Apasági szabadságra ment, átadta munkáját AI-képmásának: mire visszajött, az 3 millió dollár értékben hozott össze neki üzletet

Hogy látja most a cégvezető? Azt mondja, az AI-ügynök olyan eredményeket produkál, amelyek felülmúlják bármelyik emberi kollégája eredményeit, de soha ne veszítsük el az ellenőrzést felette, mert egyetlen magabiztosan elkövetett tévedése eltörölheti az összes sikerét.

Wayne Liang pontosan tudta, mikor érkezik a babája – a gond az volt, hogy akkor mi lesz a beérkező ügyféllevelekkel. A HeyGen társalapítója olyan cégnél dolgozik, amelyik AI-jal generált videó-előadókat, úgynevezett avatarokat épít, és pontosan ezért volt kényes a helyzet: az érdeklődők jó része kifejezetten vele akart beszélni, hiszen ő az, aki a terméket megálmodta, és tőle várták a választ árazásról, integrációkról, ütemtervről.

Csakhogy közben megszületett az első gyereke, és Liang azt szerette volna, hogy ezekben a hetekben teljes figyelemmel a családjára koncentrálhasson, anélkül, hogy az érdeklődők heteket várnának egy válaszra. A megoldása: lekódolta önmaga digitális mását (lásd fenti borítóképünkön), és rábízta a cég értékesítési frontvonalát erre a kreált AI-ügynökre – nyolc hétre.

Mi a különbség az avatar és az ügynök között?

Érdemes tisztázni két fogalmat, amit a hétköznapi nyelvhasználat gyakran összemos.

Az avatar a „felszín” – a beszélő arc és hang, amit a HeyGen saját technológiája, a LiveAvatar generál. Ez az, amit a legtöbben ismerünk: egy videó, amin egy digitálisan előállított személy beszél, mimikával, gesztusokkal, ajakszinkronnal. Önmagában ez nem gondolkodik és nem dönt – csak megjelenít.

Az ügynök (angolul agent) ezzel szemben a „gondolkodó rész”: az a szoftverréteg, amely célt kap, tervez, eszközöket használ (rendszereket olvas, e-mailt ír, naptárat kezel), és a saját cselekvéseinek eredményét visszaolvasva folytatja a munkát, amíg a feladat el nem készül.

Liang esetében ezt a réteget LiveClaw-nak nevezték el, és az OpenClaw nevű nyílt forráskódú ügynök-keretrendszerre épült – ez a keretrendszer 2025 végén jelent meg, majd 2026 elején robbant be. Néhány hónap alatt több százezer csillagot (elismerést) gyűjtött a fejlesztői platformon, és épp emiatt lett viszonylag ismert alapja számos hasonló, cégek által épített AI-ügynöknek.

Messze nem csak a HeyGen foglalkozik ilyen ügynökök építésével: számtalan cég kínál hasonló szolgáltatást, sokszor ingyenes kipróbálási lehetőséggel is (Google-kereséshez: „AI ügynök keretrendszer”, vagy angolul a pontosabb találatokért: „AI agent framework”). Az olyan, mélyebb technikai tudást igénylő, nyílt forráskódú keretrendszerekhez, mint amire Liang saját ügynöke épült, profi fejlesztői rutin kell – de emellett léteznek kifejezetten laikusoknak szánt, úgynevezett „no-code” (emberi kódolás nélküli) AI-ügynök-platformok is, amelyekhez elég az átlagos felhasználói számítástechnikai tudás.

Ezek ára jellemzően havi 0 dollártól (ingyenes belépő szint) 30–50 dollárig mozog személyes vagy kisvállalkozói használatra. Egy Liangéhoz hasonló, egyedi fejlesztésű vállalati ügynök ára már több ezer dollártól indul.

Hogyan dolgozott az AI-ügynök a gyakorlatban?

Az elrendezés a következő volt: amikor egy érdeklődő hívást kezdeményezett – akár egy értékesítési linkről, akár közvetlenül a cég oldaláról –, az AI-ügynök nem „hidegen” indult, vagyis nem előzmények nélkül, vadidegen érdeklődőként kezelte a hívó felet. Előre elolvasta ugyanis az ügyfél korábbi leveleit és hívásait, a fiók előzményeit, majd ez alapján vezette le a beszélgetést. A hívás után pedig automatikusan összefoglaló e-mailt küldött a legfontosabb pontokkal és a következő lépésekkel.

Right before our baby arrived, I handed the sales front line to an AI version of me. Here’s what happened. https://t.co/ZSCLeiZWHX

— Wayne L. (@wayne_liang_) August 3, 2026

Ez az úgynevezett agentic loop, vagyis „ügynöki hurok” működésének lényege: az AI célt kap, cselekszik, az eredményt értékeli, és a következő lépést ennek alapján választja – nem egyetlen kérdés-válasz, hanem folyamatos, önállóan irányított munkafolyamat.

Volt benne emberi felügyelet is – mégpedig tudatosan beépítve. Minden kötelező érvényű dolog (árazás, papírmunka, technikai vállalás) csak azután ment ki, hogy egy munkatárs jóváhagyta a Slack-en (a cégek körében elterjedt üzenetküldő alkalmazáson). Liang ezt úgy fogalmazta meg:

autonóm, de nem felügyelet nélküli működés.

Ez a különbségtétel – hogy egy AI-rendszer önállóan dolgozhat, de a valóban kockázatos lépéseknél emberi jóváhagyáshoz van kötve – az egyik legfontosabb elv, ami ma egy éles üzemben futó AI-ügynök tervezésénél felmerül.

A rendszer emellett félóránként automatikusan átnézte a bejövő postafiókot is, és megválaszolta, ami közben érkezett – így egyetlen levél sem várt reggelig.

Ami a legjobban meglepte: a memória

A klasszikus AI-rendszerek „emlékezetét” jellemzően egy úgynevezett vektor-adatbázis adja: a szöveges tartalmat számokká (embeddingekké) alakítják, és hasonlóság alapján keresnek benne. Liang csapata ehelyett egyszerűbb utat választott: az ügynök egyszerű, egymásra hivatkozó Markdown-jegyzeteket (azaz letisztult, könnyen formázható szövegfájlokat) írt és olvasott – nevezték ezt „tudásboltozatnak”. Nincs bonyolult infrastruktúra, nincs embedding-csővezeték: az ügynök cselekvés előtt elolvassa a releváns jegyzeteket, cselekvés után pedig újakat ír, vagy kiegészíti a régieket.

Ennek a megoldásnak volt egy fontos mellékhatása: mivel a memória sima szöveg, az emberi csapat is bármikor bele tudott nyúlni – ha az ügynök tévesen hitt valamit, elég volt megnyitni a megfelelő jegyzetet, és kijavítani. Nyolc hét alatt több mint 1400 ilyen jegyzet született, egymásra mutató hivatkozásokkal átszőve.

Az AI-képmás teljesítménye

Nyolc hét alatt az ügynök 2741 potenciális ügyféllel folytatott legalább egy élő hívást Liang nevében. Ebből 132-en lettek fizető ügyfelek, és 37 vállalati tárgyalás nyílt meg, amelyek együttes értéke körülbelül 3 millió dollár volt.

Az egyik vállalati érdeklődő – egy oktatási céghez köthető csapat – négy külön beszélgetést folytatott az ügynökkel. Az első még feltérképező jellegű volt; a negyedikre a vevő már belső beszerzési egyeztetésre készült, és az ügynök végig pontosan tartotta a teljes specifikációt – 45 oktató-avatar, többnyelvű megjelenítés, tanulásmenedzsment-rendszerbe illesztés, „tanulói memória”, téveszmék elleni védelem – anélkül, hogy bármit újra meg kellett volna kérdeznie. A kapcsolattartó csapat végül nem egy hideg érdeklődést (cold lead), hanem egy készen álló, részletes összefoglalót (brief) kapott kézhez minden egyes lezárt üzletnél, amivel ott folytathatták a munkát, ahol azt az AI-ügynök abbahagyta.

Amikor viszont elszabadult

Liang nem hallgatja el, hogy a nyolc hét nem volt zökkenőmentes – sőt, pontosan a hibák és a rájuk adott válaszok teszik technikailag is tanulságossá a történetet. Három jellegzetes esetet érdemes külön kiemelni, mert mindegyik egy-egy klasszikus, ma is aktuális AI-ügynök-tervezési problémára világít rá.

Kitalált egy árat, ami nem is létezett. Egy érdeklődő a vállalati árazásról kérdezett. Az ügynök megbecsülte a várható felhasználást, egy magasabb csomag egységárából kiindulva kiszámolt egy 4800 dolláros, valójában nem létező tervet, és ezt ajánlotta fel. A hibát az összefoglaló e-mailben vették észre és javították, mielőtt az ügyfél válaszolt volna.

A tanulság: az árazás nem „kikövetkeztethető” adat, hanem szabály – ezután az ügynök kizárólag jóváhagyott árazási sávokból kereshetett, és ha nem talált pontos egyezést, embert kellett bevonnia. Ez a jelenség rokon azzal, amit a nyelvi modelleknél hallucinációnak neveznek: amikor

a rendszer magabiztosan, de tévesen „kitölt” egy hiányzó adatot.

Kiküldte a belső feljegyzéseket az ügyfélnek. Egy bejövő levélre az ügynök helyesen állapította meg a sürgősségi szintet, azonosította a felelős munkatársat, és javasolt egy választ – majd ezt az egész belső elemzést, a sürgősségi pontszámmal és a felelősségi adatokkal együtt, kiküldte magának az ügyfélnek.

A diagnózis pontos volt, csak épp rossz csatornán landolt. A javításban a belső elemzést és az ügyfélnek szóló választ két külön, egymástól elválasztott folyamatra bontották, emberi ellenőrzési ponttal a kettő között.

Ígéretet tett egy megbeszélésre, amit senki sem hagyott jóvá. Az ügynök egy régi belső feljegyzésből azt „tanulta meg”, hogy a vállalati érdeklődőknek automatikusan ajánljon fel egy találkozót egy elavult naptárlinken keresztül – csakhogy azt a csapatot, akihez a linket küldte, soha senki nem kérdezte meg, hogy elérhető-e. Az érdeklődők halott linkeket és be nem tartható ígéreteket kaptak. A HeyGen ezt a hatáskör szűkítésével oldotta meg: az ügynök ezután nem foglalhatott le mást, csak a saját idejét – más csapat naptárjához való hozzáférés emberi jóváhagyáshoz lett kötve.

Mindhárom eset ugyanarra a mintára vezethető vissza: az ügynök tudott valamit, de nem lett volna szabad ígérnie is – a tudás és a jogosultság nem ugyanaz. Ez a megkülönböztetés ma az egyik legfontosabb tervezési szempont, amikor egy vállalat éles ügyfélkapcsolatba enged egy önállóan cselekvő AI-rendszert.

Mit tanulhatunk ebből?

A történet legérdekesebb technikai tanulsága talán nem is (az egyébként vonzó) 3 millió dolláros bevétel, hanem az, hogyan kezelték a hibákat. Egyik incidens sem tűnt el nyomtalanul: mindegyikből szabály lett, amit az ügynök tudásboltozatába írtak be. A 4800 dolláros kitalált ár árazási szabállyá vált, a kiszivárgott belső jegyzet csatorna-szabállyá, az elavult naptárlink jóváhagyási ponttá. A hibák nem egyszerűen kijavított bugok voltak, hanem az ügynök „emlékezetének” részévé váltak – legközelebb már nem ugyanabba a hibába fut bele.

Ez a megközelítés jól mutatja, hogy egy önállóan cselekvő AI-rendszer bevezetése ritkán olyan feladat, amit „egyszer beállítunk, és kész” – ez inkább folyamatos, iteratív munka, ahol a hibák felfedezése és a szabályokba való visszaépítése legalább annyira fontos, mint maga a kezdeti fejlesztés.

A baba, aki mellett ott lehetett

Nyolc hét után Liang visszatért, és ugyan nem talált tökéletes rendszert, de egy olyat, amelyik bár – saját szavai szerint – néha elszabadult, de összességében jobban helytállt, mint amire számított:

az érdeklődők percek alatt kaptak választ hetek helyett, az üzletek éjszaka is haladtak, és senki sem várt rá.

Cserébe ott lehetett azokban a pillanatokban, amelyek nem térnek vissza: a baba első bőr-a-bőrön érintésénél az édesanyjával, az óránkénti pelenkacseréknél, a hajnali háromkor ringatásnál. Az AI tartotta a frontvonalat – ő a babát tartotta.