5 kritikus készség, amire a vezetőknek szükségük van a mesterséges intelligencia korában

A legtöbb AI‑projekt nem a technológia miatt bukik meg, hanem azért, mert a vezetés nem rendezi át a működést. Eszközt venni egyszerű; viselkedést, folyamatot és döntéshozatalt átírni nehezebb. A generatív AI ma már nem „külön projekt”: belenyúl a stratégiaalkotásba, a pénzügybe, a termékbe, a kutatásba, a HR‑be és a kommunikációba is. Ha a vezetői fókusz megáll a „produktivitásnövekedés” általános ígéreténél, a szervezet rövid távú kísérletezgetésbe fárad, miközben a valódi érték – a működés újraszervezése – elmarad. Ebben a cikkben állást foglalok: az AI‑korszak vezetői sikere öt készségen áll vagy bukik. Ezek: határátlépő hálózatépítés (boundary‑spanning), szervezeti újratervezés (architecting), csapat‑együttműködés vezénylése (orchestrating), tehetség coach‑olása (coaching), példamutatás napi AI‑használattal (role‑modeling). Mindegyikhez konkrét vezetői szerep, mérőszám és 90 napos mozgásterv tartozik. Nem motivációs díszletet javaslok, hanem döntési protokollt: mit csinálj, mit mérj és hogyan kommunikáld, hogy a technológia ne növelje a zajt, hanem csökkentse. Ha ez az öt terület rendben van, az AI versenyelőnnyé válik. Ha bármelyik hiányzik, az AI csak gyorsabban viszi tovább a régi hibákat.

„Az AI nem oldja meg helyetted a vezetést. De ha rendbe teszed a vezetést, az AI látványos értékké válik.” — Dajka Gábor

Miért most

A generatív AI egyszerre általános célú (minden funkcióba beágyazható) és frontvonalas technológia (közvetlenül a napi munkát érinti). E kettő együtt okozza a feszültséget: a felhasználói élmény azonnali (pár perc alatt kérhetsz elemzést, vázlatot, kódot), a megtérülés viszont jellemzően késik, mert az intangibilis beruházások (adatminőség, folyamat‑újrarajzolás, képzés, governance) előbb jönnek, mint a pénzügyi hatás. Ezt a jelenséget sok iparágban megfigyelték: az új, általános célú technológiák elején a termelékenységi nyereség alulbecsült, később viszont hirtelen megugrik, amikor a kiegészítő (sokszor láthatatlan) beruházások beérnek. Neked ebből annyi a tanulság, hogy ne eszközlistát, hanem folyamatlistát vezess; és ne „AI‑pilotokról”, hanem AI‑munkamódokról beszélj. Előre mondd ki: hol automatizálsz (emberi ellenőrzési pontokkal), hol egészíted ki az emberi döntést (AI mint elemző/összegző/kockázatjelző), hol marad tisztán emberi kontroll (értékválasztás, reputáció‑kritikus döntés, ügyfél‑bizalom). Ha az erőforrást nem a folyamatok átépítésére, hanem eszközbeszerzésre költöd, az AI programod „homokóra”: felül zaj, alul nincs átfolyás. A jó kérdés nem az, hogy „milyen AI‑t vegyünk?”, hanem az, hogy „milyen munkát akarunk máshogy csinálni jövő hónaptól?”. A válaszodhoz most öt készséget bontok ki, szereppel és gyakorlati mércével.

Határátlépő hálózatépítés

A releváns AI‑tudás ritkán a saját iparágadban születik. A vezetői feladat az, hogy kinyisd a szervezet érzékszerveit olyan körökre, ahol nem redundáns információ áramlik. Ez a gyakorlatban három dolgot jelent. Először: külső expozíció. Negyedévente szervezz iparág‑közi tereplátogatást (szabályozás, startup, egyetem, beszállító, ügyféloldali innovátor), és kérj „mi működik/mi nem működik” bemutatót valós példákkal. Másodszor: peer learning házon belül. A felsővezetői meetingen rotációban valaki öt percben bemutat egy konkrét AI‑használati mintát, ami működött, és egyet, ami nem. A cél a tacit tudás átadása, nem a „szép esettanulmány”. Harmadszor: csapatbevonás. Havonta tarts „sandbox napot”, ahol a fejlettebb felhasználók élőben mutatnak workflow‑kat (prompt‑sablonokkal, ellenőrző pontokkal), a többiek pedig a saját folyamataikra adaptálják. A határátlépő vezető mérőszáma egyszerű: az elmúlt 90 napban hány külső mintát fordítottatok át belső rutinra? Ha ez nulla, nem a technológia lassú, hanem a hálózat zárt. Az is a te munkád, hogy a csapatod félelmét és túlzott optimizmusát egyaránt lehűtsd: a külső példák és a belső kísérletek átlátható megosztása csökkenti a mítoszokat, és növeli az önbizalmat, hogy a saját folyamataitokat is át merjétek szabni.

Szervezeti újratervezés

Az AI nem a régi folyamatok „gyorsítója”, hanem arra kényszerít, hogy felboncsd a munkát feladatrészekre, és újra kioszd a szerepeket. A sorrend: 1) task unbundling – a kulcsfolyamataidat (pl. pénzügyi zárás, ügyfélszolgálat, ajánlatadás, kutatási szintézis) bontsd 10–20 lépésre; 2) kiosztási térkép – jelöld, hol automatizálsz (jó minőségű adat, jól definiált output), hol egészítesz ki (AI mint összegző/elemző/kockázatjelző), és hol marad tisztán emberi döntés; 3) szerepleírás – írd át a munkaköri profilokat az új munkamegosztáshoz (pl. „prompt‑mentor”, „adatgazda”, „AI‑QA”); 4) review‑formátum – a kézi adatgyűjtés helyett élő dashboard és „tanulási fókuszú” negyedéves megbeszélés. A cél nem FTE‑csökkentés, hanem kapacitásfelszabadítás magasabb hozzáadott értékű feladatokra. Ha ezt elvégezted, jön az igazi ugrás: új értékáramok – hol tudsz hiperszemélyre szabni, új szolgáltatási csomagokat nyitni, vagy adat‑alapú bevételt építeni? A siker mérőszámai: átfutási idő csökkenés a kulcsfolyamatokban, hibaarány és újramunka esése, valamint az új értékáramok aránya a bevételben. Ha ezek nem mozdulnak, valójában eszközt integráltál, nem szervezetet tervez­tél újra. Ezen a ponton a meeting‑kultúrát is át kell írni: kevesebb prezentáció, több közös elemzés; kevesebb „múlt‑riport”, több „előrejelzés és döntés”.

Csapat‑együttműködés vezénylése

A vezetői próba nem az, hogy te használsz‑e AI‑t, hanem az, hogyan tervezed be az AI szerepét a kollektív döntéshozatalba. Az ad‑hoc használat baleset: a modell véleményét vagy túlhisszük, vagy légből kapott indokkal elutasítjuk. A megoldás a szerepkiosztás és a protokoll. Adj az AI‑nak kijelölt funkciókat a megbeszélésekre: összegző (anyagok rövid, összevetett kivonata alternatívákkal); elemző (szcenáriók, beavatkozási pontok, költség‑haszon érvek); kockázatjelző (vakfoltok, adatminőség, torzítások); „ördög ügyvédje” (kifejezetten az ajánlását vagy a csapat konszenzusát támadja, hogy jobb kritikai gondolkodás szülessen). E szerepeket váltogatod témától és kockázattól függően, és előre lefekteted, mikor melyiknek van döntő súlya. Emellett pszichológiai biztonságot kell teremtened: a kétely engedélyezett, a hiba mérhető, a tanulás jutalmazott. A megbeszélés végén dokumentálod, mikor és miért tértél el az AI javaslatától. Ez a tudástőke, amire skálázni lehet. Rossz minta: az AI csak „eszköz”, néha valaki behoz egy kimenetet, földuzzad a bizonytalanság, majd a régi tekintélydöntés érvényesül. Jó minta: az AI tervezett csapattag, akinek a felhatalmazása és az ellenőrzése is világos – ettől lesz gyorsabb és jobb a közös gondolkodás.

Tehetség coach‑olása

Az AI bevezetése kulturális kérdés is: ha a csapat fél, nem használja; ha használja, de nincs minőségbiztosítás, nő a zaj. A menedzser szerepe ezért tolódik az „ellenőr” felől a tanító felé. A coaching‑szemlélet négy gyakorlata különösen hatásos. 1) Pszichológiai biztonság: tedd egyértelművé, hogy a kísérletezés és a hiba tanulási alap. A rossz kimenet nem szégyen, hanem input a QA‑ba. 2) Prompt‑műveltség: építs mintatárat (jó/rossz példákkal), és adj visszajelzési útmutatót: milyen kontextus, milyen stílus, milyen ellenőrző kérdések kellenek. 3) Workflow‑gondolkodás: nem egyedi promptokat optimalizálsz, hanem végigfutó folyamatokat: bemenet → AI‑kimenet → emberi ellenőrzés → döntés → naplózás. 4) Fejlesztési útvonal: minden munkakörre rajzolj egy „következő szint” AI‑kompetenciát (miben lesz értékesebb a kolléga három hónap múlva?). Így kerülöd el, hogy a csapat „eszközhasználatot” tanuljon „munka‑áttervezés” helyett. Mérd is: hány óra manuális munka tűnt el, és ebből mennyi időt csoportosítottatok át ügyfélértékre vagy innovációra; ne csak papíron, a naptárban is látszódjon. A coach‑szerep lényege, hogy a csapatod ne „AI‑rajongóvá”, hanem megbízhatóan jó felhasználóvá váljon.

Példamutatás napi AI‑használattal

A szervezet azt csinálja, amit a vezető mutat, nem azt, amit mond. Ha lelkesedsz az AI‑ért, de te magad alig használod, a jelzés zavaros: „nektek kell kísérletezni, én maradok a réginél”. A megoldás a kézzelfogható, mindennapi rutin. Használd az AI‑t minden nap: brífekhez, alternatívák felvázolásához, ügyfél‑összefoglalókhoz, jegyzetek tisztításához, meetinganyagok előkészítéséhez, hipotézisek gyors validálásához, tartalom‑ellenőrző listákhoz. Oszd meg, miben segített és hol tévedett – ettől válik normává a kíváncsiság és a hibából tanulás. Mellékhatásként kialakul az „immunrendszered” a csillogó, de üres anyagokra: az AI által kulturáltan megfogalmazott, ám tartalmilag gyenge anyag (workslop) hamar át fog esni a rostán. Vezetői mérce: vezetőnként havonta három új, AI‑támogatott workflow bevezetése, rövid belső jegyzettel. Ha ezt átláthatóvá teszed, társas bizonyíték jön létre: a csapat látja, hogy nem „projekt”, hanem új munkamód. Ha nem teszed, az AI‑program PR marad; ha megteszed, kultúra lesz belőle.

Összefoglaló táblázat

90 napos megvalósítási terv

A terv célja, hogy a szervezet a „pilotokból” működésre váltson. Nem eszközlista, hanem munkamód‑átalakítás. Az eredmény: gyorsabb döntéshozatal, kevesebb újramunka, és legalább egy új értékáram beindítása a 3. hónap végére.

1. 0–30. nap – Hálózatnyitás és diagnózis: Ágazatközi demóhét (külső vendégek valós példákkal). 10 kulcsfolyamat felbontása (task unbundling). AI‑használati kockázati mátrix (adat, megfelelés, reputáció, IP). Vezetői demó: minden igazgató bemutat 1 saját AI‑workflow‑t.
2. 31–60. nap – Pilotok folyamat‑szinten: Két end‑to‑end folyamat újratervezése (pl. ügyfélszolgálati tudásbázis frissítése és pénzügyi zárás). Döntéshozatali protokoll AI‑szerepekkel (összegző, kockázatjelző, „ördög ügyvédje”). Prompt‑ és QA‑mintatár indul, rotált „prompt‑mentor” szereppel.
3. 61–90. nap – Skálázás és beágyazás: KPI‑k rögzítése (átfutási idő, hibaarány, ügyfél‑NPS a módosított pontokon). Belső tréneri háló (AI‑nagykövetek). Meeting‑formátumok átírása (kevesebb riport, több tanulás). Cégszintű „AI‑kódex” publikálása – jogosultságok, naplózás, ellenőrző pontok.

Kockázat és etika

Az AI‑stratégia annyit ér, amennyire a kockázatkezelés működő – nem csak papíron. Három kérdésblokkra figyelj. Adat és megfelelés: mi mehet a modellbe (adatminimalizálás, deperszonalizálás), milyen rendszerekben tárolsz, milyen környezetben futnak a modellek (zárt/nyílt), és hogyan jelölöd a szenzitív tartalmakat. Minőség és felelősség: mit jelent nálad a „jó kimenet” (teszthalmaz, benchmark), hol van ember a hurokban, és ki a végső felelős. Legyen eltérés‑napló: mikor és miért tértél el az AI javaslatától – ebből lesz szervezeti tanulás. Társadalmi és szervezeti hatás: előre kommunikáld, hogy az AI nem „emberkiváltás”, hanem munkafolyamat‑emelés; adj rekvalifikációs útvonalat; és tartsd a motivációt, amikor a „kézi munka” eltűnik. Etikusan az jár el, aki nyíltan megmondja, hol jó az AI és hol gyenge; aki láthatóan maga is tanul; és aki a governance‑t nem a prezentációban, hanem jogosultságban, naplózásban és ellenőrző pontokban rendezi el. Rövid távon ez türelemjáték, mert az intangibilis beruházások előre mennek; középtávon viszont ezek hozzák a tartós előnyt.

Dajka Gábor business coach szerint

A vezetés az AI korában nem a gépek dicsérete, hanem az emberi munka újraszervezése. Az öt készség – határátlépés, újratervezés, orchestrálás, coaching, példamutatás – együtt adja a működő rendszert. Ha ebből egy is hiányzik, az AI felgyorsítja a rossz működést; ha mind megvan, a cég gyorsabban tanul a piacon, mint a versenytárs. Nem kell mindent tudnod a modellek belsejéről. Elég, ha minden nap használsz valamit, és minden héten változtatsz valamit a működésen, ami mérhető értéket hoz. A többiből kultúra lesz.

„Az AI nem helyettünk gondolkodik, hanem velünk – ha megteremtjük hozzá a szervezetet.” — Dajka Gábor

Szakértő válaszol – GYIK

Mi az első lépés, ha a board már AI‑t akar, de a szervezet nincs készen?

Kezdd a task unbundlinggal: a kulcsfolyamatokat bontsd 10–20 feladatrészre, jelöld, hol automatizálsz, hol egészítesz ki, hol marad tisztán emberi döntés. Rendelj minden blokkhoz mérőszámot (átfutás, hiba, elégedettség). E nélkül az AI‑beruházás eszközlista marad, nem működésváltás.

Hogyan kerülhetem el, hogy az AI csak gyorsítsa a régi hibákat?

Tedd kötelezővé a döntéshozatali protokollt AI‑szerepekkel (összegző/elemző/kockázatjelző/„ördög ügyvédje”), és dokumentáld az eltéréseket az AI javaslatától. Így a csapat tanul a hibákból, és csökken a vak bizalom vagy a reflex‑elutasítás.

Magyar közegben miben más a bevezetés?

Gyakori a folyamatos elérhetőség és az ad‑hoc tűzoltás. Itt a legnagyobb nyereség a meeting‑kultúra és az end‑to‑end folyamatok átírásából jön: kevesebb riport, több élő dashboard; kevesebb kézi excel, több automatizált validáció. Emellett korán tisztázd a megfelelési kereteket (adatvédelem, ágazati szabályok), és írd le, mi mehet nyílt modellbe, mi csak zárt környezetbe.

Kell‑e mindenkinek „prompt‑guruvá” válnia?

Nem. Kell egy alap műveltség (cél‑orientált kérdezés, kontextus‑adás, forráskritika), és pár dedikált szerep (prompt‑mentor, adatgazda, QA). A cél az ismételhető, auditálható workflow, nem a prompt‑verseny.

Mit tekintsek bizonyítéknak, hogy jó irányba haladunk?

Három jelre figyelj: rövidülő lead time a módosított folyamatokban; csökkenő újramunka; és legalább egy új bevételi láb (pl. hiperszemélyre szabott ajánlatok, új szolgáltatási csomag), ami kifejezetten az AI‑bővítésből született. Ha ezek nem látszanak, vissza kell lépned és újrarajzolni a folyamatot.

Források

Ibarra, H., & Jacobides, M. G. (2025). 5 Critical Skills Leaders Need in the Age of AI. Harvard Business Review.

Brynjolfsson, E., Rock, D., & Syverson, C. (2021). The Productivity J‑Curve: How Intangibles Complement General Purpose Technologies. AEJ: Macroeconomics.

Chiang, C.‑W., Lu, Z., Li, Z., & Yin, M. (2024). Enhancing AI‑Assisted Group Decision Making through LLM‑Powered Devil’s Advocate. ACM IUI.