Ezek a cikkek üzleti döntésekhez adnak támpontot: mennyibe kerül, mennyire biztonságos, és tényleg jobb-e egy AI dokumentumfeldolgozó rendszer, mint a kézi munka. Minden állítás mögött saját mérés áll: a módszertant leírjuk, és ahol a nyers adat is publikus, ott a Kutatás rovatban és a docai-evals repóban elérhető.
Miért nyer a helyben futó AI dokumentumfeldolgozás a felhős megoldásokkal (Azure Document Intelligence, Copilot) szemben, ha érzékeny céges adatról van szó? A válaszhoz a mért szám is hozzátartozik: magyar korpuszon F1 = 0,983.
Elvégzi helyetted a havi számlaköteget egy chat felület? Feltöltöttünk 30 magyar számlát, 11 futásban, öt modellváltozattal: a kiolvasott értékek szinte hibátlanok voltak, a gyors változatok viszont a számlák több mint harmadát meg sem jelenítették — és rákérdezve sem tudtak róla.
Tényleg jobb eredményt kapsz, ha angolul promptolod az AI-t magyar helyett? 70 kérdésen, három nyelven és a modell 32 rétegén mértük meg a választ — angol közvetítő állomásra nem találtunk jelet, a csak magyarul dokumentált tényeket viszont a modell a saját nyelvén tudja a legkevésbé.
Mennyire véded ki a tokenár-emelkedés kockázatát egy helyben futó rendszerrel? Megnéztük a saját számainkat — két DGX Spark, havi nagyjából 100 kWh, kb. 6 500 forint —, és megmutatjuk, mikor NEM éri meg így csinálni.
Hol dől el valójában egy AI-projekt GDPR- és AI Act-megfelelése — a szerződésben, vagy a telepítés helyén? Végigvesszük az öt valódi fájáspontot (jogalap, tájékoztatás, érintetti jogok, automatizált döntés, harmadik országba továbbítás) és a döntő kérdést: felhő vagy on-premise?
Mennyit spórol valójában egy magyar gyártó cég, ha AI-ra bízza a dokumentumfeldolgozást? A Gree Magyarország tapasztalata: napi 30–70 irat, négy közhiteles forrás automatikus ellenőrzése, 1+ óra napi megtakarítás csak az utaláson, 3–4 hónapos megtérülés.