.png)
Röviden: Az agentic AI jellemzően nem a technológián, hanem a bevezetésen bukik el. A McKinsey első éves tanulságai egyetlen gondolat köré rendeződnek: az ágens új munkatársként viselkedik, nem szoftverként — munkaköri leírás, értékelés, szakértői felügyelet és megbízható felület kell hozzá. Az emberi szerep létszámban csökken, de nem szűnik meg, hanem a felügyeletre, betanításra és jóváhagyásra helyeződik át.
2026-ra rengeteg cég belevágott az agentic AI-ba, és akik eljutottak az éles üzemig, most szembesülnek a kellemetlen résszel: az ágens, ami a demón lenyűgöző volt, a valós munkában akadozik, a kollégák kerülik, a megtérülés pedig késik. Nem elszigetelt jelenség. A Gartner becslése szerint az agentic AI projektek több mint 40%-át 2027 végéig leállítják, és jellemzően nem azért, mert a technológia rossz, hanem mert a bevezetés akad meg.
Pont erről szól az a McKinsey-anyag, amely az agentic AI első évének tanulságait összegezte, több mint ötven saját ágens-építés és tucatnyi piaci projekt tapasztalatából. A hat tanulság nagy része egyetlen felismerés köré rendeződik: az ágens nem szoftver, hanem munkaerő. Aki szoftverként kezeli, az pontosan azokba a falakba fut, amelyekről 2026-ban a legtöbb kiábrándult vezető beszél. Az alábbi pontok ezt a felismerést világítják meg, és egyben azt is, miért nem elég a megfelelő folyamatot kiválasztani: a neheze ott kezdődik, amikor az ágens munkába áll.
A McKinsey szerint az egyik leggyakoribb buktató, hogy az ágens a bemutatón még meggyőző, élesben viszont gyenge minőségű, pontatlan eredményt kezd gyártani. Erre használják a felhasználók az „AI slop", vagyis AI-moslék kifejezést. A következmény pedig nem technikai, hanem emberi: a kollégák elvesztik a bizalmukat, kevesen használják, az automatizálással nyert hatékonyságot pedig felemészti a minőségromlás és a bizalomvesztés.
Ez a pont könnyen alábecsülhető. A bevezetés legnagyobb akadálya ugyanis sok esetben nem a modell képessége, hanem az, hogy a munkatárs egyszer rájön: az ágens kimenetét úgyis tételesen ellenőriznie kell. Innentől inkább visszatér a manuális munkához, és a projekt papíron működik ugyan, a gyakorlatban viszont halott.
Ha az ágens munkaerő, akkor a fejlesztését is így kell kezelni. Ahogy az egyik megkérdezett vezető fogalmazott, az ágens beüzemelése inkább hasonlít egy új munkatárs felvételére, mint egy szoftver telepítésére. Egy új belépő sem teljesít jól az első napon: kap egy munkaköri leírást, betanítást és folyamatos visszajelzést, amíg beáll. Az anyag szerint az ágenssel is így kell bánni, és ennek három gyakorlati következménye van.
Az első, hogy az ágensnek pontos „munkaköri leírás" kell: nem elég megmondani, mit csináljon, le kell írni, mi a jó és mi a rossz kimenet, méghozzá olyan részletességgel, amennyire a legjobb emberi teljesítőt el lehet választani a többitől.
A második, hogy az értékelés (a McKinsey szóhasználatában „evals") nem opcionális, és nincs „elindítom, aztán magára hagyom". Az anyag egy globális banki példát hoz: valahányszor az ágens megfelelőségi javaslata eltért az emberi döntéstől, a csapat megkereste a logikai rést, finomította a kritériumokat, és újrafuttatta a teszteket. Ez folyamatos teljesítményértékelés, ugyanúgy, ahogy egy emberi csapatnál.
A harmadik, hogy a szakértőt nem lehet kiengedni a folyamatból. Az értékelést nem lehet egy általános mérőszámra bízni; a szakterület emberi ismerőjének kell folyamatosan minősítenie, mi a jó és mi a rossz kimenet, esetenként több ezer eseten. A legjobb emberek ideje tehát nem szabadul fel azonnal, hanem átáll az ágens betanítására és ellenőrzésére.
Az anyag egyik legtanulságosabb példája nem a modellről szól, hanem a felhasználói felületről. Egy vagyon- és felelősségbiztosító cég az ágens által készített összefoglalók mellé olyan vizuális elemeket épített, amelyek egy kattintásra a forrásdokumentum megfelelő oldalára görgetnek, és kiemelik a vonatkozó szöveget. Az eredmény közel 95%-os felhasználói elfogadottság lett.
A tanulság, hogy az emberek általában nem ellenségesek az ágenssel, hanem csak nem hajlandók hosszú perceket keresgélni egy döntés alátámasztásához, amit végül a saját nevükben kell jóváhagyniuk. Ebből a szempontból a felület nem kozmetika, hanem a bizalom feltétele: ha az ágens megmutatja, honnan vette a következtetést, az ember rábólint; ha nem, ellenőrizni kényszerül, és a hatékonyság elszáll.
Az anyag egy ponton szembemegy a saját műfajával, és ezt érdemes kiemelni: az ágens nem mindig a megfelelő eszköz. Sok üzleti probléma megbízhatóbban megoldható egyszerűbb módon, szabályalapú automatizációval, prediktív analitikával vagy sima LLM-prompttal. A jól standardizált, kis varianciájú folyamatokba, mint a befektetők beléptetése vagy a szabályozói adatszolgáltatás, az ágens inkább visz be bizonytalanságot, mint értéket.
Ez egybecseng azzal, amit a feladatok kiválasztásáról szóló elemzések is mondanak, csak a McKinsey egy fokkal nyersebben fogalmaz. A jó kérdés nem az, hogy lehet-e ágenst építeni, hanem hogy melyik eszköz oldja meg legjobban az adott munkát: néha egy ágens, néha egy egyszerűbb megoldás, gyakran pedig ember és gép együtt.
A záró tanulság a legkevésbé hangzatos, mégis ez szól leginkább a vezetőknek. Az ágensek sokat elvégeznek, de az ember a munkaerő-egyenlet lényeges része marad: valakinek felügyelnie kell a pontosságot, biztosítania a megfelelőséget, kezelnie a kivételeket, és a végén alá kell írnia a döntést a saját felelősségére. A McKinsey jogi példájában az ágens megszervezi a követeléseket és az összegeket, de az ügyvédnek kell jóváhagynia, mert az ő engedélye és felelőssége fedezi a döntést.
A létszám eközben változik, jellemzően csökken egy átalakított folyamatban, de a szerep nem szűnik meg, hanem áthelyeződik: a végrehajtásról a felügyeletre, a betanításra és az értékelésre. Az anyag szerint aki ezt az átmenetet nem menedzseli tudatosan, az a legfejlettebb ágens-programmal is csendes kudarcokat, halmozódó hibákat és felhasználói elutasítást kockáztat.
A McKinsey fő üzenete, hogy az agentic AI bevezetése a gyakorlatban inkább szervezetfejlesztés, mint IT-projekt. A technológia a könnyebbik fele; a nehezebbik az, hogy az ágenst betanítsák, mérjék, beillesszék a munkafolyamatba, és olyan felületet adjanak mellé, amiben a kollégák meg mernek bízni.
A demó arról szól, mire képes a modell. Az éles üzem arról, hogy az emberek elfogadják-e. A kettő közötti szakadékot az anyag tapasztalata szerint nem több technológia tölti be, hanem több figyelem arra, ahogyan az ágenst munkába állítják.
.png)
.png)
.png)