.png)
Röviden: A Deloitte 2025 őszi keretrendszere az AI-ágensek megfelelő alkalmazási területeinek kiválasztásához valóban hasznos, különösen a „nem" listája arról, hová nem való ágens. De egy évnyi éles projekt három vakfoltot tár fel: a valódi kockázat a bevezetés, nem a kiválasztás; az „agentic" szállítók gyakran csak átbrandelt automatizációt árulnak; a komplexitási lépcsőt teendőlistaként kezelve pedig a triviális győzelmeknél ragad le az ember. A keret veleje áll — csak tedd hozzá a 2026-os három figyelmeztetést, mielőtt építkezel.
A Deloitte tavaly ősszel kiadott egy rövid, gyakorlatias anyagot arról, hogyan válasszák ki a cégek az AI-ágensek megfelelő alkalmazási területét (a tanulmány címe: Unlocking the right agentic AI use cases). A megközelítés árulkodó: nem azt ígéri, hogy az ágens mindenre jó, hanem azt, hogy a nehéz rész a kiválasztás. Ez 2026-ban felüdülés, mert a piac túlnyomó része azzal van elfoglalva, hogy mit tud megcsinálni az AI, miközben a befektetés sorsa valójában azon múlik, tudják-e, mit szabad rábízni.
A keret jó, de van pár pontja, ahol a 2025-ös elméletet a 2026-os üzemi tapasztalat már felülírta. Nézzük előbb, mit ad, aztán hol érdemes túllépni rajta.
A legtöbb tanácsadói AI-anyag arról szól, mire jó az ágens. A Deloitte-é attól értékes, hogy komolyan veszi a fordítottját. Felállít egy nyolc kritériumból álló diagnosztikai szűrőt, és minden kritériumhoz ad egy „ideális" és egy „nem ideális" példát. A lényeg nem a nyolc sor, hanem a mögöttes logika: az ágens akkor indokolt, ha a feladat érvelést, kontextusfüggő döntést és több lépésen átívelő, célvezérelt cselekvést kíván. Ha nem, akkor olcsóbb és megbízhatóbb eszköz is megteszi.
A nyolc közül három határvonal a leginkább húsbavágó, ezeket érdemes kiemelni:
Az ágens nem elemző. A Deloitte explicit példája: egy ágens nem tudja megválaszolni, hogy „miért stagnál a bevételünk?". Az ágens célvezérelt cselekvésre való, nem oksági magyarázatra. Ez fontosabb megkülönböztetés, mint amilyennek elsőre tűnik, mert rengeteg vezetői elvárás épp ebbe a hibába esik: az ágenstől magyarázatot, összefüggéseket várnak, miközben az ágens végrehajt.
Ahol a sima automatizáció nyer. Ha a feladat egy trigger-alapú, előre megírt sablonüzenet kiküldése vagy egy CRM-adatbevitel, oda felesleges ágenst építeni. Az olyan munkafolyamatra, amely előre eldöntött, jól definiált lépésekből áll, egy egyszerű automatizáció olcsóbban és kiszámíthatóbban fut, mint egy ágens. Az iparágban ez kezd közhellyé érni: ahol a folyamat fix lépésekből áll, ott egy hagyományos automatizáció alacsonyabb komplexitással, jobb eredményt ad.
Ahol viszont zseniális. Ott, ahol strukturálatlan adatból kell érvelni, ahol számít a kontextus, és ahol több rendszer (ERP, OCR, külső portálok) között kell navigálni döntésekkel. A komplex számlafeldolgozás vagy az IT incidens-menedzsment a Deloitte iskolapéldái.
Ehhez társítja a cég a prioritási mátrixot. A klasszikus „hatás kontra megvalósíthatóság" képet kiegészíti egy harmadik dimenzióval, a Differentiability Indexszel: mennyire kritikus az AI az adott feladathoz, és mennyire ad olyan előnyt, amit a versenytárs nem tud holnap dobozos szoftverként megvenni. Ez tényleg hasznos szempont, mert sok cég olyan ágensbe öl pénzt, amit fél éven belül bárki megvásárol kész termékként.
Eddig a keret, és a logikája helytálló. De a tanulmány 2025 őszén készült, azóta pedig lezajlott az első nagy ágens-projektek egy része, és a kezdeti hype is csillapodott. Erről a pontról nézve már a modell vakfoltjai is látszanak. Három ilyet érdemes kiemelni.
A Deloitte-anyag implicit feltevése, hogy ha jól választanak use case-t, a nehezén túl vannak. A 2026-os adatok mást mutatnak. A Gartner előrejelzése szerint az agentic AI projektek több mint 40%-át 2027 végéig leállítják, és a Gartner elemzője szerint nem azért, mert a technológia nem működik, hanem mert a projektek korai fázisú, hype-vezérelt kísérletek, rossz stratégiával és hiányzó kontrollal.
Vagyis a buktató jellemzően nem a use case kiválasztásánál van, hanem utána. Több elemzés is arra jut, hogy a projektek azért buknak el, mert a cégek elromlott folyamatokat automatizálnak ahelyett, hogy előbb megjavítanák őket. A Deloitte szűrője megmondja, melyik folyamat alkalmas, de nem véd meg attól, hogy egy alkalmas folyamatot rossz adatháttérrel, kontroll nélkül vezessenek be. A McKinsey ezt „gen AI paradoxonnak" hívja: a cégek közel nyolctizede bevezetett valamilyen generatív AI-t, és nagyjából ugyanennyien számolnak be arról, hogy ez érdemben nem mozdította a profitot. A paradoxon tehát az, hogy a széles körű bevezetés és a tényleges üzleti haszon szétvált egymástól: sok a kísérlet, kevés a mérhető eredmény.
Tehát a Deloitte-keretet érdemes kiegészíteni egy nulladik kérdéssel mielőtt agentizálnánk: jó állapotban van egyáltalán ez a folyamat? Egy rossz folyamat ágenssel csak gyorsabban lesz rossz.
A Deloitte feltételezi, hogy ha egy szállító ágenst kínál, az ágens. 2026-ban ez veszélyes feltételezés. A Gartner külön nevet adott a jelenségnek: agent washing — amikor a szállító egy meglévő chatbotot vagy automatizációt brandel át ágensnek. A becslésük kijózanító: a több ezer, magát „agentic"-ként hirdető szállítóból nagyjából 130 nyújt valódi autonóm képességet.
Ez közvetlenül érinti a Differentiability Indexet. A Deloitte mátrixa azt méri, mennyire egyedi és nehezen másolható egy use case. De ha a piac tele van „ágensnek" álcázott dobozos automatizációval, akkor a versenyelőny kérdése kiegészül egy hitelességi kérdéssel: amit megvásárolnak, az tényleg ágens, vagy csak agentic árcédulával ellátott sima automatizáció? A keretet ezzel a szűrővel kell megfejelni, amikor a saját fejlesztés és a kész termék vásárlása között kell dönteni.
A Deloitte három komplexitási szintet ad: alacsony (pl. CV-szűrés, egyetlen domain, szabályalapú), közepes (pl. banki garanciavállalás jogi ellenőrzése, három együttműködő rész-ágens), és magas (pl. végpontok közötti számlafeldolgozás, 5+ ágens, strukturálatlan adat, folyamatos tanulás). A tanács logikus: kezdjenek a quick winekkel, építsenek bizalmat, aztán lépjenek feljebb.
Ezzel nincs is baj, egészen addig, amíg a „kezdj kicsiben" nem válik „ragadj le a triviálisnál" csapdává. A McKinsey megfigyelése éles: az első hullám (copilotok, chatbotok, összefoglalók) pont azért adott nehezen kimutatható hasznot, mert a tudásmunka könnyű, látható felszínét automatizálta, nem a folyamatot magát. Az alacsony komplexitású quick win jó a bizalomépítésre, de ROI-t többnyire a folyamat újratervezése hoz, nem a meglévő folyamatra ráncigált ágens.
Vagyis a komplexitási lépcsőt nem szabad lineáris menetrendként olvasni („előbb az összes alacsonyat, aztán a közepeseket"). Inkább portfólióként: néhány quick win a tanuláshoz és a hitelességhez, de párhuzamosan legalább egy olyan magas-differenciáltságú folyamat, ahol a tényleges átalakítás történik. Aki csak a lépcső aljánál pepecsel, az a gen AI paradoxon biztos áldozata.
A kritika nem azt jelenti, hogy a Deloitte téved. Épp ellenkezőleg: a fő üzenete idén is helytálló, sőt sürgetőbb, mint valaha. Ne azért vezessenek be ágenst, mert új és trendi. Definiálják a problémát és a várt eredményt, indokolják meg, miért jobb az ágens a hagyományos automatizációnál, és csak akkor vágjanak bele, ha a feladat tényleg kihasználja az ágens egyedi erősségeit: az érvelést, az alkalmazkodást, a tanulást.
Ehhez 2026 hozzátesz három figyelmeztetést. Először: a use case kiválasztása szükséges, de nem elégséges, mert a bevezetés (adat, folyamat, kontroll) ott dönt, ahová a Deloitte-keret már nem lát el. Másodszor: ellenőrizzék, hogy amit „ágensnek" vásárolnak, az tényleg az-e. Harmadszor: a quick win a belépő, nem a cél; a megtérülés a folyamat újragondolásában van.
A legjobb mondat erről nem is 2026-ból való, hanem Henry Fordtól, akit a Deloitte egy kapcsolódó anyaga idéz: sokan azon fáradoznak, hogy jobban csináljanak olyat, amit egyáltalán nem kellene csinálni. Egy haszontalan dolgot jobban elvégezni nem haladás. Az agentic AI legdrágább hibája 2026-ban pontosan ez: tökéletesen automatizálni valamit, aminek nem kellene léteznie.
Az elemzés a hivatkozott források alapján készült; a piaci előrejelzések becslések, nem garanciák.
.png)
.png)
.png)
.png)