AI-ügynökök a lean jövőjében

Milyen feladatot bíznánk egy AI-ügynökre a napi működésben, és miből látnánk, hogy valóban javult a folyamat? Ezzel a kérdéssel indítottuk a novemberi Budapest Lean Coffee-t.

Már az elején felmerült, mitől lesz egy AI-megoldás ügynök. A definició a beszélgeteések alapján valahogy így fogalmazható meg: Az AI-ügynök egy megadott cél érdekében több lépésben dolgozik, és a köztes eredmények alapján választja meg a következő lépést. Egy AI-asszisztens például kérésre összefoglalja a műszaknaplót. Egy ügynök a naplóban jelzett eltérés nyomán utánanézhet a korábbi hibajegyeknek, bekérheti a hiányzó adatokat, majd jóváhagyásra előkészítheti a következő intézkedést.

Ezután röviden megnéztük, hol tart ma a folyamatfejlesztés az AI alkalmazásában. Nyilvánosan bemutatott példákból indultunk ki, a betanítástól és a sztenderd munkától a napi menedzsmenten át a problémamegoldásig. A körkép után három tagunk hozott konkrét példákat olyan területekről, amelyekkel már mélyebben foglalkoztak, vagy ahol saját alkalmazási és bevezetési tapasztalatot szereztek.

Elsőként Perecz Péter a myTWI AI használatának tapasztalatait osztotta meg. A műveleteket legjobban ismerő műszakvezetőknek és oktatóknak sem mindig könnyű szavakba önteniük, mitől lesz jó a végrehajtás, és a napi feladatok mellett kevés idő jut a munkalebontási lapok kidolgozására. Pedig a lényegre törő munkautasítás adja a betanítás gerincét. Péter egy konkrét gyártási műveleten mutatta meg, hogyan kíséri végig az AI-ügynök szakmai asszisztensként a sztenderd, munkalebontási lap készítőjét: szöveges vagy hangjegyzetből segít azonosítani a fő lépéseket, kérdésekkel pontosítja a kulcspontokat, és javaslatot tesz a miértek megfogalmazására. Így az oktatók és a mérnökök gyorsabban jutnak el egy olyan utasításig, amelyben akár szimbólumok is segíthetik a művelet megértését. A művelethez szükséges tudás a munkát jól ismerő embereknél van. Az AI abban segít, hogy ezt a tapasztalatot világos, átadható sztenderddé formálják. Az elkészült munkalebontási lapokat a vezetők és a mérnökök feladata a helyszínen kipróbálni és a végrehajtás megfigyelése alapján szükség esetén pontosítani.

Molnár Gábor a Toyota AI-alkalmazásairól adott átfogó képet, és azt mutatta meg, hogyan támogatja az AI a Toyota Termelési Rendszer (TPS) elveinek gyakorlati megvalósítását. Az észak-amerikai Toyotánál már 2012 körül elkezdték felépíteni az adattudományi csapatot, 2024-ben pedig az O-Beya kilenc szakterületi AI-ügynökét mintegy 800 mérnök számára tették elérhetővé. A Toyota 2025-ös jelentésében bemutatott GAIA program 11 alkalmazási területet jelölt ki, köztük a gyártást, a járműfejlesztést és a munkatársi tudás megőrzését és átadását. Az egyik legérdekesebb kérdés az volt, hogyan tehető hozzáférhetővé az a több évtizedes tudás, amely a tapasztalt szakemberek fejében vagy szétszórt feljegyzésekben él. Az O-Beyánál dokumentálták a szakértők tudását, majd maguk a szakértők ellenőrizték és szükség esetén javították az AI válaszait. A karbantartást támogató GearPal korábbi szerviznaplókból, hibajegyekből és még digitalizált VHS-felvételekből is keres. A Toyota észak-amerikai AI-vezetőjének beszámolója szerint egy-egy géphiba diagnosztizálása korábban akár 5–6 órát is igénybe vehetett, a GearPal segítségével pedig 2–3 percre rövidült. A példákból az látszott, hogyan segítheti az AI a problémamegoldást és a folyamatos fejlesztést azzal, hogy a munkatársak tapasztalatát éppen akkor teszi elérhetővé, amikor a kollégáiknak szükségük van rá. A helyszíni ellenőrzés és a döntés továbbra is a szakemberek feladata. A beszélgetésekben azt is körbejártuk, hogyan teheti az AI átláthatóbbá az értékáramot, és hogyan előzhetjük meg, hogy használata új, nehezen észrevehető veszteséget, vagyis digitális mudát hozzon létre.

Ladosinszki István (Ladó), az AlfaPed Kft. szakembere egy kérdéssel hívta fel a figyelmet arra, hogy az AI sok helyen már a hivatalos bevezetés előtt megjelenik a napi munkában: „Ugye tudod, hogy a kollégáid jó része már használ AI-t a munkahelyen, akkor is, ha senki nem engedélyezte?” Ha mindenki a maga választotta eszközzel dolgozik, a vállalat nehezebben követi, milyen céges adatok kerülnek ezekbe a rendszerekbe. Az AlfaPed példáján keresztül Ladó megmutatta, hogyan adhat ehhez keretet a vállalat által kiválasztott eszköz, a használat egyértelmű szabályozása és a belső képzés, ahol a munkatársak a saját feladataikon, támogatással gyakorolhatnak. Az előadás második részébe az „automatizálás vagy transzformáció?” kérdéssel vitte tovább a témát. Egy ismétlődő feladat gyorsítása időt szabadíthat fel, az ötletelésben és az adatok értékelésében pedig új lehetőségeket nyithat az AI. Lean szempontból a teljes folyamatot is érdemes megnézni. Ahogy Ladó fogalmazott: „Az átfutási időt a folyamat szerkezete határozza meg.” Ha egy-egy lépés gyorsabb lett, rövidült-e a teljes átfutási idő is? Ladó azzal zárta az előadását, hogy az AI-bevezetés eredményét a folyamataink, a munkatársak felkészültsége és az adatok minősége határozza meg. Ehhez minden alkalmazásnak legyen kijelölt felelőse és mérőszáma, az adatok rendbetételét pedig már az elején külön feladatként tervezzük meg. Sok-sok kérdőjel, szervezeti tennivaló van még a témában, azt gondolom ez az előadás tűpontosan felhívta rá a vezetők, döntéshozók figyelmét – hajrá!

Lean Coffee meeting

Az est második részében sok kérdés került a Lean Coffee-táblára, végül három témát jártunk körül: az AI mint versenyelőny vagy versenyhátrány, a robotok elterjedése és az AI okozta munkahelyi bizonytalanság. Sokat beszéltünk a kínai fejlesztések tempójáról és arról, hogy az európai szabályozási környezet hogyan befolyásolja például a robotok alkalmazását.

A munkahelyi bizonytalanság főként az irodai munkakörök kapcsán merült fel. Mely feladataimat veheti át az AI, és nekem miért éri meg részt venni egy olyan fejlesztésben, amely épp ezeket alakítja át? Arra jutottunk, hogy a részvétel egyik kézzelfogható értéke a megszerzett tudás: aki a saját munkáján próbálja ki az AI-t, tapasztalatot szerez arról, mely feladatoknál segít, és hol van továbbra is szükség a szakmai megítélésére. Ezt a tudást más munkakörben vagy más vállalatnál is használhatja. A cégek számára pedig a halogatás is kockázat, miközben a versenytársak már a gyakorlatban tanulják, hol érdemes alkalmazni az AI-t.

Köszönjük, hogy velünk töltöttétek az estét, és a kérdéseitekkel, tapasztalataitokkal gazdagítottátok a beszélgetést! A következő programok kiírásait a Budapest Lean Coffee Meetup-oldalán találjátok. Találkozzunk a következő eseményeken!