A mesterséges intelligencia már nem egy távoli fogalom, hanem egy olyan erő, amely világszerte átalakítja az életet - az egyéni felhasználóktól az üzleti életen, kormányzati és önkormányzati rendszereken át az ipar minden szegmenséig. A McKinsey idén márciusban közéttett egy globális felmérést, amelyben vállalati döntéshozókra fókuszált. Eszerint a válaszadók körében az AI elfogadása világszerte 72 százalékára emelkedett az elmúlt hat év 50 százalék környéki átlagáról. Az MI egyre mélyebben beépül az üzleti folyamatokba, így végül ugyanolyan mélyen átalakítja a döntéshozatal módját, mint egykor a táblázatok és az emailek megjelenése.

A Gartner már egy 2023-as kutatásban arra jutott, hogy a vállalati stratégák 79 százaléka kritikus fontosságúnak tartotta az MI bevezetését két éven belül, ám még csupán 20 százalék vágott bele ennek megvalósításába. De mi lehet ennek a látszólagos ellentmondásnak az oka, és hogyan lehet mindezt feloldani?

A mesterséges intelligencia használatáról szóló cikkünkben már végigmentünk az MI alapjain, tisztáztuk a fogalmakat és az alapvető működési elvet, valamint megvizsgáltunk néhány jellemző típust. Most azonban mélyebbre ásunk: megnézzük, hogyan működhet a technológia a "felszín alatt", és milyen új szempontokat érdemes figyelembe venni a sikeres alkalmazásához. Az előnyök már jól láthatóak, azt pedig jó mielőbb tisztázni a félelmek elkerüléséhez, hogy az MI nem varázslat, hanem megszelídíthető technológia. Ha tudjuk, hogyan tanulnak az algoritmusok és hogyan illeszthetjük be őket a cégünk folyamataiba, akkor komoly versenyelőnyre tehetünk szert.

Mostani cikkünkben bemutatjuk az MI működési elvét, gyakorlati példákkal szemléltetjük alkalmazását, kitérünk az előnyökre és buktatókra, beleértve a gyakran kevésbé érintett etikai kérdéseket is, valamint megvizsgáljuk, hogyan kapcsolódik az MI az adatstratégiához és a versenyelőnyhöz. Végül szó lesz arról is, hogyan dolgozhatnak együtt hatékonyan emberek és MI a mindennapokban.

Hogyan tanul és dönt az MI?

Ahogy már az alapoknál elmagyaráztuk, a hagyományos szoftvereket ember programozza explicit utasításokkal, ehhez képest a mesterséges intelligencia abban jelent újdonságot, hogy az ilyen rendszerek már közvetlenül adatokból tanulnak. De mit jelent ez a gyakorlatban?

A gépi tanulás dióhéjban: szabályok helyett mintázatok

A mesterséges intelligencia egyik fontos pillére a gépi tanulás (Machine Learning). Ennek lényege az, hogy ha már rendelkezésre állnak kiterjedt adatbázisok, ezeket adjuk oda az MI-nek, amely az így elérhető információk sokaságában képes mintázatokat felismerni és önállóan megérteni a szabályrendszereket. Ezt pedig folyamatosan finomhangolhatjuk, hogy az MI későbbi önálló munkavégzése minél pontosabbá váljon.

Egyszerű példa lehet egy levélszemét-szűrő létrehozása. Első körben értelemszerűen megadhatunk alapvető irányelveket arra, mit tekintsen egyértelműen spamnek, de ezután már képes lesz magától megjelölni, melyik levél esik bele ebbe a kategóriába, és minden sikeres új megjelölés egy olyan visszaigazolást jelent, amely erősíti a szabályrendszert. Ezt először természetesen mi magunk is segíthetjük - ez az úgynevezett felügyelt tanulás (Supervised Learning), amikor előre megmondjuk a helyes válaszokat a tanító adatoknál, vagy a példánál maradva időről időre manuálisan is megjelölünk néhány levélszemetet.

A gépi tanulásnak jó néhány alfaja fejlődött ki az elmúlt években ilyen például a felügyelet nélküli tanulás, amelynek során az algoritmus magától csoportosít adatokat, például ügyfelek szegmensekre osztásával. Egy másik változat a megerősítéses tanulás, amely egyfajta intelligens próba-szerencse folyamat, ahol a jó választások virtuális jutalmakat érnek, ezáltal fejlesztve a tudásbázist.

Mi a gépi tanulás lényege a döntéshozók számára?

A mesterséges intelligencia minősége nagyban függ attól, mennyi és milyen adathalmazból dolgozik. Kevés, vagy rossz minőségű adat, rosszul megadott példák nem hoznak jó eredményeket, ezért az első fontos feladat egy MI bevezetésekor a tanuláshoz használt információ-bázis minél erősebbé tétele.

Mélytanulás és neurális hálózatok - ez az MI igazi titka

Az adatok alapján történő automatizált algoritmusok igazi szárnyalását egy újabb technológiai lépcsőfok tette lehetővé, a neurális hálózatok megjelenése. Ez a korábbi adathálózatokhoz képest egy jóval összetettebb megoldás, amelyet az emberi agy felépítése inspirált. Egy ilyen hálózatban sok "mesterséges neuron" kapcsolódik össze rétegekben, és minden ilyen réteg az adatok egyre összetettebb jellemzőit képes felismerni.

Egy köznapibb példával élve olyan ez, mint amikor egy gyárban a termék több szalagon, több fázisban áll össze, hogy a végén egyre bonyolultabbá válhasson. A neurális hálózat első rétege általában alapvető részleteket ismer fel (egy kép esetén például a főbb vonalakat), egy mélyebb réteg már bonyolultabb mintákat (a vonalakból összeálló alakzatokat), ezek egymáshoz való viszonyát, és végül megszületik a teljes felismerés, amikor az összes réteg addigi munkája alapján az MI döntésre jut (a kép példájánál maradva a vonalak, színek, elrendezés, és persze az összehasonlításhoz szükséges adatbázis alapján kijelenti, hogy egy autót "lát").

A neurális hálózatok többrétegű elemzési módszere az úgynevezett mélytanulás. Ez tette lehetővé, hogy az MI az elmúlt években már mindenki által látható, robbanásszerű fejlődésnek indulhasson. Ez támogatja a ChatGPT mind összetettebb szövegértési képességeit vagy a DALL-E képgeneráló algoritmusát, és láthatóan már emberi szinten összetett eredményeket produkál, hiszen rengeteg adatból, paraméterek milliárdjainak összehangolásával tanulnak.

A ChatGPT és az ehhez hasonló nagy nyelvi modellek (LLM) mélytanulása például első körben szavak milliárdjainak felismerésére épül, majd a mélyebb rétegek statisztikai alapon tanulják meg, hogy az emberi mondatokban milyen szórendek, nyelvtani és stilisztikai szabályok alapján követik egymást. Ez egyben arra is magyarázatot ad, miben más a mesterséges intelligencia az emberinél: az LLM megoldások nem a hagyományos értelemben "értik" a szöveget, viszont a meglévő mintázatok megtanulásával képesek az ember-gép kommunikációra.

Agentic AI - amikor a mesterséges intelligencia önállóan cselekszik

A vállalati és professzionális rendszerekben az MI legújabb fejlesztése jelent hihetetlen ugrást: az agentic AI vagy intelligens AI ügynök olyan rendszer, amely nemcsak válaszol a kérdésekre, de proaktívan végrehajt feladatokat.

Hogyan működik ez? Egy agentic AI több modult kombinál, egyrészt egy nyelvi-érvelési komponenst, ami megérti az utasítást, emellett hozzáfér különböző adatokhoz és rendszerekhez, valamint van egy logikája arra, hogy a kívánt eredmény érdekében önállóan lépések sorozatát hajtsa végre.

Példának hozhatunk egy olyan céges MI-ügynököt, amely első körben átnézi a megbeszélések jegyzőkönyvét, majd ebből automatikusan létrehozza a feladatokat a projektmenedzsment rendszerben, végül pedig figyeli a haladást, figyelmeztet a határidőkre. Tehát itt már több szolgáltatást kezel egyszerre, emberi felügyelet nélkül: értelmezi a szöveges jegyzőkönyvet (NLP), majd magától felviszi az adatokat a Jira/Trello rendszerbe, végül a megfelelő kommunikációs csatornákon riasztást is küldhet a felelősöknek, ha a határidők veszélybe kerülnek. Tehát míg egy egyszerű chatbot csak reagál, egy AI ügynök kezdeményezni is tud – összekapcsolja a különböző rendszerek adatait és önálló akciókat végez.

Az Atlassian Rovo nevű MI-asszisztense egy jó példa az agentic AI-re a gyakorlatban. A Rovo a vállalat különböző adataiból, többek között Confluence dokumentumokból, Jira feladatokból, emailekből épít tudásbázist, és természetes nyelvű kérdésekre ad választ úgy, hogy proaktívan összegyűjti és összefoglalja a releváns információkat.

Ha egy vezető például megkérdezi Rovótól: "Mely projektek csúsznak jelenleg és miért?", akkor Rovo átfésüli a Jira projekteket, a státuszjelentéseket, és egy összefoglaló riportban választ ad, mintha egy elemző csapat dolgozott volna rajta. Egy ilyen MI-ügynök olyan, mintha egy extra csapattagot kapnánk, aki éjjel-nappal dolgozik és pillanatok alatt átlát rengeteg adatot.

Mesterséges intelligencia a gyakorlatban: üzleti folyamatok, ahol az AI működik

Most, hogy már jobban értjük az MI belső működését, nézzük meg, mindez hogyan hasznosul a napi üzleti gyakorlatban. Az MI szinte minden vállalati funkcióban megjelent – de hol és hogyan tud a leginkább értéket adni?

Tudásmenedzsment és információkeresés

Mivel telik egy vállalat döntéshozóinak ideje? Természetesen - jó esetben - értéket teremtenek, új ötleteket és stratégiákat találnak ki, változásokat valósítanak meg, és ebben segítségükre vannak a szakértő kollégák, akik saját hozzáértésükkel járulnak hozzá a kreatív folyamatokhoz. De az ehhez szükséges háttér, tehát az adatok, statisztikák, tapasztalatok nem jönnek maguktól, ezért a legtöbb helyen bizony a munkaórák jelentős részét emészti fel a fenti tevékenységekhez szükséges előkészítő fázis, az adatok megkeresése, összerendezése, az ezekből kinyerhető hasznos információk statisztikákba és trendekbe terelése.

A dokumentumok, jegyzetek, emailek és egyéb adathalmazok rengetegében az adott folyamatokhoz szükséges valódi tudásbázis felépítése viszony olyan tevékenység, amelyet már levehet a humán dolgozók válláról az MI, hiszen a megfelelő betanítást követően nem csak a szükséges adatok megkeresését, hanem azok fogyasztható formára alakítását is rábízhatjuk.

Az AI nem csak kulcsszavakra keres, hanem megérti a kérdés kontextusát, és a vállalati tudásbázisból összegyűjti a releváns válaszokat. Ha például megadjuk a "Van-e már precedensünk ISO 27001 tanúsítványra?" kérdést, az Atlassian Rovo Search, vagy más, hozzá hasonló képességekkel rendelkező, MI-alapú kereső nem csak a dokumentumcímet dobja ki, hanem összefoglalja a lényeget is, például megtalálja a tavalyi megfelelőségi jelentést és kiemeli, hogyan sikerült tanúsítványt szerezni.

Ezzel a módszerrel drasztikusan csökken a kereséssel töltött idő – az Atlassian adatai szerint akár 50 százalékkal kevesebb idő megy el információvadászatra. Ez órákban és bérköltségben mérhető haszon, valamint kiemelten fontos, hogy az ilyen feladatoktól megszabadított munkatársak a valóban emberi képességeket, például kreativitást, intuíciót igénylő tevékenységekre kapnak jóval több időt és energiát.

Sokat segíthetnek ebben a chatbot-jellegű tudásasszisztenseket, amelyekhez a kollégák konkrét kérdéseket intézhetnek a munkával, de akár a munkakörülményekkel kapcsolatban is. "Hány szabadnapom maradt az idei évre?", vagy "Mi a jelenlegi szabályozás a home office-szal kapcsolatban?" - az ilyen jellegű kérdések megválaszolásával szintén idő és energia szabadítható fel, hiszen a HR-re szaladgálás és az ottani adatvadászat helyett gyors és pontos választ kaphatunk.

Döntéstámogatás és előrejelzések

Az üzleti döntések sokszor hatalmas adatmennyiségre támaszkodnak: piaci trendek, pénzügyi kimutatások, KPI-ok tömegét kell végigkutatni egy igazán hatékony új stratégiához. Mindez emberi munkával hosszadalmas és monoton feladat, ráadásul több rétegű, hiszen nem elég megtalálni a szükséges adatokat, ezeket az adott kérdést kiszolgálva fogyaszthatóvá is kell tenni. Az MI ebben úgy segít, hogy átfésüli a historikus adatokat és mintázatokat keres, amiket az emberi szem akár nem is venne észre, majd ezek alapján készít trendeket és előrejelzéseket.

Egy ilyen elemzőrendszer például képes előre megmondani, hogy a korábbi évek adatai és aktuális trendek alapján a következő negyedévben mely termékek iránt nőhet meg a kereslet, egy pénzintézetnél pedig kiszámítja, melyik ügyfélnek van nagy esélye hitelt felvenni a következő fél évben. Az MI valószínűségeket és ajánlásokat ad, amiket a menedzsment felhasználhat a tervezéshez. Ezek a prediktív modellek a múltbeli adatokon tanulnak, tehát minél több releváns és friss adat áll rendelkezésre, annál pontosabbak a jóslatok. A tévedés persze ebben az esetben sincs kizárva, az emberi kontrollra tehát szükség van, de előkészítésként, a főbb trendvonalak meghatározására és iránytűként használva nagyban növeli a hatékonyságot.

Az efféle MI-előrejelzéseket egyre gyakrabban építik be a vezetői dashboardokba: piros vagy zöld jelzést adnak, ha egy mutató a vártnál rosszabbul vagy jobban alakul. Így a vezető időben be tud avatkozni, például hamarabb megtudja, hogy a termelés elmaradhat a korábban megcélzott céloktól.

Azok a csapatok, amelyek rendszeresen használnak AI-alapú döntéstámogatást, sokkal magabiztosabbak és gyorsabbak – az Atlassian kutatása szerint 1,8-szor nagyobb eséllyel tiszták a céljaik és ezáltal hatékonyabbak a munkájukban.

Munkafolyamat-automatizálás és MI a mindennapi működésben

A legtöbb szervezetben számtalan apró, ismétlődő feladatot találunk: ilyen többek között a jelentések készítése, űrlapok kitöltése, emailek rendszerezése, naptárak egyeztetése és még megannyi egyéb. Itt jöhetnek képbe a mesterséges intelligencia által irányított automatizmusok.

De hogyan is működnek a gyakorlatban? Vegyük például az RPA (Robotic Process Automation, robotokkal segített folyamat-automatizálás) és az MI kombinációját: a rendszer figyeli a bejövő emaileket egy support mailboxban, az MI kategorizálja őket téma szerint, majd az RPA robot ennek megfelelően továbbítja vagy rögzíti őket a megfelelő rendszerben. Így az emberi munkaerő már készen kapja a munkájához szükséges háttéranyagot és a lényegre koncentrálhat.

A Microsoft 365 Copilot például képes végignézni a napi meetingjeink anyagait, majd reggelente készít egy összefoglalót arról, mi minden történt, valamint egy ez alapján összeállított feladatsort arról, hogy aznap mire kell figyelnünk. Mindezt úgy, hogy megérti a szövegeket és a kontextust, tehát az MI egyfajta személyi asszisztensként dolgozik a kezünk alá.

Azt persze fontos ismét hangsúlyozni, hogy az MI nem kiváltja, hanem kiegészíti a munkatársakat: ha unalmas feladatokat levesz a vállukról, az emberek a kreatív, stratégiai feladatokra fókuszálhatnak. Egy projektmenedzsernek például nem kell manuálisan összeszednie a heti státuszjelentéseket, mert az MI ezt megteszi helyette, míg ő az így nyert időt a csapat motiválására vagy a kockázatok elemzésére fordíthatja.

Az Atlassian Teamwork Lab kutatása is azt állapította meg a siker titkaként, ha csapattagként tekintünk a mesterséges intelligenciára: bevonjuk a meetingekbe átruházva a jegyzetelést és az összefoglalók készítését, de kérünk tőle ötleteket, tanácsot a későbbi brainstorming során is. Azok a csapatok produktívabbak, amelyek így működnek együtt az MI-vel, tehát nem csak eszközként használják, hanem szakértő kollégaként. Természetesen egy ilyen együttműködő környezet kialakítása nem automatikus: kultúraváltást igényelhet a cégben, de erről később, az adatstratégia kapcsán még ejtünk szót.

Üzleti előnyök és kihívások – mit nyerünk és mire kell figyelni az MI alkalmazásakor

Mielőtt belevágnánk saját MI stratégiánk kialakításába, fontos látni mindkét oldalt. Összegyűjtöttük, milyen kézzelfogható előnyökkel jár az MI a vállalatoknak – és azt is, milyen kihívásokat hoz, amikkel számolni kell a sikeres bevezetéshez. A jó bevezetés során számolunk mindkét oldallal, felkészülünk a kihívásokra, hogy aztán a valódi előnyeit élvezhessük.

A mesterséges intelligencia üzleti előnyei

• Hatékonyságnövelés és automatizálás: Az MI átveszi a repetitív feladatokat, gyorsabban és hibamentesen elvégzi őket, így a dolgozók a magasabb szintű munkára koncentrálhatnak. Eredmény: kevesebb időt kell elpazarolnunk adminisztrációra, csökkennek az üzemeltetési költségek, nő a kreatív munka hatékonysága.
• Gyorsabb és megalapozottabb döntések: Az MI pillanatok alatt elemez nagy adathalmazokat és adatvezérelt ajánlásokat tesz. A vezetők tényekre támaszkodva, gyorsabban hozhatnak döntéseket, például valós idejű irányítópultok jelzései alapján. Eredmény: nő a reakciókészség a piaci változásokra, elkerülhetők a kései beavatkozások.
• Személyre szabott ügyfélélmény: Az MI képes minden ügyfelet egyénileg kiszolgálni az adatai alapján, többek között ajánlómotorok, intelligens ügyfélszolgálat alkalmazásával. Eredmény: elégedettebb ügyfelek, magasabb megtartás és konverzió - webáruházaknál például a személyre szabott ajánlatok 10-15 százalékkal is növelhetik az értékesítést.
• Innováció és új üzleti lehetőségek: Az MI teljesen új megoldásokat is lehetővé tesz, amire korábban nem volt mód. Ilyen lehet az új termékek fejlesztése MI segítségével, vagy új szolgáltatási modellek kialakítása - a fintech startupok például a kockázatelemzésben használják ki az MI lehetőségeit. Eredmény: aki először lép egy iparágban MI-vezérelt újítással, komoly versenyelőnyt szerezhet.
• Időmegtakarítás: Kutatások igazolják ezeket az előnyöket, az Atlassian felmérése szerint az MI-t rendszeresen használó csapatok sokkal eredményesebbek, például 50 százalékkal kevesebb időt töltenek keresgéléssel, és a vezetőiknek akár 20 százalékkal több idejük marad a stratégiai munkára.

A mesterséges intelligencia bevezetésének kihívásai

• Adatfüggőség és adatminőség: A szakértők gyakran használják a "garbage in, garbage out" szlogent, amely szerint, ha rossz vagy hiányos adatokkal dolgozik az MI, akkor bármilyen okos is, végül rossz következtetéseket von le. A megfelelő adatmennyiség és az adatok pontossága, "tisztasága" tehát alapvetően fontos, ehhez adatgyűjtési és -tisztítási projektek kellenek, ami időigényes lehet. Megoldás: előzetes adatstratégia készítése.
• Szakértelem és erőforrás hiánya: Az MI-projektekhez új típusú munkatársak is szükségesek, többek között adattudósok, MI szakemberek - vagy egy külső partner bevonása oldhatja meg ezt a problémát. Nehézség lehet, hogy a jó szakemberek ritkák és drágák, a cég meglévő IT csapata pedig esélyesen még nem ért a megfelelő mélységben a mesterséges intelligenciához. Megoldás: oktatás, tréning vagy külső tanácsadók bevonása.
• Integráció a meglévő rendszerekkel: A vállalati IT-környezet már az MI-korszak előtt is komplexnek számított. Kihívás, hogy az új MI-eszközök jól kapcsolódjanak össze a régi rendszerekkel, például ERP vagy CRM megoldásokkal. Ez technikai akadályokat jelenthet, szükség lehet külön fejlesztésekre, API-k használatára. Megoldás: fokozatos integráció, lehetőség szerint pilot projektek indítása egy-egy részlegen.
• Kezdeti költségek és ROI-bizonytalanság: Az igazi stratégák tudják, hogy nem szabad kizárólag gyors megtérülés (ROI) alapján számolni bármilyen fejlesztést. Az viszont tény, hogy az MI bevezetése beruházást igényel, többek között az infrastruktúra fejlesztése, szoftverek beszerzése, integrálása, szakértők bevonása terén. A megtérülés épp ezért sokszor nem azonnal jelentkezik, hanem hosszabb távon. Megoldás: az üzleti esettanulmány (business case) alapos kidolgozása és reális elvárások beállítása.
• Változáskezelés és elfogadás: Az újtól szinte mindenki fél, vagy nyíltan, vagy a "lelke mélyén". Az MI-alapú fejlesztésekkel szemben például megjelenhet ellenállás az alkalmazottak részéről - félelem attól, hogy az MI elveszi a munkát, vagy szkepticizmus az eredményeivel szemben. Márpedig az MI is csak olyan hasznos, amennyire a csapat használja, ha ezt a kollégák nem fogadják el, a projekt kudarcot vallhat. Megoldás: szükség van belső kommunikációra, tréningre és arra, hogy bevonjuk az embereket az MI eszközök kialakításába.
• Etikai és jogi kérdések: Nem szabad megfeledkezni az etikai és jogi kihívásokról – az adatvédelemtől kezdve a felelősségi kérdésekig. Ezekről bővebben egy következő cikkben írunk.

Versenyelőny mesterséges intelligenciával – aki időben lép, előnybe kerül

A fentiek alapján jól látható, hogy a mesterséges intelligencia ma már nem csupán kísérleti játszótér, hanem üzleti fegyvertény. Azok a vállalatok, amelyek időben befektetnek az MI-be, jelentős versenyelőnyt szerezhetnek. A hatékony MI-használat gyorsabb működést, jobb döntéseket, személyre szabott ügyfélkiszolgálást tesz lehetővé, ráadásul olyan méretekben, amit emberi erőforrással nem lehet elérni. Így az MI-t alkalmazó cégek lehagyhatják a versenytársaikat a piacon.

De mindez már nem csak lehetőség, de sürgető kihívás is: az MI-versenyben lemaradni veszélyes, hiszen aki most nem kezdi el legalább kísérleti jelleggel integrálni az MI-t a folyamataiba, pár év múlva azt veheti észre, hogy a versenytársai sokkal olcsóbban és hatékonyabban működnek, vagy épp jobb ügyfélélményt nyújtanak. Ugyanakkor fontos az új megoldások okos és etikus bevezetése. Nem érdemes csak divatból, átgondolatlanul mindenhol MI-t erőltetni, ahol viszont látjuk a világos üzleti hasznot, ott határozottan lépjünk. A mesterséges intelligencia olyan, mint annak idején az internet vagy az okostelefonok megjelenése, ahol a korábban belépők és alkalmazkodók hosszú távon behozhatatlan előnyt építettek ki.

Összefoglalva tehát, a mesterséges intelligencia megértése és tudatos alkalmazása kulcsfontosságú lett a modern üzleti életben. Ma már bizonyított, hogy az MI-t használó csapatok hatékonyabbak, a vezetők pedig több időt fordíthatnak a valóban fontos feladatokra – például kreatív stratégiaalkotásra a hatalmas adatmennyiségek feldolgozása helyett. Láthatjuk azt is, hogy mindez felelősséggel jár: az adatok védelme, az etikus működés és a munkatársak bevonása elengedhetetlen.

Azt is láthatjuk, hogy a "Terminátor-félelem" semmilyen szinten nem életszerű. A mesterséges intelligencia nem váltja ki az embereket, hanem új, valóban emberi és kreatív munkához segítheti őket, így okosabban, gyorsabban és nagyobb összefüggéseket látva dolgozhatunk. A sikeres vállalatok pedig azok lesznek, amelyek ezt felismerik és most cselekszenek.

Ha megtapasztalnád az MI üzleti alkalmazásának élvonalát, gyere el a 10. META-INF Day-re 2025. június 4–5-én Budapesten, az Up Rendezvénytérben! Itt hazai és nemzetközi szakértők mutatják be a legújabb trendeket, olyan Atlassian-megoldásokat, mint a Rovo és társai, valamint gyakorlati tippeket, amelyekkel a te csapatod is gyorsabbá, átláthatóbbá és eredményesebbé válhat. Ne maradj le az év legnagyobb Atlassian fókuszú konferenciájáról – találkozzunk az eseményen! Részletek és regisztráció a META-INF Day-re itt!

‍