A Worldwide Express hat hónap alatt 75%-kal csökkentette a nyitott számlázási kivételeit, és 10 millió dolláros cash flow-t szabadított fel – mindezt három AI-ügynökből álló rendszerrel, amely az Amazon Bedrock infrastruktúráján fut. Ez nem kísérlet volt, hanem éles üzemi bevezetés. Ugyanebben az időszakban a SETI Institute Allen Telescope Array-én egy agentic AI rendszer valós időben detektált pulzárt a Rák-ködben – olyan feladatot hajtott végre, amelyhez korábban hetek vagy évek kellettek. A két eset különböző iparágból jön, de ugyanarról szól: az AI-ügynökök kiléptek a laborból.
A számok a cikkben hivatkozott nyilvános forrásokból származnak – nem Devertix-eredmények.
Mit csinál egy AI-ügynök valójában?
Egy AI-ügynök nem egyszerűen kérdésre válaszol. Célt kap, majd önállóan dönt arról, milyen lépéseken keresztül éri el: eszközöket hív meg, adatokat kér le, rendszerekbe ír vissza, és szükség esetén más ügynököknek adja tovább a feladatot. A kulcsszó az önállóság: az ügynök nem vár emberi jóváhagyásra minden egyes lépésnél, hanem a kapott szabályok és adatok alapján cselekszik.
Ez pontosan az, ami a hagyományos folyamatautomatizálástól (RPA) megkülönbözteti. Ahol az RPA strukturált, kiszámítható munkafolyamatot igényel, ott az ügynök kontextuális ítéletet hoz: értelmezi a fuvarozó díjszabási szabályzatát, összeveti a szállítmányadatokkal, és dönt.
1. eset – Logisztika: 15 millió dollárból 4 millió hat hónap alatt
A Worldwide Express a ShipStation Global része, körülbelül 5 milliárd dolláros rendszerszintű bevétellel és 130 000 feletti ügyféllel. Az LTL (less-than-truckload) fuvarozásban a számlák körülbelül 14%-a nem megy át az automatikus háromirányú egyeztetésen – ez az iparág strukturális problémája. A Worldwide Express esetében ez havi 15 millió dollár befagyott cash flow-t jelentett.
Az AWS blog leírása szerint a megoldás három specializált ügynökből áll: az Invoice Matching Agent a tételszintű eltéréseket keresi, a Pricing Variance Agent a szerződéses áraktól való eltéréseket vizsgálja, az Accessorial Validation Agent a váratlan kiegészítő díjakat (pl. liftgate, lakóterületi pótdíj) ellenőrzi. Minden ügynöknek saját instrukciós promptja, SpeedShip TMS-integrációja és fuvarozóspecifikus tudásbázisa van – így ugyanaz a három ügynök 40 feletti LTL fuvarozóra működik, fuvarozónkénti kód nélkül.
A rendszer heti 10 000 kivételt zár le automatikusan, kevesebb mint 1%-os hibaaránnyal. Amikor a pontosság 99% fölé emelkedett, tömeges jóváhagyásra váltottak: az emberi felülvizsgálat azóta csak kivételesen szükséges. Az eredmény: az aktív kivételek állománya 15 millió dollárról 4 millió dollárra csökkent, az éves megtakarítás 1 millió dollár, az egyszeri cash flow-felszabadítás 10 millió dollár.
2. eset – Tudomány: teleszkóp természetes nyelvű utasítással
Az Allen Telescope Array-en a Breakthrough Listen és a SETI Institute olyan rendszert épített, amelyben egy ügynök egyetlen természetes nyelvű promptból képes irányítani a teleszkóp antennáit, kalibrálni a műszert, kezelni az adathibákat és kiértékelni a jelet. Az NVIDIA blog leírása szerint a rendszer 2,4 terabit/másodperc adatot kezel NVIDIA RTX PRO 6000 Blackwell GPU-kon, helyszíni inferenciával – az adatok nem hagyják el az obszervatóriumot.
A Nexus nevű orkesztrátor egyetlen igazságforrásként szolgál az ügynökök számára: valós idejű műszerállapotot, számítási erőforrásokat és pipeline-okat kezel. A rendszer már bizonyított: elérte az első valós idejű AI-alapú pulzárdetektálást a Rák-ködben.
Ez vállalati szempontból azért releváns, mert az architektúra – orkesztrátor, specializált ügynökök, valós idejű adatforrás, helyszíni inferencia – közvetlenül leképezhető ipari vagy pénzügyi folyamatokra is.
3. eset – Infrastruktúra: miért nem elég maga az ügynök?
Az NVIDIA NemoClaw-ról szóló fejlesztői blogbejegyzés azt az alapelvet fogalmazza meg, amelyre mindkét fenti rendszer épül: egy autonóm ügynök éles bevezetéséhez modell, harness és domain-specifikus eszközök mellett olyan futtatókörnyezet is szükséges, amely szabályzatokat kényszerít ki, optimalizálási és megfigyelhetőségi eszközöket biztosít, és biztonságos hozzáférést ad valós vállalati rendszerekhez.
A kihívás pontosan ott van, ahol az ügynökök a leghasznosabbak: valós adatokhoz és rendszerekhez nyúlnak. Egy számlázási ügynök, amely visszaír a TMS-be, vagy egy ipari ügynök, amely ERP-adatot olvas – ezek nem tesztkörnyezetben futnak. Ha nincs auditálható döntési nyom, nincs megfigyelhetőség, és nincsenek kikényszerített szabályzatok, az éles bevezetés kockázatos.
Mikor lép ki egy AI-ügynök a kísérleti fázisból?
A három eset alapján három feltétel rajzolódik ki.
Az első a domain-specifikus eszközök és tudásbázis. A Worldwide Express ügynökeinek minden fuvarozóhoz saját tudásbázisa van. Az Allen Telescope Array rendszere a CyberEther jelfeldolgozó keretrendszert és az NVIDIA CUDA-X könyvtárakat használja. Az ügynök csak annyira jó, amennyire a mögöttes adat és eszközkészlet.
A második a kontrollált futtatókörnyezet. Mindkét éles rendszerben van orkesztrátor (Nexus, illetve Amazon EC2-alapú saját logika), amely meghatározza a döntési határokat, az ügynökök közötti routingot és az auditálhatóságot.
A harmadik a human-in-the-loop, de okosan tervezve. A Worldwide Express kezdetben minden döntést emberi jóváhagyáshoz kötött, és csak akkor váltott tömeges jóváhagyásra, amikor a pontosság 99% fölé emelkedett. Ez nem gyengeség, hanem a bizalom felépítésének módja.
Mit jelent ez egy magyar vállalatnak?
A Worldwide Express logisztikai példája közvetlen analógiát kínál minden olyan területre, ahol strukturált kivételkezelés zajlik: pénzügyi egyeztetés, rendeléskezelés, ügyfélszolgálati esetek kategorizálása. Az LTL számlázás 14%-os kivételaránya nem egyedi – hasonló arányok más iparágakban is megjelennek, ahol heterogén partnerrendszerrel és eltérő szabályzatokkal kell dolgozni. A belépési pont nem egy teljes folyamat átalakítása. A Worldwide Express is egyetlen, jól körülhatárolt problémával indult – a számlázási kivételekkel –, és hat hónap alatt jutott el az éles rendszerig. Az architektúra (Amazon Bedrock-alapú inferencia, EC2-n futó saját orkesztrációs logika, meglévő TMS API-k) nem igényelt teljesen új infrastruktúrát.
Akinek van egy ismétlődő, adatintenzív folyamata, ahol a kivételek kezelése emberi kapacitást köt le, ott érdemes megvizsgálni, hogy az agentic megközelítés alkalmazható-e. A Devertixnél pontosan ebben segítünk: az első éles agentic AI projekt megtervezésében – a folyamatelemzéstől az architektúráig, a biztonságos AWS-alapú bevezetéstől az auditálhatóság kialakításáig.
Kapcsolódó szolgáltatásunk: AI-ügynökök vállalati folyamatokra · folyamatautomatizálás AI-jal
Nézzük meg együtt – egy ingyenes első egyeztetésen.
Megmutatjuk, hol hoz valódi eredményt az AI és a felhő az Ön folyamataiban.