Úgy érezzük, hogy a mesterséges intelligencia mára szinte minden területre betört a mindennapjainkba. Kétség sem fér hozzá, hogy az információkezelés és az elemzési folyamatok kifejezetten hazai pálya számára, így ezeken a területeken bátran támaszkodhatunk a képességeire. A humánerőforrás pedig azon üzletágak egyike, ahol különösen nagy a várakozás irányába. Gyertek, vizsgáljunk meg egy konkrét példát, és nézzük meg, milyen eredményre jutottunk!

Egy kis gondolatkísérlet

Képzeld el, hogy a cégednél egyik hónapról a másikra látványosan megemelkedik a felmondások száma. Ráadásul nem csak a „természetes mozgásról” van szó: kulcsemberek, nehezen pótolható munkatársak távoznak. A HR-csapat azonnal reagál – összeülnek, és elkezdődnek a találgatások:

„Talán túl nagy a terhelés?”

„Lehet, hogy a bérek nem versenyképesek?”

„Gond van a vezetőkkel vagy a projektekkel?”

A feltételezések azonban önmagukban nem visznek előre. Valódi, adatokra épülő válaszokra van szükség – gyorsan.

Mi történik ilyenkor hagyományosan?

A menedzsment kiadja a parancsot, és elkezdődik az adatvadászat: kilépési interjúk, dolgozói elégedettségi felmérések, hiányzások, betegszabadságok, bérváltozások, home office jelenlét, esetleg projektbeosztások és teljesítményadatok. Majd jön az adatelemző vagy IT csapat, aki lekérdezéseket ír, táblázatokat gyárt, ábrákat készít, és néhány nap (vagy hét) múlva születik egy riport. Ha az alapján új kérdés merül fel? A folyamat kezdődik elölről.

Ez lassú, költséges, és gyakran már csak akkor készül el, amikor a probléma túl nagyra nőtt.

Mi lenne, ha mindezt automatizálnánk?

A Nitrowise-nál erre hoztunk létre egy AI agent-alapú elemzőrendszert, amely képes emberi beavatkozás nélkül elvégezni egy adatelemző legfontosabb lépéseit – ráadásul gyorsabban és skálázhatóan.

Ez a rendszer:

• érti a feltett HR kérdéseket,
• összegyűjti a kapcsolódó adatokat több forrásból,
• elemzi és tisztítja az adatokat,
• megtervezi az elemzés logikáját,
• képes a dokumentumokat, jegyzeteket is feldolgozni és figyelembe venni mint adatforrás,
• generálja és végrehajtja a szükséges lekérdezéseket és számításokat,
• kiértékeli az eredményeket,
• és javaslatot tesz további vizsgálatokra vagy lépésekre.

A végén pedig egy jól strukturált, világos riportot ad át – ugyanúgy, mint egy senior elemző, csak töredék idő alatt.

Hogyan néz ki ez egy HR-es fluktuációs helyzetben?

Tegyük fel, hogy feltesszük a kérdést:

„A növekvő kilépési arány összefüggésben van a home office lehetőségek szűkülésével?”

A rendszer chatfelületen keresztül működik, ahol a HR-es kolléga egyszerűen felteheti ezt a kérdést – hasonlóan, mintha egy adatelemzőt kérdezne meg Slacken vagy Teamsen.

Ezután az AI agent:

• azonosítja a releváns adatforrásokat,
• értelmezi a kérdést, és adatmodell javaslatot készít,
• automatizált módon futtatja le az elemzést,
• kimutatja például, hogy azokban az osztályokban, ahol csökkent a home office aránya, 2,5-szeresére nőtt a kilépési arány.

A chatfelületen a rendszer vissza is kérdez, ha valami pontosításra szorul, és képes új kérdéseket is javasolni a vizsgálat mélyítéséhez.

Technológiai háttér: AI agentek és framwork-ök

Az elmúlt években nem csupán maguk az AI modellek fejlődtek drámai mértékben, hanem azok a keretrendszerek és technológiai megoldások is, amelyek lehetővé teszik az AI hatékony és átlátható használatát. Az általunk használt agent-alapú megoldások mögött a Langchain és Langgraph frameworkök állnak, amelyek jelentősen leegyszerűsítik és hatékonyabbá teszik az AI-alapú folyamatok modellezését és skálázását.

A Langgraph segítségével az adatelemző munkafolyamatunkat egy dinamikus, irányított gráf formájában jelenítjük meg, amely világosan elkülöníti az egyes lépéseket, döntési pontokat és visszacsatolási hurkokat. Például, amikor egy elemző agent új adatelemzési eredményt szolgáltat, a dinamikus tervező agent automatikusan újratervezi a folyamatot, eldöntve, hogy szükség van-e még a korábban tervezett lépésekre vagy érdemes új feladatokat létrehozni.

Az Agent alapú megközelítés révén jól definiált funkciókkal rendelkező, moduláris entitásokat hozhatunk létre, amelyek akár más elemzési folyamatokban is újrahasznosíthatók. A frameworkök használatának további előnye, hogy nem vagyunk kötve egyetlen AI modellhez sem. A feladat jellege szerint választhatunk specifikus modelleket: például egy magas reasoning képességű modellt használhatunk a tervezési lépésekhez (például GPT-4o mini high reasoning), miközben a kódgenerálási vagy adatelemzési lépésekhez egy költséghatékonyabb modellt választunk. Sőt, bizonyos érzékeny folyamatokat akár teljesen saját környezetben futó, lokális modellekkel, mint például a Qwen3 32B-vel is végrehajthatunk.

Minden generált kód, SQL lekérdezés és következtetés logikai úton validálható, dokumentált, mentett és visszajátszható, biztosítva ezzel a folyamatok maximális transzparenciáját és ellenőrizhetőségét.

Működés bemutatása: Adatoktól a Riportig – AI Agentek munkában

A megoldás használatakor a felhasználónak egyszerűen csak meg kell adnia az adatforrásokat, amelyek relációs adatbázisokhoz való kapcsolatok, vagy CSV és TSV fájlok lehetnek. A rendszer ezután automatikusan végrehajt egy alap schema elemzést, amely feltérképezi a mezők típusait, elemzi az értékkészleteket, és ellenőrzi az adatok formátumát.

Amennyiben szükséges, egy adattisztítási Agent elvégzi az apróbb javításokat és tisztításokat. Ezután elindíthatóak ezen az adatforráson Chat alapú beszélgetések, amelyek keretében a tervező Agent az ismert adatséma alapján automatikusan elkészíti az első elemzési tervet. A kód írására, futtatására és ellenőrzésére specializált Agentek automatikusan végrehajtják az elemzéseket, miközben folyamatosan értékelik az eredményeket.

Az elemzések eredményei alapján a tervező Agent dönt arról, hogy szükséges-e további elemzés vagy esetleg módosítani kell-e az eredeti terven. Amikor elegendő információ gyűlt össze, a rendszer automatikusan összeállítja a végleges riport tervét, amelyet egy más típusú kódoló Agent készít el.

A felhasználó számára minden lépés világosan és nyomon követhetően jelenik meg egy intuitív chatfelületen, ahol látszik a futtatás állapota, az aktuális terv, valamint az esetlegesen módosított feladatok.

Adatbiztonság: Strukturált folyamatok és visszaellenőrizhetőség

Az általunk kialakított rendszerben az adatbiztonság nem pusztán utólagos gondolat, hanem a folyamat kialakításának alapvető része. Az AI agentek kizárólag gondosan kialakított prompt template-eket és szigorúan definiált paramétereket használnak, amelyek garantálják, hogy személyes vagy érzékeny adatok ne kerüljenek ki a vállalati környezetből.

A LangSmith-alapú nyomonkövethetőség pedig lehetővé teszi minden egyes AI-alapú interakció lépésenkénti auditálását. Ez azt jelenti, hogy bármely elemzés vagy adatfeldolgozás visszanézhető, ellenőrizhető, és garantáltan megfelel a vállalati compliance követelményeknek. Így nemcsak azt tudjuk biztosítani, hogy adataid biztonságban vannak, hanem azt is, hogy ezt a biztonságot bármikor hitelesen demonstrálhatjuk.

Eredmény: gyors, megbízható döntések – még időben

• A hetek helyett percek alatt elkészülő riportok
• Tényeken alapuló döntéshozatal
• Reagálás helyett megelőzés
• A kulcsemberek megtartása – célzott, adatvezérelt lépésekkel

Ez nem elmélet – ez már működik

A bemutatott rendszer működését szívesen bemutatjuk egy demo keretében, vagy akár kipróbálhatjuk POC jelleggel a Ti adataitokon is. Ha Te is hiszel abban, hogy a HR terület hatékonysága növelhető AI-jal, akkor érdemes beszélgetnünk.

Lépj velünk kapcsolatba!

Segítünk feltérképezni, hogy az AI agentek hogyan tudnak értéket teremteni a ti szervezetetekben is – nem csak HR-ben, hanem más, összetett, adatvezérelt területeken is.

Tamás Bódis