Valódi projektek, mérhető eredmények

A helyzet

Kétféle probléma volt, és mindkettő az ügynökség növekedésének falába ütött. Az egyik: a briefingektől a kész szövegekig átlagosan két és fél hét telt el. A szövegírók órákat töltöttek ismétlődő feladatokkal, variánsok gyártásával, verziók összeolvasásával, és a kapacitás nem bővíthető lineárisan emberek felvételével.

A másik, kevésbé látható probléma: rengeteg kreatív ötlet maradt az asztalon, mert megvalósítani drágán lehetett. Interaktív mikrooldalak, személyreszabott generátorok, egyedi kampányeszközök, ahhoz, hogy egy szövegíró vagy art director elképzelését kódba öntsék, fejlesztőre volt szükség, hetekre és jelentős büdzsére. A kreatív csapat önkorlátozóvá vált: nem ötletelt olyat, ami nem férne a rendelkezésre álló fejlesztési kapacitásba.

A megközelítés

Két irányban dolgoztunk párhuzamosan. Az első: a szövegírói workflow gyorsítása prompt engineering és brand voice keretrendszer bevezetésével. Az ügynökség saját hangját lefordítottuk instrukció-blokkokra, amelyek minden AI interakcióba beépülnek, az eredmény konzisztens és rögtön használható kimenetek lettek, nem szeszélyes generált szövegek.

A második, nagyobb áttörést a Claude Code hozta. A kreatív csapat, szövegírók, art directorok, stratégák, megtanulták, hogyan tudnak kódolási tudás nélkül működő eszközöket, oldalakat, generátorokat építeni Claude Code segítségével. Ami korábban fejlesztői sprint volt, az most egy délután. Amit büdzsé miatt nem lehetett megcsinálni, azt most megcsinálják. A fantáziájuk felszabadult, mert az eszközök már nem korlátozzák, amit el tudnak képzelni.

Az eredmény

A szövegírói kapacitás megnőtt, de a nagyobb változás ennél mélyebb. Az ügynökség kreatív csapata ma olyan megoldásokat tud ügyfeleinek ajánlani és leszállítani, amelyeket korábban csak a nagyobb ügynökségek tudtak megengedni maguknak. A Claude Code eszközzé vált a kreatív munka kezében, nem technológia, amit külön kell kérni, hanem saját erő, amit bármikor be lehet vetni.

A helyzet

Az iroda három fronton vérzett egyszerre. Ajánlatírásban: egy közepes kompetitív ajánlat összerakása 3-5 napot vett igénybe, az anyag nagy részét az előző projektekből másolták kézzel. Adatkezelésben: a projektadatok, szerződések, alvállalkozói adatlapok és műszaki specifikációk különböző rendszerekben, Excel-táblákon és emailekben szétszórva éltek, összesíteni, egyeztetni, frissíteni kézi munkát igényelt. Pénzügyekben: a számlázás és pénzügyi riportálás manuális, lassú és hibalehetőségekkel teli folyamat volt, ahol a projektvezetők pénzügyi állapotát senki nem látta valós időben.

A megközelítés

Az AI Transformation Day után három területen dolgoztunk párhuzamosan, és mindhárom esetben egyedi eszközöket fejlesztettünk a cég konkrét folyamataira.

Az ajánlatíráshoz felépítettük az AI-asszisztált ajánlatkészítő workflow-t: a rendszer a korábbi projektek adataiból és a cég minőségi sablonjaiból dolgozik, a projektvezetőnek csak a specifikus adatokat kell megadni, a struktúra és a szöveg generálódik.

Az adatbázis-munkához automatizált összekötőket fejlesztettünk a szétszórt rendszerek között: projektstátuszok, alvállalkozói teljesítések és szerződéses határidők egyetlen nézetben, valós időben frissülve. Az adatminőség ellenőrzése és az anomáliák jelzése szintén automatizáltan történik.

A pénzügyi és számlázási folyamatokhoz egyedi eszközöket készítettünk: automatikus számlagenerálás a teljesítési adatok alapján, pénzügyi összesítők projektvezetőknek és vezetőségnek, valamint egy riportáló rendszer, amely az elszámolások státuszát valós időben mutatja.

Az eredmény

A mérnökök visszatértek a terepre. Az adminisztrációs és pénzügyi csapat ma nem adatokat keres és egyeztet, hanem döntéseket hoz és problémákat old meg. Az ajánlatok gyorsabban mennek ki, a számlák pontosabban és időben keletkeznek, a projektvezetők pedig először látják valós időben a saját projektjeik pénzügyi helyzetét.

A helyzet

A szálloda működésének nagy része tudásigényes: vendégek kérdeznek, kollégák kérdeznek egymástól, és az új munkatársak hetekig tartó betanítással váltak önállóvá. A tudás emberekben élt, nem rendszerben. Ha a tapasztalt recepciós szabadságon volt, az új kolléga nem tudta, hol van a szobaszerviz árlista, mi a late checkout szabálya, mikor zár a spa, és milyen allergia-opciókat kínál az étterem. A menedzsment minden részlegnek külön írt emaileket, a szabályzatok különböző mappákban léteztek, és senki nem volt biztos benne, melyik a legfrissebb verzió.

A megközelítés

Felépítettük a szálloda belső RAG (Retrieval Augmented Generation) rendszerét: egy olyan AI asszisztenst, amely a szálloda saját dokumentumaiból, szabályzataiból, árajánlataiból, étlapjaiból és eljárásrendjéből tud válaszolni, mindig a legfrissebb verzióból, és mindig megadja, honnan vette az információt.

A rendszer minden munkakörnek elérhető, de személyre szabottan: a recepciós a foglalási és vendégkezelési folyamatokat kérdezi, a házvezetés a takarítási protokollokat és felszerelés-nyilvántartást, az éttermi csapat az allergiainformációkat és étlapot, a menedzsment az összesítőket és operatív kérdéseket. Az adminisztrátornak elegendő feltölteni egy frissített dokumentumot, és az összes részleg azonnal az új verziót látja.

Az eredmény

Az onboarding rövidült, mert az új dolgozó az első naptól tud kérdezni és választ kapni, anélkül hogy kollégát kelljen megzavarnia. A vendégkiszolgálás minősége egyenletesebb lett, mert az információ nem függ attól, ki áll éppen a pultban. A menedzsment kommunikációja egycsatornás lett: feltöltik, és mindenki tudja.

A helyzet

A vállalatcsoport megvette a Microsoft Copilot for Microsoft 365 licenszeket a teljes magyarországi csapatnak. Hat hónappal a bevezetés után az aktív felhasználási arány 12% körül volt. Az IT tudta aktiválni a licenszeket, de senki nem tudta, mire való valójában, hogyan illik bele a mérnöki és adminisztrációs napi munkába. A csapat angolul dolgozott, a folyamatok multinacionális kontextusban zajlottak.

A megközelítés

Az adoption program három lépésből állt. Először felmértem a szerepkörönkénti use case-eket: mit csinál naponta egy mérnök, egy projektmenedzser, egy értékesítési munkatárs, és melyik Copilot funkció hoz ott azonnali értéket. Ezután szerepköralapú tréningeket tartottam angolul, kis csoportokban, mindenki a saját munkájával kapcsolatos konkrét feladatokon. A szervezeti részen is dolgoztunk: minden érintett részlegből azonosítottunk egy-egy power usert, akik strukturált motivációt és belső láthatóságot kaptak. Ők lettek a belső kommunikáció csatornái, akik a kollégákat nem elvont tréningen, hanem saját munkahelyi helyzeteken segítik. Végül megszerveztük a közös tudásmegosztást, hogy a részlegek között ne legyen információs siló.

Az eredmény

A licensz befektetés megtérült. A csapat nagy része ma napi szinten használja a Copilotot, és az önállóan megoldott kérdések száma hónapról hónapra nő. A power user hálózat működik: nem kellenek külső konzultáns az alapkérdésekhez.

A helyzet

A csapat sok időt töltött megbeszéléseken és emailezéssel. A meeting kultúra termelte az összefoglalókat, utánkövetéseket, státuszjelentéseket, mind kézzel írva. A különböző divíziók között az információ lassan áramlott, a belső tudás személyekhez kötötten élt, és az onboarding új kollégáknál hosszú volt, mert nem volt könnnyen hozzáférhető tudásbázis. A vállalat nagy, szétszórt szervezet volt, ahol a változást érzékenyen kezelték.

A megközelítés

A bevezetés két fronton zajlott párhuzamosan. Az egyik fronton a Microsoft Copilot for Teams és Outlook bevezetése: meeting összefoglalók, emailvázlat asszisztens, akciópontok automatikus nyomon követése. A másik fronton az AI-asszisztált belső tudásmegosztás: egy strukturált belső tudásbázis prototípusa, amelybe a leggyakrabban keresett információk kerültek. A csapatvezetők bevonásával zajlott minden lépés, és a változás kommunikációja épp annyira volt fontos, mint a technológia.

Az eredmény

A megbeszélések utáni adminisztrációs teher érezhetően csökkent. A meeting összefoglalók, akciópontlisták és emlékeztetők ma automatikusan keletkeznek, és a csapat arra koncentrálhat, amit az összefoglaló mond, nem arra, hogy ki írja meg. Az onboarding folyamat rövidült, és az új kollégák gyorsabban válnak önállóvá.

A helyzet

A cég rengeteg belső dokumentumot termelt az évek során: szabályzatok, eljárásrendek, szerződési sablonok, technikai kézikönyvek. Ezek az anyagok különböző mappákban, drive-okon, SharePointon éltek, részben elavultan, részben nehezen megtalálhatóan. Az operatív csapatokhoz naponta érkeztek ismétlődő belső kérdések, amelyekre valaki mindig manuálisan kereste meg a választ. Az onboarding folyamat hosszú volt, mert az új kolléga mástól tanulta meg, amit egy jól szervezett rendszerből maga is megtanulhatott volna.

A megközelítés

A projekt két fázisban zajlott. Az első fázisban felméréssel azonosítottuk a legmagasabb értékű dokumentumtípusokat és a leggyakrabban feltett belső kérdéseket. Ez alapján felépítettük a RAG-alapú (Retrieval Augmented Generation) AI tudásbázist: a rendszer valódi vállalati dokumentumokból húz, és pontosan hivatkozza, honnan vette az információt. A második fázisban a legtöbb ismétlődő adminisztratív folyamatra automatizált AI-asszisztenst fejlesztettünk, amelyet a csapat saját eszközein, böngészőből ér el.

Az eredmény

Az operatív csapatok felszabadultak az ismétlődő kérdések megválaszolásától. Az új kollégák önállóan tudnak tájékozódni a rendszerben, és az onboarding első napjaitól érdemi munkát végeznek. A belső kérdések nagy része ma az AI tudásbázison keresztül old meg, emberi beavatkozás nélkül.

A helyzet

A stúdió forgatókönyvei iránt rendszeresen érdeklődtek külföldi stúdiók, angol és német piacon egyaránt. A munkák magyarul kiválóak voltak: a dialógusok pontos ritmusa, a beatek elhelyezése, a karakterhangok következetessége és a szubtext kezelése együtt adták azt az érzelmi sűrűséget, ami miatt a külföldi felkérések érkeztek.

A fordítás azonban újra meg újra elveszítette, amit a magyar eredeti felépített. Nem az volt a probléma, hogy a tartalom megváltozott, a cselekmény, a szituáció, a mondanivaló mind átjött. Ami elveszett, az a párbeszédek lüktetése volt: az a pillanat, amikor egy sor épp akkor ér véget, amikor kell, amikor a szereplő hallgatása ugyanannyit mond, mint a szöveg, amikor egy punchline a ritmus miatt üt, nem csak a poén miatt. Angolul és németül másképp kell a dialógust felépíteni ahhoz, hogy ugyanolyan természetesnek hasson, mint magyarul, és ezt hagyományos fordítással nem lehet megoldani.

A megközelítés

A megoldás egy egyedi AI eszköz fejlesztése volt, amely nem a forgatókönyv tartalmát fordítja újra, hanem a dialógus stílusát adaptálja. A folyamat így néz ki a stúdió kezében:

A csapat feltölt öt angol nyelvű forgatókönyvet, amelynek párbeszéd-stílusához közel szeretnének kerülni, hasonló műfaj, hasonló hangnem, hasonló karakterdinamika. Az eszköz megvizsgálja ezeknek a dialógusoknak a DNS-ét: a mondatszerkezetek hosszát és variabilitását, a beatek és szünetek elhelyezkedését, a karakterhangok közötti kontraszt felépítését, a szubtext sűrűségét, az exposition természetességét és a jelenetek érzelmi ívét. Ezután a már lefordított dialógusokat, amelyekben a tartalom helyes, de az angolul való ütés hiányzik, átírja úgy, hogy a mondanivalón egy szót sem változtat, de a ritmus, a kadencia, a lüktetés és a természetességérzet egyezzen azzal, amit az öt referencia-forgatókönyv alapján elvárnak az angol piacon.

Ez nem sima fordítás és nem is generatív újraírás. Az eszköz stiláris kalibráció: a stúdió saját hangja marad, de az angol párbeszédek úgy szólnak, mintha angolul születtek volna.

Az eredmény

Az egyik forgatókönyv, amelyet az eszközzel adaptáltak angolra, felkerült a Netflixre. A stúdió elmondása szerint sosem tudtak olyan minőségű angol párbeszédet leadni, mint amilyen minőségben magyarul megírták az anyagot, amíg ez az eszköz el nem készült. Most a külföldi stúdióknak küldött anyagok ugyanolyan erővel szólnak angolul, ahogy az eredeti megszólal magyarul. A visszajelzések is ezt igazolják: nem az a kérdés többé, hogy ez fordítva is megáll-e, hanem hogy mikor kezdik a következőt.