után az ügyfél nem csak működő rendszert kap, hanem dokumentált, átadható anyagokat is:

  • mért KPI-jelentés a pilot időszakról (recall, válaszidő, felhasználói visszajelzés)
  • szabályzat- és jogosultságkezelési sablonok a folyamatos üzemeltetéshez
  • működési kézikönyv a napi karbantartáshoz és az index frissítéséhez
  • javaslat a következő bevezetési hullámra, prioritási sorrendben

Profi tipp: Kérje mindig írásban a pilot KPI-célszámait a projekt indulása előtt, ne csak a végén. Enélkül utólag nehéz megítélni, hogy a bevezetés valóban sikeres volt-e.

A vállalati AI szabályzat minta jó kiindulópont azoknak, akik saját maguk szeretnék előkészíteni a governance keretrendszert a pilot megkezdése előtt.

Építsük magunk, vásároljunk platformot, vagy vonjunk be tanácsadót?

Belső fejlesztés akkor éri meg, ha van dedikált adatmérnöki csapat és a probléma egyszerű, jól körülhatárolt. A legtöbb középvállalatnál viszont a szűk keresztmetszet nem a technológia, hanem az, hogy senki nem tudja pontosan, melyik use case hozza a legtöbb megtérülést, és hogyan kell a jogosultságkezelést biztonságosan megtervezni.

Itt gyorsít érdemben egy tanácsadó: nem technológiát ad el, hanem lerövidíti a próba-szerencse szakaszt. A Stratify pontosan ezt a rést tölti ki, üzleti eredményre fókuszálva a technológiai kísérletezés helyett.

— Zsolt

Hogyan induljon el a saját vállalati keresőprojektje

A Stratify nem egy általános AI-platformot ad el, hanem konkrét választ arra, hol veszít pénzt és időt a cég a rossz keresés miatt, ezért érdemes megismerkedni az Interval AI megoldásaival is. Míg egy platform önmagában csak technológiát kínál, a Stratify a discovery workshoptól a pilot lezárásáig kíséri végig a folyamatot, mérhető KPI-kkal és átadott szabályzat sablonokkal.

Stratify

A szolgáltatás magában foglalja az AI discovery workshopot, a pilot és POC lebonyolítását, a governance kialakítását, az integrációt a meglévő rendszerekkel, és a folyamatos üzemeltetés támogatását. A pilot lezárása után az ügyfél mérhető KPI-jelentést, működő szabályzatokat és egy konkrét skálázási javaslatot kap kézhez, nem csak egy demót.

Ha a cégnél a keresés és a szétszórt tudás valódi napi problémát jelent, érdemes egy AI tanácsadási konzultációval kezdeni, ahol a Stratify csapata felméri, melyik use case hozná a leggyorsabb megtérülést egy pilot projekt keretében.

Források

Ajánlott

Tags: