A legtöbb vállalati AI projekt nem a rossz technológia miatt bukik el. Azért bukik el, mert valaki megvette a megoldást, mielőtt megértette volna a problémát.

Amit újra és újra látunk: egy cég olvas a GPT-5-ről vagy valami új modellről, fellelkesedik, felbérel egy tanácsadó céget az "AI bevezetésére," és hat hónappal később van egy szép demó, amit senki nem használ. A pilot remekül megy tiszta tesztadaton. Aztán jönnek a valós számlák kávéfoltokkal, kézírásos megjegyzésekkel a margón és háromféle dátumformátummal — és az egész szétesik.

A demó és az éles üzem közötti szakadékban hal meg a legtöbb projekt.

Ezt a saját korai projektjeinken tanultuk meg a nehéz úton. Most minden megbízást ugyanúgy kezdünk: leülünk azokkal az emberekkel, akik ténylegesen végzik a munkát. Nem a vezetőkkel, akik jóváhagyták a büdzsét — hanem azzal, aki kedd délutánonként kézzel másolja az adatokat két rendszer között. Ők tudják, hol vannak az igazi problémák.

Ami tényleg számít

1. A szűk keresztmetszetből indulj ki — a technológia a második lépés

Egy gyártó ügyfél "AI chatbotot" akart. Miután egy napot a gyárukban töltöttünk, rájöttünk, hogy a valódi probléma az, hogy a minőségellenőrök idejük 40%-át jelentésírással töltötték. Egy hang-jelentés konvertáló rendszert építettünk helyette. Nincs chatbot. Sokkal nagyobb hatás.

2. Először az adat-pipeline legyen rendben

Egy AI projekt legizgalmasabb része a modell. A legfontosabb része az, hogyan áramlik be és ki az adat. Láttunk projekteket csúcstechnológiás modellekkel, amelyek teljesen használhatatlanok voltak, mert nem tudtak csatlakozni a cég tényleges adatforrásaihoz. Mi több időt töltünk integrációval, mint modellválasztással — és ez szándékos.

3. A 15%-ra építs, ne a 85%-ra

Bármilyen tisztességes modell kezeli az egyszerű eseteket. Az érték abban van, hogyan kezeled a kivételeket. A dokumentumfeldolgozó rendszereink nemcsak a tiszta számlákat dolgozzák fel, hanem meg is jelölik a problémásakat, a megfelelő személyhez irányítják, és tanulnak a javításokból. Ez a különbség egy demó és egy éles rendszer között.

4. Euróban mérj — a pontossági százalék önmagában keveset mond

Volt egy ügyfelünk, akinek az AI modellje 97%-os pontosságú volt. Jól hangzik, nem? De az a 3%-os hibaarány napi 10 000 tranzakción napi 300 hibát jelentett, amiket embereknek kellett javítaniuk. Minden javítás 15 percet vett igénybe. Ez napi 75 óra takarítómunka — több, mint az AI előtt. Átstrukturáltuk a rendszert, hogy a bizonytalan eseteket másképp kezelje, és a tényleges költség 60%-kal csökkent.

A kényelmetlen igazság

Nem minden folyamatnak kell AI. Néha egy egyszerű script, egy jobb táblázat, vagy a forrásadatok minőségének javítása a helyes válasz. Ezt megmondjuk az ügyfeleinknek, még ha kisebb projektet is jelent nekünk. Bizalmat épít, és ezek az ügyfelek mindig visszajönnek, amikor van egy igazi AI-méretű problémájuk.

Ha AI projekten gondolkodik, kezdje ezzel a kérdéssel: "Hogyan nézne ki ennek a folyamatnak a 10x javulása havi euróban?" Ha erre nem tud konkrétan válaszolni, még nincs kész rá. És ez nem baj.