A strukturális adatadósság megszüntetése — mielőtt az első AI ügynököd élesedik

Van egy kínos szám, amiről a legtöbb AI-stratégia előadás mélyen hallgat. 2025-ben a vállalatok globálisan 684 milliárd dollárt öltek AI-kezdeményezésekbe — és az év végére ebből nagyjából 547 milliárd dollár nulla mérhető üzleti eredményt termelt. Nem gyenge megtérülést. Nem lassú felfutást. Nullát.

Ez nem az én pesszimizmusom. A MIT Project NANDA 2025-ös felmérése szerint a vállalati generatív AI-pilotok 95%-a nulla mérhető pénzügyi hatást produkált a vállalat eredménykimutatásán. A RAND Corporation pedig azt találta, hogy az AI-projektek több mint 80%-a el sem jut az éles üzembe — ami kétszerese a nem-AI IT-projektek bukási arányának.

És most jön a rész, amit senki nem akar hallani: majdnem soha nem a modell a hibás.

A bukás nem ott történik, ahol keresed

A piac úgy beszél az AI-ról, mintha a modell minősége lenne a tét. Pedig a kudarcok elemzése makacsul ugyanarra a pontra mutat. Az algoritmus vagy a modell ritkán a probléma — a betáplált adat az. A Gartner februári kutatása szerint a szervezeteknek mindössze 12%-a rendelkezik elegendő minőségű adattal az AI-alkalmazásokhoz, egy 2026-os Cloudera–HBR felmérésben pedig a vállalatoknak csupán 7%-a mondta, hogy az adatai teljesen készen állnak.

Tizenkét százalék. Hét százalék. Ennyi a valóság — miközben a marketinganyagok tele vannak „AI-first” ígéretekkel.

A baj ott kezdődik, amikor az AI ügynököket — tehát az önállóan, több lépésben, rendszereken átnyúlva cselekvő AI-t — ráengedjük erre a 88-93%-nyi nem kész adatra. Itt ugyanis a tét nem egy rossz riport, amit egy elemző majd kijavít. A rossz adatra épülő RAG-rendszerek valós idejű ügyfél-beszélgetésekben hallucinálnak — élőben, a márkád nevében, visszavonhatatlanul.

Ezért buknak az ügynökök még gyakrabban, mint a hagyományos AI: jelenleg az AI-ügynök projektek 88%-a el sem jut az éles üzembe, és ennek oka strukturális. Az ügynökök több rendszert érintenek, több szervezeti koordinációt igényelnek, összetettebb biztonsági kérdéseket vetnek fel, és magasabb adatminőségtől függenek, mint a behatárolt AI-alkalmazások.

A „strukturális adatadósság” fogalma

A fejlesztők ismerik a technical debt — technológiai adósság — fogalmát: minden gyors, ideiglenes megoldás, amit ma kényelemből választasz, holnap kamatostul kerül vissza. A strukturális adatadósság ennek a gonosz ikertestvére.

Ez az a felhalmozott teher, ami akkor keletkezik, amikor egy szervezet évekig anélkül gyűjt és használ adatot, hogy bármilyen teherbíró architektúrát épített volna alá. A tünetei mindig ugyanazok:

• Töredezett adat szétszórva, egymással nem beszélő rendszerekben.
• Inkonzisztens metrikadefiníciók osztályok között — a marketing „leadje” nem ugyanaz, mint a sales „leadje”.
• Hiányos, formátum-ütköző történeti rekordok, amelyekben a demónak használt makulátlan minta semmi köze a valós, kusza adatvagyonhoz.
• Hiányzó governance — senki nem felel az adat minőségéért, mert mindenki felel.

A demó ezért működik mindig, és az éles rendszer ezért bukik el szinte mindig. A bemutatóban használt tiszta mintaadat alig hasonlít a vállalat valós, rendezetlen információjára.

Az adatadósságot ugyanis pontosan úgy törleszted, mint bármelyik másikat: vagy szándékosan fizetsz, mielőtt baj lenne — vagy katasztrófaként fizetsz, amikor már késő.

Itt jön be a SICT „Struktúra” pillére

Miklós Róth SICT-keretrendszere (Structure–Information–Cohesion–Transformation) pontosan ezt a feszültséget teszi diagnosztizálhatóvá. A keret szerint egy rendszer akkor marad nagyobb valószínűséggel funkcionálisan stabil, ha stabilizáló kapacitásai — a struktúra és a kohézió — elegendőek ahhoz, hogy elnyeljék, szűrjék vagy koordinálják az információs terhelés és a változási sebesség együttes nyomását. Tömör diagnosztikai formában: S + C ≥ I + T.

A Struktúra pillér a SICT-ben mindaz, ami formát és teherbíró keretet ad a rendszernek: a szabályok, határok, protokollok, architektúrák és stabilizáló kényszerek. Egy szervezet adatkörnyezetében ez nem más, mint maga az adatarchitektúra: a sémák, a governance-szabályok, a definíciók, a minőségkapuk, a metaadat-réteg. A teherbíró váz.

És most rakjuk össze a képletet azzal, ami egy AI ügynök bevezetésekor valójában történik:

Az AI ügynök drámaian megemeli az I-t és a T-t. Hatalmas információs átáramlást (Information) indít be, és intenzív, gyors változási nyomást (Transformation) helyez a rendszerre. Ha közben a Struktúra (S) gyenge — vagyis ha strukturális adatadósságon ülsz —, a S + C ≥ I + T egyensúly felborul.

A SICT nyelvén ez nem optimalizálás. Ez összeomlás vagy káosz. A rendszer nem azért dől be, mert az AI rossz, hanem mert a stabilizáló kapacitása nem tudta felvenni a hirtelen rászakadt információs és változási terhelést. Pontosan ezt látjuk a számokban: a Gartner előrejelzése szerint a megfelelő, AI-kész adat hiányában működő AI-projektek 60%-át 2026-ig elhagyják.

(Egy fontos szakmai őszinteség: a SICT maga is korai fázisú, operacionalizálásra és empirikus validálásra váró rendszertudományi javaslat — nem szó szerinti matematikai törvény, hanem fegyelmezett diagnosztikai lencse. De pont ettől hasznos: nem a számokat ígéri, hanem a helyes kérdéseket.)

Mit jelent valójában az „AI-kész” adat?

Itt szokott elcsúszni a legtöbb vezető: azt hiszi, az „adattisztaság” egy egyszeri projekt. Egy nagytakarítás. Nem az. A Gartner máig legtisztább operatív definíciója szerint az AI-kész adat konkrét felhasználási esetekhez igazított, eszközszinten aktívan kormányzott, automatizált, minőségkapukkal ellátott pipeline-okkal támogatott, élő metaadatokon keresztül kezelt és folyamatosan minőségbiztosított.

Olvasd újra a kulcsszavakat: folyamatosan, élő, automatizált. Ez nem állapot — ez egy élő struktúra, ami a SICT logikájában a rendszer teherbíró váza. És itt a legkellemetlenebb igazság a marketinges hype-pal szemben: a sikeres AI-erőforrás-allokáció aránya 10% algoritmus, 20% technológia és adatinfrastruktúra, 70% ember és folyamat. Azok a szervezetek, amelyek ezt megfordítják — főként algoritmusba és technológiába fektetnek, miközben elhanyagolják az embert és a folyamatot —, következetesen elbuknak.

Vagyis: a legdrágább AI ügynök is csak annyit ér, amennyit a mögötte álló struktúra elbír.

A sorrend, ami eldönti, melyik 5%-ba kerülsz

A Gartner szerint az AI-projektek 85%-a nem jut el az éles üzembe, a McKinsey szerint pedig a pilotok kevesebb mint 20%-a skálázódik éles rendszerré 18 hónapon belül. A maradék szűk kisebbség viszont nem véletlenül nyer. Egy dolgot csinálnak másképp: a struktúrával kezdik, nem az ügynökkel.

Ezt a sorrendet a SICT-modell is alátámasztja a maga dinamikus hurkával: a struktúra határozza meg, milyen információ jut át a rendszeren; az információ kiváltja vagy felgyorsítja a transzformációt; a transzformáció próbára teszi a kohéziót; a kohézió pedig vagy megerősíti, vagy újrarendezi a struktúrát. A láncot a Struktúránál kell elkapni — különben minden későbbi lépés a meglévő adósságot sokszorozza fel.

Ezért, mielőtt az első ügynököd élesedik, három kérdést tegyél fel — ebben a sorrendben:

1. Igazítva van-e az adatom konkrét felhasználási esethez? (Nem „van-e sok adatom”, hanem: ehhez a feladathoz a megfelelő adatom van-e.)
2. Ki felel eszközszinten az adat minőségéért, és van-e automatizált minőségkapum? (Ha a válasz „mindenki” vagy „a negyedéves audit”, akkor: senki és soha.)
3. Élő-e a struktúrám? Frissül-e a metaadat és a minőségjelzés órákban — vagy negyedéves ciklusokban, ahogy a legtöbb szervezetnél?

A lényeg egy mondatban

Az AI ügynök nem varázspálca, amit a káoszra suhintasz, és rend lesz. Sokkal inkább erősítő: felnagyítja azt, ami már megvan. Ha tiszta, kormányzott, teherbíró struktúrára teszed rá, a hatása valóban exponenciális. Ha strukturális adatadósságra ülteted, ugyanazt az adósságot fogja gépi sebességgel, a márkád nevében, valós időben sokszorozni.

A S + C ≥ I + T nem egy elegáns absztrakció. Ez a számla, amit az AI ügynököd benyújt — akár felkészültél rá, akár nem.

Szóval a kérdés nem az, hogy „melyik AI ügynököt vezessük be?”

Hanem az, hogy „elég erős-e már a struktúránk ahhoz, hogy elbírja?”

---

A SICT-keretrendszerről és a Struktúra-pillér gyakorlati alkalmazásáról bővebben: rothcomplexity.org. Ha szeretnéd felmérni a saját szervezeted strukturális adatadósságát egy AI-bevezetés előtt, kezdd egy adatérettségi diagnosztikával — mielőtt az ügynök kezdi el helyetted.