Using AI at Work #115. Rethinking AI Governance for Enterprise Adoption with Dr. Markus Schmidberger (2026-08-03)¶

Epizód: Using AI at Work, #115 • Cím: Rethinking AI Governance for Enterprise Adoption • Dátum: 2026-08-03 (Mon) • Hossz: 48:33 (2913 sec) • Házigazda: Chris Daigle (founder, ChiefAIOfficer.com) • Vendég: Dr. Markus Schmidberger (founder & CTO, JuntoAI) Forrás: usingaiatwork.com • Buzzsprout MP3 (35.2 MB) • RSS feed Transcript: OpenAI Whisper ggml-medium.en.bin (whisper-cpp 1.9.1, Apple M4 GPU Metal backend), saját futtatás 2026-08-03 (~4 perc wall-time, 7612 szó, 0 hallucináció, 11 chapter a show notes-ból)

A lényeg¶

A Using AI at Work 115. epizódjában Chris Daigle, a ChiefAIOfficer.com alapító házigazdája Dr. Markus Schmidbergerrel (JuntoAI) beszélget a vállalati AI-governance-ről, és egy meglepő, markáns álláspontból indul: a Chief AI Officer (CAIO) pozíció létrehozása helytelen döntés, és a vállalati AI-siker inkább a kulturális enablement, a HR-vezérelte oktatás és a distribuált ownership felől közelíthető meg, nem egy központi CAIO-szereplőtől. Az epizód négy fő szálon fut: (1) A CAIO-vita. Markus eredeti LinkedIn-posztja 100 000 megtekintést és 120 hozzászólást generált, és a CAIO szerep hibás feltevését támadja (mindenki a CAIO-ra bízza az AI-t, miközben az AI-nek a teljes szervezet kulturális kérdésévé kellene válnia); (2) Az AI business gap, ugyanaz a 15 évvel ezelőtti data business gap megismétlődése, ahol a technológiai ígéret nem találkozik az üzleti értékteremtéssel (Gartner-szerű előrejelzés, 5-10 éves időtáv); (3) A token-szám vs agent-outcome vita, a token-fogyasztás nem méri az üzleti értéket, és a hatékony cégek áttérnek az ágens-alapú mérésre (például utazási booking agent, ami a naptárból autonóm módon foglal); (4) A JuntoAI digitális ikrek víziója, minden felhasználónak van egy digitális ikre, ami a saját hálózatán túl is (másod-, harmad-, negyed-, ötödrendű kapcsolatokig) tud a felhasználó nevében szakértőt, partnert vagy ügyfelet keresni 80%+ match-score küszöb felett, és csak e felett hozza össze az embereket, „humans buy from humans” filozófiával. A lezáró tanulság: az AI statisztikai modell, és a „random number 42 és 73” trükk azonnal demonstrálja a valószínűségi mintázatok természetét. Az epizód a core stratégia vs. AI-exploráció 2027-es dilemmáját is felveti: a túlzott AI-bevezetés elterelheti a figyelmet a core termékről, és egyes cégek 2027-ben várhatóan visszatérnek a fókuszhoz.

1. rész: A Chief AI Officer vita, miért ne vegyünk fel CAIO-t, és mit jelent ez a vállalati AI-stratégiára¶

A beszélgetés és a vendég bemutatása¶

A Using AI at Work podcast 115. epizódjában Chris Daigle, a ChiefAIOfficer.com alapító házigazdája Dr. Markus Schmidbergerrel beszélget. A teljes epizód címe: Rethinking AI Governance for Enterprise Adoption (48 perc 33 másodperc, 2026-os kiadás). A vendég Dr. Markus Schmidberger, az eredeti Whisper transcriptben „Marcus” ASR-torzítással, de a helyesírás német: Markus Schmidberger — 15+ év adat- és AI-vezetői tapasztalattal rendelkezik: dolgozott az AWS-nél és a Scout24-nél, ahol 40 fős adat-szervezetet vezetett (data engineering, data science, data access, ML engineering). Jelenleg a JuntoAI (a transcriptben „Junto AI”, sporthálózati kontextusban „Junto” spanyol szó) nevű startup alapítója és CTO-ja, amelyet „next generation business network”-ként pozicionál, és emellett európai adat- és technológiai szervezetek tanácsadója. Aktív LinkedIn-posztoló, heti 3-4 bejegyzéssel, markáns véleményformáló a CAIO-szerep kérdésében. Chris Daigle maga a ChiefAIOfficer.com alapítója, AI-implementációs tanácsadó cégével a generatív AI vállalati bevezetésére szakosodott (executive training, deployment, céges transzformáció). A beszélgetés kiindulópontja egy konkrét LinkedIn-poszt volt, amelyben Markus kijelentette: „Nem kell chief AI officer. Helytelen döntés egyet felvenni.” A poszt 100 000 megtekintést és 120 hozzászólást generált, és csaknem egy hétig lekötötte a vendéget a kommentszekcióban — ez adta a podcast alapötletét is.

A CAIO-vita kiindulópontja: mit is értünk „chief AI officer” alatt?¶

Chris a beszélgetés legelején tisztázza a saját definícióját: a CAIO szerinte nem technikai szerep, olyan ember, aki érti az üzleti működést és a generatív AI-képességeket, és a kettő között fordít. Emlékei szerint a „chief AI officer” kifejezéssel először egy 2015-ös Harvard Business Review-cikkben találkozott, amikor a szerep még kizárólag data science / machine learning / technikai AI-portfóliót jelentett. Markus saját meghatározásában megegyezik abban, hogy a CAIO nem technikai: „olyan személy, aki az üzleti témákat AI-nyelvre fordítja, és segít a szervezetnek azonosítani, hol vannak AI-felhasználási esetek, és mit kell tenni az üzleti érték megteremtéséhez”. A CAIO szerinte a technológia, az adat és az üzlet között ül, és ezt a hármat hozza össze.

A diskurzus itt azonnal rátér a lényegre: a legfőbb kockázat az, ha egy szervezet felvesz egy CAIO-t, és onnantól mindenki azt hiszi, hogy ez a személy „birtokolja” az AI-t, és ő varázsolja el a szervezetet. Ez a csapda — a centralizált AI-gyártás — áll a CAIO-kritika hátterében.

Az AI business gap: a data business gap tükörképe¶

Markus az elmúlt húsz évben európai vállalatoknál segített adatból üzleti értéket teremteni, és ennek kapcsán vezeti be az „AI business gap” fogalmát. A minta ismerős a data-szakmából: Gartner 15 éven át minden keynote-jában a data business gap-et nyomta — azt a jelenséget, hogy a szervezetek adatcsapatokat, adatraktárakat és data literacy programokat építenek, de az adat mégsem válik a napi üzleti döntés részévé. A válasz akkor a chief data officer pozíció létrehozása volt. Markus szerint most pontosan ugyanez játszódik le az AI-val: a következő öt évben az AI business gap lesz a Gartner-konferenciák központi témája.

Az érvelése az európai piac megfigyelésére épül: a chatbotok minősége javult ugyan, de „az nem AI”. A kódolásban sokat használják az AI-t, de ott már megjelentek az első CFO-k, akik a „felégetett tokenek” mennyiségére és a befektetés megtérülésének hiányára panaszkodnak. Ha a valódi, termékbe épített Gen AI / AI agent felhasználási eseteket nézik a SaaS-ben, ezek aránya „nagyon, nagyon alacsony”. A nagy szereplők ígéretei és a termelésben ténylegesen megjelenő use case-ek között szakadék tátong — ez Markus diagnózisa.

Chris hozzáteszi a maga három fő akadálylistáját, amelyet a ChiefAIOfficer.com ügyfélkörából rendre hall: (1) „Szeretnék többet csinálni AI-val, de nem tudom, hol használjam”; (2) „Szeretném használni, de nem értem a kockázatot”; (3) „Szeretném használni, de nincs senki, aki segítene, nincs chief AI officerünk, aki ezt rendet tenné”. A CAIO-vita tehát nem elméleti: a harmadik pont konkrétan azt mutatja, hogy a CAIO-szerepkör iránti kereslet a piacról jön, miközben Markus szerint pont ez a szerepkör a probléma forrása.

A use case-ek átültetésének nehézsége: technológia helyett kultúra¶

A beszélgetés egyik központi kérdése, hogy miért nem tudják a szervezetek az AI-alkalmazásokat konkrét use case-ekre lefordítani, és itt jön a 15 évvel ezelőtti BI-párhuzam. Akkor centralizált BI-eszközöket vezettek be, a termékszervezetek embereinek mondták, hogy „használják ezt, értsék meg jobban a marketing-elemzést”, de ezeknek az embereknek, akik a terméket építették és a bevételt hajtották, soha nem volt idejük megtanulni és rendszeresen használni ezeket az eszközöket. Az adatvezérelt gondolkodás fejlesztésére a cégeken belül sosem jutott elég idő. Markus becslése szerint a világ vállalatainak kevesebb mint 20%-a mondható valóban adatvezérelten működőnek — a többség még mindig „csendes központi adatszervezettel” dolgozik, ahol a szakértők elvégzik a munkát a többiek helyett.

Pontosan ugyanez történik most az AI-val: vannak AI-rajongók (jellemzően a data science szektorból érkezve), de a termékmenedzsment, az üzleti és a pénzügyi oldalak „hallanak róla, de nincs idejük beletanulni, hogy használni, adaptálni tudják, és ötleteket gyártsanak belőle a termékbe”. Markus megfogalmazása: „Ez nem technológiai kérdés. Ez kulturális enablement kérdés”, vagyis: hogyan tesszük a vállalati kultúrát AI-képessé (AI-enabled). Az üzleti érték nem attól jön, hogy a központi AI-csapat épít egy zseniális modellt, hanem attól, hogy az üzleti oldalakon dolgozó emberek maguk is tudják használni, kérdezni, ötletelni vele.

Governance és a nyílt AI-hozzáférés paradoxona¶

Chris itt egy fontos paradigmaváltást jelez: az adatvilágban az adatraktárak szigorúan őrzöttek voltak, csak kevesek fértek hozzájuk. Az AI viszont fordítva mozog, a cégek gyakran mindenki számára licencet vesznek, edzés és stratégia nélkül. Ez a feszültség az adoptálás és a kontroll között Markus szerint azonnali governance-válságot fog okozni: „Most, ahogy te is leírtad, megnyitjuk az AI-t mindenki előtt. Hatalmas governance-problémánk lesz, hogyan kontrolláljuk mindezt.”

Markus a „valódi AI” definícióját is szűkíti: szerinte AI nem a chatbot — „az AI akkor kezdődik, amikor ágensként használod kódolásra, vagy amikor egy ágens csinál valamit”. A LinkedIn-posztok írása vagy a terápia nem AI üzleti szempontból. (Érdekességként megjegyzi: nemrég olvasott egy tanulmányt, amely szerint az emberek 83%-ban terápiás célra használják az AI-t, „ez üzleti szempontból nem AI”.) A tanulság: a szervezeteknek edukálniuk kell a munkavállalókat arról, hol van az AI valódi potenciálja, nem a felszínes felhasználási formákat kell skálázni.

A HR és a people department szerepe: oktatás, nem AI-birtoklás¶

A governance-diskurzus logikus folytatása, hogy ki birtokolja a szervezetben az AI-edukációt. Markus határozottan állítja: az edukáció a HR / people department feladata, nem a CAIO-é. Nem egyszeri képzést kell tartani, hanem folyamatot beépíteni, amely folyamatosan naprakészen tartja a munkavállalókat, evangelizáció és ongoing education, mert „holnap jön a következő új technológia”.

Chris megerősíti ezt, és rákérdez: a HR-ek jellemzően reagálnak, nem proaktívan vezetnek, igaz? Markus szerint az európai cégeknél, ahol AI-ágenseket sikerül termelésbe vinni, ott a HR osztály aktívan nyomja az AI-t. Ez a kulcsmomentum: a HR nem passzív, hanem driver. A CAIO-szerep ehhez képest torzító: ha a szervezet „felvesz egy CAIO-t, mindenki azt hiszi, hogy ez a személy és kis csapata birtokolja az AI-t” — és akkor centralizáltá válik a dolog, bottleneck lesz, és sosem jut el a szervezet minden részébe. Az európai (jellemzően hierarchikus) struktúrákban ez különösen veszélyes, mert a felső vezetői pozícióból lefelé haladva az üzenet „ez a CAIO megoldja” formát ölt.

Chris itt élezi a kontrasztot az adatvilággal: ha ő maga nem data scientist, és BI-reportsra van szüksége, elmegy az adatcsapathoz. De ha 20-25 dolláros havi licenccel a teljes csapat AI-hozzáférést kap, ne mondja neki senki, hogy a CAIO-hoz kell mennie promptet írni vagy gondolattársnak használni az AI-t. A paradigmaváltás: az AI consumer-grade, olcsó és azonnal elérhető, nem centralizált szolgáltatás.

Az AI-tulajdon elosztása: a data mesh framework és az in-residence modell¶

A gyakorlati megoldás felé fordulva Markus a data mesh frameworket idézi: elosztott tulajdonlás, központi platform csapat biztosítja a technológiát, a fogyasztói és termelői ownership pedig a szervezeti egységekhez kerül. A sikeres cégek ezt úgy valósították meg, hogy data analystokat és data engineereket ültettek be az egyes szervezeti egységekbe, ezt hívja Markus in-residence modellnek, ma a köznyelvben field deployment engineer (FDE) néven fut. A séma: beülteted a szakembert az üzleti egységbe, betanítod az egységet, dolgozol velük, aztán a szakember továbbáll, mert az egység már önállóan csinálja.

Az AI-világban Markus szerint ugyanerre van szükség, és innen érthető, miért tolják a Google és a „Tropic” (valószínűleg az Anthropic ASR-torzítása) típusú cégek a field deployment engineer pozíciót. A kulcsszereplő nem a CAIO a székházban, hanem az az ember, aki az üzleti és technológiai oldalt egyszerre érti, be tud menni egy termékcsapatba, és ott a saját nyelvükön tud edukálni. A kormányzati platformoknál kell egy központi egység, ami „kézben tartja” a kontrollt, ez elkerülhetetlen nagy szervezeteknél, de a skálázás, az edukáció és a termékbe vitel kizárólag in-residence enablement modellel működik hatékonyan. Markus szerint ez lesz a leghatékonyabb forma.

A FDE-k számának korlátja gyakorlati probléma: nincs belőlük elég, szekvenciálisan kell velük dolgozni. Chris kérdésére, hogy ez szekvenciális rotáció (egyszerre egy egység, majd továbblépés) vagy inkább spirál (minden egységbe bemegy egy kicsit, aztán visszatér), Markus a Scout24-nél alkalmazott konkrét modellt írja le, ami a kettő ötvözete.

A Scout24-modell: AI evangelista, AI board meeting, kétéves proof-of-concept ciklus¶

A Scout24-nél Markus idejében volt egy AI evangelista, egy tehetséges termékmenedzser, aki egy kis csapatot is vitt. Az ő módszerük két szinten dolgozott:

Discovery (1. szint): Mielőtt bármilyen FTE (full-time employee) beült volna egy üzleti egységbe, az evangelista csapata 1-2 hétre bement az egységbe, és apró proof-of-concept ötleteket azonosított. Ez volt a use case-feltárás fázisa, és egyben a legszélesebb edukáció: az egység tagjai itt találkoztak először az AI-val a saját munkájuk kontextusában.
AI board meeting: 6-8 hetente ülésezett egy döntéshozói testület, ahol a felfedezett PoC-ok közül kiválasztották a két legkönnyebben implementálható, legnagyobb üzleti értéket ígérőt, és ezekre FTE-erőforrást allokáltak.
Implementation (2. szint): A kiválasztott PoC-oknál FTE-ülte be a csapatot, itt mély edukáció zajlott a felelősségekről, az üzemeltetésről és az értékteremtésről.
Production & checkpoints: A termelésbe vitel után rendszeres visszaellenőrzés biztosította, hogy a PoC-fázisban ígért üzleti érték valóban megjelenik-e.

Ez a ciklus egységről egységre haladt, és ami a legfontosabb: a kéthetes PoC-ciklusok a költségvetési tervezést is támogatták, mert a felfedezés végén Markus kezében volt egy hosszú, értékelt use case-lista, mérőszámokkal. Ez a kulturális enablement konkrét, mérhető formája: nem egy CAIO dönt a székházban, hanem az üzleti egységek maguk fedezik fel, priorizálják és sajátítják el az AI-alkalmazásokat, központi platform- és governance-támogatással.

A change management dimenzió: miért működik ez a modell?¶

Chris összegzi, miért tetszik neki ez a megközelítés. Először: az evangelista személye. Ő maga is AI-rajongó, de képes a beosztott munkatársak nyelvén beszélni, nem fullad technikai zsargonba, nem riogat, hanem lefordítja. Másodszor: a belépés módja. Nem „mostantól mindent megcsinálunk AI-val” felütéssel jönnek, hanem „keressük azokat a helyeket, ahol az AI a hétköznapokban segíthet neked”, ez nem fenyegető, hanem behívó. Harmadszor: a tempó. Nincs „2-3 hét múlva intenzív pilot azonosítás, skillset-építés, tool-build” típusú gyors rákényszerítés — ehelyett könnyed, felfedező jellegű edukáció, ami kulturálag is sokkal kisebb ellenállásba ütközik.

A teljes epizód második része (2. rész) a use case discovery-től a termelésig vezető utat, az üzleti érték mérését, a ROI-számítást és a skálázás tanulságait tárgyalja.

Összegzés: a központi téma egy mondatban¶

A beszélgetés legfontosabb üzenete, hogy az AI vállalati bevezetése nem szervezeti ábra-kérdés (ki legyen a CAIO), hanem kulturális enablement-kérdés: a sikeres szervezetek nem egy központi AI-vezetőre bízzák a varázslatot, hanem az üzleti egységekbe ültetett, hibrid üzleti-technológiai szakemberek (field deployment engineerek) segítségével, in-residence modellben, kéthetes proof-of-concept ciklusokban, 6-8 hetente rotálva építik fel az AI-értést és a termelésbe vitt use case-eket. A Gartner által 15 éven át hangoztatott data business gap most az AI business gap formájában tér vissza, és a válasz nem újabb C-szintű pozíció, hanem az oktatás, evangelizáció és a tulajdonlás üzleti egységekhez való visszatelepítése. HR-vezérelte edukációval és központi platform-támogatással, de minden más tekintetben elosztott végrehajtással.

2. rész: Hogyan mérjük az AI üzleti értékét?. A token-szám csapdája, az agent-outcome győzelme, a JuntoAI digitális ikrek víziója¶

A token-szám mítosza: mérőszám vagy csapda?¶

A második beszélgetésblokk egy konkrét, kézzelfogható működési problémával indul, amivel a mai nagyvállalati AI-csapatok küzdenek. Chris egy közelmúltbeli tanácsadói tapasztalatát osztja meg: egy cégnél a data csapat egy kvartális board meeting előtt állt azzal a feladattal, hogy mérje az AI-projektek megtérülését. A pilot-projektek szintjén ez egyszerű, hány darab widget készült korábban, hány most, mi a delta, ez a megtakarítás. A probléma akkor jön, amikor a mindennapi munkába beépülő, organikus AI-használatot kellene mérni: azokat a pillanatokat, amikor egy menedzser „thinking in AI” módon rájött, hogy ezt is lehet, azt is lehet, és a nap folyamán dinamikusan, több ponton is alkalmazta a generatív AI-t. Ez hatás, de mérhetetlen a klasszikus ROI-számítással.

Markus Schmidberger válasza világít rá a jelenlegi iparági dogmára: a legtöbb cég ma token-fogyasztásban méri az AI-használatot, hány tokent égetünk el naponta vagy hetente. Ez a szám semmit nem mond az üzleti eredményről. Amikor a Gartner-féle listán a „legnépszerűbb AI use case-ek” között a „javítsd meg az e-mailem hangnemét” a negyedik-ötödik helyen szerepel, az pontosan azt mutatja, hogy a legtöbb cég a GenAI-t alacsony értékű feladatokra használja, nem üzleti értékteremtésre.

Ameddig a token-szám marad a fő mérőszám, a szervezet nem fogja érteni, hogy mi történik valójában. Markus élesen fogalmaz: „amit a cégek csinálnak, akik képesek üzleti értéket teremteni, az nem token-számolás. Ágensekről beszélnek.” Ez a fordulat a lényeg: amikor egy AI-ágens (agent) elvégzi a munkát — nem csupán megír egy e-mailt, hanem önállóan végrehajt egy feladatot —, akkor a hatás mérhetővé válik. Az ágens eredménye (outcome) mérhető, a token-szám nem.

A utazási ügynök esete: amikor az agent outcome tisztán mérhető¶

Markus egy konkrét példát hoz a saját tanácsadói praxisából. Egy nagyvállalat az üzleti utazások foglalását automatizálta egy ágenssel. Korábban az alkalmazottak maguk kerestek repülőt és szállodát, összehasonlító oldalakon, dátum- és ár-szűrőkkel, szállodalánc-keresésekkel. Az új rendszer bevezetett egy booking agent-et, amelyik autonóm módon a felhasználó naptárából indul ki: a naptárban lévő megbeszéléshez automatikusan repülőjegyet és szállodát javasol, és csak egy jóváhagyás kell a foglaláshoz. A teljes manuális keresési idő eltűnt.

Ez a fajta implementáció mérhető, nemcsak a token-szám, hanem a felszabadult alkalmazotti órák, a foglalási ciklusidő, a kihasználtság. A „mi az agent outcome?” kérdésre itt konkrét válasz adható: hány utazást foglalt az agent, hány percet takarított meg alkalmazottanként, hány járattal csökkent az utazási költség. A token itt irreleváns, az üzleti érték kézzelfogható.

A beszélgetés itt csatlakozik a korábbi CAIO-vitához: ha egy cég kizárólag központi controlling-szemlélettel közelít az AI-hoz (hány tokent költöttünk, mennyi a havi limit), akkor az alkalmazottak soha nem fognak eljutni az ágens-szintű, üzleti értékteremtő felhasználásig. Markus itt egy második, fontos összefüggést is felvet: friss blog-posztok szerint fordított korreláció van az AI-felkészítés színvonala és a token-fogyasztás között, a jobban képzett csapatok kevesebb tokent égetnek el, mert tudják, melyik feladathoz mennyi kell. A képzés tehát nem csak a hatékonyságot javítja, hanem a költséget is csökkenti.

A „Chad GPT” licensz csapdája és a 80%-os token-panasz mintázat¶

Chris egy nagyon gyakori CFO-kérdést hoz be: „Adtunk mindenkinek ChatGPT- és Claude-licenszt. El fogjuk égetni a teljes token-keretet?” Markus válasza egy konkrét arányt ad: a CFO-k általában az MI-token-fogyasztásra panaszkodó cégeknek mintegy 80%-a technológiai cég, ahol a GenAI a kódolásra megy el — kód-írásra, refaktorálásra, review-ra. Ott a token valóban komoly költségtényező, és a hatékony kódolási promptok (vagy a Claude Code, OpenAI Codex jellegű eszközök) tudatos használata számít.

A másik 20%, a tipikus, nem-technológiai nagyvállalat, ahol a kódolás nem domináns use-case, általában a havi licensz-előfizetéses modellben van, és ott a token-szám nem jelenik meg közvetlen költségként a CFO riportjában. A tanulság: a token-tudatosság use-case-specifikus, nem iparági. Aki AI-t használ kódolásra, annak a token a fájdalom. Aki üzleti felhasználásra, annak a licensz.

De a token-szám itt másodlagos a fő üzenethez képest: amint egy cég az ágens-outcome-ra tér át, a token-szám eltűnik a vezetői diskurzusból. A CFO nem azt kérdezi, hogy „mennyi tokent használtunk?”, hanem azt, hogy „mennyi utazást foglalt az agent, mennyi alkalmazotti órát szabadított fel, mennyivel csökkent az utazási költség?”. A metrika-átállás az, ami az AI-t a valódi üzleti beszélgetésbe emeli.

A „legnagyobb AB teszt a világon” — 12-18 hónap, vagy a core-hoz való visszatérés?¶

A beszélgetés egyik legérdekesebb pillanata, amikor Markus egy rendkívül szokatlan álláspontot fogalmaz meg. Ma az iparági konszenzus szerint (Anthropic, Google, McKinsey, a tech-sajtó) a cégeknek gyorsan és széleskörűen kell bevezetniük az AI-t, mert a nem-alkalmazók 12-18 hónapon belül versenyhátrányba kerülnek. Markus ezt a képet árnyalja: „a világ legnagyobb AB tesztje folyik cég-szinten. Az AI-t használó cégek a tech-vállalatok szerint hatalmas előnyre tesznek szert. A másik oldalon ott vannak a szabályozási vagy CEO-hiedelmek miatt AI-hoz nem nyúló cégek, ők maradnak a régi folyamatoknál, a régi stratégiánál, a tíz év alatt felépített bevételi modellnél.”

Hat hónappal ezelőtt Markus maga is azt mondta volna, hogy a nem-alkalmazók elbuknak. Ma már nem biztos. Az oka: a túlzott AI-bevezetés elterelheti a figyelmet a core stratégiától. Markus az elmúlt 4-5 hónapban több termékvezetővel beszélt, akik mind elmondták, hogy „az AI fantasztikus, hétvége alatt építettünk egy proof of concept-et, új UX-et hoztunk létre” — de amikor mélyebben rákérdezett, kiderült, hogy új piaci szegmenseket fedeztek fel, de a meglévő üzletet nem fejlesztették.

A Google Play Store statisztikája itt megerősíti a mintát: az appok száma robbanásszerűen nőtt (mindenki tud hétvége alatt appot írni AI-val), de az appok minőségi értékelése zuhan. Aki AI-t használ, az felfedez, de a felfedezett dolgok gyakran alacsonyabb minőségűek, mint a hagyományos módszerekkel készítettek. A bizalmat és a vevői elkötelezettséget a minőség építi, nem a felfedezés. Aki ismeri a Google Play Statisztikát, az tudja, hogy a minőségromlás nem marginális: az appok 60-70%-át évente törölhetik, mert a felhasználói értékelések a minőségi küszöb alá esnek. Ez a minta várhatóan megjelenik minden AI-tömegesen-használó iparágban, ahol a „felfedezés” sebessége meghaladja a „minőség-ellenőrzés” sebességét.

A 2027-es stratégiai dilemma: vissza a core-hoz?¶

Ez a felismerés egy komoly 2027-es stratégiai döntéshez vezet. A legtöbb cég év elején definiálja az éves stratégiát (2026-os terv, 2027-es felülvizsgálat), és az év közben eltéréseket kezel. A Markus által megkérdezett termékvezetők mind azon tanakodnak, hogy milyen stratégiát fognak 2027-re csinálni: maradjanak a széles AI-explorációnál, vagy drasztikusan visszatérjenek a core termékhez? Markus személyes véleménye: egyes cégek 2027-ben visszafognak az AI-hozzáférésben, és a core termékre koncentrálnak. Ez a korábbi, központi CAIO-érveléssel cseng össze: a túlzott központosítás helyett a fókusz a core-ra.

Chris Daigle ezen a ponton reflektál a saját ügyfél-tapasztalatára: a pilothoz használt AI-csapatok egy része már most visszajelzi, hogy „az AI-t a jelenlegi, jól ismert problémákra akarjuk használni, nem új dolgokra”. Ez a „temperature check” minta, amit Markus ajánl: ne a lehetőségeket keresd, hanem a konkrét, ismert súrlódásokat, korlátokat és folyamat-hiányosságokat a saját szervezetedben, és ott alkalmazd az AI-t. Egy fontos caveat: „ne dobj AI-t egy rosszul működő folyamatra. Először értékeld meg, hogy a folyamat optimális-e, aztán vezesd be az AI-t.”

A JuntoAI vízió: digitális ikrek és a „humans buy from humans” filozófia¶

A beszélgetés utolsó nagy blokkja a JuntoAI startup részletes bemutatása. Markus itt vált a tanácsadói pozícióból a CTO-szemléletbe. A JuntoAI nem a LinkedInre épít, hanem teljesen új üzleti hálózati modellt épít, AI-ágensekkel.

Az alapmechanizmus: minden felhasználónak van egy digitális ikre (digital twin). Marcus digitális ikre beszélget Chris digitális ikrével, és fordítva. Amikor Marcus mérnököt keres, a digitális ikre felismeri, hogy Chris nem mérnök, ezért a Chris hálózatában keres, másod-, harmad-, negyed-, ötödrendű kapcsolatokig. A cél nem a „legjobb match a saját hálózatomban”, hanem a legjobb match a világon.

A digitális ikrek betanítása nem csak kemény tényeket (skill, tapasztalat, iparág) tanít, hanem értékeket, vörös zászlókat (red flags), kommunikációs stílust is. A rendszer így nem csak a CV-t olvassa, hanem azt is, hogy „ez az ember passzol-e a csapatunk kultúrájához, kommunikál-e úgy, ahogy mi szeretnénk, vannak-e olyan érték-profilok, amelyek ütköznek a mieinkkel”.

A konkrét use-case-ek: hiring (mérnök-keresés) és sales (értékesítés). Az értékesítési példa különösen erős: egy sales-es rengeteg időt tölt azzal, hogy a hívás előtt felkészüljön a másik félre, megnézi a LinkedIn-profilját, a közös ismerősöket, a hobbikat, hogy gyorsan tudjon kapcsolódni. „Az AI-ágensek ezt elvégzik helyetted” — mondja Markus. Az ágens csak akkor hozza össze az embereket, ha a match-score 80% feletti. A filozófia: „humans buy from humans. Nem távolítjuk el az embereket, csak eltávolítjuk azt a lassú, manuális folyamatot, ami előtte történik.”

A JuntoAI jelenlegi állapota: prototípus fázisban, első felhasználókkal, befektetőt keresnek a teljes építéshez. A terv: befektetővel 4-6 hónap a nyilvános indulásig. A fő kihívás a cold start probléma: egy két-oldalú piactér (akik keresnek + akik kínálnak) nem működik 10 emberrel, kell a minimum 50 000 fős küszöb, ami alatt a network-hatás nem elég erős. Különböző megközelítéseken dolgoznak ennek áthidalására, és amint elérik a kritikus tömeget, globálisan nyitnak.

Chris Daigle ígérete: a ChiefAIOfficer.com közösség csatlakozik¶

Chris itt egy konkrét felajánlást tesz: a ChiefAIOfficer.com közössége néhány ezer fő, akik „korai alkalmazók akarnak lenni az új technológiákban, különösen az AI-ban, és valószínűleg olyan hálózattal rendelkeznek, amit mások keresnek”. Markus ezt örömmel fogadja, mert a JuntoAI indulásakor a keresési oldalon valószínűleg az AI-talent keresése lesz az egyik domináns minta — pont az a piaci rés, amit a ChiefAIOfficer.com közösség betölthet.

A gyakorlati implikáció: a podcast epizód nem csak elméleti CAIO-vita, hanem kézzelfogható együttműködés-előzmény is. Chris a jövőben a közösségén keresztül toborozza a JuntoAI béta-felhasználóit, és ez a két cég (ChiefAIOfficer.com + JuntoAI) stratégiai szinergiát teremt, az egyik a tanácsadói oldalt, a másik a network-infrastruktúrát adja.

A lezárás: AI mint statisztikai modell, a 42-es és 73-as trükk¶

A búcsú egy emlékezetes didaktikai trükkel zárul. Markus végső tanácsa a hallgatóknak: „nyisd meg az AI-t, és kérdezd meg tőle: 'Adj egy random számot 0 és 100 között.' 42-t vagy 73-at fog mondani. Miért? Mert ezek a számok a leggyakoribbak az interneten. Az AI statisztikai modell. Ezt tartsd mindig fejben.”

Ez a trükk a teljes beszélgetés kvintesszenciája: az AI nem gondolkodik, hanem statisztikailag mintáz. Aki ezt megérti, az helyesen tudja kalibrálni a várakozásait, nem várja el, hogy a modell „igazat” mondjon, hanem a valószínűségi mintázatok alapján dönt. Ez a felismerés segít elkerülni a túlzott bizalmat (amikor a token-számban hiszünk) és a túlzott elutasítást (amikor az AI-t nem használjuk, mert „nem elég jó”). A helyes út: a statisztikai modell korlátainak ismerete + a magas-értékű use-case-ekre fókuszálás (ágens-outcome, nem token-szám; core-stratégia, nem felfedezés; minőség, nem mennyiség).

Chris a trükköt „olyan, mint egy bűvészmutatvány” — aki a számítógépe előtt hallgatja, próbálja ki azonnal. A pontossága meglepő, és azonnal demonstrálja az AI statisztikai természetét. A lezáró gondolat: „az AI nem annyira random, mint gondolnánk”.

Forrás¶

Epizód weboldal: https://www.usingaiatwork.com
MP3: https://www.buzzsprout.com/2278116/episodes/19575570-115-rethinking-ai-governance-for-enterprise-adoption-with-dr-markus-schmidberger.mp3 (35.2 MB, 48:33, Buzzsprout CDN, Cloudflare-védett, User-Agent header szükséges)
RSS feed: https://feeds.buzzsprout.com/2278116.rss (11 chapter a show notes-ban, 2026-08-03)
Házigazda: Chris Daigle (founder, ChiefAIOfficer.com. AI implementációs tanácsadás, executive training, deployment, céges transzformáció)
Vendég: Dr. Markus Schmidberger (founder & CTO, JuntoAI, next generation business network digitális ikrekkel; korábban 15+ év data leadership az AWS-nél és Scout24-nél, utóbbiaknál 40 fős data szervezetet vezetett)
Epizód kulcsszavak: Chief AI Officer (CAIO), AI business gap, cultural enablement, distributed AI ownership, data mesh, in-residence enablement model, field deployment engineers (FDE), AI evangelist, HR-vezérelte AI oktatás, AI governance, open AI access, token-fogyasztás vs agent outcome, utazási booking agent, AI business value measurement, AB teszt a világon, 2027 stratégia dilemma, core termékre fókusz, JuntoAI, digitális ikrek (digital twin), 80%+ match küszöb, second/third/fourth/fifth level network, cold start probléma (50 000 fős küszöb), humans buy from humans, AI statisztikai modell, 42 és 73 random number trükk, ChiefAIOfficer.com, Scout24, AWS, Gartner, Anthropic, ChatGPT, Claude, Gemini, Google AI Studio, Claude Code
Transcript forrása: OpenAI Whisper ggml-medium.en.bin (whisper-cpp 1.9.1, Apple M4 GPU Metal backend, BLAS), saját futtatás 2026-08-03 (4 perc wall-time, 7612 szó, 0 hallucináció, 2 chunk × 3806 szó: chunk1 = subagent, chunk2 = self-write)
Feldolgozás: Henky-pipeline (2-chunk: 1 subagent + 1 self-write, 2026-08-03)

ASR-javítások a transcriptben (Whisper medium.en): - „Marcus Schmidberger” → Markus Schmidberger (német helyesírás; a medium.en modell rendszeresen „Marcus”-ra torzítja a német „Markus” nevet) - „Trim2AI” → JuntoAI (a spanyol „Junto” szóból; 4× előfordulás a 2. rész transcriptben, ASR-torzítás) - „Antrophy” → Anthropic (a 2. részben „Antrophy” torzításként jelent meg) - „Chad GPT” → ChatGPT (a transcriptben „Chad” rövidítés a „Chat”-ból)