Mit csinál egy AI specialista? Skillek és napi feladatok cégeknek

TLDR - Rövid összefoglaló

• KKV-ban az AI specialista hibrid szerep: üzleti döntésekből csinál mérhető automatizmust.
• A különbség az AI power userhez képest a standardizálás, integráció, mérés és bevezetés.
• A feladatok: use case priorizálás – workflow – tudásbázis – automatizálás – minőségbiztosítás – rollout.
• A szükséges skillek 4 pillérben: üzlet – adat – LLM gyakorlat – implementáció.
• 30–60–90 napos keretben érdemes mérni a teljesítményt, nem „prompt számokkal”.

AI specialista skillek és feladatkörök – mit várhatsz tőle KKV-ként?

Az „AI specialista” cím az elmúlt 1-2 évben gyorsan felkapott lett, de a KKV-k többségénél nem a cím a kérdés, hanem a haszon: mit fog ez az ember ténylegesen megcsinálni, milyen kompetenciákkal, és milyen üzleti eredményt kell hoznia.

A jó AI specialista nem attól jó, hogy sok eszközt ismer, hanem attól, hogy képes üzleti folyamatokból automatizálható döntéseket csinálni, mérhetően. KKV-ként pedig különösen fontos, hogy ne „AI kísérletezés” legyen belőle, hanem egy olyan működési rendszer, ami időt, pénzt vagy kockázatot csökkent.

Ha a nagy képet szeretnéd hozzá, érdemes átfutni a Mesterséges intelligencia, ChatGPT és Gemini pillar oldalt – ebben a cikkben viszont kifejezetten a szerepkörre, skillekre és a „mit csináljon holnap reggel” szintre megyünk rá.

Mit jelent valójában az, hogy AI specialista?

KKV-környezetben az AI specialista tipikusan hibrid szerep. Ritkán data scientist, ritkán full-stack fejlesztő, és nem is „promptoló”. Inkább olyan ember, aki összeköti az üzleti oldalt a technológiával, és közben rendet rak az adatok, folyamatok, mérések körül.

Érdemes úgy nézni, hogy az AI specialista három kérdésre ad választ:

• Hol van a cégben olyan folyamat, ahol az AI üzleti értéket teremt?
• Hogyan építjük meg úgy, hogy ismételhető és mérhető legyen?
• Hogyan tesszük biztonságossá és bevezethetővé a csapat számára?

AI specialista vs. AI „power user” – hol a határ?

Sok cég ott csúszik el, hogy egy ügyes kolléga, aki jól használja a ChatGPT-t, megkapja az „AI felelős” szerepet. Ezzel nincs baj, ha a cél a produktivitásjavítás egyéni szinten. A gond akkor jön, amikor már folyamatokról, ügyféladatokról, automatizálásról és minőségről beszélünk.

Egy AI specialista tipikusan nem csak használja az eszközöket, hanem:

• standardokat és sablonokat épít (prompt library, knowledge base, playbook)
• minőséget mér (tesztkérdések, hibaarány, review folyamat)
• integrál rendszerekkel (CRM, ügyfélszolgálat, webshop, dokumentumok)
• tréningez és bevezet (csapat, szabályok, governance)

Ha a csapatod még az eszközhasználat alapjainál tart, akkor a ChatGPT oktatás és tanfolyam oldal jó belépő lehet, mert az AI specialistának később is az a dolga, hogy a közös minimumszint meglegyen.

Tipikus AI specialista feladatkörök KKV-ban

Az alábbi feladatok nem „egyszerre”, hanem fázisokban szoktak jönni. A jó AI specialista először fókuszt teremt, nem backlogot.

• Use case térkép készítése
  Nem „mit tud az AI”, hanem „hol folyik el idő/pénz/kockázat”. Tipikusan: ügyfélszolgálat, ajánlatadás, riportolás, tartalom-előkészítés, belső tudáskeresés, admin.
• Folyamat- és döntéslogika tisztázása
  Mielőtt automatizálunk, le kell írni: mi a bemenet, mi a kimenet, mi a jó válasz, hol kell emberi kontroll.
• Tudásbázis és tartalmi alapok rendbetétele
  AI-rendszer rossz adatokból rossz választ ad. KKV-ban ez gyakran fájó pont, de pont ezért van nagy nyereség.
• Prompt és workflow standardizálás
  Sablonok, példák, stílus- és márkanyelv, ellenőrzőlista. Ez az, ami skálázza a csapat használatát.
• Automatizálások és integrációk
  Email feldolgozás, ticket triage, dokumentum-összefoglalás, termékleírás előkészítés, meeting notes, CRM-adatfeltöltés. Itt az AI specialista gyakran együtt dolgozik fejlesztővel vagy no-code eszközökkel.
• Minőségbiztosítás és mérés
  Tesztkészlet, hibakategóriák, visszajelzési kör, kontrollpontok. Ez különbözteti meg a „demo”-t a működő rendszertől.
• Bevezetés és változásmenedzsment
  Ki mit használ, mire, milyen szabályokkal. Az AI specialista feladata, hogy a csapat ne „random” módon használja, hanem közös keretben.

Skill-mátrix: milyen skillek kellenek egy jó AI specialistának?

KKV-szinten a legjobb AI specialisták ritkán mélyülnek el egyetlen dimenzióban. Inkább T-shape logikával működnek: van egy erős „gerinc” és több használható kiegészítő kompetencia. A T-shape szemléletről külön is érdemes olvasni: Mit jelent a T-shape szakértő, szakember?

A gyakorlatban 4 pillérben érdemes gondolkodni:

• Üzleti és stratégiai skillek
  Folyamatgondolkodás, priorizálás, ROI-számítás alapjai, stakeholder kezelés. Az AI specialista akkor hasznos, ha nem „funkciókat”, hanem döntéseket szállít.
• Adat- és rendszerszemlélet
  Milyen adat hol keletkezik, mi a megbízható forrás, hogyan csökkented a hibát és duplikációt. KKV-ban ez sokszor a legnagyobb gyors nyereség.
• AI/LLM gyakorlati kompetenciák
  Promptolás mint rendszer (nem varázslat), értékelés, guardrails, dokumentum-alapú tudás (RAG logika), agent-szemlélet. Nem kell mindent mélyen tudni, de a mintázatokat igen.
• Implementáció és működtetés
  Automatizmusok, integrációk, dokumentálás, tréning, rollout. A „működik nálam” nem eredmény, a „működik a csapatnál” az.

Mit kellene leszállítania 30–60–90 nap alatt?

Ez az a keret, ami segít elkerülni, hogy az AI specialista „kísérletezzen”, miközben a cég eredményt vár.

• 30 nap
  5–10 use case priorlista, 1 kiválasztott fókuszfolyamat, mérési terv, alap szabályok (adatkezelés, jóváhagyás, tiltott tartalmak).
• 60 nap
  1–2 működő pilot, dokumentált workflow-val, tesztkészlettel, és egyértelmű csapat-visszajelzési körrel. Itt már legyen látható időmegtakarítás vagy minőségjavulás.
• 90 nap
  1 stabilizált megoldás, amit nem egy ember tart életben. Legyen onboarding anyag, legyen kontroll, és legyen dashboard szintű mérés (akár egyszerűen is).

Mik a jó KPI-ok AI specialistánál?

A rossz KPI az, hogy „mennyi prompt készült”. A jó KPI mindig üzleti és működési.

• időmegtakarítás (óra/hét szerepkörönként)
• hibaarány csökkenése (ticket, adatbevitel, ajánlat)
• átfutási idő rövidülése (ajánlatadás, válaszidő, riport)
• adoption (hányan használják valóban, milyen gyakran)
• kockázatcsökkenés (kevesebb téves kommunikáció, jobb kontroll)

A cél az, hogy az AI ne „extra”, hanem infrastruktúra legyen.

Mikor ne AI specialistát keress?

Van pár tipikus helyzet, amikor a szerepkör félremegy:

• nincs kijelölt üzleti cél, csak „legyünk AI-osak”
• a folyamatok nincsenek leírva, így nincs mit automatizálni
• az adatminőség vállalhatatlan, és senki nem akar hozzányúlni
• nincs idő csapatszintű bevezetésre, csak „valaki oldja meg”

Ilyenkor sokszor előbb egy rövid diagnózis és fókuszteremtés kell. Ha szeretnéd, ebben tud segíteni a SKOOL közösség is, mert ott rendszerben szoktuk nézni, mi az a 1–2 folyamat, ami a leggyorsabban hoz értelmezhető eredményt.

A témához kapcsolódó YouTube videó is jól kiegészíti ezt a szemléletet, és a cikk végi Instagram poszt is kapcsolódik ehhez – menthető skill- és feladatkör checklist formában.

‍

5 tipp, amit azonnal használni tudsz

1. Ne szerepkört vegyél, hanem 1 fókuszfolyamatot
   jelölj ki egy területet, ahol a legnagyobb az idő- vagy hibaveszteség

2. Írd le a „jó kimenetet” még a pilot előtt
   mi számít jó válasznak, mi a tiltott, hol kell emberi kontroll

3. Kötelező elem: tesztkészlet és review folyamat
   anélkül nincs stabil működés, csak szerencse

4. A bevezetést tekintsd külön projektnek
   onboarding, sablonok, szabályok, és minimum elvárt használat

5. T-shape szemléletet keress
   ne csak es said: legyen egy mély terület és több használható kiegészítő skill

Összefoglaló

Az AI specialista KKV-ban akkor ad valódi értéket, ha a technológiát nem önmagában kezeli, hanem üzleti rendszerként. A szerepkör lényege a priorizálás, a standardizálás, a mérés és a bevezetés, mert ettől lesz a pilotból működő folyamat.

Ha szeretnéd, a következő lépésként össze tudunk rakni egy rövid, 60 perces „AI use case és prioritás” keretet, amiből kijön, hogy a cégednél melyik 1–2 folyamatot érdemes elsőként megfogni, és milyen skill-kombináció kell hozzá. A SKOOL csoportban pedig ilyen döntési kereteket és checklisteket rendszeresen megosztok, a kapcsolódó Instagram és YouTube tartalmak pedig segítenek gyorsan átültetni a gyakorlatba.