Az AI nemcsak megszüntet munkaköröket, képes újakat is teremteni – az Amazon vagy a Victoria’s Secret már hasonló pozíciókat hirdet
Miközben a szakmai viták többnyire arról szólnak, mely munkaköröket szüntetheti meg a mesterséges intelligencia, a globális nagyvállalatok egy csoportja már azokra a pozíciókra toboroz, amelyek éppen az AI terjedése miatt jönnek létre. Az Amazon, a Victoria’s Secret és az Accenture álláshirdetései azt mutatják, hogy a változás nem feltétlenül a távoli jövőben fog kezdődni. Úgy néz ki, már el is kezdődött.
Megjelent ·
Az AI munkaerőpiaci hatásáról szóló viták rendszerint ugyanoda lyukadnak ki: melyik szakma kerül először veszélybe? A piac közben ennél jóval árnyaltabb. Miközben bizonyos feladatokat valóban automatizálnak, olyan munkakörök is megjelennek, amelyek néhány évvel ezelőtt még nem léteztek.
Az Amazon például Answer Engine Optimization Managert keres az AWS-hez. A feladat már nem egyszerűen az, hogy a vállalat tartalmai jó helyen legyenek megtalálhatóak a Google találati listáján. A sikeres jelöltnek azt is meg kell oldania, hogy a ChatGPT, a Claude, a Gemini vagy a Perplexity pontosan értelmezze, használja fel és lehetőség szerint hivatkozza az AWS információit.
A Victoria’s Secret Director of AI & Organic Search címmel hirdetett meg vezetői pozíciót, az Accenture pedig külön üzleti területként fejleszti az úgynevezett agentic commerce, vagyis az AI-ügynökökre épülő kereskedelmi szolgáltatásait.
A változás a bérekben is nyomon követhető. A PwC elemzése szerint az AI-ismereteket igénylő állásokban átlagosan 56 százalékkal magasabb fizetést kínálnak, mint a hasonló, de ilyesfajta tudást vagy szakértelmet nem igénylő munkakörökben. Egy évvel korábban ez az előny még csak 25 százalék volt. Unásig ismételt predikció, de lehet, hogy igaz: a Világgazdasági Fórum előrejelzése szerint 2030-ig 92 millió munkahely szűnhet meg az AI-nak köszönhetően, miközben 170 millió új pozíció jöhet létre.
A kérdés tehát nem csupán az, hány munkakört vált ki a technológia, hanem az is, milyen új feladatokat teremt. Lehet, hogy első hallásra egy marketing szakembernek nem túl szexi gépeknek tervezni ciklikus „kampányt”, de erre nagy valószínűséggel óriási igény lesz.
A marketingben és az ahhoz kapcsolódó területeken ennek különös jelentősége lehet. A márkáknak eddig elsősorban emberek figyelméért, bizalmáért és vásárlási döntéseiért kellett versenyezniük. Ma már viszont egyre gyakrabban az AI-rendszerek közvetítik az információt a brand és a vásárló között. Ezek a rendszerek kérdésekre válaszolnak, termékeket hasonlítanak össze, szolgáltatókat ajánlanak, és a közeli jövőben már a vásárlási folyamatban is részt fognak venni.
Ez új szakértelmet igényel. Valakinek mérnie kell, hogyan jelenik meg egy vállalat az AI-válaszokban. Másnak arról kell gondoskodnia, hogy a különböző rendszerek egyértelműen azonosítsák a céget. Megint másoknak a tartalmakat, a termékadatokat vagy a teljes kereskedelmi infrastruktúrát kell alkalmassá tenniük arra, hogy gépi rendszerek is értelmezni tudják.
Az alábbi hat példaként bemutatott munkakör részben már létezik, részben most kezd körvonalazódni. Közös bennük, hogy valós, ma is érzékelhető üzleti problémákra keresnek megoldást.
1. AI Visibility Auditor/Analyst
Egy vállalat keresőbeli teljesítménye viszonylag pontosan mérhető. Látható, hogy egy oldal milyen kifejezésekre jelenik meg, hány látogatót ér el és hogyan változik a helyezése.
Az AI-rendszereknél jóval nehezebb a helyzet. Ugyanaz a modell ugyanarra a kérdésre több alkalommal is eltérő választ adhat. Más eredmény születhet akkor is, ha a rendszer internetes keresést használ, és akkor is, ha kizárólag a korábban megszerzett tudására támaszkodik.
Az AI Visibility Auditor/Analyst ezért nem egyetlen lekérdezésből von le következtetéseket. Előre meghatározott kérdéssorokat futtat több modellen, több alkalommal, majd azt vizsgálja, milyen gyakran és milyen összefüggésben jelenik meg a vállalat neve.
A mérésből az is kiderülhet, miért marad ki egy márka a válaszokból. Lehet, hogy kevés a témához kapcsolódó hiteles tartalom, pontatlanok vagy ellentmondásosak a vállalatról elérhető adatok, technikai akadályok nehezítik az oldalak feldolgozását, vagy egyszerűen a versenytársak erősebb online jelenlétet építettek.
Az Amazon AEO Manager pozíciójának feladatai között már ma is szerepel a promptokra épülő összehasonlító tesztelés és az AI-rendszerekben megjelenő hivatkozások mérése.
Erre a területre a legjobban talán a marketinganalitikából, a keresőoptimalizálásból és az adatvezérelt tartalomstratégiából lehet továbblépni.
2. AI Entity Architect – a vállalat gépi azonosíthatóságának SME-je
Az emberek számára általában nem okoz különösebb nehézséget felismerni, hogy két eltérően megfogalmazott név ugyanahhoz a vállalathoz tartozik. A gépi rendszereknek ehhez egyértelmű és következetes adatokra van szükségük.
Ha egy cég neve, alapítási éve, vezetőinek listája vagy termékeinek megnevezése különböző forrásokban eltérően szerepel, az megnehezíti az azonosítást. Az AI-rendszer ilyenkor pontatlan információkat kapcsolhat össze, vagy óvatosabban használhatja fel az adott forrást, vagy — ami üzletileg a legfájóbb — egyszerűen kihagyja a céget a válaszból.
Az AI Entity Architect feladata, hogy a vállalatról kialakuló gépi kép egységes legyen. Ellenőrzi a cégneveket, a termékadatokat, a vezetőkhöz kapcsolódó információkat és a strukturált adatokat. Arra törekszik, hogy ezek a vállalat saját weboldalán, a Wikidatán, a Crunchbase-en, a cégadatbázisokban és más fontos forrásokban is következetesen jelenjenek meg.
A nyelvi modellek nem egyetlen központi adatbázisból dolgoznak. Számos forrás mintázataiból próbálják összeállítani, hogy egy név, vállalat vagy márka pontosan mit jelent. Minél egységesebbek és megbízhatóbbak ezek a források, annál könnyebb a pontos azonosítás.
Saját, kilenc magyar vállalatot vizsgáló kutatásunkban hat olyan céget találtunk, amelynek nem volt megfelelően kialakított, hiteles entitásrekordja. Ez többnyire nem technológiai problémára, hanem az adatok rendezetlenségére vezethető vissza.
Az Accenture már Knowledge Graph Engineer, illetve Knowledge Engineer / Semantic Expert for AI címmel is hirdet pozíciókat. A munkakör elsősorban technikai SEO-s, adatmodellezési vagy tudásmenedzsment-háttérrel tölthető be.
3. AI Knowledge Strategist – az AI-tudásstratéga
A hagyományos kommunikációs stratégia azt tervezi meg, milyen üzenetekkel, milyen felületeken és milyen időzítéssel lehet elérni a közönséget. Az AI-tudásstratéga ehhez egy új szempontot ad: azt vizsgálja, hogy a vállalatról szóló lényeges információk milyen eséllyel jutnak el a mesterségesintelligencia-rendszerekhez.
A nagy nyelvi modellek képzése időszakosan frissített, nagyméretű és szűrt szövegállományokon alapul. Egy vállalat nem tudja közvetlenül meghatározni, hogy egy adott információ bekerüljön-e ezekbe az adatokba. Azt azonban befolyásolhatja, hogy a róla szóló fontos, ellenőrizhető állítások mennyire következetesen és hány hiteles forrásban jelennek meg.
Az AI-tudásstratéga talán legfontosabb feladata, hogy megtervezze a márka koherens online jelenlétét hosszabb ciklusokban gondolkodva. Meghatározza, mely állításokat kell következetesen használni, milyen témákban hiányzik a vállalat jelenléte, és hol lenne szükség független megerősítésre. Most még jó pár olyan fontos promptkészlet üres, amelyet érdemes megcélozni, mert könnyen nyerhetőek hosszú távon is. Egy jó stratéga azt is képes felmérni, hogy jelenleg hol vannak még low-hanging fruit-ok és azokra (is) pozicionálni a márkát.
Nem elegendő ugyanazt az üzenetet újra és újra közzétenni a vállalat saját csatornáin. Sokkal nagyobb súlya lehet annak, ha az információ több, egymástól független és megbízható forrásban is megjelenik.
Ennek a szakmának egyelőre nincs általánosan elfogadott neve. A feladat nehezen illeszthető a hagyományos szervezeti struktúrába, mert egyszerre kapcsolódik a kommunikációhoz, a tartalomstratégiához, az adatkezeléshez és a technológiai működéshez.
A szerepkör elsősorban tapasztalt PR-, kommunikációs és tartalomstratégiai szakemberek számára jelenthet új irányt, feltéve, hogy megértik a nyelvi modellek működésének technikai alapjait is.
4. Answer Engineer – az AI választervező
Sok gyönyörű, díjnyertes weboldal tartalma csak JavaScript futtatása után válik láthatóvá. Az ember számára szemet gyönyörködtető — és a Google-nak sem gond, mert a keresőrobot ma már futtatja a JavaScriptet. Az AI-rendszerek crawlerei viszont nem. A GPTBot, a ClaudeBot vagy a Perplexity robotjai a nyers HTML-t olvassák, és ha abban nincs ott a tartalom, lehet, hogy csak egy üres vázat látnak — és már el is dobják az oldalad. Így fordulhat elő, hogy egy márka a Google-ban (még) az első oldalon van, viszont az AI válaszaiban elő se kerül.
Az AI választervező feladata, hogy a vállalat tartalmai technikailag hozzáférhetők, könnyen értelmezhetők és jól idézhetők legyenek.
Ide tartozhat a megfelelő információs architektúra kialakítása, a világos kérdés-válasz szerkezet, valamint a konkrét adatokkal, nevekkel, dátumokkal és számokkal alátámasztott állítások használata. Az AI-rendszerek számára általában könnyebben feldolgozható egy pontosan megfogalmazott válasz, mint egy kizárólag hangulati vagy reklámjellegű szöveg.
Ez a munkakör sok szempontból a technikai keresőoptimalizálás továbbfejlődésének tekinthető. A jelenlegi álláshirdetésekben az AEO, vagyis az Answer Engine Optimization rendszerint a SEO-val együtt jelenik meg.
Az eBay például Director of Product, AEO & SEO pozíciót hirdetett, az Experian pedig AEO & SEO Managert keresett.
A területre elsősorban technikai SEO-sok, tartalomtervezők, információsarchitektúra-szakértők és webfejlesztők léphetnek át.
5. Agentic Commerce Architect – AI-kereskedelmi rendszertervező
Az AI ügynökök nemcsak információt kereshetnek, hanem egyre több esetben műveleteket is végrehajthatnak a felhasználó nevében. Termékeket hasonlíthatnak össze, ellenőrizhetik az árakat és a készletet, majd akár a vásárlás egyes (vagy összes) lépéseit is elvégezhetik. Ugyan még bizalmatlanok vagyunk, nem mernénk rábízni egy AI ügynökre, hogy vásárolja meg a nevünkben a legolcsóbb repjegyet A-ból B-be, de efelé haladunk.
2025-ben több jelentős technológiai és fizetési megoldás is megjelent. A Mastercard és a Visa AI ügynökökhöz kapcsolódó fizetési rendszereket jelentett be, a Google több mint hatvan partnerrel jelentette be saját protokollját, az OpenAI és a Stripe pedig azonnali fizetési megoldást mutatott be egy együttműködés keretében.
Ezek a rendszerek másképp tájékozódnak, mint az emberek. Kevésbé számít számukra egy látványos reklám vagy a weboldal vizuális megjelenése. Elsősorban egyértelmű, strukturált adatokra van szükségük: terméknevekre, árakra, készletinformációkra, tulajdonságokra és pontosan meghatározott vásárlási feltételekre.
Az Agentic Commerce Architect feladata, hogy a vállalat kereskedelmi rendszerei alkalmasak legyenek az ilyen típusú gépi használatra. Egységesíti a termékadatokat, kialakítja a szükséges API-kapcsolatokat, és olyan pénztári folyamatot tervez, amelyet nemcsak emberi vásárló, hanem egy AI ügynök is megbízhatóan végig tud vinni.
Az Accenture Technical Commerce & AI Manager, Agentic Commerce címmel már hirdetett ilyen jellegű állást. A munkakörhöz leginkább e-kereskedelmi, rendszerintegrációs és platformfejlesztési tapasztalat szükséges.
6. Head of Machine Equity – a vállalat gépi jelenlétéért felelős vezető
Ha az előző öt terület önálló feladatkörré válik, idővel szükség lesz olyan vezetőre is, aki összehangolja és vezeti az operációt.
Egy márka gyenge AI megjelenésének több oka lehet. Előfordulhat, hogy nem megfelelő a mérés, rendezetlenek a vállalathoz kapcsolódó adatok és információk, kevés a hiteles külső forrás, vagy technikai akadályok nehezítik a tartalom feldolgozását. Ezek a problémák ritkán oldhatók meg egyetlen divízión belül.
A Head of Machine Equity feladata az lenne, hogy a vállalat teljes gépi jelenlétét üzleti szempontból irányítsa. Meghatározná a fejlesztési prioritásokat, összehangolná az érintett szakemberek munkáját, és olyan mutatókat alakítana ki, amelyekből a vezetés is láthatja, hogyan jelenik meg a szervezet az AI-rendszerekben.
A Machine Equity azt fejezi ki, hogy az AI-rendszerek mit tudnak egy vállalatról, mennyire pontosan azonosítják, és milyen gyakran említik vagy ajánlják.
Egyelőre nem lehet biztosan kijelenteni, hogy ez a vezetői pozíció általánossá válik. A Victoria’s Secret igazgatói szintű álláshirdetése és az Experian által kínált fizetési sáv azonban arra utal, hogy a vállalatok már most is hajlandók komoly felelősséget és költségvetést rendelni ehhez a területhez.
A legjobb jelöltek talán a technológiai kérdésekben jártas marketing-, digitális és e-kereskedelmi vezetők közül kerülhetnek ki.
Amit ezek a szakmák sem tudnak garantálni
Fontos a korlátokról is beszélni.
Mint ahogy egy nagy marketing- és reklámkampány esetében sincs garancia arra, hogy betalál az embernél, úgy egy machine equity szakember vagy módszer sem tudja biztosan garantálni, hogy egy vállalat bekerül valamelyik nyelvi modell tanítóadataiba, vagy rendszeresen megjelenik az AI által adott válaszokban.
A vállalatok mérhetik és bizonyos mértékig befolyásolhatják a jelenlétüket, de a modellek működését nem irányítják közvetlenül, mint ahogy az emberi elmét sem. Aki biztos eredményt ígér, valószínűleg többet állít annál, mint amit a jelenlegi technológia lehetővé tesz.
Ezek az új munkakörök a kreatív marketinget nem teszik feleslegessé. Az emberek továbbra is történetek, élmények, bizalom és érzelmek alapján hoznak döntéseket. Ezzel párhuzamosan azonban egyre fontosabbá válik az is, hogyan értelmezik és közvetítik a vállalatról szóló információkat a gépi rendszerek.
A legtöbb szervezetben ezek a feladatok ma még több osztály között oszlanak meg, vagy egyáltalán nincs kijelölt felelősük. De abban biztos vagyok, hogy a sarki fűszerestől a gigavállalatig hamarosan mindenkinek foglalkoznia kell a gépi márkaértékével.
A szerző az AVE Studio alapítója. A stúdió az AI-láthatóság mérésével, a vállalatok gépi azonosíthatóságával és az AI-rendszerek számára értelmezhető tartalmi, illetve technikai jelenlét kialakításával foglalkozik.