30%-kal gyorsabb. De termelékenyebb is?

Mit mond a kutatás az AI munkahelyi használatáról? 177 tanulmányt néztünk át. Négy dolog rajzolódik ki:

01A feladatok gyorsulása valós és jól mérhető.
02A hatás szintről szintre zsugorodik: ami egy feladatnál 30%, az cégszinten már csak tizedszázalékos nagyságrend.
03A veszteség szervezési kérdés: mennyibe kerül az ellenőrzés, mire megy el a felszabadult idő, és változik-e a munkaszerkezet.
04Rövid távon cégszinten a hatás nulla vagy negatív. A fordulat ott jön, ahol a munkát az eszköz köré szervezik.

Ugyanaz a mutató, egyre nagyobb rendszeren

Mért hatás a termelékenységre — feladat, munkavállaló, vállalat

Feladatszint: laborkísérletek. Munkavállalói szint: valós munkahelyi kísérletek és egy kétéves megfigyelés. Vállalati szint: az első ok-okozati becslések. A sávok a legjobb minőségű mérések terjedelmét mutatják.

Röviden

Amit ma már tudunk

1Feladatszinten, laborban 25–56% gyorsulást mérnek. Valós munkahelyen ennek nagyjából a fele marad meg.

2Amit az emberek érzékelnek, két-háromszor nagyobb annál, mint amit ténylegesen mérünk. A kérdőíves adatok felfelé torzítanak.

3Az ellenőrzés a szűk keresztmetszet. Az AI-ágensek „megoldott” feladatainak fele nem építhető be, és feladatonként nagyjából 42 perc emberi javításra van szükség.

4A cégeknek csak 2–16%-a használja mélyen az AI-t. Ez önmagában tizedszázalékos nemzetgazdasági hatást jelent.

5Az első ok-okozati cégszintű becslések rövid távon nulla vagy negatív hatást mutatnak: Olaszországban nullát, amerikai bankoknál −4,3 pp ROE-t. A pozitív hatás egyelőre feltételezés.

6Magyarországon a 10 fő feletti cégek 10,4%-a használ AI-t (EU: 20%). A hazai vezérigazgatók 77%-a nem lát belőle hasznot; globálisan ez az arány 55%.

Három szinten mérjük a termelékenységet

Innen jön a legtöbb félreértés. Mindhárom szinten ugyanazt kérdezzük: mennyi hasznos output jut egy egységnyi ráfordításra? Csak egyre nagyobb rendszert vizsgálunk. A kutatások szerint a mért hatás felfelé haladva egyre kisebb.

L1 Feladatfeladatok × minőségidő
Egy ember, egy feladattípus, egy alkalom. Hány feladat készül el, milyen minőségben és mennyi idő alatt? A címben szereplő 30%-ok innen jönnek. Itt a legerősebb a bizonyíték: randomizált kísérletek.
L2 Munkavállalóhasznos outputidő + ellenőrzés + újramunka
Ugyanezt nézzük hetekben, hónapokban és a teljes munkakörben. Itt már az is számít, mire megy el a megspórolt idő, és mennyi időt visz el az AI munkájának ellenőrzése. Telemetria és több hónapos terepkísérletek alapján mérjük.
L3 Vállalatleszállított értékminden ráfordítás
A számlálóban az van, amit eladunk vagy leszállítunk; a nevezőben a bér, az eszköz, a betanulás és az ellenőrzés költsége. Ez jelenik meg az eredménykimutatásban. Erről van a legkevesebb bizonyíték, és az is a leggyengébb.

Honnan jön, amit tudunk

177 forrás — és a bizonyíték minősége szintenként romlik

Feladatszinten kontrollált kísérletek vannak: ugyanazt a munkát AI-val és anélkül végző csoportok. A munkavállalói szintet főleg használati adatok fedik le. A vállalati szinten felmérések, néhány első ökonometriai becslés és sok szállítói vagy tanácsadói anyag maradt.

Mi méri melyik szintet?

Tanulmányok száma kutatási elrendezés és szint szerint (egy tanulmány több szintet is mérhet)

Randomizált kísérletből 45 mér feladatszintet és 6 vállalatit. A vállalati szintről főleg felmérések és használati adatok szólnak.

Megbízható tanulmányok szintenként

A korpusz saját megbízhatósági besorolása: magas / közepes / alacsony

magasközepesalacsony

A 32 magas megbízhatóságú tanulmányból 28 mér feladatszintet, és mindössze 5 vállalatit.

2–3

modellgenerációval régebbi eszközökön mérték a leggyakrabban idézett számokat (+15%, −56%, +37%)

001 026 027

olyan tanulmány van, amely két és fél évnél tovább figyeli meg a generatív AI hatását. Minden „hosszú távon” egyelőre feltételezés.

forrás a 177-ből érdekelt féltől származik: fejlesztőtől, szállítótól vagy tanácsadótól. A vállalati sikertörténetek szinte mind innen jönnek; a nullák egyetemekről és jegybankokból.

korpusz

1. téma

Gyorsabb = termelékenyebb?

Feladatszinten igen, és ez az egyik legjobban dokumentált hatás az alkalmazott közgazdaságtanban. Három dolgot érdemes mellé tenni. Valós munkahelyen a hatás nagyjából a fele. Ahol a feladat kívül esik az eszköz képességén, ott a hatás megfordul. És amit az emberek érzékelnek, az rendre nagyobb annál, amit mérni lehet.

Ugyanaz a technológia, hét mérés

Mért hatás a feladat- és munkavállalói szinten, a laborból a terepre haladva

labor, egy ülésvalós munkahelya képességhatáron kívül

A mérőszámok tanulmányonként eltérnek (időmegtakarítás, pull requestek száma, megoldott ügyek óránként), ezért a sávok irányt és nagyságrendet mutatnak, összeadni nem lehet őket. A norvég kétéves megfigyelés 39 fejlesztőre épül, és nem randomizált.

Amit érzünk, és amit az óra mér

Becsült és tényleges időmegtakarítás feladatonként, másodpercben

amit a résztvevők becsültekamit mértek

Két előregisztrált kísérlet rövid feladatokon, összesen közel 4 000 résztvevővel. A mechanizmus: az AI csökkenti az erőfeszítést (−0,61 pont egy 7 fokú skálán), és a kisebb erőfeszítést időnyereségnek érezzük. 156 157

A képességhatáron kívül

758 BCG-tanácsadó; egy feladatot szándékosan az eszköz képességén kívülre tettek

Helyes válaszok aránya: kontroll 84,5%, AI-val 60–71%. A téves válaszok viszont 18–25%-kal meggyőzőbbnek hatottak. A határ helyét a résztvevők előre nem látták. 004

Több értéket állítunk elő, vagy ugyanazt gyorsabban? Az esetek többségében ugyanazt gyorsabban. Van, ahol jobbat is: az újabb, érvelő modellekkel a jogi elemzések minősége már javult. És van, ahol rosszabbat: ott, ahol a feladat kívül esik azon, amire az eszköz jó. 030

A kérdőíves adatokat, a sajátunkat is, érdemes nagyjából a felére-harmadára leosztani. A METR kísérletében a fejlesztők 24% gyorsulásra számítottak, és 19%-kal lassabbak lettek. A norvég mintában az érzékelt és a mért változás közötti korreláció 0,17 volt. 025 136

2. téma

Mi történik a szervezettel, ha az egyén már gyorsabb?

A legtöbb vállalat itt akad el. Az egyéni időnyereség öt ponton vész el a szervezetben. Mindegyik szervezési kérdés.

1. veszteségpont

Feladat-illeszkedés

−19 pp

A nyereség attól függ, hogy az eszköz alkalmas-e a feladatra. A határt előre senki sem látja; a képzés a határon kívüli feladatoknál még rontott is. 004

2. veszteségpont

Az ellenőrzés ára

~42 perc

Egy „megoldott” ágensfeladathoz ennyi emberi javítás kellett — a feladatidő harmada. A teszteken átment ágens-PR-ok fele nem építhető be. 123 121

3. veszteségpont

Mire megy el az idő?

r = 0,008

A megspórolt idő és az output változása között gyakorlatilag nincs kapcsolat 5 512 koreai dolgozónál. Egy szingapúri kórházban a dokumentálás ideje 15%-kal csökkent, a betegre fordított idő nem változott: a megtakarított időt a betegekre fordították. 051 159

4. veszteségpont

Szűk keresztmetszet

→

Ha a korlát a folyamatban van, a feladat gyorsítása csak máshová tolja a várakozást. Erre a korpuszban nincs közvetlen mérés.

5. veszteségpont

Hiányzó kiegészítő beruházás

16%

Az amerikai dolgozók 16%-a kap munkáltatói AI-képzést, miközben 39% használ ilyen eszközt. Európai cégadatok szerint +1 pp képzési beruházás körülbelül +5,9%-kal növeli az AI hatását. 153 104

Ahol az egyéni licenc már nem változtat semmin

7 137 tudásmunkás, 66 vállalat, hat hónap Microsoft 365 Copilot — heti változás

Az e-mailezésre fordított idő hetente 1,4 órával csökkent. Az elkészült dokumentumok, az értekezletek és a megválaszolt e-mail-szálak száma nem változott. Randomizált terepkísérlet, a Microsoft saját kutatói végezték. 002

Sok helyen használják, de kevés helyen mélyen.

Hány üzleti funkcióban használnak AI-t az amerikai cégek (US Census, 117 000+ cég)

Az AI-t használó cégek 57%-a legfeljebb három funkcióban használ AI-t. Az AI-t minden funkcióban csak 4% használja. Az összes cég 18%-a használ AI-t. 044

Abban ma egyetértés van, hogy a munka újratervezése nélkül nincs vállalati hatás. A kényelmetlen tény: erre egyetlen ok-okozati vizsgálat sincs. Ami van, az szállítói és tanácsadói esettanulmány, nyolc–harmincháromszoros szorzókkal, becsült alapértékhez képest. A villamosítás példája, hogy a gyárakat át kellett építeni a dinamó köré, és ez évtizedekbe telt, jó metafora. Bizonyítéknak kevés. 150 151

3. téma

Mit nyerünk — és mit veszíthetünk?

A veszteségek is valósak és mérhetők. Három területen látszanak: az AI-ra való ráhagyatkozásban, a szakértelemben és a technikai adósságban.

Öngerjesztő ráhagyatkozás

28% → 45%

Két AI-használat után 28%-ról 45%-ra nő az esélye annak, hogy legközelebb is az AI-t választják. Közben az önértékelés pontossága romlik.

156

Az ágens ritkán jelez

44%

A munkamenetek 44%-ában kellett a felhasználónak javítania vagy közbelépnie 6 000 valós kódoló-ágens munkamenetben. Az ágens csak 1–3%-ban jelzett bizonytalanságot.

128

Kevesebbet tanulnak

50% vs 67%

Pályakezdő fejlesztők tudáspróbája egy új könyvtár megtanulása után, AI-asszisztenssel és anélkül. A legnagyobb különbség a hibakeresésben jelentkezik — éppen abban, amire az AI-kód ellenőrzéséhez szükség van.

090

Technikai adósság

1,5×

Az AI 1,5× annyi biztonsági hibát vitt be, mint amennyit kijavított 300 000 AI-jegyzett commitban. A bevitt hibák 22,7%-a a legutolsó verzióban is megmaradt.

138

A pályakezdők munkaerőpiaci helyzete továbbra is nyitott kérdés. Az álláshirdetések a seniorok felé tolódnak, miközben a legerősebben AI-t használó cégek 12%-kal több pályakezdőt vettek fel. Mindkét jel gyenge megbízhatóságú, ezért egyelőre vitatottként kezeljük. 141 133

Vezetőként honnan látszik?

Három kérdésből kiderül, hogy a szervezet produktívabb lett-e, vagy csak többet termel.

Outputot és minőséget mérünk, vagy csak azt, hogy használják-e?

Ha csak kérdőíves adatunk van, a becslés a hatást nagyjából két-háromszorosára teszi. Az érzékelt és a mért nyereség közötti különbség a terület egyik legbiztosabban igazolt ténye.

Hova lett a megspórolt idő?

Van-e helye a nyereségnek az eredménykimutatásban? Ha az idő szabadidőre, várakozásra vagy pótmunkára ment el, feladatszinten nyertünk, cégszinten semmit.

Megváltozott a munka, vagy csak licencet vettünk?

Az egyéni licenc önmagában nem változtatja meg a munka menetét. A munkát is újra kell tervezni, de ennek hatását ma még egyetlen ok-okozati vizsgálat sem mérte meg.

Magyarország: feleakkora AI-használat

Legalább egy AI-technológiát használó, 10 főnél több alkalmazottat foglalkoztató vállalkozások aránya, 2025 (Eurostat)

Az adat bármilyen AI-technológiára vonatkozik; a generatív AI ezek közül csak az egyik. A cégek számára a fő akadály a szakértelem hiánya (70%); a költség csak 38%. 174

…és több csalódás, azonos alapok mellett

Az elmúlt 12 hónapban az AI-ból sem bevételi, sem költségoldali hasznot nem látó vezérigazgatók aránya (PwC, 2025 ősz)

210 magyar és 4 454 globális vezérigazgató önbevallása. Az „erős AI-alapokkal” rendelkező cégek aránya nagyjából azonos (20% és 21%). A nagyobb csalódás tehát szervezési kérdés; ezen lehet dolgozni. 177

A záró kérdés

Ha 20–30%-kal gyorsabbak vagyunk, miért nem látszik a vállalati eredményben?

Mert három számot össze kell szorozni. Az első a feladatszintű gyorsulás, mondjuk 30%. A második az, hogy a munka mekkora részét érinti egyáltalán az AI. A harmadik pedig az, hogy a cégek mekkora hányada használja mélyen, a munkát az eszköz köré építve. Ez utóbbi mindenhol, ahol mérték, 2 és 16% között van. A szorzat tizedszázalék. Ez várható eredmény, nincs benne rejtély.

30%

feladatszintű gyorsulás

40%

az érintett munka aránya

mélyen használó cégek

0,6%

hatás a gazdaság egészére

Az OECD ugyanezzel a logikával évi 0,2–1,3 százalékpontos hozzájárulást vetít előre a G7-országokban tíz év alatt, feltéve, hogy az adoptáció nő. Húzd a csúszkákat: a tudásintenzív szektorokban a munka 50–80%-a érintett, az iparban 10–30%. 107

Az első ok-okozati vállalati becslések

Mit tett az AI bevezetése a vállalati mutatókkal rövid távon

Banca d’Italia, kb. 900 cég: nincs hatás a bevétel/főre, a foglalkoztatásra vagy a beruházásra. Amerikai bankok: a bevezetés rövid távon 4,3 százalékponttal rontotta a tőkearányos megtérülést, 10 bank alapján, tehát törékeny szám, de az előjel tanulságos. BIS, 12 000+ európai cég: egyszeri +4,1% a közép- és nagyvállalatoknál; a mérés a generatív AI előtti AI-t is tartalmazza. 105 109 104

11–12 $

a medián cég havi AI-kiadása egy munkavállalóra, 70 000+ amerikai cég fizetési adatai alapján. A pénz tehát nem a szűk keresztmetszet.

112 114

70%

az AI-t használó olasz cégek ekkora része nem lát termelékenységi hatást. A felük három éven belül vár pozitív hatást.

105

J-görbe

A leszálló ágat mérjük, a felszállót feltételezzük. Hogy mikor fordul át, azon múlik, ki tervezi újra a munkát az eszköz köré. Több licenctől nem fordul át.

Az összes kutatás

177 kutatás, szűrhetően

Minden tanulmányhoz: kit mértek, mivel, hogyan, mekkora hatást találtak, és mi a gyengesége. A megbízhatóság a korpusz saját besorolása: randomizált és terepkísérlet > használati adatok > hivatalos statisztika > felmérés > szállítói anyag.

Módszer

Így készült

A korpusz 177 forrásból áll. A forrásokat 2026 augusztusában, két hullámban gyűjtöttük. Minden tanulmányt ugyanazon szempontok szerint dolgoztunk fel: populáció, munkatípus, technológia, módszertan, mérőszám, hatásméret, minőségi hatás, alcsoportok, korlátok és megbízhatóság. A szinteket (L1/L2/L3) nem keverjük össze: egy feladatszintű randomizált kísérlet nem bizonyítja a vállalati szintű termelékenységi hatást. A negatív és az ellentmondó bizonyítékok azonos súllyal szerepelnek. A fejlesztők (Anthropic, OpenAI, Microsoft, Google) kutatásait elsődleges forrásként használjuk, de érdekelt féltől származó forrásként jelöljük.

Az oldalon szereplő számokat 2026. szeptember 3-án egyenként egyeztettük a tanulmányjegyzetekkel. Ahol a jegyzet közepes vagy gyenge megbízhatóságot jelöl, azt a szöveg is jelzi. Ha egy szám pontatlannak tűnik, vagy hiányzik egy tanulmány, írj.

Janza Ákos · n20k · info@n20k.hu · n20k.hu

Jogi nyilatkozat

Ez az oldal nyilvánosan hozzáférhető kutatások független áttekintése. Minden hivatkozott tanulmány a fenti listában címével és évszámával azonosítható; az eredmények, adatok és hatásméretek eredeti szerzőiket és kiadóikat illetik, ezekre szerzőségi igényt nem támasztunk. Ahol idézünk, röviden és a forrás megjelölésével tesszük, ahogyan azt az ismertetés és a bírálat céljából az idézés szabályai lehetővé teszik. Minden más ezen az oldalon — a válogatás, a háromszintű keretrendszer, a megbízhatósági besorolás, az ábrák és a megfogalmazás — a kutatások saját olvasata, amelyet jóhiszeműen, a teljesség vagy pontosság szavatolása nélkül teszünk közzé. Általános tájékoztatás, nem tanácsadás; döntést az eredeti tanulmányokra és szakmai tanácsra érdemes alapozni. Az oldal ingyenesen hozzáférhető. Saját szövegeink és ábráink a Creative Commons Nevezd meg! 4.0 (CC BY 4.0) licenc alatt felhasználhatók: kérjük, forrásként erre az oldalra hivatkozz, például így: „n20k: Hol a termelékenység? (2026), n20k.hu/research/hol-a-termelekenyseg/”. Ez a licenc nem terjed ki a hivatkozott tanulmányokra, amelyekre saját felhasználási feltételeik vonatkoznak. Ha szerzőként vagy kiadóként úgy látod, hogy egy összefoglaló félreértelmezi a munkádat, vagy egy hivatkozás eltávolítását kéred, írj az info@n20k.hu címre, és haladéktalanul javítjuk.