Kutatási szintézis · AI Agentek · GFIS

AI Agentek 2026 —
A nagy ígéret és a kemény valóság

Az AI-agentek a technológiai világ legnagyobb ígérete — és legnagyobb illúziója egyszerre. A pilotprojektek 95%-a megbukik, de a maradék 5% átalakítja az iparágakat. A kérdés nem az, hogy eljön-e az agentek kora, hanem hogy ki éli túl az átmenetet.

400+Forrás

65Nyelv

71Könyv

11GFIS modul

OQL-6Minőség

01 · Vezetői összefoglaló

Öt szám, ami mindent elmond

$7,5Mrd

Piacméret 2025

95%

Pilot NEM hoz ROI-t

$5,97Mrd

VC befektetés

93%

20 lépés hibaaránya

Kutatott nyelv

Az összetett hiba problémája

A 95%-os lépésenkénti pontosság jónak hangzik — de 20 lépéses munkafolyamatban ez összesen csak 36%-os sikerarányt jelent. Ez az összetett hibaprobléma (compound error problem), és ez a legfontosabb tény, amit az agentic AI-ról tudni kell.

Ez nem szoftver-hiba — ez matematikai szükségszerűség

Amíg a lépésenkénti megbízhatóság nem éri el a 99,5%-ot, az összetett munkafolyamatok megbízhatatlanok maradnak. Ez a legfőbb oka annak, hogy a pilotkísérletek nem jutnak el a termelésbe.

A szintézis módszertana

SEXTANT50+ forrás

→

PARALLAX40+ forrás

→

REVERSAL40+ forrás

→

MULTILINGUAL300+ forrás · 65 nyelv

→

CORPUS V271 könyv

→

SZINTÉZIS400+ forrás

02 · Definíció

Mi az az AI agent?

Képzeld el a különbséget egy kávéautomata és egy barista között. A kávéautomata (chatbot) azt csinálja, amit megnyomol. A barista (agent) megkérdezi, mit szeretnél, figyelembe veszi az időjárást, emlékezik, hogy tegnapelőtt is jéges kávét kértél, és proaktívan javasol — vagy maga rendeli meg az alapanyagot, ha kifogy.

Jellemző	Chatbot	Copilot	Agent
Ki kezdeményez?	A felhasználó kérdez	A felhasználó dolgozik, a copilot segít	Az agent önállóan cselekszik
Hány lépés?	1 kérdés → 1 válasz	Folyamatos asszisztencia	Többlépéses autonóm terv
Eszközhasználat?	Nem	Korlátozott	Teljes (web, API, DB, fájlok)
Emlékezet?	Beszélgetés-szintű	Munkamenet-szintű	Hosszú távú memória
Döntéshozatal?	Nem dönt, válaszol	Javasol	Önállóan dönt és végrehajt
Példa	ChatGPT alapmód	GitHub Copilot, Cursor	Claude Code, Devin, CrewAI

Agent-típusok

Egyedi agentEgy LLM + eszközök
Pl: Claude Code

Multi-AgentTöbb agent együttműködik
Pl: CrewAI, AutoGen

HierarchikusFőnök-agent delegál
Pl: LangGraph orchestrator

RajintelligenciaSok egyenrangú agent
Pl: OpenAI Swarm

03 · Történet

50 év — 5 percben

1976

MYCIN (Stanford) — első szakértői rendszer, orvosi diagnózis

1991

BDI architektúra — Belief-Desire-Intention, az első „gondolkodó" szoftver

2016

AlphaGo — DeepMind legyőzi a világ legjobb Go-játékosát

2022 okt
ReAct (Yao et al.) — gondolkodás + cselekvés kombinálása. Itt indul az LLM-agent korszak

2023 már

AutoGPT — virális szenzáció (150K GitHub csillag), de szinte nulla termelési használat

2024 nov

Anthropic MCP — Model Context Protocol, nyílt szabvány

2025
Protokoll-konvergencia: OpenAI Agents SDK, Google A2A, AG-UI — „a TCP/IP pillanat"

2026

MCP: 97M havi letöltés, 10 000+ szerver. Linux Foundation átveszi. Gartner: „Peak of Inflated Expectations"

A ReAct (Reasoning + Acting) minta volt az áttörés: az LLM felváltva gondolkodik és cselekszik. Ez a minta — gondolkodás → cselekvés → megfigyelés → gondolkodás — minden modern AI-agent alapja.

04 · Piaci adatok

A piac számokban

Mutató	Érték	Forrás
Agentic AI piac (2025)	$7,5-8 milliárd	Grand View Research
Éves növekedés (CAGR)	45-50%	Grand View Research
Előrejelzés 2030-ra	$47-51 milliárd	Grand View Research
VC befektetés (2025)	$5,97 milliárd	Forrester
Agentic AI a teljes VC-ből	33%	Forrester
Gazdasági hatás 2030-ra	$2,9 billió	McKinsey

Enterprise adopció — A valóság

A legfontosabb szám

2% — ennyi vállalat érte el a teljes operatív skálázást AI-agentekkel. Ez a „pilot-purgatórium": a cégek 72%-a kísérletezik, de szinte senki nem jutott el a valódi termelésig.

A legnagyobb agent-cégek

Cég	Értékelés	Mit csinál
Cursor	$29,3 Mrd	AI-kódoló agent (IDE)
Sierra	$10 Mrd	Ügyfélszolgálati agentek
Thinking Machines Lab	$10 Mrd	Általános agent platform
Harvey AI	$5 Mrd	Jogi agentek
Cognition (Devin)	$3 Mrd	Teljes szoftverfejlesztő agent

A „Klarna-visszafordulás"

A svéd Klarna 2024-ben büszkén bejelentette, hogy AI-ügynökei 700 emberi ügyfélszolgálatost helyettesítettek. Aztán 2025-ben visszavettek. Az ügyfélelégedettség romlott, a komplex esetek emberi beavatkozást igényeltek. A svéd sajtó szerint a cégek 55%-a megbánta az AI-alapú munkahely-kiváltást.

05 · Agentic RAG

Amikor a keresés gondolkodni kezd

Hagyományos RAG

Kérdés → Keresés → Találatok → LLM válasz. Egyetlen lépés: keres, talál, válaszol. Mint egy könyvtáros, aki a legközelebbi könyvet veszi le a polcról.

Agentic RAG

Az agent megtervezi a keresési stratégiát → több keresés különböző forrásokban → eredmények értékelése → újabb keresés ha szükséges → önellenőrzés → válasz. Mint egy kutató.

Fejlődési lépcsők

Hagyományos RAG1 keresés → 1 válasz

→

Self-RAGDöntés: kell-e keresni?

→

CRAGKorrekciós mechanizmus

→

Graph RAGTudásgráf + közösségdetektálás

→

Teljes Agentic RAGTervezés + eszközhasználat + iteráció

Mikor érdemes agentic RAG-et használni?

Kérdés típusa	Hagyományos RAG elég?	Agentic RAG kell?
„Mi az infláció?"	Igen	Nem — túlzás
„Hasonlítsd össze a magyar és osztrák inflációt 2020-2025 között"	Nem elég	Igen
„Milyen hatása volt az inflációnak a magyar KKV-k befektetéseire?"	Nem elég	Igen

Agentic RAG korlátai

Az agentic RAG nem mindig jobb. 10-50× több LLM-hívás = 10-50× több költség és latencia. A lekérdezések 80%+-a egyszerű keresés, ahol a hagyományos RAG tökéletesen elég. Az agentic RAG a maradék 10-20% komplex kérdésnél hoz valódi értéket.

06 · No-Code agentek

Az ígéret és a valóság

A no-code/low-code agent platformok (Dify, n8n, Make, Flowise) alapígérete: „Bárki építhet AI-agenteket — kódolás nélkül!" A valóság: a 80/20 csapda. Az agent 80%-a könnyedén összerakható vizuális felületen. De a maradék 20% — hibakezelés, edge case-ek, biztonsági hardening — mélyreható mérnöki tudást igényel.

OWASP Agentic AI Top 10 — Biztonsági kockázatok

#	Kockázat	Mi ez?
1	Goal Hijacking	Az agent célját manipulálják prompt injection-nel
2	Identity Abuse	Az agent jogosultságait kihasználják
3	Rogue Autonomy	Az agent kikerül az emberi felügyelet alól

Valós CVE-k 2025-ben

Platform	CVSS	Mi történt
Microsoft 365 Copilot	9.3	Zero-click adatkiszivárgás
GitHub Copilot	Kritikus	Féregszerű távoli kódfuttatás (RCE)
Langflow	9.8	Távoli kódfuttatás
Cursor IDE	Magas	Prompt injection sebezhetőség
MCP szerverek (1 184 db)	Változó	Rosszindulatú skill-ek az OpenClaw piactéren

Mikor működik a no-code?

Felhasználás	No-code OK?	Miért?
Belső FAQ chatbot	Igen	Alacsony kockázat, egyszerű logika
Email-összefoglaló agent	Igen	Egyirányú, nem cselekszik
Ügyfélszolgálati agent	Részben	Egyszerű esetek igen, edge case-ek kódot igényelnek
Pénzügyi döntéstámogató	Nem	Túl magas kockázat, auditálhatóság szükséges
Többágenses rendszer	Nem	Koordináció, hibakezelés kód nélkül lehetetlen

07 · Hype Cycle

Jel és zaj szétválasztása

Az AI-agentek 2025-ben (12 hónap alatt!) a „Felfújt Elvárások Csúcsára" kerültek a Gartner Hype Cycle-on. Ez azt jelenti: a média és a befektetők túlzott elvárásokat fűznek hozzá, a valódi termelési használat messze elmarad az ígéretektől, és 12-18 hónapon belül jön a kiábrándulás.

Az AutoGPT tanulság

2023 márciusában az AutoGPT 150 000 GitHub csillagot kapott. Az ígéret: „Egy teljesen autonóm AI agent, amely bármilyen feladatot megold." A valóság: végtelen hurkok, hallucinációs kaszkád, költségrobbanás, termelési használat közel nulla. Az AutoGPT a 2020-as évek „cold fusion"-ja.

A „vibe coding" — Ez a valódi áttörés

Eszköz	Mit csinál	Valódi használat?
Claude Code	Kódot ír, debugol, commitol a terminálon	Igen
Cursor	AI-IDE, kód-értés + generálás	Igen — $29,3 Mrd
Windsurf	AI-kódolás + agent	Igen
Devin	„Teljes szoftverfejlesztő agent"	Részben

08 · Technikai architektúra

A protokoll-konvergencia — „A TCP/IP pillanat"

MCPAgent ↔ Eszköz
Anthropic → Linux Foundation

A2AAgent ↔ Agent
Google

AG-UIAgent ↔ Ember
CopilotKit

↓

Linux Foundation — Nyílt szabvány

Ahogy a TCP/IP szabványosította az internet kommunikációját, az MCP+A2A+AG-UI szabványosítja az agent-kommunikációt. MCP adopció: 97 millió havi letöltés, 10 000+ szerver.

A memória-szűk keresztmetszet

Nem az intelligencia a szűk keresztmetszet — hanem a memória.

Memória típus	Mi ez?	Állapot
Rövid távú	A jelenlegi beszélgetés kontextusa	Működik
Hosszú távú	Korábbi beszélgetések emlékezete	Korlátozott
Epizodikus	Konkrét események emlékei	Kísérleti
Szemantikus	Általános tudás a felhasználóról	Fejlődőben

Framework-háború

Framework	Fókusz	Adopció
LangGraph	Állapotgép-alapú orchestráció	★★★★★
CrewAI	Gyors többágenses fejlesztés	★★★★
OpenAI Agents SDK	OpenAI ökoszisztéma	★★★★
Claude Agent SDK	MCP-natív	★★★
Google ADK	Multimodális	★★★

09 · Elméleti keretrendszer

71 könyv tanulsága — 10 strukturális korlát

A legfontosabb könyvek

#	Szerző — Cím	Miért fontos
1	Chip Huyen — AI Engineering	Az összetett hiba matematikáját dokumentálja
2	Acemoglu & Johnson — Power and Progress	A „so-so automatizáció" elmélete
3	Zuboff — In the Age of the Smart Machine	A deskilling (készségvesztés) első dokumentálása
4	Susskind — A World Without Work	A legalaposabb automatizáció-hatáselemzés
5	Srnicek — Platform Capitalism	A platform-koncentráció mechanizmusa

A „so-so automatizáció" figyelmeztetése

Daron Acemoglu közgazdász (MIT, 2024-es közgazdasági Nobel-díj) kulcsfogalma: az AI-agentek az esetek többségében kiváltják az emberi munkát, de nem hoznak transzformatív termelékenységnövekedést. Analógia: a szupermarket önkiszolgáló kasszája kiváltotta a pénztárost, de nem gyorsította fel a vásárlást.

Acemoglu figyelmeztetése

Ha a vállalatok az agenteket „olcsóbb munkásnak" használják ahelyett, hogy új képességeket építenének velük → a gazdasági hatás nettó negatív lesz: munkahely-veszteség + stagnáló termelékenység.

10 · Globális panoráma

65 nyelv, 65 történet

A 65 nyelven végzett kutatás 6 fő archetípust azonosított:

Innovációs

US, IL, UK, SE, SG

Szuverén AI

CN, RU, IN, SA, AE

Szabályozó

EU, FR, DK, EE, LU

Outsourcing

PL, RO, RS, BG, PH

Állami

KZ, UZ, ID, TH

Nyelvi

IS, MN, HU, NP

A 10 legmeglepőbb felfedezés

#	Ország	Felfedezés
1	Örményország	$4 Mrd, 50 000 GPU-s NVIDIA szuperszámítógép — a világ top 5 AI-infrastruktúrája
2	Mongólia	70 milliárd paraméteres saját LLM — 3 millió fős országban!
3	Ukrajna	Diia.AI: a kormányzati megkeresések 50%+-át AI-agent kezeli
4	Indonézia	Sahabat-AI: 70B paraméteres LLM, 700+ helyi nyelv, 4. osztálytól kötelező AI-tanterv
5	Fülöp-szigetek	1,9M BPO munka: 89% automatizálási kockázat, DE +135 000 új munkahely
6	Svédország	Klarna-visszafordulás: a cégek 55%-a megbánta az AI-alapú munkaerő-kiváltást
7	Üzbegisztán	„Öt Millió AI Vezető" program ($100M) — a népesség 14%-át célozza
8	Észtország	Burokratt: a világ első interoperábilis kormányzati AI-agent hálózata
9	Lettország	Desktop Commander: 300K+ letöltés, a globális MCP-ökoszisztéma alapköve
10	Szingapúr	A világ első agentic AI governance keretrendszere (MGF, 2026 január)

11 · Ellenérvek és vakfoltok

Stresszteszt — 5 tézis, 20+ ellenérv

Tézis	Ítélet	Konfidencia
A: „Az AI-agentek 2028-ra automatizálják a tudásmunkát"	Korai	82%
B: „Az agentic RAG jobb, mint a hagyományos"	Részben igaz	70%
C: „A no-code demokratizálja az agenteket"	Részben igaz	75%
D: „A többágenses rendszerek a jövő"	Korai	78%
E: „Az MCP/A2A létrehozza az ökoszisztémát"	Részben igaz	65%

10 vakfolt

#	Vakfolt	Miért fontos
1	Energiaköltség	Senki nem számol teljes TCO-t (szerver, hűtés, hálózat)
2	Karbantartási teher	Az agent nem „kész" — folyamatosan karbantartandó
3	Felelősségi rés	Ha az agent hibás döntést hoz → ki a felelős?
4	Tehetség-paradoxon	AI-mérnökök kellenek a tudásmunkások kiváltásához
5	Kompetens kudarc	Az agent csendben, „kompetensül" hibázik
6	Kulturális ellenállás	Nem technológiai, hanem emberi probléma
7	Adatminőség	„Garbage in, garbage out"
8	Prompt-regresszió	Modellfrissítéskor a promptok elromlanak
9	Benchmark-termelés rés	SWE-bench pontszám ≠ valós teljesítmény
10	Alternatívaköltség	Minden agent-projektbe fektetett $ egy NEM agent-megoldásba fektetett $

12 · Jövőbeli forgatókönyvek

Három forgatókönyv 2028-ra

30% esély

Augmentáció

Az agentek kiegészítik az emberi munkát. Termelékenység +30-50%. Nettó pozitív munkahelyteremtés. A human-in-the-loop programok 2× valószínűbben hoznak 75%+ megtakarítást.

50% esély — Legvalószínűbb

Polarizáció

A top 10% vállalat sikeresen adoptál. A KKV-k nem tudják megfizetni az infrastruktúrát. A digitális szakadék mélyül: aki korán adaptál, exponenciálisan gyorsul.

20% esély

So-so automatizáció

Acemoglu-forgatókönyv: az agentek kiváltják a munkát, de nem hoznak transzformatív termelékenységet. Társadalmi feszültség, szabályozási visszacsapás.

A 2 éves ablak

A masszív befektetési hullám most zajlik. A kiábrándulás 12-18 hónapon belül jön. Aztán jön az érettség. A nyertesek most építkeznek, a kiábrándulás völgyében.

2026

Hype

Építkezz most!

2027

Kiábrándulás

Finomíts (olcsón)

2028

Érettség

Skálázz (okosan)

2029

Termelés

Arasd le

13 · Cselekvési terv

Cselekvési terv vezetőknek

Azonnali teendők (0-3 hónap)

#	Feladat	Költség	Hatás
1	Agent audit: Hol használ a céged már AI-t? (shadow AI felmérés)	Ingyenes	★★★★★
2	Egy pilot: Válassz EGY egyszerű, alacsony kockázatú folyamatot	Alacsony	★★★★
3	Human-in-the-loop: Az agentet SOHA ne engedd teljesen önállóan dönteni	Nulla	★★★★★
4	MCP/A2A figyeld: Ezek a protokollok határozzák meg az agent-jövőt	Ingyenes	★★★
5	Biztonsági audit: Prompt injection tesztelés, adathozzáférés korlátozás	Alacsony	★★★★★

Középtávú stratégia (3-12 hónap)

#	Stratégia	Leírás
1	Augmentáció, nem automatizáció	Az agent kiegészítse az embert — ez a 2× ROI-különbség
2	Összetett hiba kezelése	Tartsd a munkafolyamatokat 5 lépés alatt — itt még 77% a siker
3	Agentic RAG csak ahol kell	Az egyszerű kereséseket hagyja a hagyományos RAG
4	No-code: csak belső, alacsony kockázatú	Belső FAQ: igen. Pénzügyi döntés: soha.
5	Mérj, ne higgy	KPI-k: taszkteljesítés, emberi eszkalációk, költség/feladat

Amit NE csinálj

Ne tedd	Helyette
„Váltsd ki a 700 ügyfélszolgálatost AI-val"	Kezdj 10%-os augmentációval, mérd, skálázd
„Építsünk teljesen autonóm agent-rendszert"	Építs human-in-the-loop-ot, fokozatosan növeld az autonómiát
„Használjunk no-code-ot a kritikus folyamatokra"	No-code = prototípus; termelés = mérnöki minőség
„20 lépéses automatizált workflow"	Max 5 lépés, emberi ellenőrzéssel
„Az AI majd megoldja a szervezeti problémákat"	Először a folyamatot rendezd, aztán automatizálj

14 · Módszertan

GFIS OQL Minőségi Jelölések

OQL-1

400+ forrás

OQL-2

Konfidencia-mátrix

OQL-3

RAG-korlát

OQL-4

Adverszális teszt

OQL-5

Konvergencia

OQL-6

Hiánytérkép

Kutatási modulok

Modul	Források	Nyelvek	Fő hozzájárulás
SEXTANT	50+	EN	Definíciók, evolúció, piaci adatok, framework-ök
PARALLAX	40+	EN	Enterprise ROI, no-code krízis, hype, tech architektúra
REVERSAL	40+	EN	5 tézis stresszteszt, 10 vakfolt
Multilingual B1-B6	300+	65 nyelv	6 archetípus, regionális mintázatok
Corpus V2	71 könyv	EN	10 strukturális korlát, elméleti keretrendszer

A tartalom nem validált valós adatokon

Ez a szintézis irodalomkutatás és szintézis — nem empirikus kutatás. A számok és statisztikák a hivatkozott forrásokra vonatkoznak, nem saját mérésekre.

Építs rendszert, ne hype-ot.

A kutatás megmutatta a valóságot. A következő lépés: hogyan alkalmazd a saját szervezetedben.

Beszéljünk → Összes kutatás →

Kapcsolódó kutatások

További GFIS field reportok

Minden kutatás a Gestalt Field Intelligence System pipeline-jával készül — strukturált dekonstrukció, RAG korpusz, adversarial vakfolt audit.

Zero-Click

AI Agentek 2026 —A nagy ígéret és a kemény valóság