A környezet

Management Information (MI) Leadként egy nagy IT-multinál vezettem ezt a transzformációs projektet. A küldetés: az adatból olyan automatizációs pontokat találni, ami konkrétan elviszi a leglátványosabb szűk keresztmetszetet az operáció körül.

A módszertan ugyanaz, amit ma az AI-támogatott automatizációhoz használunk (Microsoft Copilot Studio, n8n, Claude Code) – csak akkor még nem volt ott az LLM-réteg. A felfedező-fázis és a Lean-keret ugyanaz volt, és ma is ugyanaz.

A probléma

Egy 10 fős csapat felelt a ticket-minőség ellenőrzéséért. A kézi folyamat heti 10–30 ticket átnézését tette lehetővé. Ez a mintaméret olyan kicsi volt, hogy a heti riportok kvázi használhatatlanok lettek a teljesítményértékelő beszélgetéseken.

Mélyebbre nézve több baj is volt egyszerre:

  • A kézi munka miatt a mintaméret és a pontosság is alacsony volt.
  • A csapat 10 különböző minőségi metrikát követett, ami feleslegesen összetetté tette az egész képet.
  • Nem volt visszacsatolási kör – az elemzések nem fordultak javító döntésekbe.

Hogyan raktuk össze a megoldást

A data analystekkel közösen kiderült, hogy a 10 metrikából 8-at automatizálni lehet. A Deming-ciklus és a lean menedzsment alapelvei adták az implementáció kereteit.

A konkrét lépések:

  • Validáltuk, hogy a metrikák egyáltalán megbízhatók-e – sok esetben nem voltak.
  • Automatizáltuk a kézi feladatokat, így a minta-méret nagyságrendekkel nőtt.
  • Olyan riportokat generáltunk, amik beépülhettek a heti operatív beszélgetésekbe.
  • Felszabadítottunk 10 FTE-nyi kapacitást – akik így értékesebb munkára kerültek.

Az eredmények

  • Nagyobb mintából pontosabb adat – a riportok hirtelen használhatóvá váltak.
  • Magasabb operatív hatékonyság – nem több munkával, hanem ugyanazzal a kapacitással.
  • Érdemi visszacsatolási kör a teljesítményhez kötve – az adat tényleg döntéseket változtatott.
  • Évi 100 000 dollár futó megtakarítás – része annak az 1,1 millió eurónak, ami 14 év alatt összeállt.

Amit ebből magaddal vihetsz

  • Mérés előbb, mint cselekvés. A „menjünk és csináljuk" típusú automatizálás drágább, mint a két hét adatvizsgálat előtte.
  • Strukturált megfigyelés a hiányzó adatra. DILO (Day in the Life Of), WILO (Week in the Life Of) – ha nincs jó rendszerlog, ezekkel pótolod.
  • Stakeholder-bevonás minden lépésnél. A megvalósíthatóság és az alignment ugyanaz a két tartóoszlop.
  • Deming-ciklus. A folyamatos finomhangolás keretrendszere – csinálsz, mérsz, javítasz, ismétled.

Mit változtatott az AI-réteg

Ma ugyanezt a projektet gyorsabban tudnám lehozni. A kézi metrikák egy részét közvetlenül LLM tudná értékelni (pl. ügyfél-tone, hibakategorizálás), az n8n vagy a Copilot Studio összekötné a forrásrendszereket riportálással, a Claude Code pedig az ad-hoc adatlekérdezést gyorsítaná.

De – és ez a kulcs – a módszertan, a governance és a stakeholder-menedzsment ugyanaz marad. Az AI nem váltja le sem a Lean-t, sem a Deming-ciklust. Csak gyorsít rajtuk.

„Az automatizáció akkor jó, ha utána egy ember mosolyogva mondja, hogy: »ezt most nem kell csinálnom, és nem hiányzik«."