Mesterséges Intelligencia Központ
Menü

Hogyan kössük össze a céges rendszereket mesterséges intelligenciával?

A Mesterséges Intelligencia Központ Kft. budapesti szoftverfejlesztő cég szerint úgy, hogy a nyelvi modellt API-n át a meglévő munkafolyamatokba építjük: a rendszerek maradnak, a modell kiolvas, osztályoz, összefoglal és megfogalmaz.

Lényeg: A meglévő rendszereket nem kell lecserélni: a nyelvi modell programozási felületen át kap feladatot és adatot, az eredmény pedig visszakerül oda, ahol dolgoznak vele: a CRM-be, az ERP-be vagy a levelezőbe. Érdemes egyetlen, jól mérhető feladattal kezdeni, csak a szükséges adatot átadni, és ahol egy hiba pénzbe kerül, ott ember hagyja jóvá a lépést.

Mit jelent ez a gyakorlatban?

A nagy nyelvi modell (large language model, LLM) szöveget értelmez és állít elő. Céges használatban nem egy külön csevegőablakot jelent, amelybe a munkatársak szöveget másolnak be és ki, hanem egy szolgáltatást, amelyet a cég saját programjai hívnak meg programozási felületen, vagyis API-n (application programming interface) keresztül. A modell megkapja a feladathoz szükséges adatot, elvégzi a nyelvi munkát, az eredményt pedig a program viszi tovább a megfelelő rendszerbe, ellenőrizve és naplózva.

Öt nyelvi művelet fordul elő szinte minden integrációban:

Ha a rendszernek nemcsak válaszolnia, hanem önállóan, több lépésben cselekednie is kell, az már AI-ügynök; a két megoldás különbségéről a Chatbot vagy AI-ügynök? cikk szól. Ha a modellnek a cég saját dokumentumaiból kell válaszolnia, annak módszere a RAG, amelyet külön cikkben mutatunk be.

Három integrációs minta

API és webhook

A legtöbb céges rendszer, legyen az CRM, ERP, webshop, számlázó vagy levelező, rendelkezik API-val, amelyen keresztül egy másik program adatot olvashat ki belőle vagy írhat bele. A webhook ennek a fordítottja: a rendszer maga értesít egy előre megadott címet, ha valami történik, például beérkezik egy rendelés vagy egy levél. A legegyszerűbb AI-integráció ebből a kettőből áll: egy esemény elindít egy saját szolgáltatást, amely meghívja a nyelvi modell API-ját, ellenőrzi az eredményt, majd a célrendszer API-ján beírja. Ebben a mintában a modell egyetlen céges rendszerhez sem fér hozzá közvetlenül; mindent a mi kódunk végez, és ott dől el, mi kerülhet a modellhez, és mi kerülhet vissza.

Függvényhívás (tool use)

A függvényhívás (az Anthropicnál tool use, azaz eszközhasználat) lehetővé teszi, hogy a modell maga döntse el, mikor van szüksége egy adatra vagy műveletre. A fejlesztő leírja a modellnek az elérhető függvényeket, például „rendelés állapotának lekérdezése”, a modell pedig a kérdés alapján strukturált hívást ad vissza a szükséges paraméterekkel. Mindhárom nagy szolgáltató dokumentációja szerint a függvényt nem a modell futtatja, hanem az alkalmazás: az OpenAI leírásában a kód az alkalmazás oldalán fut, az Anthropic szerint a saját eszközöket az alkalmazás hajtja végre, a Google Gemini dokumentációja pedig kimondja, hogy a modell maga nem hajtja végre a függvényt. Ebből következik a legfontosabb tervezési elv: a jogosultság-ellenőrzés a mi kódunkban él, nem a modell jóindulatán múlik. Az OpenAI és az Anthropic szigorú (strict) üzemmódot is kínál, amely biztosítja, hogy a hívás paraméterei pontosan kövessék a megadott sémát; az Anthropic dokumentációja ugyanakkor arra is figyelmeztet, hogy hiányzó adatnál a modell néha kitalál egy észszerűnek tűnő értéket, ezért a paramétereket a kódnak is ellenőriznie kell.

Model Context Protocol (MCP)

Az MCP nyílt protokoll, amely a specifikációja szerint egységes módot ad arra, hogy a nyelvi modellt használó alkalmazások külső adatforrásokhoz és eszközökhöz kapcsolódjanak. Három szereplője van: a gazda (host), vagyis a nyelvi modellt használó alkalmazás; a benne futó kliens; és a szerver, amely adatot (resources), utasítássablont (prompts) és meghívható eszközt (tools) kínál. Az üzenetek JSON-RPC 2.0 formátumúak; a specifikáció aktuális változata a 2026-07-28 jelű (ellenőrizve: 2026. október 17.).

Az MCP előnye, hogy egy rendszerhez elég egyszer szervert írni, és azt több AI-alkalmazás is használhatja. Távoli MCP-szerverhez az Anthropic API-ja, az OpenAI API-ja és a Gemini API is tud kapcsolódni (ellenőrizve: 2026. október 17.). A protokoll nem old meg minden biztonsági kérdést: a specifikáció biztonsági alapelvei szerint a gazdaalkalmazásnak minden eszközhívás előtt a felhasználó kifejezett hozzájárulását kell kérnie, de ezt a protokoll maga nem tudja kikényszeríteni, a megvalósítónak kell beépítenie. Az OpenAI arra is figyelmeztet, hogy egy rosszindulatú szerver kiszivárogtathatja a modell kontextusába kerülő érzékeny adatot. Céges környezetben ezért csak saját vagy megbízható szolgáltatótól származó szerver jöhet szóba.

MintaMire jóMire figyeljünk
API és webhookrögzített, kiszámítható folyamatok: minden levél, minden számla ugyanazon az úton haladminden lépést előre meg kell tervezni, a hibakezeléssel és az újrapróbálással együtt
Függvényhívásha a modellnek a kérdéstől függően kell adatot lekérnie vagy műveletet kezdeményezniea függvények köre és jogosultsága; a modell hibás paramétert is adhat
MCPha ugyanazt a rendszert több AI-alkalmazásnak kell elérniecsak megbízható szerver; jóváhagyás az eszközhívások előtt

Mire használható? Tipikus feladatok

TerületFeladatJellemző mintaEmberi jóváhagyás
Dokumentumokszámla, szállítólevél, szerződés adatainak kiolvasása és összevetése a megrendelésselAPI, rögzített sémájú kimenetteleltérés vagy bizonytalan kiolvasás esetén
E-mailbeérkező levelek osztályozása, továbbítása, válaszvázlatwebhook és APIa válasz elküldése előtt
CRMügyféltörténet összefoglalása, a következő lépés javaslatafüggvényhívás olvasási joggalnem kell, mert csak javaslat
ERPkérdés az adatokhoz hétköznapi nyelven, kimutatás összeállításafüggvényhívás olvasási joggalha a művelet adatot módosítana
Webshoptermékleírás, fordítás, pontosabb keresőAPIa szöveg közzététele előtt
Belső tudáskérdés-válasz szabályzatokból és kézikönyvekbőlRAGnem kell, ha a válasz megjelöli a forrást

A szolgáltatásainkról részletesebben az AI-integráció oldalon, a több rendszeren átívelő, gépesített folyamatokról a Folyamatautomatizálás oldalon, az ERP- és CRM-rendszerekbe épített AI-ról az Üzleti szoftverek oldalon olvashat.

Adatáramlás és adatvédelem: mi hová kerül?

Az AI-integráció adatkezelés is. Az első tervezési lépés ezért egy egyszerű adatfolyam-rajz: mely mezők hagyják el a cég rendszereit, melyik szolgáltatóhoz kerülnek, melyik régióban dolgozzák fel őket, meddig tárolja őket a szolgáltató, és mi érkezik vissza. A szolgáltatók feltételei gyakran változnak; az alábbiak a szolgáltatók saját dokumentációján alapulnak (ellenőrizve: 2026. október 17.).

Mit mondanak a szolgáltatók?

A GDPR szempontjai

Ha a modellhez személyes adat kerül, az adatkezelésre a GDPR vonatkozik. A modell szolgáltatója ilyenkor jellemzően adatfeldolgozó, ezért vele az általános adatvédelmi rendelet 28. cikkének (3) bekezdése szerinti szerződés kell; az 5. cikk az adattakarékosságot írja elő, a 25. cikk pedig a beépített adatvédelem eszközei között példaként az álnevesítést említi. A gyakorlatban ez a következőt jelenti:

Az unión kívüli adattovábbításról, az átláthatóságról és az AI Actről az AI Act és GDPR egy céges chatbotnál cikkben írunk. Ez tájékoztatás, nem jogi tanács.

Hol kell emberi jóváhagyás?

A nyelvi modell tévedhet, és az OpenAI értékelési útmutatója szerint ugyanarra a bemenetre sem ad mindig ugyanolyan kimenetet. A folyamatot ezért úgy érdemes megtervezni, hogy a modell hibája ne okozhasson kárt. Három szintet különböztetünk meg:

Az ökölszabály: ahol egy hiba pénzbe kerül, ügyfelet érint vagy nem vonható vissza (fizetés, számla, szerződés, ügyfélnek küldött levél), ott ember hagyja jóvá a lépést. Az OWASP GenAI Security Project kockázati listája ugyanezt mondja a túlzott cselekvési szabadságról (Excessive Agency): a modell csak a feladatához szükséges eszközöket kapja meg, a lehető legszűkebb jogosultsággal, a nagy hatású műveletek előtt ember hagyjon jóvá, a művelet a felhasználó saját jogosultságával fusson, és minden lépés naplózva legyen.

Külön kockázat a prompt injection, vagyis az utasítás-befecskendezés: ha a modell külső tartalmat olvas, például beérkező levelet, feltöltött dokumentumot vagy weboldalt, abban olyan szöveg is lehet, amely utasításként próbálja befolyásolni. Az OWASP ellene a legkisebb szükséges jogosultságot, a kiemelt műveletek előtti emberi jóváhagyást és a külső tartalom elkülönített, megbízhatatlanként jelölt kezelését javasolja.

Tesztelés és felügyelet

Egy AI-integráció nem attól jó, hogy a bemutatón meggyőző, hanem attól, hogy mérhetően jól dolgozik a cég valódi anyagán. Az OpenAI értékelési útmutatója szerint a tesztadatnak tipikus, szélsőséges és szándékosan félrevezető eseteket is tartalmaznia kell, és az értékelést minden változtatásnál újra kell futtatni; az Anthropic konkrét, mérhető sikerkritériumokat és a valódi feladatokat tükröző tesztkészletet javasol. Mi így építjük fel:

A modellek nem örök életűek: az Anthropic és az OpenAI is rendszeresen kivezeti a régebbi modelleket, és erről előre értesíti az ügyfeleit; a kivezetett modellre küldött kérés hibával tér vissza. Ezért a modellt külön rétegbe tesszük, a váltást pedig ugyanazon az értékelő készleten mérjük le, mielőtt élesbe kerül.

Melyik modellt válasszuk?

Nincs olyan modell, amely minden feladatra egyformán jó, ezért a választás mérés kérdése, nem márkahűségé. A szempontjaink:

Gyakori, hogy egy rendszeren belül több modell dolgozik: egy gyorsabb, kisebb modell az osztályozásra, egy erősebb az összetett szövegekre. Mivel a modell külön rétegben van, a döntés később is módosítható.

Mitől függ a költség?

A költség két részből áll. A fejlesztés díja a funkcionális méretből következik, amelyet COSMIC funkciópontban mérünk; a módszert az Árazás oldal írja le. A futtatás díja használatalapú: a szolgáltatók a feldolgozott és az előállított szöveg mennyisége, vagyis a tokenek száma után számláznak, és az Anthropic leírása szerint a modellnek átadott eszközleírások is bemeneti tokennek számítanak. A futtatási költséget ezek befolyásolják:

A futtatási költséget a tervezéskor a cég valódi mintáin becsüljük meg, és a modellválasztásnál is mérlegeljük.

Lépésről lépésre: így fogjunk hozzá

  1. Egy feladat kiválasztása: gyakori, nyelvi jellegű munka, mérhető céllal, például a beérkező reklamációk besorolása.
  2. Az adatfolyam felrajzolása: honnan jön az adat, mi mehet a modellhez, hová kerül az eredmény, és ki hagyja jóvá.
  3. Minták és értékelő készlet: valódi, anonimizált példák a várt eredménnyel.
  4. Prototípus: a jelölt modellek összevetése a mintákon, még éles bekötés nélkül.
  5. Bekötés: API, webhook, függvényhívás vagy MCP, jogosultságokkal, hibakezeléssel és naplózással.
  6. Kísérleti élesítés: szűk körben, minden lépés emberi jóváhagyásával; a javításokból tanulunk.
  7. Bővítés és üzemeltetés: ahol a mérés igazolja, szűkül a jóváhagyási kör; a felügyelet és a modellváltások folyamatosak.

Tipikus hibák

Gyakori kérdések

Melyik modellt válasszuk?

Azt, amelyik a cég saját mintáin mérhetően a legjobban teljesít az adott feladatban, elfogadható díjjal és megfelelő adatkezelési feltételekkel. Mi az OpenAI, az Anthropic és a Google modelljeivel dolgozunk, a jelölteket a cég példáin vetjük össze, és mivel a modell külön rétegben van, a döntés később módosítható.

Biztonságos céges adatot küldeni egy AI-szolgáltatásnak?

Megfelelő tervezéssel igen, de nem magától. A nagy szolgáltatók üzleti API-jai a saját dokumentációjuk szerint alapértelmezésként nem használják a beküldött adatot modelltanításra (ellenőrizve: 2026. október 17.), a tárolás ideje és helye azonban szolgáltatónként és beállításonként eltér. A cégen múlik, hogy csak a szükséges adat menjen ki, a személyes adat lehetőleg álnevesítve, adatfeldolgozói szerződéssel és tudatosan választott feldolgozási hellyel. Ez tájékoztatás, nem jogi tanács.

Le kell cserélni a meglévő rendszereinket?

Nem. Az integráció a meglévő rendszerek API-jára, webhookjára, adatbázisára vagy fájlexportjára épül, az eredmény pedig oda kerül vissza, ahol eddig is dolgoztak. Ha egy régi rendszernek nincs programozási felülete, megnézzük, milyen úton férhetünk hozzá biztonságosan az adataihoz.

Mi az MCP?

A Model Context Protocol nyílt protokoll, amely egységes módon köti össze a nyelvi modellt használó alkalmazásokat külső adatforrásokkal és eszközökkel. Akkor hasznos, ha ugyanazt a rendszert több AI-alkalmazás is eléri. Céges környezetben csak megbízható szerverrel és az eszközhívások előtti jóváhagyással érdemes használni.

Mi történik, ha az AI téved?

Számolunk vele, ezért a folyamatot úgy tervezzük, hogy a tévedés ne okozzon kárt. A kód ellenőrzi a kimenetet (a sémát és az üzleti szabályokat, például hogy a számla végösszege egyezik-e a tételek összegével), a kockázatos lépés előtt ember hagy jóvá, a bizonytalan esetek munkatárshoz kerülnek, és minden naplózva van. A feltárt hibák bekerülnek az értékelő készletbe, így a javítás mérhető.

Hogyan segítünk?

Mesterséges intelligenciával kötünk össze mindent, ami létezik. Az OpenAI (ChatGPT), az Anthropic (Claude) és a Google (Gemini) nyelvi modelljeit kötjük be a cégek meglévő rendszereibe. Az első egyeztetés díjmentes; a fejlesztés méretét COSMIC funkciópontban mérjük, és ebből készül az ajánlat és az ütemezés. Kérésre titoktartási szerződést (NDA) kötünk, átadás után pedig az üzemeltetést és a karbantartást is vállaljuk, a modell működésének figyelésével együtt. A forráskódról és a felhasználási jogokról a szerződés rendelkezik.

A részleteket az AI-integráció oldalon olvashatja. Ha van egy folyamat, amelyet mesterséges intelligenciával kötne össze, írjon nekünk a Kapcsolat oldalon megadott elérhetőségeken.

Források