AI integráció a meglévő rendszereidhez

Az AI már dolgozik, de a vezetők nem tudják pontosan megmondani, mit is csinál. Valaki ChatGPT-vel vagy más AI asszisztenssel fogalmazza az ajánlatokat, valaki más egy külön eszközbe másolja be a szöveget, és azzal készíttet belőle összefoglalót, a fejlesztők pedig kódoláshoz használják az AI-t.

Külön-külön mindegyik működik, együtt viszont nem alkotnak rendszert. Az AI egy külön „ablak” marad, a valódi munka pedig a CRM-ben, az ERP-ben, a webshopban és a belső ügyviteli rendszeredben zajlik. A kolléga kimásol egy adatot az egyik rendszerből, beilleszti az AI-ba, megvárja a választ, aztán kézzel visszamásolja oda, ahol dolgozik. Ez működik, csak épp minden alkalommal fizetsz érte: időben és figyelemben. .

A másik gyakori eset az elhalt pilot. Rászántál egy demóra pénzt és időt, a bemutatón jól nézett ki, de utána mégsem lett belőle semmi. A leggyakoribb ok az, hogy a pilot sosem kapcsolódott a valódi céges adatbázishoz és a valódi munkafolyamathoz. Egy általános nyelvi modell nem ismeri a termékkatalógusodat, a belső szabályzatodat és a korábbi eseteidet, ezért csak általánosságokat mond, a csapat pedig egy hét után visszatér a régi módszerhez.

A valódi kérdés innentől az, hogyan tesszük az AI-t a meglévő rendszer részévé úgy, hogy tényleg vegyen le munkát a kollégáid válláról.

A mesterséges intelligencia integrálásához nem kell kidobnod a meglévő rendszereidet. Az integráció során AI képességeket építünk beléjük úgy, hogy azok a te adataidhoz és valódi folyamataidhoz kapcsolódjanak. 

Az integrációt a modell képességeiből rakjuk össze, pont úgy, mint egy legóból: látás, megértés, adatfeldolgozás, strukturálás, hang és beszéd. Ezekből válogatunk, és ezekkel egészítjük ki a meglévő rendszereidet úgy, hogy a képességek később egy bővíthető, központi AI motorban újra felhasználhatók legyenek. A gyakorlatban ez a következőket jelenti: 

• Egy beérkező emailből, egy szkennelt vagy lefotózott papírból, akár egy kézzel ráírt rendelésből strukturált adat lesz, és bekerül az ügyviteli rendszeredbe. Ez adattranszformáció és adatintegráció egyben, csak nem kézi munkával.
• Egy termékfotóból a rendszer azonosítja a terméket, kiegészíti a hiányzó mezőket, és ezzel az adatgazdagítással javul a katalógus adatminősége.
• A meglévő tudásbázisodra és eszközeidre RAG, agent és MCP réteget építünk. Ez az AI orchestration réteg dönti el, melyik modell és melyik eszköz kapja meg az adott feladatot.

Az elmúlt egy-két év fontos változásai épp ezen a ponton érzékelhetőek. A korai AI bevezetés jellemzően egy AI chatbot volt, amit megkérdezel te vagy az ügyfeled, és ami választ ad a kérdésre.

A mostani irány az AI agent (magyarul AI ügynök), ami cselekszik: a nagy nyelvi modell a tool calling révén ténylegesen elindít egy műveletet a rendszeredben, kikeres egy konkrét adatot, előkészít egy választ, létrehoz egy piszkozatot. Ez az LLM integráció lényege, és itt a rendszereid API-jaihoz és jogosultsági szabályaihoz való biztonságos illesztés jelenti az igazi kihívást. A LogiNet rendszerintegrációs tapasztalata itt közvetlenül hasznosul.

Ez a réteg dönti el, hogy az adatod hol van fizikailag és jogilag, és ki férhet hozzá. Az alap eset az, amikor az adat a te kontrollált környezetedben marad, és csak az adott kéréshez szükséges rész jut el a modellhez.

Ha az érzékenység indokolja, akkor saját, dedikált modellt üzemeltetünk, jellemzően egy nyílt modellcsaládra (például LLaMa vagy Qwen) építve, hogy semmilyen céges adat ne szivárogjon ki harmadik félhez.

Attól, hogy az adatod az európai régióban van tárolva, még nem áll a szuverén kontrollod alatt. Ha a szolgáltató amerikai, akkor az adat földrajzilag ugyan Európában van, jogilag viszont az amerikai jog (a CLOUD Act) hatálya alá is eshet. Adatbiztonsági szempontból három szintről beszélhetünk, a leggyengébbtől a legerősebbig: az európai régióban futó, de amerikai üzemeltetésű felhő; az európai szuverén felhő; végül a saját környezetben, nyílt modellen futtatott megoldás.

Az EU AI Act és a GDPR ezt szabályozza. Ha személyes vagy bizalmas adatot adsz egy modellnek, az adatkezelésnek minősül, tehát tudnod kell, hol van az adat, és milyen jogalapon kezeled. Ezt már az adatútvonal tervezésekor eldöntjük. Az AI integráció ezen a ponton lép túl az egyszerű AI API bekötésen: a külső szolgáltatás becsatlakoztatásán túl az egész adatútvonalat a te szabályaidhoz igazítjuk.

Magyar tulajdonú cég vagyunk, magyar mérnöki csapattal, és az AI esetében ennek gyakorlati jelentősége van. Amikor a data sovereignty a döntő szempont, akkor sokat számít, hogy az adatod egy hazai csapat kontrollja alatt marad, és van kit megkérdezned arról, hol van az érzékeny üzleti információ és ki fér hozzá ténylegesen.

Az AI integráció a folyamataid és az adatod megértésével kezdődik.

1. Tanácsadás és use case feltárás
A specifikáció megírása előtt azt nézzük végig, hol van a cégedben olyan feladat, ahol az AI mérhető értéket tud teremteni. A vezetés gyakran egy konkrét igényt fogalmaz meg („kell egy AI chatbot”), a mi dolgunk pedig az, hogy eljussunk a mögötte álló valódi problémáig. Ebben a szakaszban a tanácsadás és a rendszeraudit a lényeg: megnézzük az adatot, a rendszereket és a jogosultságokat, mielőtt bármit ígérnénk.

2. Pilot, egyetlen use case-en
Egyetlen, jól körülhatárolt feladattal indulunk. A pilot célja, hogy éles adaton, valódi kérdéseken derüljön ki, hoz-e a megoldás annyit, amennyit vártál tőle. A specifikáció itt egy kipróbálható változatot jelent egy vaskos dokumentum helyett, így azt méred, ami a gyakorlatban működik. 

3. Integráció a meglévő rendszerbe, lépésenként
A pilot után következik a tényleges integráció: a modellt összekapcsoljuk a meglévő rendszereiddel, aztán jön a második use case, majd a következő tudásterület. Az AI workflow így lépésenként áll össze, és már a napi munkátokban fut, nem egy demókörnyezetben, a büdzséd pedig oda kerül, ahol valódi értéket teremt. Minden lépést élesítünk, visszajelzést gyűjtünk rá, és finomítunk rajta. Csak akkor bővítünk, ha az előző réteg megbízhatóan működik.

4. AI Ops: üzemeltetés, monitoring, költség
Az élesedés után a megoldást nem hagyjuk magára. A modell viselkedését, a válaszok minőségét és a fogyasztást folyamatosan figyeljük, üzemeltetéssel és transzparens SLA-val. A támogatás maradhat nálunk, vagy a dokumentáció átadásával a saját csapatod is átveheti.

❓ Mi a különbség egy AI előfizetés és egy AI integráció között?
Az előfizetés egy külön felületet ad, például egy AI chatbotot vagy AI asszisztenst: a kolléga kimásolja az adatot a rendszeretekből, beilleszti, majd kézzel visszamásolja az eredményt. Az integrációnál az AI ott dolgozik, ahol a munka zajlik: a meglévő rendszeredből kapja a bemenetet, és oda írja vissza az eredményt, az ügyfélszolgálati felületre, a rendelés mellé, a megnyitott dokumentumba. A kolléga nem vált ablakot, és nem másol semmit. A kettő nem zárja ki egymást: sok cégnél az előfizetés a belépő, az integráció pedig az, ami a napi folyamatból veszi ki a kézi munkát.

➕ Mikor elég egy sima API bekötés?
Ha a feladat szövegírás, összefoglalás, osztályozás, egyszerű kinyerés vagy fordítás, és nem igényel bizalmas belső tudást, akkor egy meglévő nagy nyelvi modell (LLM) AI API-jának bekötése rövid úton eredményt hoz. Alacsonyabb a belépő, gyorsan indulhatsz, és a modellt a szolgáltató tartja karban. Ha a te igényednek ez bőven elég, akkor tőlünk is ezt fogod hallani, még akkor is, ha egyedi fejlesztéssel foglalkozunk. A mélyebb integráció akkor indokolt, ha a válaszhoz a saját céges adatod kell, ha a meglévő rendszereidbe kell bekötni, ha nagy tételben, ellenőrizhető minőséggel kell futnia, vagy ha a bizalmas adat nem hagyhatja el a kontrollált környezetet.

⚙️ Mi az a RAG, és miért ezzel kezdünk?
A RAG (retrieval augmented generation) azt jelenti, hogy a modell nem megtanulja a céges adatot, hanem kérdezéskor kapja meg belőle a releváns részt, forrással együtt. A belső dokumentumaidat, szabályzataidat, terméktörzsedet kereshető formába hozzuk, vektor adatbázisban tároljuk, és a kérdéshez a valóban ide tartozó szeletet keressük ki. Így a saját tartalmaidból válaszoló belső AI kereső jön létre. Ez ma a legtöbb vállalati AI megoldás belépési pontja, mert a hasznos választ a naprakész saját adat dönti el, és mert a válasz visszakereshető marad, nem egy fekete dobozból jön. Ráadásul moduláris: egy tudásterülettel indulsz, és fokozatosan bővíted.

✅ Mikor van szükség fine-tuningra vagy saját modellre?
A fine-tuning az utolsó lépés a sorban. Akkor kerül képbe, ha a prompt engineering és a RAG bizonyítottan kevés: az információ megvan, csak magát a formát kell a modellnek megtanulnia. Ilyenkor mindig ugyanaz a szerkezet és ugyanaz a szakmai nyelv kell, nagy tételben, kiszámítható minőséggel. Felcímkézett adat és machine learning kompetencia kell hozzá, cserébe stabilabban és nagy volumenben olcsóbban fut. Saját, dedikált modell akkor indokolt, ha a megfelelés vagy az adat érzékenysége miatt semmilyen céges adat nem kerülhet ki harmadik fél rendszerébe.

⚠️ Kikerül-e a céges adatunk egy külföldi szolgáltatóhoz?
Ez a te döntésed, és a tervezés első kérdései közé tartozik. Az alap eset, hogy az adat a kontrollált környezetedben marad, és csak az adott kéréshez szükséges rész jut el a modellhez. Ahol az érzékenység vagy a megfelelés indokolja, ott saját, dedikált modellt üzemeltetünk nyílt modellcsaládra építve, így semmilyen céges adat nem kerül ki. Fontos részlet: attól, hogy az adat európai régióban van tárolva, még nem áll a szuverén kontrollod alatt, mert egy amerikai szolgáltatónál a CLOUD Act hatálya is felmerülhet. Ezért döntjük el az adatútvonalat már a tervezéskor, nem utólag.

⚖️ Mennyibe kerül egy AI integráció?
Nincs listaára, mert a különbség óriási a két véglet között: egy meglévő modell API-jának bekötése lényegesen kisebb munka, mint egy saját adatra épülő RAG-réteg vagy egy dedikált, saját környezetben futó modell. A keret attól függ, mennyire összetett a feladat, hány rendszert érint, és milyen állapotban van az adatod, ehhez jön a folyamatos futási költség, amit az AI Ops keretében mérünk és tartunk kordában Ezért kezdünk felméréssel: a tanácsadási szakasz után már konkrét, fix költségvetéssel tudunk ajánlatot adni, és azt is jelezzük , ha a te esetedben egy egyszerű bekötés is elég.

⚡ Mennyi idő alatt lesz belőle működő megoldás?
A pilot a leggyorsabb rész: egyetlen, jól körülhatárolt use case-en, éles adaton derül ki, hoz-e annyit a megoldás, amennyit vártál tőle. A teljes bekötés ideje attól függ, milyen állapotban van az adatod, hány rendszert érint, és hogyan állnak a jogosultsági kérdések . Lépésenként haladunk: minden szakaszt élesítünk és visszajelzést gyűjtünk rá, és csak akkor bővítünk, ha az előző réteg megbízhatóan működik. Ez lassabbnak tűnik egy nagy dobásnál, a gyakorlatban viszont így jut el a megoldás az éles használatig.

☠️ Mi történik, ha az AI hibás választ ad?
Ezzel a tervezéskor számolunk. A generatív AI nem determinisztikus: ugyanazt a kérdést kétszer feltéve nem pontosan ugyanazt a választ kapod Ezért épül a megoldás köré ellenőrző réteg: forrásmegjelölés a válaszok mellé, a kimenet formai validációja, és ott, ahol a döntés súlyos, emberi jóváhagyási pont. Az AI Ops keretében a válaszok minőségét folyamatosan figyeljük, hogy egy hiba ne egy ügyfélpanaszból derüljön ki.

⚓ Mi van, ha még azt sem tudjuk, hol érné meg egyáltalán AI-t bevezetni?
Az AI Discovery során végignézzük az operatív működésedet, és megnevezzük, mit érdemes AI automatizációval megoldani, mit hagyományos eszközökkel, és hol nem érdemes egyáltalán hozzányúlni a folyamathoz.

Beszéljünk a projektedről: egy rövid felmérésen kiderül, elég-e egy egyszerű bekötés, vagy tényleg a te adatodra hangolt integráció a helyes út.