Egy vállalkozás nem attól lesz AI-ready, hogy előfizet a ChatGPT-re vagy bevezet egy AI-chatbotot.

Az AI-ready működés azt jelenti, hogy a cég adatai, folyamatai, rendszerei, mérései és irányítási szabályai olyan állapotban vannak, hogy ezekre már megbízható automatizálás és mesterséges intelligencia építhető.

Ha ezek az alapok hiányoznak, az AI általában nem oldja meg a működési problémát. Inkább automatizálja vagy felerősíti azt.

A Data to Dream saját D.R.E.A.M. keretrendszere ezért öt egymásra épülő rétegben vizsgálja az AI-ready működést:

Data → Routine → Execution → Analytics → Management

Vagyis először az adatokat és rendszereket tesszük rendbe, utána a folyamatokat, majd ezeket automatizáljuk, mérhetővé tesszük, végül kontrolláltan skálázzuk az AI használatát.

Röviden: mitől AI-ready egy vállalkozás?

Egy KKV akkor kezd valóban AI-readyvé válni, ha:

tudja, hol keletkeznek és hol találhatók az üzleti adatai;
ismeri a fontos folyamatait és üzleti szabályait;
a rendszerei képesek adatot cserélni egymással;
méri az automatizált működés eredményét;
és van kontrollja arra, hogyan használ automatizálást és AI-t.

A technológia tehát csak az egyik elem.

A valódi cél egy olyan működési infrastruktúra kialakítása, amelyben az AI nem különálló kísérlet, hanem a vállalati működés egyik eszköze.

Ez összhangban van az ISO/IEC 42001 megközelítésével is: az AI-kezelést nem elszigetelt technológiai projektként, hanem a szervezet folyamataiba és irányítási rendszerébe integrálva kezeli.

Miért nem az AI-eszközzel érdemes kezdeni?

Tegyük fel, hogy egy 20 fős kereskedelmi vállalkozás AI-val szeretné automatizálni a beszerzést.

Az elképzelés jól hangzik:

Az AI nézze meg a fogyást, a készletet és a korábbi rendeléseket, majd javasolja meg, miből mennyit kell rendelni.

Technológiailag ez megoldható.

De előtte érdemes néhány kérdést feltenni:

Pontos a készletadat?
A webshop és az ERP ugyanazt a cikkszámot használja?
A visszamondott rendelések megfelelően jelennek meg?
A beszerzési árak naprakészek?
Dokumentált, hogy milyen minimumkészlet mellett kell rendelni?
Tudjuk, ki hagyja jóvá a rendelést?
Mérjük, hogy az ajánlás csökkenti-e a készlethiányt vagy a beragadt készletet?

Ha ezekre nincs válasz, akkor még nem az AI a legfontosabb probléma.

Előbb működési alapot kell építeni.

Erre szolgál a DREAM öt rétege.

1. Data – legyen rend az adatok és rendszerek között

Az első réteg a Data, vagyis az adat- és rendszeralap.

Az első kérdés nem az, hogy „milyen AI-modellt használjunk?”, hanem az:

Hol vannak azok az adatok, amelyekből a rendszernek dolgoznia kell?

Egy kereskedelmi vállalkozásban ezek gyakran több külön rendszerben találhatók:

webshop;
ERP;
készlet- és raktárrendszer;
számlázó;
bank;
CRM;
marketingplatformok;
GA4 és más trackingrendszerek;
Google Sheetek;
dokumentumtárak;
e-mailek.

A DREAM Data rétege ezért azt térképezi fel, hol keletkezik adat, melyik rendszer kezeli, hogyan halad tovább, és hol akad el, duplikálódik vagy torzul.

Példa: ugyanaz a rendelés három rendszerben

Egy webshopban létrejön egy rendelés.

Az adat bekerül:

Webshop → ERP → számlázó

Első látásra minden rendben.

De mi történik, ha a vásárló később visszamondja a rendelést?

A webshopban törölt lesz.

Az ERP-ben esetleg marad teljesített.

A Google Ads továbbra is konverzióként számolja.

A vezetői dashboard pedig bevételként mutatja.

Ebben a helyzetben technikailag rengeteg adat áll rendelkezésre, de nincs megbízható adatfolyam.

Ha erre AI-alapú elemzést építünk, az AI következetesen rossz következtetéseket tud levonni a hibás bemenetből.

Az ISO AI-menedzsmentre vonatkozó megközelítése ezért külön figyelmet fordít az adatminőségre, az adat eredetére és az AI-rendszerekben használt adatok megfelelő kezelésére.

A Data réteg eredménye

Egy jól felépített első réteg végén már látni kell:

milyen rendszereket használ a vállalat;
hol találhatók a kulcsadatok;
hogyan haladnak az adatok a rendszerek között;
hol van manuális adatátadás;
hol keletkezik duplikáció;
hol vannak adatminőségi problémák;
mely integrációk hoznák a leggyorsabb eredményt.

A DREAM módszertan ezt rendszertérképre, adatfolyamra, integrációs prioritásokra és quick winekre fordítja le.

2. Routine – előbb értsd meg a folyamatot, utána automatizáld

A második réteg a Routine.

Itt már nem az adatokat, hanem a vállalkozás ismétlődő működését vizsgáljuk.

Például:

mi történik egy új rendelés után;
hogyan kezeljük a reklamációt;
hogyan történik a számlajóváhagyás;
hogyan rendelünk árut;
hogyan készül egy ajánlat;
hogyan kerül egy lead a CRM-be;
hogyan készülnek a marketinganyagok.

A cél annak meghatározása, hogy egy folyamat mely része:

Manual → Assisted → Automated

vagyis:

kézi → AI/workflow által támogatott → automatikusan futó.

Nem mindent kell automatizálni

Ez az egyik legfontosabb döntés.

Ha például egy ügyfél e-mailben reklamációt küld, háromféle működés lehetséges.

Manuális:
egy munkatárs elolvassa, kategorizálja és megírja a választ.

Assisted:
az AI felismeri a problémát, összegyűjti a rendelési adatokat és elkészít egy válaszjavaslatot, de az ember jóváhagyja.

Automated:
a rendszer emberi beavatkozás nélkül válaszol és elindítja a szükséges folyamatot.

Nem biztos, hogy a harmadik a legjobb.

Sok folyamat esetén az AI-val támogatott emberi működés jobb első lépés, mint a teljes automatizáció.

Mit kell feltárni a Routine rétegben?

Minden fontos folyamatnál legalább ezt:

Mi indítja el?
Milyen adat kell hozzá?
Ki végzi?
Milyen döntéseket hoz?
Milyen üzleti szabályokat követ?
Mely részek ismétlődnek?
Hol van várakozás vagy kézi adatbevitel?
Mi történik hiba esetén?
Hol kell emberi jóváhagyás?

Amíg ezek nincsenek tisztázva, az automatizálás könnyen csak egy rendezetlen folyamat gyorsabb végrehajtása lesz.

3. Execution – a rendszereknek ténylegesen együtt kell működniük

A harmadik réteg az Execution.

Itt válik a folyamatábra működő automatizmussá.

A DREAM alapelve szerint nem feltétlenül lecserélni kell a már használt rendszereket, hanem összekötni őket és a kézi lépéseket megbízható workflow-kba szervezni.

Egy tipikus e-kereskedelmi folyamat például lehet:

Webshop → automatizáció → ERP → számlázó → dashboard

Az Execution réteghez tartozhat:

API-integráció;
webhook;
rendszer-szinkronizáció;
AI workflow;
automatikus adatátadás;
üzleti döntési logika;
hibaágak;
értesítések;
jogosultságok;
naplózás.

Az automatizálás nem csak a „happy path”

Ez az a pont, ahol sok gyors automatizálási projekt később problémássá válik.

Könnyű megépíteni ezt:

Ha új rendelés érkezik → küldd át az ERP-be.

De mi történik, ha:

az ERP nem válaszol;
hiányzik a cikkszám;
az ügyfél adata hibás;
kétszer érkezik meg ugyanaz a webhook;
az API megváltozik;
a folyamat félúton megáll?

Egy üzleti automatizmusnál ezért nemcsak azt kell megtervezni, hogyan fut le sikeresen, hanem azt is, mi történik, amikor valami nem sikerül.

A megbízható Execution rétegben ezért fontos a hibaág, az értesítés, a naplózás és az ellenőrizhető működés.

Az AI-rendszerek irányításánál ugyanez a szemlélet jelenik meg: az ISO/IEC 42001 többek között a működés monitorozását, az eseménynaplókat, a változáskezelést és a hibák kezelésének dokumentálását is hangsúlyozza.

4. Analytics – amit automatizáltunk, azt mérni is kell

A negyedik réteg az Analytics.

Ez választ ad arra a kérdésre:

Jobb lett a vállalkozás működése attól, amit bevezettünk?

A DREAM szerint az automatizált adatfolyamokból ezen a ponton lesz valódi döntéstámogatás:

mi térül meg;
hol veszítünk pénzt;
mit kell optimalizálni.

Ide tartozhat például:

GA4/GTM mérés;
dashboard;
profitabilitási riport;
konverziós tölcsér;
marketingteljesítmény;
rendelési mutatók;
termék- és kategóriaszintű profit;
automatizálások teljesítménymérése.

Nem elég azt mérni, hogy az automatizáció működik

Tegyük fel, hogy automatizáltunk egy adminisztrációs folyamatot.

Technikai KPI lehet:

A workflow-k 99%-a sikeresen lefut.

Ez hasznos adat.

Üzleti szempontból azonban fontosabb kérdések is vannak:

Hány munkaórát takarítottunk meg?
Csökkent a hibák száma?
Gyorsabban kap választ az ügyfél?
Csökkent a rendelésfeldolgozási idő?
Javult a profit?
Csökkent az elveszett leadek száma?

Az Analytics réteg teremti meg a kapcsolatot az automatizáció és az üzleti eredmény között.

A NIST AI Risk Management Framework szintén külön funkcióként kezeli a mérést: az AI kockázatait és működését nemcsak feltérképezni és irányítani kell, hanem mérni és rendszeresen értékelni is.

5. Management – amikor az AI már nem kísérlet, hanem vállalati rendszer

Az ötödik réteg a Management.

Minél több automatizáció és AI működik a vállalkozásban, annál fontosabb lesz a kérdés:

Ki kontrollálja mindezt?

A DREAM Management rétege az AI governance, a compliance és a kontrollált skálázás területe.

Ide tartozik például:

felelősségi körök;
AI-kockázatértékelés;
dokumentáció;
AI-használati szabályzat;
emberi felügyelet;
beszállítói AI-kockázatok;
EU AI Act felkészültség;
ISO/IEC 42001 irány;
monitoring és felülvizsgálat.

Ez nem azt jelenti, hogy minden 20 fős KKV-nak azonnal teljes vállalati AI-governance rendszert kell kiépítenie.

A kontrollnak arányosnak kell lennie az AI használatával és annak kockázatával.

Ha három munkatárs AI-val ír termékleírásokat, más szintű irányításra van szükség, mint amikor AI értékel állásjelölteket vagy automatikusan dönt ügyfelekről.

Az ISO/IEC 42001 is kockázatalapú megközelítést alkalmaz, és az AI-menedzsmentet a szervezet céljaihoz, folyamataihoz és meglévő irányítási struktúrájához kapcsolja.

A NIST AI RMF hasonlóan azt hangsúlyozza, hogy az AI governance kapcsolódjon a meglévő szervezeti irányításhoz, kockázatkezeléshez és adatgovernance-hoz.

A DREAM rétegek egymásra épülnek

A DREAM nem öt különálló szolgáltatási terület.

A lényeg éppen az, hogy egymásra épülnek:

Réteg	Fő kérdés
Data	Megbízható adatunk van?
Routine	Pontosan értjük a folyamatot?
Execution	Megbízhatóan végre tudjuk hajtani?
Analytics	Tudjuk mérni az eredményét?
Management	Kontroll alatt tudjuk tartani és skálázni?

Egy üzleti probléma általában több réteget érint egyszerre.

Például a CRO és profitoptimalizálás nem önálló technológiai réteg. Adatok, integrációk, automatizált adatfolyamok és mérés együtt kellenek hozzá. A DREAM módszertan éppen ezért üzleti use case-eket épít az öt alaprétegre.

Példa: hogyan lesz AI-ready egy 20 fős webshop?

Tegyük fel, hogy egy kereskedelmi vállalkozásnál a tulajdonos ezt szeretné:

„Szeretném, ha az AI megmondaná, mely termékekből rendeljek, mire költsek hirdetésben, és mely termékeket érdemes jobban promotálni.”

A végcél AI-nak hangzik.

A megvalósítás azonban a DREAM szerint így épülne fel.

Data

Összekötjük és ellenőrizzük:

rendelési adatokat;
készletet;
beszerzési árakat;
marketingköltést;
termékadatokat;
visszamondott rendeléseket.

Routine

Definiáljuk:

hogyan történik jelenleg a beszerzés;
ki dönt;
milyen minimumkészletet használunk;
milyen szabály alapján rendelünk;
hogyan választunk promóciós terméket.

Execution

Automatizáljuk az adatfolyamot:

webshop + ERP + marketing + pénzügyi adatok → központi adatfeldolgozás

Analytics

Kiszámoljuk például:

termékenkénti fedezetet;
valós ROAS-t;
készletforgást;
rendeléslemondási arányt;
profitot.

Management

Meghatározzuk:

mire használható az AI-ajánlás;
ki hagyja jóvá;
milyen adathoz fér hozzá;
mikor kell embernek felülbírálnia;
hogyan monitorozzuk a működését.

És csak ezután lesz értelme intelligens ajánlórendszert vagy AI-asszisztenst építeni rá.

Milyen sorrendben érdemes AI-ready működést építeni?

Nem kell egyszerre az egész céget átalakítani.

A DREAM ügyfélút fokozatos:

1. Audit → 2. Foundation → 3. Automation → 4. Intelligence → 5. Governance

1. Audit

Először feltérképezzük:

rendszereket;
adatokat;
folyamatokat;
mérési problémákat;
automatizálási lehetőségeket.

Nem technológiát választunk, hanem problémát keresünk.

2. Foundation

Rendbe tesszük azokat az adat- és rendszeralapokat, amelyek nélkül a következő lépések bizonytalanok lennének.

3. Automation

A jól definiált folyamatokból megbízható automatizmusokat építünk.

4. Intelligence

Ha már stabil az adat és a workflow, akkor tud AI valódi pluszértéket adni:

kategorizálás;
előrejelzés;
szövegfeldolgozás;
ajánlás;
döntéstámogatás;
tudásbázis;
agent vagy AI workflow.

5. Governance

Ahogy nő az AI szerepe, kialakítjuk a szükséges kontrollt, dokumentációt, kockázatkezelést és felügyeletet.

Ez nem feltétlenül egyszeri, merev projekt. A rétegek között vissza lehet térni: egy új AI use case például új adatminőségi, mérési vagy governance igényt tárhat fel.

Honnan tudod, hogy a céged még nem AI-ready?

Néhány tipikus jel:

ugyanazt az adatot több rendszerben kézzel rögzítitek;
rengeteg Excel és Google Sheet között mozog az információ;
senki nem tudja pontosan, melyik rendszerben van az „igazi” adat;
a folyamatok főleg egy-egy kolléga fejében vannak;
az automatizálás hibáját csak akkor veszitek észre, amikor egy ügyfél szól;
nem tudjátok megmondani egy automatizálás üzleti megtérülését;
a munkatársak különböző AI-eszközöket használnak saját belátásuk szerint;
nincs meghatározva, milyen adatot lehet AI-ba feltölteni;
AI-projektet indítanátok, de nem tudjátok pontosan, milyen problémát akar megoldani.

Ezek nem azt jelentik, hogy nem lehet AI-t használni.

Azt jelentik, hogy az AI bevezetésével párhuzamosan a működési alapokat is fejleszteni kell.

Gyakori kérdések az AI-ready működésről

Mit jelent pontosan az, hogy AI-ready?

Ebben a módszertanban az AI-ready azt jelenti, hogy a vállalkozás adat-, folyamat-, rendszer-, mérési és irányítási alapjai lehetővé teszik AI-megoldások megbízható bevezetését és működtetését.

Nem tanúsítvány és nem hivatalos jogi státusz.

Kell először minden rendszert lecserélni?

Nem. A DREAM Execution réteg egyik alapelve, hogy ahol ésszerű, a meglévő rendszereket inkább összekötjük, és a köztük lévő kézi lépéseket automatizáljuk.

Minden folyamatot automatizálni kell?

Nem. Egy folyamat lehet manuális, AI-val vagy workflow-val támogatott, illetve teljesen automatizált. A megfelelő szintet az üzleti folyamat, a kockázat és az emberi döntés szükségessége alapján kell kiválasztani.

Egy KKV-nak is szüksége van AI governance-re?

Ahogy nő az AI használatának jelentősége, egy KKV-nál is szükség van legalább alapvető felelősségekre és szabályokra. Ennek mélysége azonban igazodhat a cég méretéhez, az AI felhasználási módjához és a kockázathoz. Az ISO/IEC 42001 maga is kockázatalapú megközelítést támogat.

Mikor érdemes AI-projektet indítani?

Akkor, amikor világosan meg tudod fogalmazni:

milyen problémát old meg, milyen adatból dolgozik, melyik folyamatba illeszkedik és hogyan mérjük, hogy jobb lett-e tőle a működés.

Ha ezekre nincs válasz, érdemes először az alapokat feltérképezni.

Összegzés: először működés, utána AI

Egy AI-ready vállalkozás nem attól fejlett, hogy sok AI-eszközt használ.

Attól fejlett, hogy megbízható alapokra építi őket.

A DREAM keretrendszer ezt öt rétegre bontja:

Data – rend az adatokban és rendszerekben.
Routine – érthető és dokumentálható folyamatok.
Execution – működő integrációk és automatizmusok.
Analytics – mérhető üzleti eredmények.
Management – kontrollált AI-használat és skálázás.

Az út tehát nem:

„Vegyünk egy AI-eszközt, aztán majd kitaláljuk, mire használjuk.”

Hanem:

probléma → adat → folyamat → automatizálás → mérés → intelligencia → kontroll.

Következő lépés: AI-ready audit

Ha szeretnéd megtudni, hol tart jelenleg a vállalkozásod ezen az öt rétegen, egy AI-ready audit során feltérképezhető:

a jelenlegi rendszerkörnyezet;
az adatfolyamok;
a manuális és automatizálható folyamatok;
az integrációs hiányosságok;
a mérési problémák;
a lehetséges AI use case-ek;
valamint a szükséges governance és megfelelőségi alapok.

Az eredmény nem egy általános „AI-stratégia”, hanem egy priorizált roadmap arról, mit érdemes először rendbe tenni, mit automatizálni, és hol van valódi üzleti értelme AI-t használni.