# 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:

- **Kiolvasás:** egy számlából, szállítólevélből vagy beérkező levélből strukturált adat lesz (vevő, tételek, határidő).
- **Osztályozás:** a rendszer eldönti, hogy egy levél reklamáció, ajánlatkérés vagy számlázási kérdés, és a megfelelő sorba teszi.
- **Összefoglalás:** egy ügyfél hosszú levelezéséből néhány mondatos előzmény lesz a CRM-ben.
- **Megfogalmazás:** válaszvázlat, ajánlatszöveg vagy termékleírás készül, amelyet egy munkatárs néz át.
- **Válaszadás:** a munkatárs hétköznapi nyelven kérdez a cég dokumentumaitól vagy adataitól.

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?](https://www.mestersegesintelligenciakozpont.hu/hu/tudastar/chatbot-vagy-ai-ugynok) cikk szól. Ha a modellnek a cég saját dokumentumaiból kell válaszolnia, annak módszere a RAG, amelyet [külön cikkben](https://www.mestersegesintelligenciakozpont.hu/hu/tudastar/ai-a-ceg-sajat-dokumentumain-rag) 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](https://developers.openai.com/api/docs/guides/function-calling) leírásában a kód az alkalmazás oldalán fut, az [Anthropic](https://platform.claude.com/docs/en/agents-and-tools/tool-use/overview) szerint a saját eszközöket az alkalmazás hajtja végre, a [Google Gemini](https://ai.google.dev/gemini-api/docs/function-calling) 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](https://modelcontextprotocol.io/specification/2026-07-28) 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](https://platform.claude.com/docs/en/agents-and-tools/tool-use/overview), az [OpenAI API-ja](https://developers.openai.com/api/docs/guides/tools-connectors-mcp) 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.

| Minta | Mire jó | Mire figyeljünk |
|---|---|---|
| API és webhook | rögzített, kiszámítható folyamatok: minden levél, minden számla ugyanazon az úton halad | minden lépést előre meg kell tervezni, a hibakezeléssel és az újrapróbálással együtt |
| Függvényhívás | ha a modellnek a kérdéstől függően kell adatot lekérnie vagy műveletet kezdeményeznie | a függvények köre és jogosultsága; a modell hibás paramétert is adhat |
| MCP | ha ugyanazt a rendszert több AI-alkalmazásnak kell elérnie | csak megbízható szerver; jóváhagyás az eszközhívások előtt |

## Mire használható? Tipikus feladatok

| Terület | Feladat | Jellemző minta | Emberi jóváhagyás |
|---|---|---|---|
| Dokumentumok | számla, szállítólevél, szerződés adatainak kiolvasása és összevetése a megrendeléssel | API, rögzített sémájú kimenettel | eltérés vagy bizonytalan kiolvasás esetén |
| E-mail | beérkező levelek osztályozása, továbbítása, válaszvázlat | webhook és API | a válasz elküldése előtt |
| CRM | ügyféltörténet összefoglalása, a következő lépés javaslata | függvényhívás olvasási joggal | nem kell, mert csak javaslat |
| ERP | kérdés az adatokhoz hétköznapi nyelven, kimutatás összeállítása | függvényhívás olvasási joggal | ha a művelet adatot módosítana |
| Webshop | termékleírás, fordítás, pontosabb kereső | API | a szöveg közzététele előtt |
| Belső tudás | kérdés-válasz szabályzatokból és kézikönyvekből | RAG | nem kell, ha a válasz megjelöli a forrást |

A szolgáltatásainkról részletesebben az [AI-integráció](https://www.mestersegesintelligenciakozpont.hu/hu/szolgaltatasok/ai-integracio) oldalon, a több rendszeren átívelő, gépesített folyamatokról a [Folyamatautomatizálás](https://www.mestersegesintelligenciakozpont.hu/hu/szolgaltatasok/folyamatautomatizalas) oldalon, az ERP- és CRM-rendszerekbe épített AI-ról az [Üzleti szoftverek](https://www.mestersegesintelligenciakozpont.hu/hu/szolgaltatasok/uzleti-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?

- **OpenAI:** az [adatkezelési dokumentáció](https://developers.openai.com/api/docs/guides/your-data) szerint az API-n küldött adatot nem használják modelltanításra, hacsak az ügyfél ehhez kifejezetten hozzá nem járul. A visszaélés-figyelési naplókat alapértelmezés szerint legfeljebb 30 napig őrzik. Európai (EGT és Svájc) adattárolás és -feldolgozás külön jóváhagyással, meghatározott adatmegőrzési beállítások mellett érhető el.
- **Anthropic:** az adatvédelmi központ szerint a kereskedelmi termékek, köztük az API be- és kimeneteit alapértelmezés szerint [nem használják modelltanításra](https://privacy.claude.com/en/articles/7996868-is-my-data-used-for-model-training), az API esetében pedig [főszabályként 30 napon belül törlik](https://privacy.claude.com/en/articles/7996866-how-long-do-you-store-my-organization-s-data), a felsorolt kivételekkel. Az Anthropic saját API-ján a feldolgozás helye a [dokumentáció](https://platform.claude.com/docs/en/manage-claude/data-residency) szerint „us” vagy „global” lehet; az Amazon Bedrockon és a Google Cloudon a régiót a választott végpont határozza meg.
- **Google:** a [Gemini API feltételei](https://ai.google.dev/gemini-api/terms) szerint a fizetős szolgáltatásban a Google nem használja a promptokat és a válaszokat a termékei fejlesztésére, csak korlátozott ideig naplózza őket a visszaélések felderítésére; az EGT-ben, Svájcban és az Egyesült Királyságban élő felhasználóknak csak fizetős szolgáltatásra épülő alkalmazás kínálható. A Google Cloud Vertex AI [adattárolási leírása](https://docs.cloud.google.com/vertex-ai/generative-ai/docs/learn/data-residency) szerint az uniós többrégiós végponton a feldolgozás az EU-n belül marad, a globális végponton viszont nincs ilyen garancia; hogy melyik modell melyik régióban érhető el, modellenként eltér.

### 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](https://eur-lex.europa.eu/legal-content/HU/TXT/?uri=CELEX:32016R0679) 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:

- csak a feladathoz szükséges mezők jutnak el a modellhez;
- a neveket és azonosítókat, ahol lehet, kitakarjuk vagy álnevesítjük, és a választ a saját rendszerünkben párosítjuk vissza;
- a modell csak azt láthatja, amit a kérdező felhasználó is láthat;
- naplózzuk, ki, mikor és milyen adattal hívta a modellt.

Az unión kívüli adattovábbításról, az átláthatóságról és az AI Actről az [AI Act és GDPR egy céges chatbotnál](https://www.mestersegesintelligenciakozpont.hu/hu/tudastar/ai-act-es-gdpr-ceges-chatbot) cikkben írunk. Ez tájékoztatás, nem jogi tanács.

## Hol kell emberi jóváhagyás?

A nyelvi modell tévedhet, és az [OpenAI értékelési útmutatója](https://developers.openai.com/api/docs/guides/evaluation-best-practices) 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:

- **Javaslat:** a modell csak javasol (összefoglal, vázlatot ír, kategóriát ajánl), a döntést és a műveletet ember végzi. Itt a hiba ára alacsony.
- **Előkészített művelet:** a modell előkészíti a lépést, például kitölti a reklamációt vagy megírja a választ, egy munkatárs pedig egy kattintással jóváhagyja vagy javítja.
- **Automatikus művelet:** a lépés jóváhagyás nélkül fut, de csak szűk jogosultsággal, mennyiségi korlátokkal, naplózva és szúrópróbás ellenőrzéssel.

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](https://genai.owasp.org/llmrisk/llm062025-excessive-agency/) (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](https://genai.owasp.org/llmrisk/llm01-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](https://platform.claude.com/docs/en/test-and-evaluate/develop-tests) és a valódi feladatokat tükröző tesztkészletet javasol. Mi így építjük fel:

- **Értékelő készlet:** valódi, szükség szerint anonimizált minták a várt eredménnyel, például a kiolvasandó mezőkkel vagy a helyes kategóriával.
- **Mérés élesítés előtt:** a jelölt modelleket és promptokat ezen a készleten vetjük össze.
- **Újramérés minden változásnál:** új prompt, új modellváltozat vagy új dokumentumtípus esetén.
- **Naplózás:** a bemenet, a kimenet, a modell és a promptváltozat, valamint az emberi javítás. A napló a következő értékelő esetek forrása is.
- **Felügyelet:** hibaarány, az emberi javítások aránya, válaszidő és tokenfelhasználás, riasztással.

A modellek nem örök életűek: az [Anthropic](https://platform.claude.com/docs/en/about-claude/model-deprecations) és az [OpenAI](https://developers.openai.com/api/docs/deprecations) 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:

- a magyar nyelvű szöveg minősége a cég saját mintáin;
- a feladat jellege: szöveg, szkennelt dokumentum, kép vagy táblázat;
- a függvényhívás és a strukturált kimenet megbízhatósága;
- a sebesség és a használat díja a várható mennyiségnél;
- az adatkezelési feltételek és a feldolgozás helye;
- az elérhetőség és a modell életciklusa.

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](https://www.mestersegesintelligenciakozpont.hu/hu/arazas) 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](https://platform.claude.com/docs/en/agents-and-tools/tool-use/overview) leírása szerint a modellnek átadott eszközleírások is bemeneti tokennek számítanak. A futtatási költséget ezek befolyásolják:

- a feldolgozott dokumentumok és levelek száma és hossza;
- hány modellhívás jut egy folyamatra (egy több lépésben dolgozó ügynök több hívást jelent);
- a választott modell;
- a modellnek átadott kontextus és eszközleírások mérete;
- a különleges beállítások, például a földrajzilag korlátozott feldolgozás, amelyet a szolgáltatók magasabb díjjal is számolhatnak.

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

- **Csevegőablak integráció helyett:** a munkatársak kézzel másolgatnak egy általános AI-felületre, így az adat ellenőrizetlenül hagyja el a céget, és semmi nem mérhető.
- **Túl sok jogosultság:** a modell mindenhez hozzáfér, amit az integrációs fiók elér.
- **Értékelő készlet nélkül:** a minőségről benyomás dönt, a modellváltásról találgatás.
- **A kódba égetett modell:** ha a modellt kivezetik, az egész integrációt újra kell írni.
- **Adatvédelem a végén:** az adatfolyam-rajz és az adatfeldolgozói szerződés utólag sokkal nehezebb.
- **Mindent egyszerre:** öt folyamat egy projektben, mérés nélkül, így egyik sem készül el igazán.

## 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](https://www.mestersegesintelligenciakozpont.hu/hu/szolgaltatasok/ai-integracio) oldalon olvashatja. Ha van egy folyamat, amelyet mesterséges intelligenciával kötne össze, írjon nekünk a [Kapcsolat](https://www.mestersegesintelligenciakozpont.hu/hu/kapcsolat) oldalon megadott elérhetőségeken.

## Források

- [OpenAI: Function calling](https://developers.openai.com/api/docs/guides/function-calling)
- [OpenAI: Data controls in the OpenAI platform](https://developers.openai.com/api/docs/guides/your-data)
- [OpenAI: MCP servers](https://developers.openai.com/api/docs/guides/tools-connectors-mcp)
- [OpenAI: Evaluation best practices](https://developers.openai.com/api/docs/guides/evaluation-best-practices)
- [OpenAI: Deprecations](https://developers.openai.com/api/docs/deprecations)
- [Anthropic: Tool use with Claude](https://platform.claude.com/docs/en/agents-and-tools/tool-use/overview)
- [Anthropic: Data residency](https://platform.claude.com/docs/en/manage-claude/data-residency)
- [Anthropic: Define success criteria and build evaluations](https://platform.claude.com/docs/en/test-and-evaluate/develop-tests)
- [Anthropic: Model deprecations](https://platform.claude.com/docs/en/about-claude/model-deprecations)
- [Anthropic Privacy Center: Is my data used for model training?](https://privacy.claude.com/en/articles/7996868-is-my-data-used-for-model-training)
- [Anthropic Privacy Center: How long do you store my organization's data?](https://privacy.claude.com/en/articles/7996866-how-long-do-you-store-my-organization-s-data)
- [Google Gemini API: Function calling](https://ai.google.dev/gemini-api/docs/function-calling)
- [Google: Gemini API Additional Terms of Service](https://ai.google.dev/gemini-api/terms)
- [Google Cloud Vertex AI: Data residency](https://docs.cloud.google.com/vertex-ai/generative-ai/docs/learn/data-residency)
- [Model Context Protocol: Specification, 2026-07-28](https://modelcontextprotocol.io/specification/2026-07-28)
- [OWASP GenAI Security Project: LLM06:2025 Excessive Agency](https://genai.owasp.org/llmrisk/llm062025-excessive-agency/)
- [OWASP GenAI Security Project: LLM01:2025 Prompt Injection](https://genai.owasp.org/llmrisk/llm01-prompt-injection/)
- [EUR-Lex: az általános adatvédelmi rendelet, (EU) 2016/679](https://eur-lex.europa.eu/legal-content/HU/TXT/?uri=CELEX:32016R0679)