A munkakörökre szóló AI hatásvizsgálat nem azt nézi, hogy melyik pozíció szűnik meg. Azt nézi, hogy egy munkakörön belül melyik feladatot gyorsítja, egészíti ki vagy veszi át a mesterséges intelligencia, és mi következik ebből a folyamatokra, a képzésre és a létszámtervezésre. Egy jól elvégzett felmérés után a vezetés tudja, hol érdemes elsőként AI-t bevezetni, kinek milyen új készségre lesz szüksége, és hol kell óvatosnak lenni. Ebben a cikkben lépésről lépésre végigmegyünk a módszeren, egy kidolgozott pontozási mintával, magyar és nemzetközi adatokkal.

Stratify
stratify.hu
Mérje fel, hol ad értéket az AI
A Stratify üzleti célokból és működési kihívásokból indul ki, hogy az AI-bevezetés valós problémákra és mérhető üzleti értékre épüljön.

Ismerje meg a Stratifyt

Röviden

  • Az AI elsősorban feladatokat alakít át, nem teljes munkaköröket: a vizsgálat egysége ezért a feladat, nem a munkakör.
  • Magyarországon 2025-ben a vállalkozások 10,4%-a használt mesterséges intelligenciát, tehát a legtöbb cégnél a tervezés most kezdődik, nem utólagos javítás.
  • Az automatizálhatóság csak az egyik szempont: a bevezetés költsége, az adatok állapota, a minőségi kockázat és a szükséges új készségek legalább ennyire döntenek.
  • A felmérés eredménye akkor ér valamit, ha a munkatársak bevonásával készül, és konkrét folyamat-, képzési és pilotdöntésekhez vezet.
  • Egy közepes méretű cégnél néhány hét alatt elkészíthető egy használható első kép, ha a kulcsmunkakörökre fókuszál.

Tartalomjegyzék

Mit vizsgál valójában a munkakörökre szóló hatásvizsgálat

A munkakör a gyakorlatban feladatok csomagja. Egy pénzügyi asszisztens számlákat egyeztet, e-maileket ír, riportot készít, kérdésekre válaszol és kivételeket kezel. Ezek közül egyesek jól leírható, ismétlődő lépések, mások ítélőképességet, helyismeretet vagy személyes kapcsolatot kívánnak.

A Nemzetközi Munkaügyi Szervezet 2025-ös elemzése szerint a generatív MI legvalószínűbb hatása a munkakörök átalakulása, mert szinte minden foglalkozásban maradnak emberi közreműködést igénylő feladatok. Ez a vállalati felmérés szempontjából kulcsfontosságú: ha a kérdést úgy teszi fel, hogy „kiváltja-e az AI a könyvelőt”, rossz választ kap. Ha úgy, hogy „a könyvelő heti munkaidejének mekkora részét adó feladatok támogathatók AI-val, és milyen minőségi kontroll mellett”, akkor döntésre alkalmas képet kap.

A hatásvizsgálat ezért három kérdésre keres választ:

  1. Kitettség: mely feladatokat érintheti az AI technikailag?
  2. Hatás módja: kiegészíti, gyorsítja vagy átveszi a feladatot?
  3. Következmény: mit jelent ez a folyamatra, a munkatársra, a kockázatokra és a költségekre?

Mely feladatok a leginkább kitettek

A kitettség nem egyenletes. Az Európai Bizottság Közös Kutatóközpontjának 2026-os tanulmánya szerint az európai munkaerőpiacon az AI-kitettség leginkább az ötletalapú kognitív képességek területén nő: ilyen a szövegalkotás, az információ összegzése, az elemzés és a problémák megfogalmazása. Ez magyarázza, miért kerültek a generatív modellek megjelenésével hirtelen előtérbe az irodai, adminisztratív, jogi, pénzügyi és informatikai munkakörök.

A gyakorlatban a feladatokat négy csoportba szoktuk sorolni:

Feladattípus Példák Jellemző AI-hatás
Ismétlődő szöveges és adatfeladat adatrögzítés, számlaegyeztetés, dokumentumok kivonatolása nagy része automatizálható, emberi ellenőrzéssel
Tudásalapú válaszadás belső szabályzatokra vonatkozó kérdések, ügyféltájékoztatás AI-asszisztens előkészít, ember jóváhagy
Elemzés és döntés-előkészítés riportok, előrejelzések, ajánlatok összevetése erős kiegészítés, a döntés emberi marad
Fizikai, személyes vagy nehezen szabványosítható munka gépkezelés, szerelés, tárgyalás, vezetés közvetett hatás, főleg a háttérfolyamatokon keresztül

A tudásintenzív szolgáltatásokban különösen nagy az arány, mert ott sok a nyilvános vagy belső adatforrásból végzett keresés, ellenőrzés és levelezés. Jó példa erre a hivatalos elérhetőségek tömeges lekérdezése cégnyilvántartásból: egy olasz gyakorlat, a tanúsított e-mail-címek keresésének automatizálása, jól mutatja, hogy egy korábban órákig tartó, kézi adminisztratív lépés hogyan válik pár perces, ellenőrizhető folyamattá.

A másik oldalon a munkahelyi tapasztalatok sem egyirányúak. Az OECD 2023-as, hét országra kiterjedő munkáltatói és munkavállalói felmérésében az AI-t használó dolgozók mintegy 80%-a számolt be teljesítménye javulásáról, ugyanakkor az AI-t alkalmazó cégeknél a pénzügyi szektorban dolgozók 20%-a, a feldolgozóiparban 15%-a ismert olyan kollégát, aki az AI miatt veszítette el az állását. A hatásvizsgálat épp azért kell, hogy a vállalat tudatosan döntsön arról, melyik irányba mozdul.

Hol tart ma a magyar vállalati AI-használat

A KSH adatai szerint Magyarországon 2025-ben a vállalkozások 10,4%-a alkalmazott mesterséges intelligenciát, ami 3 százalékpontos növekedés az előző évhez képest. Ez két dolgot jelent egy magyar KKV-nak. Egyrészt még nem késett le semmiről: a cégek többsége most hoz először tudatos döntést. Másrészt a munkavállalók egy része a hivatalos bevezetés előtt már magánúton használ AI-eszközöket, sokszor szabályozás és adatkezelési keret nélkül.

A magyar foglalkozásszerkezetre is készült feladatszintű elemzés. Az Állami Számvevőszék 2026-os összefoglalója szerint egy nemzetközi tanácsadó cég vizsgálata 420 magyarországi foglalkozást és mintegy 2000 részfeladatot elemzett 18 technológiai képesség alapján. A módszer lényege ugyanaz, amit egy vállalaton belül is érdemes követni: a foglalkozást részfeladatokra bontani, és minden részfeladatnál megnézni, mely technológiai képességek (például természetes nyelv megértése, mintafelismerés, finommotoros mozgás) szükségesek hozzá.

Így végezze el a felmérést hat lépésben

Az alábbi menetrend egy 50 és 500 fő közötti cégnél jól működik. Nem kell minden munkakört egyszerre vizsgálni: kezdje a létszámban vagy költségben legnagyobb, illetve a szűk keresztmetszetet jelentő szerepekkel.

1. Válassza ki a vizsgált munkaköröket

Készítsen listát a munkakörökről létszámmal, teljes bérköltséggel és üzleti jelentőséggel. Jellemzően 5–10 munkakör adja a hatás túlnyomó részét: ügyfélszolgálat, pénzügy és számvitel, beszerzés, értékesítési támogatás, HR-adminisztráció, minőségbiztosítási dokumentáció.

2. Bontsa feladatokra a munkaköröket

A munkaköri leírás ritkán tükrözi a valóságot. Kérdezze meg a munkatársakat és közvetlen vezetőiket, mivel töltik ténylegesen a hetüket. Munkakörönként 8–15 feladat elég, mindegyikhez becsült heti óraszámmal. Ha van jegykezelő, ERP- vagy CRM-rendszer, a naplóadatok sokat pontosítanak.

3. Pontozza a feladatokat

Minden feladatot értékeljen néhány egyszerű skálán (lásd a következő fejezet mintáját): mennyire szabályalapú, milyen adatból dolgozik, mekkora a hiba következménye, és mennyire igényel személyes kapcsolatot vagy fizikai jelenlétet.

A feladat négy értékelési szempont alapján

4. Határozza meg a hatás módját

A pontszámok alapján minden feladat egy kategóriába kerül: automatizálható emberi ellenőrzéssel, AI-val kiegészíthető, vagy változatlanul emberi. A Fraunhofer-intézet összefoglalója egy 758 tanácsadóval végzett kísérletről két munkastílust ír le: a „kentaurok” feladatokat osztottak meg az AI-val, a „kiborgok” teljesen beépítették a munkafolyamatukba. A felmérésben érdemes megnevezni, melyik feladatnál melyik munkamód a célszerű.

5. Számszerűsítse az üzleti hatást

A felszabaduló órák önmagukban nem érnek semmit. Számolja ki, mit jelentenek átfutási időben, hibaarányban, ügyfélélményben vagy kezelhető volumenben. Egy órát, amelyet a csapat magasabb értékű munkára fordít, másképp kell értékelni, mint egy órát, amely egyszerűen eltűnik a naptárból.

6. Rangsorolja és döntsön

A végén egy rövid lista áll elő: mely feladatokra érdemes pilotot indítani, hol kell előbb adatot rendbe tenni, és hol nem éri meg most belevágni. Az első pilot legyen kicsi, mérhető, és olyan feladatra irányuljon, ahol a hiba könnyen észrevehető és javítható. Ehhez részletes útmutatót írtunk az AI pilot projekt indításáról.

Pontozási minta egy konkrét munkakörre

Az alábbi táblázat egy elképzelt, közepes méretű nagykereskedelmi cég ügyfélszolgálati munkatársának feladatait mutatja. A számok szemléltetők, a módszert mutatják be, nem mért adatot. A pontozás 1-től 5-ig terjed: a szabályalapúságnál és az adatelérhetőségnél a magasabb érték nagyobb AI-alkalmasságot jelent, a hibakockázatnál nagyobb óvatosságot.

Feladat Heti óra Szabályalapúság Adat elérhető Hibakockázat Javasolt mód
Rendelésstátusz-kérdések megválaszolása 10 5 5 2 automatizálás, mintavételes ellenőrzéssel
Termékinformáció keresése katalógusból 7 4 4 2 AI-asszisztens tudásbázisból
Reklamációk rögzítése, kategorizálása 6 4 3 3 AI előkészít, munkatárs jóváhagy
Panaszos ügyfél telefonos kezelése 8 2 3 4 emberi, AI-összefoglalóval a háttérben
Kivételes kedvezmények egyeztetése 4 1 2 5 emberi döntés
Heti riport készítése a vezetésnek 3 4 4 2 automatikus riport, emberi kommentár

Ebben a példában a 38 órás hét mintegy felét adó feladatok kaphatnak érdemi AI-támogatást, de egyik sem kerül teljesen emberi kontroll nélkül automatizálásra. A munkakör nem szűnik meg, hanem a nehezebb, nagyobb értékű esetek felé tolódik. Ehhez a munkatársnak új készségek kellenek: az AI-válaszok ellenőrzése, a tudásbázis karbantartása és a kivételek felismerése.

Mit mérjen az automatizálhatóságon túl

A leggyakoribb hiba, hogy a felmérés megáll annál a kérdésnél, hogy „meg tudja-e csinálni a gép”. Az Állami Számvevőszék említett elemzése szerint az automatizálhatóságon túl a bevezetés költségkorlátait, a gazdasági-társadalmi útfüggőséget, valamint a termelékenységre, a reálkeresetekre és az új készségigényekre gyakorolt hatást is vizsgálni kell. Vállalati szinten ez a következő kérdéseket jelenti:

  • Adatállapot: megvannak-e a szükséges dokumentumok, törzsadatok, előzmények, és megbízhatóak-e? Ha a cikkszámok vagy partneradatok rendezetlenek, előbb a mesteradat-kezelést kell rendbe tenni.
  • Integráció: a feladat egy rendszerben zajlik, vagy öt alkalmazás között ugrál a munkatárs? Utóbbinál nagyobb a nyereség, de a bevezetés is összetettebb.
  • Kockázat és megfelelés: dolgozik-e a feladat személyes, egészségügyi vagy üzleti titoknak minősülő adattal? Kell-e auditálható döntési nyomvonal?
  • Költség: mennyi a licenc-, fejlesztési és üzemeltetési költség a felszabaduló kapacitáshoz képest?
  • Készségek: milyen új tudás kell a munkatársnak, és mennyi idő alatt sajátítható el?

A készségigény felmérése különösen ott fontos, ahol az új munkamód más kompetenciát kíván, mint a régi. Ugyanaz a logika érvényes, mint egy vállalati nyelvi szintfelmérésnél: előbb a tényleges szintet kell megmérni a munkakör elvárásaihoz képest, és csak utána célzott képzést tervezni. Az AI-készségeknél ez azt jelenti, hogy megnézi, ki tud ma pontos utasítást adni egy AI-eszköznek, ki tudja kritikusan ellenőrizni a kimenetet, és ki ismeri az adatkezelési szabályokat.

Az eredményből cselekvés: folyamatok, képzés, létszámtervezés

A hatásvizsgálat dokumentuma önmagában nem változtat semmin. Három területen kell belőle döntést hozni.

Munkafolyamatok újratervezése

Ne a meglévő folyamatra ültesse rá az AI-t, hanem tervezze újra a lépéseket. Ha egy AI-asszisztens előkészíti a reklamációkat, változik a jóváhagyási lánc, a felelősségi kör és a mérőszám is. Rögzítse, hol van emberi ellenőrzési pont, ki felel a hibás kimenetért, és hogyan jelzi a munkatárs, ha az AI rendszeresen téved. A döntéstámogatás vállalati kialakításáról szóló cikkünk ebben ad részletes fogódzót.

Képzés és bevonás

Az OECD említett felmérése szerint a munkavállalói konzultáció és a képzés szorosan összefügg a jobb dolgozói kimenetelekkel az AI bevezetésekor. Az ILO is azt hangsúlyozza, hogy a munkakörök átalakulását társadalmi párbeszéden keresztül érdemes kezelni. Vállalati nyelvre fordítva: vonja be az érintett munkatársakat már a feladatlista összeállításába, ahol van üzemi tanács vagy szakszervezet, ott őket is időben tájékoztassa, és a képzést kösse konkrét új feladatokhoz.

Az alapozáshoz ingyenes magyar forrás is van: a KSH 2025-ben tette közzé a „MI Jövünk – Mesterséges Intelligencia alapjai” online tananyagot, amelyet a Gábor Dénes Egyetem Mesterséges Intelligencia Tudáslaborjának közreműködésével dolgoztak ki. Ez jó belépő az általános ismeretekhez, a munkakörre szabott gyakorlatot azonban a saját folyamatain kell megtanulni.

Létszám- és utánpótlás-tervezés

A felszabaduló kapacitásról tudatosan kell dönteni: növekedést szolgál ki vele, csökkenti a túlórát, vagy a természetes fluktuációt nem pótolja. Sok magyar gyártó és szolgáltató cégnél a szakemberhiány a valódi szűk keresztmetszet, ott az AI célja inkább az, hogy a meglévő csapat több munkát bírjon el jobb minőségben. Hosszabb távon érdemes figyelni az országos irányokat is: a hazai MI Koalíció munkacsoportjai között kiemelt terület a munkaerőpiaci folyamatok monitorozása és az MI alkalmazásához szükséges készségek fejlesztése.

Gyakori hibák a felmérés során

  • Eszközből indul, nem problémából. Ha a kérdés az, hogy „hol használhatnánk a chatbotot”, a felmérés a meglévő eszközhöz keres feladatot, nem a legnagyobb üzleti hatáshoz megoldást.
  • Csak a vezetők töltik ki. A vezetők jellemzően alábecsülik a kivételkezelésre és az egyeztetésre fordított időt. A munkatársak nélkül a feladatlista pontatlan lesz.
  • Felszabaduló órát megtakarításnak tekint. Óra akkor lesz pénz, ha a folyamat, a létszám vagy a volumen ténylegesen változik.
  • Kimarad a kockázati oszlop. Egy szerződésvizsgálati vagy bérszámfejtési feladatnál egy hiba többe kerülhet, mint amennyit az automatizálás egy év alatt hoz.
  • Nincs folytatás. A felmérés csak akkor ér valamit, ha 1–2 pilot és mérhető célok követik.

A mi nézőpontunk

A munkakörökre szóló hatásvizsgálatokat mi mindig üzleti célból indítjuk, nem technológiából. Az első kérdésünk nem az, hogy melyik modell vagy eszköz a legjobb, hanem az, hogy hol veszít ma a cég időt, pénzt vagy minőséget, és melyik munkakörben a legnagyobb a nyomás. Ebből vezetjük le, mely feladatoknál van valódi ROI, és milyen szervezeti felkészültség kell hozzá.

A mi nézőpontunk — overview diagram

Tapasztalatunk szerint a munkatársak bizalma az AI-bevezetés egyik legfontosabb feltétele. Ha a csapat azt érzi, hogy a felmérés célja a létszámleépítés előkészítése, a feladatlisták pontatlanok lesznek, a pilotot pedig csendben kerülik. Ezért a governance-t, az emberi felügyeletet, az auditálhatóságot és az adatbiztonságot nem utólagos kiegészítésnek tekintjük, hanem a terv részének: az első naptól tisztázzuk, hol marad emberi döntés, ki ellenőrzi a kimenetet, és milyen adat hagyhatja el a céget.

Vendorfüggetlenül dolgozunk, így a javaslatunk az adott feladathoz illeszkedik, nem egy előre eladott termékhez. És fokozatosan haladunk: egy jól mérhető pilot többet tanít a szervezetnek, mint egy nagy, egyszerre bevezetett átalakítás.

— Zsolt

Ha szeretné, hogy közösen végigmenjünk rajta

Az AI Discovery Workshop egyszeri díja 390 000 Ft. A workshopon a vezetőkkel és a kulcsmunkatársakkal együtt áttekintjük a fő munkaköröket és folyamatokat, azonosítjuk a legnagyobb üzleti hatású AI-lehetőségeket, és rangsoroljuk őket megtérülés és kockázat szerint. Ha a következő lépés egy részletes felmérés és egy kontrollált pilot, a kontrollált AI-bevezetés keretében visszük tovább, a munkatársak felkészítését pedig vállalati AI-oktatással támogatjuk.

Gyakori kérdések

Mennyi idő alatt készül el egy munkakörökre szóló AI hatásvizsgálat?

Egy közepes méretű cégnél, 5–10 kulcsmunkakörre fókuszálva, néhány hét alatt elkészíthető egy döntésre alkalmas első kép. Az időigényt főleg az interjúk és a feladatlisták egyeztetése adja. Teljes körű, minden munkakörre kiterjedő felmérés értelemszerűen tovább tart.

Kell-e tájékoztatni a munkavállalókat a felmérésről?

Erősen ajánlott, és ahol üzemi tanács vagy szakszervezet működik, a bevonásuk a munkajogi kötelezettségek miatt is fontos lehet. A konkrét tájékoztatási és konzultációs kötelezettségekről munkajogász adjon tanácsot a cég helyzetére szabva. A gyakorlatban a nyílt kommunikáció pontosabb adatot és nagyobb elfogadottságot hoz.

Milyen adatok kellenek a felméréshez?

Minimum a munkakörök listája létszámmal és bérköltséggel, valamint munkakörönként a fő feladatok becsült heti óraszámmal. Sokat segítenek a rendszernaplók (jegykezelő, ERP, CRM), a folyamatleírások és a hibastatisztikák. Személyes teljesítményadatokra nincs szükség, sőt, ezek kezelése külön adatvédelmi megfontolást igényel.

Mi a különbség a hatásvizsgálat és az AI-stratégia között?

A hatásvizsgálat azt mutatja meg, mely feladatokat és munkaköröket hogyan érinthet az AI. Az AI-stratégia ebből és az üzleti célokból építi fel a prioritásokat, az ütemezést, a governance-keretet és a beruházási tervet. A hatásvizsgálat tehát a stratégia egyik legfontosabb bemenete.

Források

Ajánlott

Tags: