Vezetői döntés nélkül az AI-képzés nem hoz eredményt

Röviden

• A képzés üzleti döntés és mérés nélkül könnyen költség marad.
• Az elfogadást a kockázatészlelés, a teljesítményvárakozás és az erőfeszítésérzet befolyásolja.
• A következő lépés a szerepalapú tanulási út és a korai megfelelés.

Egyre több vezetőség ad zöld lámpát belső AI-tréningekre, mégis sok szervezetben hónapokkal később is alig változik a működés. Elindulnak az eszközbemutatók és promptműhelyek, de a használat nem épül be tartósan a napi folyamatokba, mert a tanulás nincs konkrét üzleti döntésekhez, folyamatokhoz és felelősségi körökhöz kötve. Ha ráadásul a megfelelési és jogi szempontok csak később jelennek meg, az új korlátozások könnyen újratervezésre kényszerítik a programot. Ennek ára nemcsak idő és pénz, hanem elvesztett vezetői bizalom és reputáció is lehet. Egy cégvezető ezért nem pusztán egy sikertelen képzést kockáztat, ha az AI-fejlesztést nem a működési modellbe ágyazza, hanem azt is, hogy a szervezet jelentős befektetés mellett sem jut el a mérhető üzleti alkalmazásig.

A mesterségesintelligencia-képzéshez világos üzleti cél, mérőszám és felelős kell, különben az oktatás nem fordul át működési változássá. Ez a szemlélet abból indul ki, hogy a technológia nem stratégia, az érték a döntésnél születik. Ezt hangsúlyozta a DIG-IT korábbi elemzése is: a digitális fejlesztések akkor hoznak eredményt, ha döntés vezeti őket, cél, bázis és határidő mellett, és a megfelelés a tervezés része (Digitális transzformáció értéket akkor hoz, ha döntés vezeti). Cikkünk fő tétele ennek folytatása: a vállalati AI-képzés csak akkor lesz több „AI-ismertetőnél”, ha a működési módváltás része, és üzleti mutatókon méri magát.

A kutatás nem a tréningek hatékonyságát méri, de erős mintát ad a célzásról. A Journal of University Teaching and Learning Practice folyóiratban 2025-ben megjelent, magyar szerzők által jegyzett tanulmány nagy mintán vizsgálta az AI-eszközhasználatot a hazai felsőoktatásban, és jelentős különbségeket talált a használatban tantárgytípus, nem, képzési szint és szakterület szerint (Rajki–Dringó-Horváth–Nagy, 2025). A szerzők szerint az AI-használat területeit és a gátló tényezőket főként a kurzustípus és a nem befolyásolja, a tudásszintet pedig erősen a kurzustípus. Vállalati nyelvre fordítva ez arra utal, hogy az értékesítés, a jog, a termelés vagy a pénzügy más kompetenciapályát és más példatárat igényel. Az egységes, minden szerepkörre azonos program helyett ezért szerepalapú, szakterületre szabott tanulási utakat érdemes építeni.

Az elfogadás pszichológiája sem hagyható ki. A Cogent Education folyóirat 2024-es tanulmánya azt találta, hogy az AI elfogadását erősen befolyásolja a kockázat észlelése, a teljesítményvárakozás és az erőfeszítésvárakozás, és a viselkedési szándék moderáló szerepet játszik, vagyis befolyásolja az egyes összefüggések erősségét (Nagy–Tumiwa–Arie–Erdey, 2024). Vállalati tréningre lefordítva ez annyit tesz, hogy az oktatási programnak nemcsak tudást kell adnia, hanem láthatóvá kell tennie az eredményeket, csökkentenie kell a belépési erőfeszítést, és kézzelfoghatóan kell kezelnie a kockázati félelmeket. Ha a belső kommunikáció konkrét teljesítményígéretet fogalmaz meg, a bevezetés pedig alacsony küszöbű, jól támogatott első használati esetekre épül, a részvételi szándék nagyobb eséllyel fordul át tartós használatba. Ez az a pont, ahol a képzés már a viselkedést és a működést formálja.

Ahol a képzés valódi kompetenciát épít, ott általában két dolog közös: az egységes nyelv és a gyakorlati feladat. Nem elég „megmutatni egy eszközt”, a tanulónak a saját munkakörében kell eredményt elérnie. Ezt támasztja alá egy másik oktatási példa is: az AI Magazine 2025-ös beszámolója szerint a Georgia állami középfokú program kilenchetes, egységes tananyagot és tanárképzést épített, eddig több mint 1600 diákot és 20 tanárt vont be, a tanterv pedig nemcsak AI-műveltséget ad, hanem alkotó szemléletet is erősít (Touretzky és mtsai., 2025). A vállalati párhuzam kézenfekvő: a tréning nem egyszeri előadás, hanem szerepalapú modulokból, oktatói támogatásból és valós, mérhető mini-projektekből álló program. A fókusz így az eredményen marad, nem az eszközök kipróbálásán.

Szegmentált kompetenciatérkép, nem eszközlista

Keretrendszer is kell, amely megmondja, mit és milyen mélységben érdemes tudni. A Scientific Reports 2026-os tanulmánya átfogó, AI-val kiegészített digitális műveltségi keretrendszert javasol négy pillérrel, a számítási alapkompetenciáktól az etikus digitális állampolgárságon és a társadalmi hatások megértésén át az élethosszig tartó tanulásig, a tanulási lépcsőket pedig Bloom taxonómiájához igazítja (Altamimi–Abu Al-Hija’a, 2026). Bár a célcsoport középfokú oktatás, a szerzők egy strukturált és adaptálható alapot írnak le, amely iránytű lehet egy vállalati képességmátrix felépítéséhez. A lényeg nem az, hogy „mindenki promptoljon”, hanem hogy világos legyen a kompetenciák sorrendje, a haladás mérése és az üzleti alkalmazásokhoz való kötés. Ha a kompetenciatérkép szerepkörökhöz, kockázati szintekhez és adat-hozzáférési jogosultságokhoz kötött, a képzés nem csak tudást ad, hanem kontrollált, biztonságos működést is.

A szervezeti kínálat és a felhasználói igény gyakran nincs összhangban. Egy magyar felsőoktatási vizsgálat szerint a hallgatói fogadókészség meghaladja az intézményi AI-kínálatot, a fő gátak a tudáshiány és a finanszírozási korlátok, és a tantervi érdeklődés összefügg az intézményi elégedettséggel (Varga–Fügedi, 2026). Ha ezt vállalati tükörben nézzük, könnyű felismerni a mintát. A munkatársak lelkesek, kipróbálnák az AI-t, de a szervezet nem hoz létre elérhető, jó minőségű képzési utakat, nincs időkeret és támogatott eszköztár, az etikai és adatvédelmi elvek pedig nem válnak mindennapi gyakorlatként tanulhatóvá. Ilyenkor a tanulási motiváció kifut, az ár pedig rejtett: kerülőutak, árnyékeszközök, adatkezelési kockázat.

A megfelelés nem zárójeles téma. A DIG-IT korábbi cikke szerint a digitális kezdeményezéseknél a későn bevont jogi és biztonsági kontroll jellemzően újratervezést és csúszást okoz, ezért a megfelelés a tervezés része kell legyen (ugyanott). A megfelelés ma már az AI használatára is kiterjed: dokumentáció, emberi felügyelet, a felhasznált adatok minősége és az alkalmazás kockázati besorolása mind olyan szempont, amelyet a program elején kell tisztázni, különösen érzékeny területeken, például toborzásnál, hitelezésnél vagy minőségellenőrzésnél. Ha a megfelelési elvek a tananyag részei, a képzés egyben kockázatmenedzsment is, nem utólagos fék.

A szabályozási környezet következetessége vállalati szinten is pénz. A DIG-IT innovációs politikáról szóló elemzése arra jutott, hogy az érték nem egyetlen eszközön múlik, hanem azon, mennyire következetes az eszközök együttállása és mennyire kiszámítható a keret, különben a végén többletköltség és csúszás lesz a jutalom (Innováció akkor fizet, ha a politika következetes). Ugyanez igaz az AI-képzésre: ha a belső AI-szabályzat, az adatkezelési rend és a beszállítói kontroll nincs a tananyagba építve, a program később ütközik, és újratervezésbe fordul. Ha viszont a szabályok a kezdetektől jelen vannak, a tanuló gyorsabban és biztonságosabban tud élesben dolgozni.

A vezetői felelősség a mérésnél dől el. A DIG-IT szemlélete szerint a digitális fejlesztéseknél a teljes tulajdonlási költség (TCO) mellé oda kell tenni a teljes vállalati értéket is. Egy AI-képzési modul esetén nem elég a licenc- és oktatási költséget nézni. Mérni kell az időmegtakarítást, a konverziót, a hibaarányt, az ügyfélkiszolgálás gyorsulását, és hogy ezek hogyan jelennek meg a bruttó árrésben, a készpénzciklusban, a készletforgásban vagy a produktivitásban (DIG-IT elemzés). Ha ezek egy vezetői rendszerben együtt látszanak, a képzés többé nem vélemények és technológiai preferenciák vitája, hanem üzleti teljesítménykérdés. Így a képzés nem költséghely, hanem befektetés, amelynél a folytatás vagy leállítás is adat alapon dönthető el.

A DIG-IT olvasata

A DIG-IT olvasata szerint az AI-képzés sikerének három feltétele van. Először, üzleti döntéshez kell kötni, világos célértékkel és mérési tervvel, különben a tudás nem fordul át viselkedéssé és eredménnyé. Másodszor, szegmentált kompetenciapályát érdemes építeni, amely illeszkedik a munkakörhöz és a kockázathoz, és alacsony küszöbű első használati esetekkel kezdi a bevezetést. Harmadszor, a megfelelés, az adatkezelés és a beszállítói kontroll a tananyag része, nem utólagos kontroll, mert a szabályok hitelesítik az AI használatát és csökkentik a kockázatészlelést. Aki ezt portfólióban vezeti, és az eredményeket a vállalati mutatókra teszi, az gyorsabban fordítja a tanulást bevétellé, költségcsökkenéssé vagy kockázatmérsékléssé.

A végén a kérdés egyszerű, és vezetői. Kié a cél, kié a mérés, kié a felelősség. Aki a képzést eszközlistáról képességmátrixra emeli, és a következetes szabályi környezethez illeszti, annak az AI nem tréning marad, hanem működési gyakorlat. A többieknek marad a jó szándék és a visszatérő újratervezés. A részletekbe vágóbb keretekről és döntési szempontokról a DIG-IT elemzései adnak további fogódzót: a döntés-vezérelt digitális transzformációról és az innováció és szakpolitika kapcsolatáról érdemes elsőként kezdeni.

DIG-IT Podcast szerkesztőség - All rights Reserved.