Az elmúlt két évben a generatív mesterséges intelligencia látványos sebességgel vált a vállalati mindennapok részévé. A legtöbb szervezetben az első hullám még az „asszisztens” logikájára épült: a modell megírt egy e-mailt, összefoglalt egy dokumentumot, vagy gyors választ adott egy kérdésre. Ez már önmagában is komoly hatás volt, de a következő lépcső ennél sokkal többet ígér. Az agent (ügynök) alapú AI ugyanis nem pusztán tartalmat generál, hanem célokat értelmez, azokat feladatokra bontja, eszközöket hív meg, és lépéseket hajt végre vállalati rendszerekben. Vagyis egyre inkább munkát végez, nem csak szöveget állít elő.
Nem véletlen, hogy a Deloitte ezt a fordulatot úgy írja le, mint a „digitális munkaerő” megjelenését: az AI-ügynökök kontextust értelmeznek, döntéseket hoznak és végrehajtanak, sokszor minimális emberi beavatkozással.
A valós üzleti érték megfogása mégis nehéz. A McKinsey friss megfigyelése szerint a vállalatok túlnyomó többsége már használ generatív AI-t legalább egy funkcióban, ugyanakkor a szervezetek jelentős része még nem lát érdemi hatást. Ez a feszültség – a gyors terjedés és a lassú üzleti eredményesség – az autonóm ügynököknél különösen élesen jelentkezik, mert itt a hibák és a költségek nem prezentációs szinten, hanem az operációban jelennek meg. Egy elrontott válasz kellemetlen, de egy rosszul működő autonóm workflow már közvetlenül pénzbe, ügyfélélménybe és kockázatba kerül.
A Gartner kifejezetten óvatosságra int: előrejelzésük szerint az agentikus AI projektek több mint 40 százalékát 2027 végéig leállítják, fő okként a növekvő költségeket, a nem tiszta üzleti értéket és az elégtelen kockázatkezelést nevezve meg. Ehhez társul az „agent washing” jelensége is, amikor meglévő chatbotokat, RPA-megoldásokat vagy asszisztenseket ügynöknek címkéznek, valós autonóm képességek nélkül. Üzleti szemmel a következtetés egyszerű: ha az ügynökök már végrehajtanak, akkor menedzselni is kell őket – ugyanúgy, mint bármely termelő erőforrást.
Agent menedzser: miért kell az új szerep?
Amikor ügynökök tömegével, folyamatosan, ügyfelekkel és rendszerekkel interakcióban dolgoznak, a „bevezetjük és kész” hozzáállás egyszerűen nem működik. Itt már nem egy eszközt adunk a csapat kezébe, hanem egy új, részben autonóm szereplőt engedünk be a működésbe.
Ezt a hiányzó láncszemet nevezik agent menedzsernek: olyan vezető, aki összehangolja, hogyan tanulnak, működnek együtt, teljesítenek és hogyan adnak át ügyeket az AI-ügynökök az emberekkel közös munkában. A szerep üzleti értelme az, hogy lefordítsa a stratégiai szándékot – mit akarunk elérni az ügyfélszolgálatban, értékesítésben, pénzügyben vagy belső támogató funkciókban – megbízható, mérhető és biztonságos autonóm végrehajtásra. A McKinsey ezt a menedzsmentszintű átállást úgy fogalmazza meg, hogy a vezetői munka egyre inkább „blended systems”, vagyis emberek és ügynökök közös rendszerének irányítása lesz. Ehhez agentikus AI-jártasság kell, de ugyanilyen fontos a domain-szakértelem és a problémamegoldás, mert az ügynökök nem elméleti környezetben, hanem a valós folyamatokban dolgoznak.
„Irányítótorony” az ügynökök fölött
Az agent menedzser sajátos figura: nem feltétlenül fejlesztő, de értenie kell a rendszerek logikáját; nem egy klasszikus, embereket irányító manager, de ugyanúgy felelős a teljesítményért, minőségért és működési fegyelemért. A mindennapokban a szerep leginkább egy irányítótoronyra hasonlít, amely az ügynökök felett ül, folyamatosan figyel, értékel, és szükség esetén beavatkozik.
A munka egyik pillére a teljesítmény és minőség operatív irányítása, mission control szemlélettel. A Salesforce Agentforce Observability például kifejezetten úgy pozicionálja magát, mint egy központi irányítófelület, ahol az ügynökök teljesítménye közel valós időben monitorozható, elemezhető és finomhangolható. Ugyanez a gondolat a Salesforce observability kommunikációjában is visszaköszön: egységes dashboard, metrikák és telemetria az ügynökök „egészségéről”, az eredmények méréséről, az ember–AI együttműködés optimalizálásáról, és akár valós idejű riasztásokról is, ha az ügynök nem a várt módon viselkedik. Ez a gyakorlatban azt jelenti, hogy az agent menedzser nem érzésből dönt arról, „jól megy-e az agent”, hanem látható, mérhető működésből.
A második pillér a hibák okának feltárása és a folyamatos fejlesztés. Az IBM megközelítése szerint az AI agent observability lényege, hogy a szervezet végig tudja követni az ügynökök end-to-end viselkedését: az LLM- és tool-hívásoktól a döntési pontokig, a klasszikus megfigyelhetőségi jelekre építve, mint a metrikák, események, és logok. Agentikus rendszereknél ugyanis a probléma ritkán olyan, hogy „leállt a szerver”, sokkal inkább olyan, hogy az ügynök rossz eszközt választ, túl sok felesleges lépést csinál, nem megfelelő időben eszkalál, vagy észrevétlenül eltér a céloktól. Az agent menedzser feladata ilyenkor nem a tünet kezelése, hanem a mintázatok felismerése, a probléma forrásának feltárása, és annak biztosítása, hogy a rendszer tanuljon, egyszerűsödjön és javuljon.
A harmadik terület a gazdaságosság és az üzleti hatás bizonyítása. Ha egy ügynök folyamatosan dolgozik, annak költsége és hozama is van, és ezt ugyanúgy kontrollingolni kell, mint bármely termelő kapacitást. Nem véletlen, hogy a Salesforce observability kérdései között explicit szerepel az is, hogy mennyit „költenek ránk az ügynökök időben”, és hogy követik-e a jogi és szabályozási követelményeket. Ebből a nézőpontból az agent menedzser egyszerre műszakvezető, minőségbiztosító és controlling: a digitális munkaerő teljesítményét úgy tartja kézben, hogy az üzleti célokhoz kötött, mérhető és biztonságos maradjon.
Üzleti érték: mit lehet nyerni, ha jól van menedzselve az ügynökmunka?
Az autonóm ügynökök ott adnak gyors, jól mérhető értéket, ahol nagy a volumen, standardizálható a folyamat, és drága az emberi kapacitás alacsony hozzáadott értékű feladatokra égetése. A Salesforce saját esettanulmánya szerint a Help oldalon az Agentforce a kérdések több mint 75 százalékát megoldja, és azt is állítják, hogy a megkeresések 76 százaléka ember bevonása nélkül zárul, miközben a válaszidő 65 százalékkal csökkent a felhasználók 90 százalékánál. Az anyag azt is kiemeli, hogy a Help site évi 60+ millió látogatást kap, vagyis a volumen önmagában is kikényszeríti az automatizált, mégis kontrollált működést. Ilyen méretben a „majd ránézünk, ha baj van” megközelítés már nem opció, mert a rendszer minden hibája azonnal skálázódik.
Értékesítésben a kapacitásplafon még látványosabb. A Salesforce Agentforce-os lead-kezelési példája szerint korábban rengeteg lead egyszerűen kiesett a követésből, majd az agent bevezetése után egy adott időszakban 68 ezer leadet újraelemeztek és reaktiváltak, 156 ezer e-mailt küldtek, és 800 meetinget foglaltak autonóm módon. A hangsúly itt nem azon van, hogy az ügynök „sokat csinált”, hanem azon, hogy a csapat outcome-okra fókuszált, vagyis pipeline-ra, meetingre, lehetőségre, nem pedig aktivitás-KPI-okra. Az agent menedzser szerepe ebben a helyzetben kettős: egyrészt biztosítja, hogy az ügynök valóban a megfelelő munkát skálázza, másrészt újratervezi a humán szerepeket úgy, hogy az emberek a komplex, magas értékű feladatokra koncentráljanak, az ügynök pedig a volumenmunkát vigye.
Kockázat és kontroll: miért kell menedzser, nem csak modell?
A multi-agent rendszerek hajlamosak „élő ökoszisztémaként” viselkedni. Több specializált ügynök adogatja egymásnak a munkát és a kontextust, és ettől a rendszer egyszerre lesz nagyon erős és nagyon törékeny. Az IBM CIO playbookja szerint, ha a workflow szétesik, könnyen lehet belőle végtelen ciklus, kaszkádhiba, tartalmi eltérés, hallucináció, compliance-sértés vagy erőforrás-kimerülés, amelyek már közvetlen üzleti kárt okoznak. A playbook egyik legfontosabb gondolata, hogy a megfigyelhetőség nem egyenlő az irányítással: látni kevés, be is kell tudni avatkozni.
Ezért az agent menedzser nem „szép dashboardokat” gyárt, hanem kontrollrendszert épít. Guardrail-eket állít fel, jogosultságokat szabályoz, eszkalációs tervet készít, és incidenskezelési folyamatot készít arra az esetre, ha az ügynök rossz irányba megy. A Microsoft agent governance útmutatója például nagyon konkrét abban, hogy az ügynökök adat-hozzáférését és adatkezelését technikai kontrollokkal kell megfogni, például privacy, data residency és retention szempontok szerint, miközben szervezeti oldalon is szükség van kijelölt emberi szerepre az etikai és megfelelőségi jóváhagyásra, valamint előre megtervezett, incidensekre adott válaszokra, hogy baj esetén gyorsan letiltható legyen az agent.
Európai cégeknek mindehhez külön szabályozási keretezés is társul. Az EUR-Lex összefoglalója szerint az EU AI Act 2026. augusztus 2-tól alkalmazandó, és már 2025. február 2-tól hatályosak bizonyos részek, például a tiltott gyakorlatok, definíciók és az AI literacy kötelezettségek. Vagyis a „kiképzünk pár power usert promptolni” szemlélet önmagában kevés: szervezeti szintű kompetencia és felelősségi rend kell. Ezt erősítik a nemzetközi keretrendszerek is, mint a NIST AI RMF, amely a kockázatmenedzsmentet rendezi, vagy az ISO/IEC 42001:2023, amely AI management systemként szervezeti követelményrendszert ír le a felelős AI-használathoz.
Hogyan induljon el egy magyar vállalat?
Egy magyar vállalatnak a legjobb belépési pont nem az, hogy rögtön új HR-címkét talál ki, hanem az, hogy operációból felépít egy működő agent menedzseri gyakorlatot. Az első hónapban érdemes egy szűk, de nagy volumenű folyamatot kiválasztani, például a legfontosabb ügyfélszolgálati kérdéseket, lead-nurture e-mailezést vagy belső IT/HR kérdések kezelését, majd megalkotni az ügynök „munkaköri leírását”. Ez nem metafora, hanem működési dokumentum: mit csinálhat az ügynök, mit nem, mikor eszkalál, milyen hangnemben kommunikál, és mi számít sikernek. Ezt támasztja alá a Salesforce sales agent leírása is, ahol az agent külön felhasználót és jogosultságot kap, szabályok szerint dolgozik, a tevékenysége pedig transzparensen megjelenik a lead historyban.
A második hónap kulcsa az, hogy a mérés és kontroll alapjai meglegyenek. Ilyenkor érdemes megteremteni az megfigyelhetőséget a minőség, eszkalációs arány, válaszidő és költség dimenzióiban, valamint auditálhatóvá tenni a működést és bevezetni egy egyszerű, de fegyelmezett review-ritmust.
A harmadik hónapban jöhet a skálázás, de feltételekkel. Ekkor kerülnek előtérbe az outcome-KPI-ok, a runbookok és az incidenskezelés, és ekkor kell kimondani a human-in-the-loop pontokat is, vagyis azt, hogy hol és mikor kell embernek belépnie a folyamatba. Ebben a fázisban válik láthatóvá, ki az a személy vagy kis csapat, aki ténylegesen agent menedzserként működik: érti a domaint, adatban él, gyorsan tud finomhangolni, és mindezt az üzleti célhoz köti. A McKinsey szerint pontosan ez lesz a jövő menedzseri definíciója: a vezető egyszerre felel az emberekért és az ügynökök teljesítményéért, és rendszereket menedzsel.
Tovább a cikkre: fintech.hu
