Megbízható mesterséges intelligencia vezetői felelősséggel és emberi felügyelettel
Röviden
- Az MI eszköz, a felelősség mindig embernél marad, hangzott el a beszélgetésben.
- A tét pénz, kockázat és idő, az EU-szabályozás keretében vezetői döntéssel.
- Következő lépés az adatkezelés, szerepkörök és leállítási pontok rendezése, szakértőkkel.
Egy konkrét kérdésből lett éles üzleti helyzet: ha egy MI-vel támogatott távműtét hibázik, ki a felelős érte. A DIG‑IT Podcast vendégei, Halász Rita, a DigitalTech EDIH tanácsadója és a Blockchain Magyarország Egyesület elnöke, valamint Spiczmüller Bence fintech és blockchain jogi és szabályozási tanácsadó abban egyetértettek, hogy a mesterséges intelligencia eszköz marad, a felelősség pedig embernél. Nem az a kérdés, hogy mit tud egy modell, hanem az, hogy a folyamat átlátható-e, vannak-e beépített megállítási pontok, és ki a kijelölt döntéshozó, akinek számonkérhető a döntése. A beszélgetés ezekre a gyakorlati dilemmákra tette a fókuszt, nem elvont elvekre.
Ez ma forintban mérhető kockázat és idő. Aki MI-t vezet be, annak meg kell határoznia, milyen üzleti célból, milyen folyamatban és milyen felelősségi rendben teszi. A fő tétel egyszerű: megbízható mesterséges intelligencia vezetői döntéssel, emberi felügyelettel és dokumentált folyamattal épül. A keretet európai szabályok adják, de a költség, a kompromisszum és a tempó a vállalatnál marad. Erről szólt a műsor, és ez a gyakorlat döntési nyelve is.
Kiszámíthatóság, felelősség, magyarázat
Spiczmüller szerint a megbízhatóság nem azt jelenti, hogy minden azonos bemenetre azonos kimenet jön. Azt jelenti, hogy a folyamat átlátható és visszakövethető, és kár esetén legyen ember, aki felel a döntésért. Halász arra emlékeztetett, hogy az Európai Bizottság 2018-ban felálló szakértői csoportja emberi felügyeletet, az emberi autonómia tiszteletben tartását, magyarázhatóságot, adatvédelmet és műszaki stabilitást jelölt meg alapelvként. A gyakorlatban ez azt kéri számon, hogy legyen, aki észleli az eltérést, és legyen joga beavatkozni. A megbízhatóság így nem ígéret, hanem működtetett, ellenőrizhető folyamat, kijelölt szereplőkkel.
A műsorban elhangzott egy vezetői kérdés is: ha ugyanarra a promptra eltérő eredmény jön, lehet-e megbízható az eszköz. A válasz a tervezés és a tesztelés: a fejlesztés része, hogy ismert legyen, mikor mi változik, és ezt dokumentálják. Ha a harmadik próbán más az eredmény, meg kell tudni mondani, miben tért el a bemenet vagy a folyamat. A visszafordíthatóság és a megállítás lehetősége épp ezért nem opcionális kiegészítő, hanem a felelősség feltétele.
Szabályozási tér és üzleti döntések
A beszélgetésben több szabály is előkerült: a kriptoeszközök piacáról szóló MiCA, a NIS2, a DORA és az AI Act. A vállalkozói kérdés nem az, hogy ezek közül „melyik rám”, hanem az, hogy az adott termék vagy folyamat mely pontjain keletkezik megfelelési kötelezettség. A vendégek szerint a megfelelés egy komplex mátrix, amelyben nem életszerű mindent fejből tudni. Ezért kell a tudatosság, az együttműködés és a dokumentált döntés, különösen nagy kockázatú alkalmazásoknál.
Felmerült az is, hogy a kkv-k sokszor hátrányból indulnak: nincs külön megfelelési vagy kockázatkezelési csapat, az ügyvezetésre marad a funkció. Ilyenkor értéket adnak az olyan kezdeményezések, mint a DigitalTech EDIH és az EDIH-hálózat, ahol szemléletformáló workshopok és képzések érhetők el. Halász elmondta, hogy a jogi tematikák nem jogászoknak készülnek, eligazodást adnak a hatály, a határidők és a gyakorlati alkalmazás megértéséhez. A cél az, hogy a vállalkozás időben rögzítse, mire és hogyan használ MI-t, és ezt vissza is tudja mutatni.
A vendégek tapasztalata szerint sok cég még nem tart önálló MI-stratégiánál. Érdemes előbb üzletfejlesztési célt tisztázni, és csak utána a technológiát választani. Nagy kockázatú felhasználásnál a kérdés mindig az, hogy a megfelelés költsége arányban áll-e a várható eredménnyel. Ezt nem lehet a bevezetés végén pótolni, mert a felelősségi rend és a dokumentáció már a tervezéstől része a projektnek.
Gyakorlati sarokkövek a megbízható MI-hez
A beszélgetés négy visszatérő pontot emelt ki: adatvédelem, adatbiztonság, felelősségi körök és dokumentáció. Ezek együtt adják a magyarázhatóságot és az elszámoltathatóságot. Ha egy rendszer döntést támogat, a folyamatba olyan biztosítékok kellenek, amelyek észlelik az eltérést és lehetővé teszik a beavatkozást. Ez akkor is igaz, ha a kimenet eleve valószínűségi természetű, és a modell nem determinisztikus választ ad.
A napi működésben ez egyszerű lépésekre fordítható. Az adattérkép nem adminisztráció, hanem üzleti vagyonleltár is, amely megmutatja, miből dolgozik a rendszer, és ki fér hozzá. A szerepkörök rögzítése kijelöli, ki, mikor és hogyan dönthet a beavatkozásról. A tesztelés nemcsak a pontosságot vizsgálja, hanem a visszakövethetőséget is: mi történt másként, és ez hogyan látszik a naplóban. Így lesz az MI-ből nemcsak erős eszköz, hanem kiszámíthatóan működtetett megoldás.
A DIG‑IT olvasata szerint a megbízható mesterséges intelligencia nem technológiai címke, hanem vezetői döntéssor eredménye. A sorrend számít: előbb az üzleti cél és a kockázatok vállalása, utána a rendszer. Aki rendet tesz az adatokban, a szerepekben és a leállítási pontokban, az a kockázat nagy részét már a modell kiválasztása előtt kézben tartja. Erről szólt a beszélgetés, és ma ez a különbség a kísérletezés és a működő megoldás között.
Kapcsolódó cikkeink
A témával kapcsolatos tudományos cikkek
- Igor Calzada, Géza Németh, Mohammed Salah Al-Radhi (2025): Trustworthy AI for Whom? GenAI Detection Techniques of Trust Through Decentralized Web3 Ecosystems. Big Data and Cognitive Computing. doi.org/10.3390/bdcc9030062
- Maroua Zalfani, Edit Süle, Mohamad Bakar (2026): Human-Centered AI for Decision Support Systems: Enhancing Usability and Trustworthiness. Systems. doi.org/10.3390/systems14060651
- Gyula Szabó (2026): Embedding ethical governance in personal AI systems: design and evaluation of a user-centred oversight agent. AI and Ethics. doi.org/10.1007/s43681-026-01193-1
- Ahmed Shihab Albahri, Yahya Layth Khaleel, Mustafa Abdulfattah Habeeb (2023): The Considerations of Trustworthy AI Components in Generative AI; A Letter to Editor. Applied Data Science and Analysis. doi.org/10.58496/adsa/2023/009
- Fekadu Agmas Wassie, László Péter Lakatos (2024): Artificial intelligence and the future of the internal audit function. Humanities and Social Sciences Communications. doi.org/10.1057/s41599-024-02905-w
- Ferenc Orbán, Ádám Stefkovics (2025): Trust in artificial intelligence: a survey experiment to assess trust in algorithmic decision-making. AI & Society. doi.org/10.1007/s00146-025-02237-6
- Benceur Amirian, Tarek I. Zohdi, Bilen Emek Abali et al. (2026): Trustworthy artificial intelligence in advanced manufacturing. Progress in Materials Science. doi.org/10.1016/j.pmatsci.2026.101846
DIG-IT Podcast szerkesztőség - All rights Reserved.