Az AI workflow olyan üzleti folyamat-automatizáció, ahol a klasszikus szabály-alapú lépések mellett egy vagy több mesterséges intelligencia-lépés (jellemzően nagy nyelvi modell) is be van kötve a láncba. Például: egy beérkező e-mail egy szabály-szerinti trigger-rel indít egy folyamatot, egy LLM kategorizálja a tartalmat, majd a kategória alapján egy szabály eldönti, hogy mit csinál a rendszer — választ küld, eszkalál, vagy archivál. A klasszikus workflow automatizálás kibővítése AI-elemekkel, amik értelmezik a tartalmat, nem csak rutinmunkát végeznek.
Így is ismerheted
Magyarul AI munkafolyamat, mesterséges intelligenciával bővített workflow. Angolul AI workflow, AI-augmented workflow, intelligent process automation (IPA). Az „AI automatizáció” tágabb fogalom — ez is sokszor egy AI workflow-t jelent. A különbség inkább a fókuszban: a workflow magát a folyamatos lépés-sorozatot emeli ki, az automatizáció pedig a humán munka kiváltását.
Mire jó cégeknek?
Az AI workflow ott emelkedik ki a klasszikus workflow-tól, ahol egy lépés tartalmát kell „érteni”: szöveget kategorizálni, döntést hozni egy szabad-formátumú bemeneten, választ generálni. Néhány tipikus üzleti felhasználási terület:
- Beérkező lead feldolgozása — űrlap kitöltődik, AI elolvassa a megjegyzéseket, kategorizálja (érdeklődés típusa, sürgősség, fit-score), CRM-be ír, megfelelő értékesítőhöz routol.
- Számla-feldolgozás — PDF érkezik, AI kinyeri a tételeket, validálja az áfa-számítást, könyvelő-rendszerbe ír, eltérés esetén ember kapja meg.
- E-mail-kategorizálás — beérkezett ügyfél-üzenetek osztályozása (panasz / kérdés / megrendelés), és priority-szintű routing.
- Tartalom-publikálás — egy bejegyzés-vázlat indul, AI lektorálja, SEO-tagek előkészíti, Schema.org JSON-LD-t generál, közzéteszi.
- Belső kérelmek — szabadság-igénylés érkezik, AI ellenőrzi a szabályzatok szerint, vezetőnek továbbít döntésre, és értesít mindenkit.
Hogyan néz ki egy AI workflow felépítése?
Egy klasszikus AI workflow három alap-elemből áll, kombinálva:
Trigger — az indító esemény. Lehet időzítés (cron), webhook (webes esemény), beérkezett adat (e-mail, fájl, űrlap-beküldés), vagy egy másik rendszer eseménye.
Logikai csomópontok — szabályok, feltételek, transzformációk. „Ha A > B, akkor ide; egyébként oda.” Ezek a klasszikus workflow-elemek.
AI-csomópontok — OpenAI API-, Claude-, vagy önhostolt LLM-hívások. Bemenetet adunk a modellnek (szöveg + prompt), és struktúrált választ kapunk (JSON), amit a workflow tovább tud használni.
Ezeket egy iPaaS-szolgáltatás (n8n, Make, Zapier) köti össze vizuálisan, vagy egy kód-alapú workflow-engine (Temporal, Apache Airflow) futtatja. Hibrid megoldás is gyakori: a kritikus szakaszok kódban, az „üzleti” lépések vizuálisan.
Mikor érdemes belevágni?
Az AI workflow ott éri meg, ahol:
- A folyamat ismétlődő — havi 50-100+ alkalommal megy le.
- Van egy lépés, ami szöveget vagy tartalmat „ért” — kategorizálás, kinyerés, generálás.
- A klasszikus szabály-alapú megközelítés bukik — pl. mert a bemeneti formátum változó, vagy a tartalom értelmezést igényel.
- A volumen elég a megtérüléshez — havi 20-30 órányi humán munka kiváltása az alap-küszöb.
Ha a folyamat egyszerű (előre megírt sablonszerű döntésekkel), akkor egy klasszikus szabály-alapú workflow olcsóbb és átláthatóbb. Az AI ott éri meg, ahol „gondolkodás” kell.
Mikor NE használj AI workflow-t?
Néhány eset, ahol kerülni érdemes:
- Magas tét döntések — pénzügyi, jogi, egészségügyi területeken az AI hibája súlyos. Ezekben emberi felügyelet kötelező legyen.
- Strukturált, jól szabályozható adat — ha az input szigorúan formált (pl. Excel-táblázat fix oszlopokkal), a klasszikus megoldás gyorsabb, olcsóbb, megbízhatóbb.
- Kis volumen — havi 5-10 alkalommal előforduló feladatra ne építs rendszert. A bevezetési költség (200 ezer-1 millió forint) sosem térül meg.
- GDPR-érzékeny adat, és nincs európai opció — érzékeny ügyfél-adatoknál a szabályozási követelmények néha kizárják az AI-szolgáltatókat. Részletesen a GDPR és AI cikkben.
Mire figyelj a bevezetésnél?
Az első tipp: kezdj kicsiben. Az első AI workflow legyen egy egyszerű, jól körülhatárolt feladat. Ne próbálj egyből 10 lépéses, sok rendszert érintő mega-workflow-t építeni. A „kis lépésekben” elv itt is működik: egy 2-3 lépéses workflow-t élesítesz, futtatod 1-2 hónapot, finomítod, aztán bővíted.
A második: tervezz fallback-et. Az AI néha hibás kategorizál, néha nem ad választ, néha leáll az API. A workflow-nak ezekre fel kell készülnie: ha az AI nem ad valid eredményt, ember kapja meg, ne kerüljön rossz adat a célrendszerbe.
A harmadik: monitorozás és logolás. Minden AI-csomópont kimenete legyen elmentve. Heti / havi szúrópróba: a kategorizálás pontos volt? A kinyert adat helyes? Hibás minták esetén javítsd a promptot vagy a tudásbázist.
A negyedik: verziókövetés. A prompt-jaidat, a workflow-konfigurációkat tartsd Git-ben vagy hasonló verziókövetésben. Egy hónap múlva nem fogsz emlékezni, miért éppen úgy állítottad be.
Az ötödik: költség-monitorozás. Az AI-csomópontok költsége gyorsan kúszik. Heti / havi token-számlálás, és minden új workflow esetén készíts becslést, mennyibe kerül havonta. Részletesebben az OpenAI API cikkben.
A hatodik: kollégák bevonása. Az AI workflow olyan munkafolyamatokat változtat meg, amiket a kollégák ma kézzel csinálnak. Ne meglepetésként vezesd be — előzetes kommunikáció, képzés, és átmeneti időszak (párhuzamos kézi + AI) sokat segít.
Ha cégednél AI workflow-t szeretnél bevezetni — sales-folyamat, számla-feldolgozás, ügyfélkommunikáció, riporting —, az AI és automatizáció szolgáltatásunk pont erre épül: feltárás, tool-választás, prompt-tervezés, élesítés. Egy ügyfél-felé néző workflow-ra (chatbot) a chatbot fejlesztés az induló pont.
