Mit gondol a világ a digitalizált szervezetekről?

(attachment:efa87c6a-7e61-4980-adb2-1b950258f31b:Kepernyofoto_2026-04-07_-_12.05.17.png)

Mindenki AI eszközökről beszél. Milyen modellt válasszunk, melyik prompt a legjobb, melyik chatbot a legokosabb. Közben a meghatározó intézetek, úgy mint a Harvard, az MIT, a Stanford, a McKinsey és a BCG kutatói már egészen másról írnak. Nem az AI technológiáról, hanem arról, mi történik a szervezettel körülötte.

Az elmúlt hónapokban végigolvastam a legfrissebb nemzetközi kutatásokat, amelyeket a világ vezető intézetei publikáltak a digitalizált szervezetekről. Amit találtam, az nem promptgyűjtemény. Nem eszközlista. Hanem egy meglepően egybehangzó üzenet arról, hogy miért bukik el az AI-bevezetések túlnyomó többsége - és mit csinálnak másképp azok, akiknek sikerül.

Ezt az üzenetet szeretném megosztani. Nem azért, mert szeretem a kutatásokat (bár igen), hanem sokkal inkább azért, mert húsz éve szinte mindig ugyanazt látom: a technológia beszerzése élmény - a bevezetés pokol. Nem azért, mert rossz a szoftver. Hanem mert a szervezethet rosszul közelítünk.

A nagy szemléletváltás: az AI nem eszköz, hanem kolléga

Az első dolog, ami szembetűnik a kutatásokban, egy fogalmi fordulat. A világ vezető szervezetelméleti kutatói - köztük Sebastian Raisch a Genfi Egyetemről, a terület egyik legtöbbet hivatkozott szerzője - már nem az AI-t mint technológiát vizsgálják. Hanem az AI-t mint szervezeti szereplőt.

Ez nem szójáték. A különbség óriási.

Ha az AI eszköz, akkor megveszem, beüzemelem, és működik - vagy nem 🙂. Ha azonban az AI szervezeti szereplő, akkor szerepköre van, felelőssége, helye a csapatban, és ha ezek nincsenek - akkor nem egyszerűen nem működik. Hanem rombol.

Dellermann és társai már 2019-ben bevezették a „Hibrid Intelligencia" fogalmát a Business & Information Systems Engineering hasábjain. A definíció szép és pontos: „az emberi és mesterséges intelligencia kombinálásával komplex célok elérésére való képesség, amellyel mindkét fél egyedül elérhető eredményeinél jobb eredmények születnek." A lényeg nem a technológián van. Hanem a kombinálás módjának megtervezésén.

A McKinsey 2025-ös „Ágens Szervezet" modellje erre egy teljes szervezeti architektúrát épít. Kis csapatok - 2-5 ember - felügyelnek 50-100 specializált AI ágenst, akik teljes végponttól végpontig tartó folyamatokat futtatnak. A modell három új munkaerő-archetípust vezet be: az M-alakú szupervízort, aki széles rálátással irányítja az ágenscsapatot; a T-alakú szakértőt, aki mély szaktudással járul hozzá; és az AI-erősítésű frontvonalbeli dolgozót. A hierarchikus piramis - a modell szerint - laposabb, eredményorientált struktúráknak ad helyet.

Az EY 2025-ös keretrendszere még tovább megy. A hagyományos fehérgalléros és kékgalléros felosztás mellé bevezeti a „zöldgalléros" és a „szürkegalléros" kategóriát - az AI ágensek gallérait. A zöldgalléros elemző feladatokat végez, a szürkegalléros operatívat. És a kulcsmondat: a szervezeteknek „kollégaszemlélettel" kell kezelniük az AI-t, nem eszközszemlélettel.

He és társai 2021-ben, majd bővítve 2025-ben a Frontiers in Artificial Intelligence-ban kidolgozták a „Négylevelű Lóhere" szervezeti modellt. Az alapötlet Charles Handy klasszikus Lóhere-szervezetéből indul - a szakmai mag, a rugalmas munkaerő és az alvállalkozók mellett megjelenik egy negyedik „levél": az intelligens gépek munkaereje.

Hogy ez nem játék, azt egy 2025-ös MIT Sloan Management Review és BCG közös kutatás mutatja - 1221 vezetőt és 36 nemzetközi szakértőt kérdeztek meg. Az eredmény: a szakértők 69%-a egyetért abban, hogy az AI ügynökök megléte alapvetően új vezetési megközelítéseket igényel. A javaslat: az AI rendszereket vegyék fel a szervezeti ábrába, világosan meghatározott szerepkörökkel és riportálási vonalakkal, és ugyanazokkal a HR-folyamatokkal kezeljék, mint az emberi munkaerőt - onboarding, teljesítménymérés, továbbképzés. (azt csendben azért kiegészítésként megjegyzem, hogy az hiba lenne ha ugyanaz lenne a folyamat, de azt osztom hogy ugyanonnan kell megközelíteni csak másmilyenre kell ezeket kialakítani)

Ez nem jövőkép. Legalábbis azoknál, akik komolyan veszik, ez a jelen. Nálam is ez van, egyedül dolgozom, de a fejlesztésekben kb 10 ügynök dolgozik be különböző szerepkörökben.

A számok, amelyeket nem akarunk meghallani

Most jön az a rész, amit a technológiai cégek marketinganyagaiban nem szoktak leírni.

A RAND Corporation - nem egy blog, hanem az a kutatóintézet, amely az amerikai védelmi minisztérium számára is dolgozik -2024-2025 között kimutatta: az AI projektek több mint 80%-a megbukik. Ez kétszerese a hagyományos IT-projektek bukási arányának.

Az S&P Global Market Intelligence felmérése szerint 2025-ben a cégek 42%-a hagyta el AI-kezdeményezéseinek többségét - szemben a 2024-es 17%-kal. A McKinsey ugyanebben az évben leírta: a vállalatok mindössze 1%-a tartja érettnek a generatív AI-stratégiáját.

A BCG kutatása még árnyaltabb: a munkavállalók több mint 85%-a az AI-használat alapszintjén ragad - információkérés vagy egyszerű feladattámogatás szintjén. Kevesebb mint 10% jut el a félautonóm együttműködésig.

És egy még legfontosabb szám: a McKinsey 2025-ös kutatása szerint azok a szervezetek, amelyek jelentős pénzügyi megtérülést mutatnak az AI-ból, kétszer nagyobb valószínűséggel újratervezték a teljes munkafolyamataikat, mielőtt AI modellt választottak volna. Nem közben. Nem utána. Előtte.

Az összes nagy kutatás egybehangzó megállapítása - és ezt így, szó szerint érdemes megjegyezni: az AI-transzformáció kudarca elsősorban szervezeti és folyamatprobléma, nem technológiai probléma. A szakma „10/20/70 szabálynak" hívja: 10% algoritmus, 20% technológia, 70% ember és folyamat.

Hét fal a szervezetben

2026 márciusában a Harvard Business Review publikálta talán az év legfontosabb cikkét erről a témáról. Karim Lakhani, a Harvard Business School professzora, Jared Spataro a Microsofttól és Jen Stave a Harvard D³ Intézetétől jegyezték. A Frontier Firm Initiative keretében tucatnyi globális szervezet vezetőit kérdezték meg arról, miért akadnak el az AI-transzformációk.

A központi tézisük: „Az előrehaladás elsődleges akadálya ritkán a modellminőség vagy az adatelérhetőség, hanem inkább a transzformáció utolsó mérföldje, ahol a technikai képességnek találkoznia kell a szervezettervezéssel."

Hét konkrét falat azonosítottak.

Az első a pilotok burjánzása. Ismerős helyzet: a szervezet „pilotban gazdag, de transzformációban szegény". Százával futtatnak sikeres kísérleteket, amelyekből soha nem lesz skálázott megoldás. Mindenki lelkes a prototípusnál -- de senki nem vállalja a rendszerszintű változást.

A második a produktivitási rés. Egyéni szinten mindenki gyorsabb lesz -- de a pénzügyi eredményben ez nem jelenik meg. A kutatók egy globális fizetési hálózatot hoznak példának, ahol 99%-os copilot-elfogadottságot értek el. Nulla mérhető pénzügyi javulással.

A harmadik a folyamatadósság. Évtizedek alatt felvásárlásokon, szervezeti változásokon, földrajzi terjeszkedésen keresztül rárakódott széttöredezett munkafolyamatok. Ezekre nem lehet egyszerűen AI-t ráhúzni.

A negyedik - és szerintem a legfontosabb - az alaptudás identitásproblémája. A mély szaktudás az emberek fejében él. Amikor ezt AI-ba kódolják, fenyegeti azokat, akiknek a státusza abból származott, hogy „ők azok, akik tudják". Ezek az emberek nem azt kérdezik, hogy az AI jó-e. Azt kérdezik: „Akkor most mi lesz velem?" Mert még mindig magát a lexikális tudást féltik másoktól, azt amit le lehet írni egy lexikonban is ugye. Ha valamit le lehet írni és az AI is le tudja ismételni az csak adat. A tudás az, amikor a tapasztalatod alapján képes vagy a helyzetben az adatot jól felhasználni. Ehhez gondolkodni kell, ami sokaknál bizony nehéz.

Az ötödik az ágens-kormányzás - a hagyományos „ember a hurokban" kontrollok összeomlanak a többágenses architektúrák alatt.

A hatodik az architektúrális komplexitás - a legacy rendszerek ellenállnak az integrációnak.

A hetedik pedig a hatékonysági csapda: a szervezetek az inkrementális javítgatást választják az átgondolt újratervezés helyett. (szerintem egyébként ez a helyes, mármint a fejlődést inkrementális módon benne tartani az szervezetben. Viszont azzal is szembe kell nézni, hogy van amikor nem megkötjük egy dróttal a rendszert hanem újat hegesztünk. Ehhez is ember kell, hogy a kettő között különbséget tudjon tenni.)

Egy kérdés, ami mindent megváltoztat

Lakhani kutatócsoportja egyetlen kérdést javasol. Nem keretrendszert. Nem módszertant. Egyetlen kérdést:

„Ez a munkafolyamat létezne-e, ha a céget ma a semmiből építenénk?"

Ezt hívják „tiszta lapos újratervezésnek". Nem azt kérdezi, hogyan illesszük be az AI-t a meglévőbe. Azt kérdezi, hogy a meglévő megérdemli-e, hogy maradjon.

Ez összhangban van Erik Brynjolfsson stanfordi közgazdász „Produktivitási J-görbéjével", amelyet 2021-ben publikált. A J-görbe azt mutatja: a produktivitási nyereség csak azután realizálódik, miután a cégek költséges szervezeti és immateriális beruházásokat hajtottak végre. Előbb befektetsz -- és sokáig nem látsz eredményt. A görbe lefelé megy. Aztán -- ha jól csináltad -- hirtelen emelkedni kezd. De a legtöbb cég pont fordítva csinálja: előbb vár megtérülést, és utána hajlandó változtatni.

A Stanford WORKBank adatbázisából kidolgozott Emberi Ágensség Skála -- a HAS -- ötszintű feladatosztályozást kínál: H1 szinten az AI teljes egészében kezeli a feladatot, H5 szinten az emberi részvétel elengedhetetlen. 844 foglalkozási feladatra alkalmazva a kutatás megállapította, hogy a feladatok nagyjából 46%-a esik az „automatizáció zöld lámpa" kategóriába -- míg hasonlóan nagy hányad marad a „piros lámpa" zónában, ahol az emberi részvételt részesítik előnyben. Ez nem fekete-fehér kérdés. Ez egy spektrum, amit feladatról feladatra kell végigmenni.

A McKinsey kétféle eszközt javasol ehhez: a folyamatbányászatot, amely az ERP rendszerekből nyeri ki a tranzakciószintű betekintést a teljes munkafolyamatok feltérképezéséhez, és a feladatbányászatot, amely a frontvonalbeli munkatársak tényleges tevékenységeit rögzíti. A kombináció feltárja mind a strukturális hatékonytalanságokat, mind az egyéni feladatszintű automatizálási lehetőségeket.

Acemoglu és Restrepo - az MIT és a Boston University közgazdászai - 2019-ben megmutatták, hogy az új technológiák egyszerre szüntetnek meg meglévő feladatfrontokat és hoznak létre újakat. Autor és Thompson 2025-ben ezt azzal terjesztették ki, hogy az automatizáció hatása attól függ, hogy az AI alacsony vagy magas szaktudású részfeladatokat szüntet-e meg egy-egy szerepkörön belül. A következmény: nem foglalkozásokat kell elemezni, hanem feladatokat.

Ami a brit szénbányákban kezdődött

Ami engem a legjobban megragadott a kutatásokban, az nem a számok. Hanem az, hogy egy 1951-es felfedezés ma relevánsabb, mint valaha.

Eric Trist és Kenneth Bamforth brit szénbányákban vizsgálták, mi történik, amikor a munkát gépesítik anélkül, hogy a szociális rendszereket is átalakítanák. Az eredmény: mind a termelékenység, mind a morál romlik. Ebből született az „együttes optimalizáció" elve - a szociális és technikai alrendszereket együtt kell tervezni, mert az egyik optimalizálása a másik rovására szuboptimális eredményekhez vezet.

Albert Cherns ezt formális tervezési elvekbe foglalta, köztük a „befejezetlenség elvét" - annak felismerését, hogy a szervezettervezés soha nem fejeződik be.

Hetvenöt évvel később egy arXiv-on publikált keretrendszer - az „intelligens Szociotechnikai Rendszerek" - négy szintre terjeszti ki ezt a gondolatot: egyéni, szervezeti, ökoszisztéma és társadalmi szintre. Új tervezési elveket vezet be: emberközpontú együttes optimalizáció, ember által vezetett együttműködés, ember által vezetett döntéshozatal és ember által irányított közös tanulás. A keretrendszer azonosítja az AI rendszerekre jellemző sajátosságokat, amelyeket a hagyományos elmélet nem ismert: az autonóm ágensséget, a dinamikus határokat, a kognitív tanulást és a kimeneti bizonytalanságot.

Fischer és Baskerville 2020-ban egy provokatív fordulatot javasoltak: a „szociotechnikai megfordítást". A “digit-first” szervezetekben - állítják - a technikai rendszer egyre inkább formálja a szociálisat, és nem fordítva. Ez alapvetően megváltoztatja a tervezés logikáját.

Pasmore, Winby, Mohrman és Vanasse 2019-ben három előrejelzést fogalmaztak meg, amelyeket a mai napi adatok igazolnak. Először: mivel az AI technológia folyamatosan fejlődik, az együttes optimalizációnak is folyamatossá kell válnia - nem elég egyszer átalakítani. Másodszor: a szervezettervezés többé nem egyszeri projekt, hanem állandó állapot. Harmadszor: az AI újraelosztja a hatalmat a központtól a periféria felé.

Sebastian Raisch 2021-es cikke az Academy of Management Review-ban az „Automatizáció-Augmentáció Paradoxont" írja le. Az automatizáció - amikor az AI emberi feladatokat vált ki - és az augmentáció - amikor az AI emberi képességeket erősít - nem alternatívák. Egymástól fgenek, paradox feszültségeket teremtenek, és a szervezeteknek egyidejűleg kell kezelniük mindkettőt. Ez magyarázza, miért buknak el az egyszerűsítő „automatizáljunk mindent" vagy „csak támogassunk" stratégiák.

Érdekesség: Thomas Malone, az MIT kollektív intelligencia kutatója 2024-es Nature metaanalízisében kimutatta, hogy az ember-AI együttműködések gyakran alulteljesítenek - mind a pusztán emberi, mind a pusztán AI teljesítményhez képest. Nem az együttműködés az automatikus megoldás. Jól megtervezett együttműködés kell!

A kisebb cég előnyben van

A nagy kutatások nagyrészt nagyvállalati kontextusban születnek. De van egy paradoxon, ami a magyar KKV-k számára különösen fontos.

Az OECD 2025-ös felmérése több mint 5000 kis- és középvállalkozásról hét országban megállapította: a KKV-k 31%-a már használ generatív AI-t, de a használók közül csak 29% alkalmazza alaptevékenységében. A középvállalatok közel kétszeres arányban adoptálnak, mint a mikrovállalkozások - 45,8% szemben 23,6%-kal. De - és ez a riasztó -- a KKV-knak csak egyharmada biztosít képzést, határoz meg belső irányelveket, vagy kutatja a jogi kérdéseket.

Az AI Chamber 2025-ös közép-európai jelentése - 3200 munkavállalót felmérve 11 országban, köztük Magyarország szomszédaiban - négy archetípust azonosított a KKV-k között: a tudatos de akadályokkal küzdő, a gyakorlati optimista, a közömbös, és a digitálisan visszahúzódó. A „digitálisan visszahúzódó" cégek 69%-a tíz évnél régebben működik. A fiatalabbak nyitottabbak.

A jelentés központi következtetése pontosan azt mondja, amit a többi kutatás is: „az AI-adoptáció valódi lehetővé tevő tényezője nem a technológia elérhetősége, hanem a szervezeti érettség, az üzleti stratégia és a vezetői vízió."

A legmeglepőbb eredmény egy 305 európai KKV-t vizsgáló tanulmányból jött, amelyet a Nature publikált 2025-ben: a pénzügyi erőforrások nem mutattak szignifikáns hatást az AI-adoptációra, ha a belső szervezeti képességek erősek voltak.

Megérdemli, hogy kétszer elolvassuk: nem a pénz a szűk keresztmetszet. A szervezeti érettség.

A kutatások a KKV-k valódi előnyeit is azonosítják: rövidebb döntési utak, kevesebb vezetői szint, közvetlen vezetői részvétel a megvalósításban. Az AI „erősokszorozóként" működik a lean csapatok számára - lehetővé téve, hogy egy kis munkatársi csoport egy sokkal nagyobb vállalat elemzési mélységét és működési kapacitását érje el.

Az EU-ban a vállalkozásoknak mindössze 13,5%-a használt AI-t 2024-ben - 3%-tól Romániában 28%-ig Dániában. Közép-Európában (és nálunk is, ahogy egy korábbi cikkemben írtam) hatalmas a kiaknázatlan potenciál. Magyarország elfogadta a 2025. évi LXXV. törvényt az EU AI-rendelet implementálásáról. Az EU „Apply AI Strategy"-ja és az „AI Continent Action Plan"-ja kifejezetten a KKV-k adaptációját célozza szabályozási sandboxokkal és egyszerűsített megfeleléssel.

Az ember a rendszerben - amiről a legkevesebb szó esik

A technológiai cikkek ritkán írnak arról, ami a bevezetés sikere vagy kudarca szempontjából a legmeghatározóbb: mi történik az emberek fejében.

Az „algoritmikus averzió" fogalmát Dietvorst, Simmons és Massey 2015-ben írta le - az emberek természetes ellenállását az AI-alapú döntésekkel szemben. Logg, Minson és Moore 2019-ben az ellentétét is leírta: az „algoritmikus értékelést", amikor az emberek előnyben részesítik az AI javaslatát a sajátjukkal szemben. Egy 2024-es MIS Quarterly tanulmány oldotta fel az ellentmondást: az emberek ellenállnak az AI-nak, amikor magukat szakértőnek tekintik és értékelik, amikor nem. A legerősebb eszköz az averzió feloldására? A társadalmi normák. Amikor az AI-használat normává válik egy csoporton belül, az ellenállás természetesen értékeléssé fordul.

Egy 2025-ös tanulmány ráadásul konzisztens ellenállást talált magával a „mesterséges intelligencia" címkével szemben - ami arra utal, hogy a terminológia és a keretezés jelentősen befolyásolja az elfogadottságot.

A mélyebb probléma az identitásfenyegetés. Mirbabaie és társai 2022-ben az Electronic Markets-ben három központi előrejelzőt azonosítottak: a munkatartalom változása, a státuszpozíció elvesztése, és egy különálló „AI-identitás" megjelenése a munkahelyen. Selenko és társai ugyanebben az évben egy funkcionális identitás-keretrendszert javasoltak: az AI hatása a szakmai identitásra attól függ, hogy a bevezetés kiegészíti, helyettesíti vagy generálja-e a feladatokat - és hogyan érinti a munka szociális szövetét. A megoldás: „liminálz terek" - átmeneti, biztonságos környezetek, amelyek lehetővé teszik az új tanulást és identitás-adaptációt.

Georganta és Ulfert kísérleti kutatása 2024-ben egy meglepő eredményt hozott: az ember-AI csapatban való részvétel önmagában nem vezetett alacsonyabb interperszonális bizalomhoz, ha az AI kompetenciája megalapozott volt. Az érzelmi bizalom alacsonyabb volt - de a kompetencia-alapú bizalom nem mutatott különbséget. A következtetés: az AI-al való bizalomépítésben nem a kapcsolatépítés a kulcs. A kompetencia demonstrálása.

Amy Edmondson, a Harvard pszichológiai biztonság kutatója 2026 februárjában a HBR-ben arról írt, hogyan okoz az AI-integráció csapatbizalom-eróziót és önbizalomvesztést -- a produktivitásnövekedés ellenére. Egy 381 dél-koreai munkavállalóval végzett háromhullámos tanulmány kimutatta: az AI-adoptáció szignifikáns negatív hatással van a pszichológiai biztonságra, ami növeli a munkavállalói depressziót. Edmondson többfunkciós AI-tanulóközösségeket, formális pszichológiai biztonsági mérőszámokat és „AI-shadowing" programokat javasol.

A strukturált változásmenedzsment irodalma réteges megközelítést ajánl: Lewin háromfázisú modellje - Felolvasztás, Változás, Befagyasztás - adja a makrostruktúrát; az ADKAR - Tudatosság, Vágy, Tudás, Képesség, Megerősítés - az egyéni felkészültséget követi nyomon. Az Erőforrás-megőrzés elmélet magyarázza a kettős hatást: az AI felszabadít kognitív erőforrásokat, lehetővé téve a proaktív viselkedést - de kimeríthet érzelmi erőforrásokat, magányt okozva. A vezetői érzelmi támogatás a kritikus moderátor.

A szabályozás is formálódik

A governance keretrendszerek az elmúlt két évben sokat fejlődtek. Az ISO/IEC 42001:2023 a világ első tanúsítható nemzetközi AI menedzsmentrendszer-szabványa, 38 konkrét kontrollal. A NIST AI kockázatkezelési keretrendszere négyfunkciós struktúrát ad: Govern, Map, Measure, Manage. Az EU AI Act pedig a foglalkoztatási és HR területen alkalmazott AI-t magas kockázatúnak minősíti.

A legfrissebb és talán legpraktikusabb a szingapúri kormány 2026 januári keretrendszere - a világ első dedikált governance modellje kifejezetten az ágens AI-ra. Négy pillére: kockázatok értékelése és korlátok felállítása, emberek érdemi felelőssé tétele, érdemi felügyelet tervezése, technikai kontrollok bevezetése. Az ágenseknek egyedi azonosítóik vannak, amelyek emberi felügyelőkhöz kapcsolódnak, és a rendszer fokozatos autonómiát biztosít - meghatározott emberi felügyeleti triggerekkel.

A Deloitte Tech Trends 2026 jelentésében bevezeti a „szilícium-alapú munkaerő" fogalmát: az AI ágensek kezelése az emberi munkaerő mellett, öt stratégiai kérdés mentén - milyen ágensek, milyen költségprofillal, mely folyamatok automatizálva, mi az optimális ember-digitális mix, és hogyan fejlődik a munkaerő.

Az ágens-interoperabilitás kialakulóban lévő technikai szabványai -- a Model Context Protocol, az Agent-to-Agent Protocol és az Agent Communication Protocol -- több kormányzási keretrendszerben is kritikus infrastruktúraként szerepelnek.

Mit jelent mindez?

Öt konvergáló kutatási áramlat ad ma teljes alapot a hibrid szervezetek tervezéséhez: a szociotechnikai rendszerelmélet a legmélyebb tervezési elveket; az automatizáció-augmentáció paradoxon annak magyarázatát, miért bukik el az egyszerűsítő stratégiák; az „utolsó mérföld" kutatás a konkrét szervezeti súrlódások azonosítását; a feladatkompozíciós keretrendszerek a szisztematikus folyamatauditot; és a szervezetpszichológia az emberi ellenállás kezelésének mechanizmusait.

Három felismerés különösen fontos a magyar KKV-k számára:

Először: a belső szervezeti képességek fontosabbak a technológiánál vagy a tőkénél. Ez azt jelenti, hogy a kérdés nem az, „mennyi pénzem van AI-ra" - hanem az, „milyen szervezetem van".

Másodszor: a „tiszta lapos" kérdés - „ez a folyamat létezne-e, ha a céget ma a nulláról építeném?" - erőteljesebb diagnosztikai eszköz, mint bármilyen technológiai audit.

Harmadszor: a transzformációs programoknak a látható példamutatásra kell építeniük, nem a felülről jövő mandátumokra. A kutatás egyértelműen mutatja: amikor az AI-használat normává válik egy csoporton belül, az ellenállás természetesen elolvad.

A világ kutatói egyetértenek: 10% algoritmus, 20% technológia, 70% ember és folyamat.

A kérdés nem az, milyen AI-t választ a cég. A kérdés az, milyen szervezetet épít mögé.

Források:

Raisch, S. & Krakowski, K. (2021). Automation-Augmentation Paradox. Academy of Management Review.
Dellermann, D. et al. (2019). Hybrid Intelligence. Business & Information Systems Engineering.
He et al. (2021, bővítve 2025). Four-Leaf Clover Organization. Frontiers in Artificial Intelligence.
McKinsey (2025). The Agentic Organization. / The State of AI.
EY (2025). Four-Collar Framework.
MIT Sloan Management Review / BCG (2025). 1221 vezető felmérése az ágens AI-ról.
Lakhani, K., Spataro, J. & Stave, J. (2026). The Last Mile of AI Transformation. Harvard Business Review.
Brynjolfsson, E. (2021). The Productivity J-Curve.
Brynjolfsson, E. & Mitchell, T. (2017). Occupation-to-task decomposition.
Acemoglu, D. & Restrepo, P. (2019). Displacement-versus-creation model.
Autor, D. & Thompson, N. (2025). Expertise framework.
Malone, T. (2024). Human-AI collaboration meta-analysis. Nature.
RAND Corporation (2024-2025). AI projekt bukási arányok.
S&P Global Market Intelligence (2025). AI-kezdeményezések feladása.
BCG (2025). Munkavállalói AI-használat szintek.
OECD (2025). 5000+ KKV-felmérés hét országban.
AI Chamber (2025). Közép-európai AI-adoptációs jelentés, 11 ország.
Nature (2025). 305 európai KKV AI-adoptációs tanulmány.
Trist, E. & Bamforth, K. (1951). British coal mining study. Human Relations.
Cherns, A. (1976, 1987). STS design principles.
iSTS Framework (2024). arXiv.
Pasmore, W. et al. (2019). STS in the digital era. Journal of Change Management.
Fischer, C. & Baskerville, R. (2020, 2023). Sociotechnical reversal. Journal of Database Management.
Simón, M. et al. (2024). Dynamic Capabilities for Human-AI Teaming. Journal of Business Research.
Ulfert-Blank, A. & Georganta, K. (2023). Team Trust Framework. European Journal of Work and Organizational Psychology.
Stanford HAS / WORKBank (2025). Human Agency Scale.
Dietvorst, B. et al. (2015). Algorithm Aversion. / Logg, J. et al. (2019). Algorithm Appreciation.
MIS Quarterly (2024). Algoritmikus averzió/értékelés integráció.
Mirbabaie, M. et al. (2022). AI Identity Threat. Electronic Markets.
Selenko, E. et al. (2022). Functional-identity framework. Current Directions in Psychological Science.
Georganta, K. & Ulfert, A. (2024). Trust in Human-AI Teams. JOOP.
Edmondson, A. (2026). AI and Psychological Safety. Harvard Business Review.
ISO/IEC 42001:2023. AI management system standard.
NIST AI RMF 1.0 (2023). AI Risk Management Framework.
Singapore Model AI Governance Framework for Agentic AI (2026).
Deloitte Tech Trends 2026. Silicon-based workforce.
KPMG Trusted AI Framework (2025).