A hangulatelemzés (sentiment analysis) az a technika, amellyel egy szöveg érzelmi színezetét mérjük — pozitív, negatív, semleges, vagy finomabb skálán (lelkesedés, frusztráció, harag, elégedettség). A klasszikus alkalmazás a vásárlói visszajelzések, social media-poszt, ügyfélszolgálati üzenetek automatikus elemzése — ahelyett, hogy valaki kézzel olvasná át mind az 5000 havi üzenetet, az AI kategorizálja és kiemeli a problémás eseteket. 2026-ban a modern LLM-ek (GPT-4o, Claude) annyira jól értenek hozzá, hogy speciális modellt sok cégnek nem érdemes építenie.
Így is ismerheted
Magyarul hangulat-elemzés, érzelem-elemzés, vélemény-elemzés. Angolul sentiment analysis, opinion mining, emotion detection. Az NLP (natural language processing) egyik klasszikus alfeladata.
Mire jó cégeknek?
Néhány klasszikus felhasználási mód:
Ügyfélszolgálati ticket-priorizálás: a negatív hangulatú üzenetek priority-szintet kapnak — gyorsan eljutnak humán kollégához.
Vélemény-monitor: a webshop-vélemények, Google-értékelések, Facebook-kommentek automatikus elemzése. Hol vannak panaszok?
Social media-monitoring: a brand említései a Twitteren / Facebookon — pozitív vagy negatív kontextus?
Call-center beszélgetés-elemzés: a hang-átirat alapján melyik ügyféllel volt baj.
NPS / vásárlói visszajelzés: a nyitott válaszok automatikus kategorizálása.
Belső kollégai elégedettség: pulse survey-k automatikus elemzése.
Hogyan működik?
A modern megközelítés egyszerű: egy LLM-nek (GPT-4o-mini, Claude Haiku) odaadod a szöveget egy promppal, és kapsz egy strukturált választ:
Prompt: "Elemezd az alábbi ügyfél-üzenet hangulatát, és add a választ JSON-ban:
{
hangulat: 'pozitív' | 'negatív' | 'semleges',
intenzitás: 1-5,
fő_érzelem: 'lelkesedés' | 'frusztráció' | 'harag' | 'elégedettség' | 'közömbös',
kulcs_pontok: [...]
}
Üzenet: '...'"A klasszikus „szabály-alapú” sentiment-detekció (pozitív/negatív szókészlet) ma már kevésbé hatékony — a modern LLM-ek a kontextust is értik (irónia, szarkazmus, finomabb árnyalatok).
Tipikus integrációk
- Help-desk + sentiment: Zendesk, Intercom, Freshdesk — a beérkező ticket-eken priority-szabály.
- Social listening + sentiment: Brand24, Mention, Sprout Social.
- Webshop-vélemény-elemző: Trustpilot, Google Reviews, saját termék-vélemények.
- Call center átirat + sentiment: Whisper + GPT kombináció.
- CRM-integráció: minden ügyfél-üzenet hangulata a HubSpot / Salesforce kontaktján.
Mibe kerül?
- LLM-tokenenként: GPT-4o-mini ~$0.0001 üzenetenként. 10000 üzenet havonta = ~$1.
- Kész SaaS (Brand24, Sprout): $50-300/hó.
- Custom integráció: 200 ezer-1 millió forint kezdeti fejlesztés.
Az alap-szintű sentiment-detekció szinte ingyenes — egy nagy ROI-területe az AI-bevezetésnek.
Mire figyelj?
Az első tipp: magyar nyelv támogatás. A GPT-4o-mini és Claude Haiku jól dolgozik magyarul. Régebbi modellek (BERT-magyar) kevésbé.
A második: kontextus. „Ez fantasztikus” — ha irónikus, valójában negatív. A modern LLM-ek értik az iróniát, de tesztelj.
A harmadik: nem csak bináris. A pozitív/negatív kategória sokszor kevés. Próbálj 5-pontos skálát, vagy érzelem-specifikus kategóriákat.
A negyedik: akciómátrix. A sentiment-elemzés önmagában keveset ér — az akció a fontos. Mit csinálsz egy negatív üzenettel? Eszkalálás, telefonálás, válaszadás 1 órán belül?
Az ötödik: GDPR. A vásárlói üzenetek személyes adatok. Európai régiós feldolgozás, audit-naplók. Részletesen a GDPR és AI cikkben.
Ha cégednél hangulatelemzést szeretnél bevezetni — ügyfélszolgálati priorizálás, vélemény-monitor, social listening —, az AI és automatizáció szolgáltatásunkból induljunk. Kapcsolódó: strukturált AI válasz, AI meeting összefoglaló.
