14. lapszám · nov. 2–8. 2026Agent Age hírmagazin · Többi kiadás · Keresés · Módszer · HU / ENG

A munka az AI korában kétszer változik meg: előbb az, amit az ember csinál, aztán az, amiért megfizetik.

Esszé

Az AI átírja a munkát, és újra kell tanulnunk, mi a teljesítmény

Az AI munkahelyi hatása a feladatok szintjén dől el, és csak akkor mérhető tisztán, ha az ellenőrzés, a javítás és a tanulás költsége is bekerül a számításba. A kutatások valós nyereséget mutatnak, és azt is, milyen könnyen összetéveszthető a segítség érzése a tényleges javulással.

Varga Zoltán · 2026-11-21 · 9 perc olvasás

A vállalati nyelv egyformán teljesítménynek hívja a gyorsabban elkészült prezentációt, az ügyesebb ügyfélszolgálati választ és az önállóan dolgozó AI-agent munkáját, én viszont három egészen különböző változást látok bennük. Egy munkanap meglepően sokféle tevékenységből áll: információkeresésből, bizonytalan helyzetek értelmezéséből, egyeztetésből, számolásból, szövegírásból, ellenőrzésből, döntésből és a döntés következményeinek vállalásából. A generatív AI ezek közül többben használható segítséget ad, a teljes munkakör értékét azonban a tevékenységek kapcsolata teremti meg.

Egy HR-munkatárs például álláshirdetést ír, pályázatokat kezel, interjút szervez, megérti egy vezető kimondatlan elvárásait, és közvetít a jelölt és a szervezet között. A hirdetés megírásának felgyorsítása valós eredmény, a teljes szerep automatizálhatóságára azonban ebből további bizonyíték nélkül még kevés következik. Úgy látom, az AI bevezetésének első vezetői feladata éppen ennek a felbontásnak az elvégzése, mert használható kép csak akkor születik, ha a feladatok átalakulása, az eredmény minősége, az ellenőrzés költsége és az emberek tanulása együtt kerül a mérlegre.

A feladat az elemzés alapegysége

Daron Acemoglu és Pascual Restrepo 2019-es tanulmánya, az Automation and New Tasks feladatalapú megközelítést kínál: a technológia hatása azon keresztül érthető meg, hogyan változik az ember és a tőke közötti munkamegosztás. Az automatizáció korábban emberek által végzett feladatokat vesz át, miközben új emberi feladatok is létrejöhetnek. A termelékenység emelkedése és a foglalkoztatás alakulása ezért két külön kérdés, hiszen a jobb teljesítmény növelheti a keresletet, a munka kiváltása viszont közvetlenül csökkentheti bizonyos feladatok emberigényét. A végeredmény a folyamatok együttes hatásától függ 1. Ugyanerre az óvatosságra int Valerio Capraro és munkatársai 2024-es áttekintése, The impact of generative artificial intelligence on socioeconomic inequalities and policy making: a generatív AI a munkahelyen növelheti a termelékenységet és új munkaköröket teremthet, a haszon azonban várhatóan egyenlőtlenül oszlik el 2.

A szervezet számára ebből az következik, hogy a munkaköri megnevezéseknél többet mond a munkafolyamatok elemzése. Egy szerződés összehasonlítása más feladat, mint a hiányzó kikötés üzleti jelentőségének megítélése, és az ügyfélnek küldhető válasz megfogalmazása is más, mint a vállalható ígéret meghatározása. Ugyanaz a modell az egyikben kiválóan használható, a másikban pedig több ellenőrzést igényelhet, mint amennyi időt megtakarít.

A feladatleltárnak a láthatatlan munkát is tartalmaznia kell. Az egyeztetés, a kivételek kezelése, a rosszul meghatározott igény tisztázása és a következmények felmérése gyakran akkor válik láthatóvá, amikor valaki egy automatizált lépés után átveszi a munkát. Ha ez kimarad a mérésből, az egyik csapat hatékonyságnövekedése könnyen egy másik csapat többletterhelésévé válik, és a szervezet szintjén a kimutatott megtakarítás egy része valójában áthelyezett munka.

A kezdő és a tapasztalt kolléga mást kap az eszköztől

Erik Brynjolfsson, Danielle Li és Lindsey Raymond 2025-ben megjelent tanulmánya, a Generative AI at Work 5172 ügyfélszolgálati munkatárs adatai alapján vizsgálta egy generatív AI-asszisztens fokozatos bevezetését. Az óránként megoldott ügyek száma átlagosan 15 százalékkal emelkedett. A kevésbé tapasztalt és gyengébben teljesítő dolgozók nagyobb javulást mutattak, a legerősebb munkatársaknál kisebb sebességnyereség és bizonyos minőségi mutatókban enyhe romlás jelent meg. A tanulmány egyetlen vállalat közegét vizsgálta, és a szerzők külön jelzik, hogy eredményeikből az összesített foglalkoztatásra vagy a bérekre vonatkozó következtetés nem adódik 3. Hasonló mintát idéz Matthias Söllner és munkatársai 2025-ös írása, a ChatGPT and Beyond: Exploring the Responsible Use of Generative AI in the Workplace egy szakmai írásfeladatokkal végzett kísérletből: az időmegtakarítás és a minőségjavulás mellett a résztvevők közötti különbség is csökkent, mert a gyengébb kiinduló képességűek profitáltak többet 4.

Ebből azt szűröm le, hogy az egységes licenc még nem jelent egységes fejlesztési szükségletet. Egy új belépő a jó válaszmintákból tanulhat, egy rutinos szakember pedig inkább kivételkeresésre, ellenőrzésre vagy olyan előkészítő munkára használhatja a rendszert, amely egyébként elvonná a figyelmét. A két felhasználó teljesítményét ezért más mutatókkal érdemes vizsgálni.

A rendszer javításában a tapasztalt munkatársaknak külön szerepük van. Ha a legerősebb szakértők egyszerűen átveszik a közepes gépi javaslatot, a vállalat rövid távon egységesebbnek tűnhet, miközben kevesebb új szakmai megoldás születik. Ez lehetséges szervezeti kockázat, amelyet Brynjolfsson és szerzőtársai kutatása is felvet, és amelyet cégenként külön kell mérni. A szakértő eltérése a gépi javaslattól ezért értékes jelzés, amelyből a csapat és a rendszer egyaránt tanulhat, feltéve hogy a folyamatban van hely, ahol ez az eltérés rögzül.

A képességhatár egyenetlen

Fabrizio Dell’Acqua és munkatársai 758 tanácsadóval végzett, előregisztrált kísérletükben az AI képességeinek egyenetlen határát vizsgálták. A 2023-ban munkatanulmányként bemutatott, később az Organization Science folyóiratban megjelent Navigating the Jagged Technological Frontier szerint az AI a képességein belül eső feladatoknál javította a teljesítményt, egy szándékosan a határon kívülre választott összetett feladatnál viszont rontotta a helyes megoldás valószínűségét. A kutatók ezt nevezik „egyenetlen technológiai határnak”: az ember számára hasonló nehézségűnek látszó feladatok a modell számára nagyon eltérően működhetnek 5.

Ez a különbség megmagyarázza, miért kevés az olyan általános AI-képzés, amely jó kérdések írására tanít. A munkatársnak azt is meg kell tanulnia, hogyan ismerje fel a feladat típusát, a rendelkezésre álló bizonyítékot és az ellenőrizhetőség határát. Az eszköz folyékony válasza ehhez önmagában gyenge támpont, mert a határon innen és túl ugyanolyan magabiztosan szól.

Képzeljünk el egy piackutatási feladatot, amelyben a modell rendezi az interjúk visszatérő témáit, és világos összefoglalót ír. A ritka, de stratégiailag fontos ellenvélemény értékét könnyen alulbecsüli, ha a feladatot pusztán gyakorisági összegzésként kapta meg. Ilyenkor az emberi szerep a kérdés pontosításában és a kivétel jelentőségének felismerésében van, a jó munkamegosztás pedig abból indul ki, mire fogják használni a kimenetet.

A gyorsaság érzése és a gyorsaság mérése

A METR 2025-ös vizsgálatában 16 tapasztalt nyílt forráskódú fejlesztő 246 valódi feladaton dolgozott a saját projektjeiben. A vizsgált, 2025 eleji eszközökkel az AI használatának engedélyezése átlagosan 19 százalékkal hosszabb megoldási idővel járt, miközben a résztvevők gyorsulást érzékeltek. A szerzők ezt egy konkrét munkakörnyezet pillanatfelvételének tekintették, és óvtak az általánosítástól 6.

A kutatócsoport 2026. februári utánkövetése már gyorsulás irányába mutató becslésekről számolt be, de jelentős kiválasztási torzítást azonosított. Többen éppen azért maradtak távol, mert AI nélkül már nem akartak dolgozni, és bizonyos feladatokat sem adtak be a véletlen besorolásba. A szerzők ezért a friss hatás nagyságát bizonytalannak minősítették, és módosították a vizsgálati tervet 7.

A kép másik szélét Sida Peng és munkatársai 2023-as előzetes közleménye, The Impact of AI on Developer Productivity: Evidence from GitHub Copilot rajzolja meg. Kontrollált kísérletükben a fejlesztők egy körülhatárolt feladatot, egy HTTP-szerver megírását JavaScript nyelven, 55,8 százalékkal gyorsabban fejeztek be az AI-eszközzel, mint a kontrollcsoport 8. Számomra a két szám együtt azt jelenti, hogy a mért hatás a feladat és a környezet tulajdonsága: egy tiszta lappal induló, jól körülírt feladat mást mér, mint egy érett kódbázis, amelyben a munka java része az illesztés és az ellenőrzés.

Az eredmények együtt a mérés fegyelmét tanítják. Egy régi modellről kapott adatot évszámmal és környezettel együtt kell értelmezni. Egy kedvező új benyomás pedig akkor válik megbízható vezetői információvá, ha a mérés azt is kezeli, kik és milyen feladatok maradtak ki belőle.

A vállalati mérésben ezért az elkészítés ideje mellett az átnézés, a javítás és az utólagos visszakérdezés idejét is érdemes rögzíteni. Az első változat gyorsasága és az elfogadott eredmény gyorsasága eltérhet, és a különbség akkor számít igazán, amikor a hibás eredmény további munkafolyamatokba kerül. Egy belső próba összehasonlíthat hasonló nehézségű, megfelelően besorolt ügyeket úgy, hogy az értékelők előre rögzített minőségi szempontok szerint vizsgálják az eredményt, külön a kezdő és külön a tapasztalt kollégáknál. A próba szervezésekor azt is fel kell jegyezni, mely eseteket hagyták ki, és ki milyen támogatást kapott. A tervet a helyi működéshez kell igazítani. Egy ilyen vizsgálat kevésbé látványos, mint néhány sikeres bemutató, de sokkal pontosabban megmutatja, mely munkalépésre érdemes további időt és pénzt fordítani.

A pszichológiai biztonság minőségbiztosítási tényező

Amy Edmondson és Jean-François Harvey Extreme Teaming című, 2017-es könyve a különböző szakterületek közötti együttműködésben mutatja meg a megszólalás és a tudásmegosztás jelentőségét. A pszichológiai biztonság olyan közeg, amelyben a munkatárs vállalhatja a kérdezés, a tévedés elismerése és az eltérő álláspont képviseletének társas kockázatát. A közös tudás akkor válik használhatóvá, ha az emberek képesek kimondani azt is, ami kényelmetlen 9.

AI-környezetben ennek közvetlen működési következménye van. A munkatárs észlelhet hibát a vezető által kedvelt rendszerben, felismerhet egy félrevezető összefoglalót, vagy rájöhet, hogy a saját automatizálása hibás feltételezésre épült. Az ilyen jelzés értékét a szervezet reakciója határozza meg. Ha a bevezetést kizárólag sikertörténetként szabad bemutatni, a hibákra vonatkozó információ elakad, és a visszacsatolás éppen ott szakad meg, ahol a rendszer javítható volna.

Két friss kérdőíves vizsgálat árnyalja a képet. Aaron Reich és munkatársai 2026-os előzetes közleménye, a Safety First: Psychological Safety as the Key to AI Transformation egy globális tanácsadó cég 2257 munkatársának adatain azt találta, hogy a pszichológiai biztonság együtt jár az AI-eszközök használatba vételével, a használat gyakoriságát és időtartamát viszont már nem jelzi előre 10. Byung-Jik Kim és munkatársai 2025-ös tanulmánya, The dark side of artificial intelligence adoption 381 dél-koreai munkavállaló háromhullámos felmérésében arra jutott, hogy az AI szervezeti bevezetése alacsonyabb pszichológiai biztonsággal, az pedig magasabb depressziószinttel járt együtt, az etikus vezetés mellett pedig az első összefüggés gyengébb volt 11. Mindkét eredmény önbevalláson alapuló, megfigyeléses adat, ezért együttjárásként olvasom őket, oksági bizonyítékként korai volna. Annyit így is jeleznek, hogy a megszólalás biztonsága a bevezetés bemenete és kimenete egyaránt lehet, vagyis a vezetőnek mérnie érdemes, hogyan változik a bevezetés alatt.

Saját javaslatom egy rendszeres, rövid szakmai áttekintés, amelyben minden csapat bemutat egy sikeres felhasználást, egy problémás esetet és egy megváltoztatott munkalépést. Ezzel az együttműködés elméletét fordítom le AI-működésre: a cél az, hogy az egyéni tapasztalat közös tudássá váljon, és a következő kolléga már felkészültebben végezze ugyanazt a feladatot.

A tanulást is újra kell tervezni

Az AI bevezetése kényes kérdést vet fel a pályakezdők számára. Sok szakmában éppen a kisebb előkészítő feladatokból épült fel a későbbi önálló ítélőképesség: a kezdő adatot gyűjtött, összehasonlított, vázlatot írt, hibázott, majd visszajelzést kapott. Ha az előkészítés nagy részét egy rendszer végzi, a szervezetnek tudatosan kell új tanulási helyzeteket teremtenie.

A hatás mértéke feladatonként különbözhet, a célszerű válasz pedig a fokozatos felelősség. A junior megkaphat egy AI által összeállított anyagot azzal a feladattal, hogy mutassa meg a legerősebb és a leggyengébb állítását, ellenőrizze a döntő forrást, majd indokolja, mit változtatna rajta. Így a gyors előállítás mellett a szakmai mérlegelés is gyakorolható.

A vezető számára a kérdés az, hogy fél év múlva mennyivel jobb döntéseket tud hozni a csapat, amikor a megszokott rendszer hiányos választ ad. A tartós kompetencia olyan tartalék, amely akkor lesz különösen értékes, amikor új helyzet, hiányzó adat vagy szokatlan ügyfélprobléma jelenik meg. A kizárólag mai kibocsátást jutalmazó mérés ezt a tartalékot láthatatlanná teszi, és amit a mérés nem lát, arra a szervezet idővel erőforrást sem ad.

A megtakarított idő sorsáról a vezetés dönt

Képzeljünk el egy csapatot, amely egy visszatérő elemzésen heti tíz órát takarít meg. A tíz óra önmagában több lehetséges üzleti történet kezdete. A csapat készíthet több anyagot, mélyebben ellenőrizheti a meglévőket, több ügyféllel beszélhet, vagy csökkentheti a túlórát. Mindegyik döntés más értéket és más munkakultúrát hoz létre.

Úgy gondolom, a vezetésnek előre ki kell mondania, mit vár a felszabaduló kapacitástól, mert a kimondatlan elvárás helyét a legkönnyebben számolható mutató, a darabszám tölti be. Ha a minőség javítása a cél, legyen mérhető az utólag javított hibák és a megalapozatlan állítások száma. Ha a szolgáltatás gyorsítása a cél, az ügyfél által érzékelt átfutást kell követni. Ha új üzleti lehetőségek feltárása a cél, a kipróbált és értékelt feltevések száma figyelhető.

A dolgozók ösztönzése akkor következetes, ha az AI használata mellett a józan mellőzését is elfogadja. Egy tapasztalt kolléga tudhatja, hogy az adott apró feladatot hamarabb és biztosabban végzi el közvetlenül. Az eredményre figyelő szervezet ezt szakmai döntésként kezeli, és a teljes munkafolyamatot értékeli, az eszközhasználat gyakorisága ebben legfeljebb mellékadat.

Az emberi érték helye az új munkamegosztásban

Az AI mellett felértékelődhet a jó problémafelvetés, az érdekek megértése, az eredmény ellenőrzése és a döntési felelősség. Ezek a tevékenységek azonban képzést, hozzáférést és időt igényelnek. A puszta felszólítás, hogy mindenki legyen kreatívabb és stratégiaibb, önmagában kevés működési segítséget ad.

A használható szervezeti válasz konkrét. Megmutatja, melyik feladatnál mire alkalmas az AI, ki ellenőrzi a kimenetet, milyen esetben kell továbblépni emberi döntéshez, és milyen visszajelzésből javul a rendszer. Ezzel együtt megőrzi azt a képességet, hogy a munkatárs értse is az eredményt, amelyet átad.

A munka jövőjét így részben az a vezetői döntés formálja, hogy a gyorsabb előállításból milyen munka épül. A jó AI-bevezetés végén a szervezet többet tud a saját működéséről, a dolgozó pontosabban ismeri a felelősségét, az ügyfél pedig jobb eredményt kap. A teljesítmény mércéjének ezt a három változást kell láthatóvá tennie, és azt a bevezetést tartom sikeresnek, amelynek a termelékenységi táblázatában mindhárom szerepel.

Ajánlott olvasmányok

Források

  1. [1] Acemoglu, D. és Restrepo, P (2019): Automation and New Tasks: How Technology Displaces and Reinstates Labor. Journal of Economic Perspectives, 33(2), 3–30.
  2. [2] Valerio Capraro, Austin Lentsch, Daron Acemoğlu, Selin Akgün és munkatársai (2024): The impact of generative artificial intelligence on socioeconomic inequalities and policy making. PNAS Nexus.
  3. [3] Brynjolfsson, E., Li, D. és Raymond, L (2025): Generative AI at Work. The Quarterly Journal of Economics, 140(2), 889–942.
  4. [4] Matthias Söllner, Thomas Arnold, Alexander Benlian, Ulrich Bretschneider és munkatársai (2025): ChatGPT and Beyond: Exploring the Responsible Use of Generative AI in the Workplace. Business & Information Systems Engineering.
  5. [5] Dell’Acqua, F. és munkatársai (2026): Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science, 37(2), 403–423. A kutatás első munkatanulmánya 2023-ban jelent meg.
  6. [6] Becker, J., Rush, N., Barnes, B. és Rein, D (2025): Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. METR, 2025. július 10.
  7. [7] Becker, J., Rush, N., Cunningham, T., Rein, D. és Mahamud, K (2026): We are Changing our Developer Productivity Experiment Design. METR, 2026. február 24.
  8. [8] Sida Peng, Eirini Kalliamvakou, Peter Cihon, Mert Demirer (2023): The Impact of AI on Developer Productivity: Evidence from GitHub Copilot. arXiv (Cornell University). előnyomat, lektorálás előtt
  9. [9] Edmondson, A. C. és Harvey, J.-F (2017): Extreme Teaming: Lessons in Complex, Cross-Sector Leadership. Emerald Publishing. Különösen a 3. és 5. fejezet. ISBN 978-1-78635-450-1. könyv
  10. [10] Aaron Reich, Diana Wolfe, Matt Price, Alice Choe és munkatársai (2026): Safety First: Psychological Safety as the Key to AI Transformation. arXiv (Cornell University). előnyomat, lektorálás előtt
  11. [11] Byung‐Jik Kim, Min‐Jik Kim, Julak Lee (2025): The dark side of artificial intelligence adoption: linking artificial intelligence adoption to employee depression via psychological safety and ethical leadership. Humanities and Social Sciences Communications.
  12. [12] Daron Acemoglu, Simon Johnson (2023): Power and Progress: Our Thousand-Year Struggle Over Technology and Prosperity. könyv

Esszék és áttekintések →

Heti levél

Hetente egy levél az Agent Age kiadások fő történeteiről. E-mailben erősíti meg, egy kattintással leiratkozhat.

Mindjárt kész: e-mailt küldtünk. Nyissa meg, és kattintson a megerősítő hivatkozásra. Ha pár percen belül nem érkezik meg, nézze meg a spam mappát.

↑