.png)
Röviden: A 2026-os nemzetközi beszerzési AI-felmérések szerint (ProcureAbility, illetve Procurement Tactics × Suplari) gyakorlatilag minden válaszadó használ már valamilyen AI-t, de csak 11%-uk igazán felkészült rá – az iparági átlag mindössze 2,1/5. A cikk bemutatja a „gyakoriság-paradoxont" (a napi egyéni AI-használat önmagában nem javítja a szervezeti felkészültséget), a „költségnyomás-csapdát" (a rövid távú spórolásra fókuszáló csapatok teljesítenek a leggyengébben), valamint a három valódi gátat: adatminőség, megfelelőség és bizalom. A legsürgetőbb és legolcsóbb teendő egy betartatott AI-irányelv bevezetése, mert a szervezetek 83%-ánál jelenleg semmilyen szabály nem korlátozza, milyen érzékeny adatot lehet megosztani AI-platformokkal.
A 2026-os nemzetközi beszerzési AI-felmérésekben gyakorlatilag minden válaszadó használ már AI-t— de alig egytizedük áll készen arra, hogy komolyan is bevesse. A különbséget nem a több bejelentkezés adja.
„Mi már dolgozunk AI-jal." A beszerzési szakmában ezt a mondatot sokan állítják, és technikailag igaz is. Ez azonban semmit nem árul el arról, számít-e valamit. A 2026-os adatok pont ezt a szakadékot mérik ki: az elterjedés teljes, a felkészültség viszont alig indult el.
A ProcureAbility 2026-os CPO-jelentése szerint a megkérdezett beszerzési vezetők 100%-a használ valamilyen szinten AI-t a működésében. Ebből viszont mindössze 11% mondja magát „teljesen késznek" - vagyis olyannak, amely már működő AI-megoldásokat vet be mérhető hatással. A többség (65%) „többnyire késznek" tartja magát: van stratégia, futnak kísérleti projektek, de éles, szervezeti szintű bevezetés még nincs. Marad tehát 89%, amely valahol a pilot és a valódi bevezetés között ragadt.
Egy független felmérés ugyanezt más skálán erősíti meg. A Procurement Tactics és a Suplari 2026 májusi közös kutatása 121 beszerzési csapatot mért fel hat kontinensen, és az iparági átlagos AI-felkészültséget 2,1-re tette az ötfokú skálán - az „alapozó" és a „fejlődő" szint közé, a hatékony bevezetéshez általuk minimumként megjelölt 2,5-ös küszöb alá. A nyolc vizsgált dimenzió közül egyetlen sem érte el ezt a küszöböt.
Kézenfekvő lenne azt hinni, hogy aki többet használ AI-t, az felkészültebb is. Az adatok szerint nem így van: azok a szakemberek, akik minden munkanapjukon használnak AI-t, szervezeti felkészültség szempontjából (2,2/5) épp csak jobban állnak a ritkábban használó kollégáiknál. A napi rutinná vált egyéni használat önmagában alig mozdítja el a szervezeti mutatót.
Ez a gyakoriság-paradoxon. Az egyéni AI-jártasság és a szervezeti érettség két különböző dolog: az egyik azt méri, hogy egy ember ügyesen elboldogul-e egy chatbottal, a másik azt, hogy a csapat közös munkafolyamataiba és adataiba beépült-e az eszköz. A hidat a kettő között nem a több bejelentkezés építi meg, hanem a folyamatba illesztett, kontrollált használat.
A felmérés egy másik mintázatot is feltár. A csapatok stratégiai prioritását összevetve a tényleges felkészültségükkel kiderül: azok, akiknek elsődleges fókusza a költségmegtakarítás (a válaszadók 38%-a), szerepelnek a leggyengébben, 1,8/5-ös felkészültséggel.
A kutatás ezt „költségnyomás-csapdának" nevezi, és a logikája önerősítő: a rövid távú megtakarítási nyomás nem hagy időt és erőforrást az adatok rendbetételére, így megmarad a manuális folyamatoktól való függés, ami tovább növeli a költségnyomást. Vagyis a fókusz, amelynek épp a költségeket kellene csökkentenie, hosszú távon konzerválja azokat.
A Deloitte képességoldali adatai ugyanebbe az irányba mutatnak - más minta, más metrika, de a kép egybevág. A Deloitte 2025-ös, több mint 250 beszerzési vezetőt megkérdező globális felmérése szerint azok a szervezetek, amelyek a technológiába és a tehetségbe egyszerre fektetnek (Deloitte-terminológiával „Digital Masters"), lényegesen magasabb megtérülést jelentenek a GenAI-beruházásaikon, mint a lemaradók: a Followers 1,6x-éhez képest a jelentés törzsében 2,8x-et, a hivatalos sajtóközleményében 3,2x-et közöl. A két kutatás módszertana más, ezért az adataik nem vethetők közvetlenül össze, de ugyanazt sugallják. Aki a képességeibe fektet, az a végén épp a költségek terén – vagyis a takarékosak saját célja szerint – teljesít jobban, mint aki csak spórol.
Miért ragad meg annyi szervezet a pilot és a valódi bevezetés között? A ProcureAbility szerint a nem „teljesen kész" cégek három fő akadályt neveznek meg: az adatvédelmi és megfelelőségi aggályokat (67%), az elégtelen adatminőséget és a rendszerek közötti integráció hiányát (54%), valamint azt a félelmet, hogy az AI kiszorítja az emberi döntéshozatalt (51%). Más felmérések ezt megerősítik - a Gartner szerint a beszerzési vezetők 74%-a mondja, hogy a saját adatuk egyáltalán nem AI-kész.
A közös nevező feltűnő: a felső két gát nem az AI-ról szól, hanem arról, ami alatta van. Az adat és a megfelelőség nem a bevezetés következő lépése, hanem az előfeltétele. Ahogy a ProcureAbility vezérigazgatója fogalmazott: hibás folyamatot nem érdemes automatizálni. Ha az alap nincs rendben, az AI nem megjavítja, hanem felgyorsítja a hibát.
Van azonban egy kockázat, amely az összes eddiginél beszédesebb, épp azért, mert a megoldása nem pénzkérdés. A kutatás szerint a beszerzési szervezeteknek mindössze 17%-ának van ténylegesen betartatott AI-irányelve. A maradék 83% úgy oszt meg érzékeny adatot fogyasztói AI-platformokkal, hogy közben semmilyen szervezeti korlát nem szabályozza, mit lehet betáplálni és mit nem.
A beszerzés bizalmas árazási, versenytárgyalási és szerződéses adatokkal dolgozik. Ez teszi a szabályozás hiányát az egész adathalmaz legnagyobb egyedi irányítási kockázatává, és egyben azzá az egyetlen tétellé, amelynek a javításához nem kell költségvetés, csak döntés. Egy betartatott irányelv nem beruházás, hanem elhatározás. Ha egy szervezet a 83%-ban van, a legnagyobb kockázatát a jövő héten, extra kiadás nélkül elkezdheti csökkenteni.
A jó hír az, hogy a maradék jórészt vezetői döntéseken múlik. A Deloitte szerint a beszerzési vezetők 95%-a részt vesz digitális transzformációs kezdeményezésben, a tét pedig kézzelfogható: a felmérésben az átlagos beszerzési szakember heti 10,6 órányi munkáját tartja AI-jal automatizálhatónak - nagyjából egy teljes munkanapot, fejenként, minden héten. A tanulási görbe valós marad (a Deloitte szerint a válaszadók 71%-a csak korlátozott vagy közepes GenAI-ismerettel bír), de ezt képzéssel és szervezéssel be lehet hozni. Nem technológiai fal, hanem felkészültségi lemaradás.
Aki most akarja elmozdítani a helyzetét, annak nem új szoftvert kell keresnie. Kezdje egy betartatott AI-irányelvvel: ez a leggyorsabb lépés, és az egyetlen, amelyhez nem kell büdzsé. Ezzel párhuzamosan tegye rendbe az adatot, mielőtt eszközt vásárol; ha a saját adat nem AI-kész, a legjobb platform is korlátos marad. Végül pedig csináljon az egyéni lelkesedésből szervezeti képességet: válasszon ki néhány konkrét munkafolyamatot, ahol az AI-használat közös és mérhető - ez az, ami a 2,1-es átlagot ténylegesen elmozdítja.
Azok a csapatok maradnak le a megtakarításban, amelyek a beszerzést tisztán megtakarítási eszközként kezelik. Hosszú távon a képességekbe fektetett pénz több megtakarítást hoz, mint a puszta spórolás.
Az adatok az alábbi elsődleges felmérésekből származnak; a konkrét számok a szövegben közvetlenül a forrásukra hivatkoznak.
.png)
.png)
.png)