A döntés egy mondatban
Az AI chatbot akkor jó, ha definiált tudásbázison kell beszélgetős Q&A-t adnod. Az n8n vagy más workflow-eszköz akkor, ha determinisztikus, többlépéses üzleti folyamatod van, amihez nem kell chat-felület. Egyedi AI ügynök akkor, ha autonóm, döntéshozó rendszerre van szükséged — érveléssel, eszközhasználattal és integrációkkal.
Ezek nem egymással versengő technológiák, hanem az AI stack különböző rétegei. A legtöbb érett rendszer mind a hármat egyszerre használja — más feladatra. A kérdés nem az, hogy „melyik a jobb”, hanem az, hogy a konkrét munka melyik rétegre esik.
Ez a cikk három dimenzión megy át: mit jelent ezekben a kategóriákban gondolkozni, mennyibe kerül 12 hónapra előre, és milyen architektúrákat szállítottunk valós magyar és európai ügyfeleknek. AI integráció szolgáltatásunk ezt a három réteget kombinálja egy döntéshozható ajánlatban.
Mi mit jelent
AI chatbot
Beszélgetős UI egy LLM (GPT-5, Claude Sonnet 4.6, Gemini 2.5) tetején. Általában tudásbázison földelt RAG (retrieval-augmented generation)-rel. Tipikus felhasználás: ügyfélszolgálati bot, belső „céges GPT”, dokumentációs Q&A.
n8n (vagy Make, Zapier, Power Automate)
Vizuális workflow eszköz: trigger → 1. lépés → 2. lépés → n. lépés. Minden lépés determinisztikus node — HTTP-hívás, adatbázis-lekérdezés, e-mail küldés. LLM-lépés beágyazható, de az orkesztráció előre van kódolva.
Egyedi AI ügynök
Autonóm rendszer, ahol az LLM az orkesztrátor. Az ügynök eldönti, melyik eszközt hívja, milyen sorrendben, és mikor álljon le. Tipikus frameworkok: LangGraph, CrewAI, OpenAI Assistants API vagy direkt Claude tool use-szal írt egyedi kód.
Költség-összehasonlítás — 12 havi TCO
Hipotetikus use case: havi 5 000 ügyfél-megkeresés feldolgozása. Az alábbi sávok valós, 2026 első negyedévi magyar és európai projektjeink költségátlagai, áfa nélkül.
| Megközelítés | Setup | Havi futási költség | 1. év össz |
|---|---|---|---|
| Off-the-shelf chatbot (Intercom Fin, Zendesk AI) | 400k–1,2M Ft | 200k–800k Ft | 2,8M–10,8M Ft |
| Egyedi RAG chatbot (egyszer megépített) | 3,2M–10M Ft | 80k–320k Ft | 4M–14M Ft |
| n8n workflow (chat UI nélkül) | 1,2M–4M Ft | 20k–120k Ft | 1,6M–5,6M Ft |
| Egyedi AI ügynök (autonóm) | 6M–24M Ft | 160k–800k Ft | 8M–34M Ft |
Mikor melyiket — döntési mátrix
Az alábbi három blokk az igazi szétválasztó: ha a felsorolás többségére igent mondasz, a hozzá tartozó megközelítés a kiindulópontod.
- Az elsődleges interakció beszélgetős Q&A.
- A tudás nagyrészt szöveges (dokumentumok, GYIK, kézikönyvek).
- A peremeseteket konverzációsan szeretnéd kezelni — minden variációt nem akarsz előre lekódolni.
- Volumen közepes-magas, >500 beszélgetés/hó.
- Példák: ügyfélszolgálat, belső helpdesk, termékdokumentáció Q&A.
- A folyamat többnyire determinisztikus, tiszta elágazásokkal.
- 5–20 SaaS-eszköz között integrálsz (Slack → Notion → Salesforce → e-mail).
- Az LLM utility lépés (összegez, kategorizál, kinyer), nem az agy.
- Átláthatóság és kiszámíthatóság a fő szempont.
- Példák: lead-routing, számla-feldolgozás, ütemezett riportok.
- A feladat többlépéses érvelést igényel olyan elágazásokkal, amiket nem lehet előre lekódolni.
- Az ügynöknek külső API-kat kell hívnia kontextus alapján (DB → API → e-mail).
- A hibaköltség mérsékelt-alacsony — ember átnézi a lépéseket commit előtt.
- A csapat tud befektetni LLM observability-be.
- Példák: SDR-ügynök, DevOps log-elemző, versenytárs-monitoring.
Mélyebb tooling-szintű szétválasztás: AI integráció szolgáltatás oldalon szedjük szét a stack döntéseket framework-szinten (LangGraph vs. CrewAI vs. OpenAI Assistants API).
Valós architektúrák, amelyeket szállítottunk
Három, 2025-ben és 2026 elején élesedett rendszer. Nem hipotetikus keretek — éles ügyfélnél futó, számlázott projektek.
Chatbot + n8n + ügynök
B2B SaaS support
- Front-line: RAG chatbot — a tickets 60%-át megválaszolja dokumentációból.
- Mid-tier: n8n flow — billing intent → Stripe API, feature request → Linear.
- Back-tier: egyedi ügynök — ticket-triage, Mixpanel + GitHub + Slack kontextus.
~75% deflection, ~$600/hó LLM
Workflow chat nélkül
Logisztika
- Beérkező rendelési e-mail → n8n parse-olja LLM-lépéssel.
- ERP-vel validál. Érvényes → bejegyzés + visszaigazolás.
- Érvénytelen → ops Slack csatorna értesítés.
<2 mp/futás, ~$30/hó, napi 3 óra manuális munkát váltott le
Autonóm versenytárs-monitoring
Piacelemzés
- Napi prompt: új termékbejelentések X, Y, Z versenytársaknál.
- Ügynök: webes keresés → site scraping → LLM-extrakció → diff.
- Slack digest reggelente.
~$5/futás, junior elemző napi 2 órás munkáját váltja le
A technológiai stack — 2026 áprilisi állapot
A kiválasztott tooling 2026 elején stabil. Az LLM-modellek 6–9 havonta ugranak (GPT-5 → GPT-5.5, Claude Sonnet 4.6 → Sonnet 4.7), de a framework-választás évekig elkíséri a projektet.
Chatbot stack
- Vercel AI SDK vagy LangChain.js orkesztrációhoz
- OpenAI GPT-5 vagy Claude Sonnet 4.6 modell
- Pinecone, pgvector vagy Qdrant vektor DB
- RAG Notion / Confluence / Google Drive felett
n8n / workflow stack
- n8n self-hosted (vagy Cloud)
- LangChain vagy direkt API-hívás LLM-csomópontokhoz
- ~400 SaaS előre épített integráció
Egyedi ügynök stack
- LangGraph vagy CrewAI
- OpenAI Assistants API vagy Anthropic Claude tool use
- Langfuse az observability-hez
- Egyedi tool-funkciók domain-specifikus akciókhoz
A toolinghoz hozzátartozik a megfigyelhetőség. A Langfuse vs LangSmith összehasonlítás mindkét rendszert szétszedi production-ready szempontból.
Gyakori hibák
- „Építsünk ügynököt”, amikor egy chatbot is elég lett volna. Az ügynökök 3–10× drágábbak szállítani és üzemeltetni. Indulj chatbottal; léptesd elő ügynökké, amikor tényleg autonómiára van szükség.
- Observability kihagyása. Hallucination rate, deflection rate és felhasználói elégedettség nélkül sosem tudod meg, működik-e egyáltalán a rendszer.
- Az ügynök ír éles rendszerbe ember nélkül. Amíg nem validáltál legalább 1000 futást, minden state-changing akciónak emberi jóváhagyásra kell várnia.
- n8n-t választasz, aztán rájössz, hogy chat-UI is kell. Először a UX-et tervezd; aztán válassz hozzá eszközt.
Hogyan kezdj neki — 4 hetes terv
A leggyorsabb és legolcsóbb tanulási kör az AI-ban: ship-elj egy v0.1-et. Ezt a struktúrát követjük minden új AI integráció projektnél.
Gyakori kérdések
Migrálható egy no-code chatbot (Intercom Fin, Zendesk AI) egyedire?
Igen. Tipikusan 2–4 hetes projekt: a tudásbázis átemelése és a beszélgetési logika újra-implementálása. Megéri váltani, ha már havi 2 ezer beszélgetést meghaladja a volumen.
Az n8n production-ready 50 fős cégnél?
Igen, $20/hó VPS-en self-hosted is bírja. Több ügyfélnél ezt futtatjuk. 500+ főnél már Power Automate vagy egyedi orkesztráció felé érdemes nézni.
OpenAI Assistants API-t vagy LangChain-t használjak ügynökhöz?
Assistants API gyors prototípushoz — beépített tool use, threadek, file search. LangChain vagy LangGraph production-höz, ahol teljes kontroll kell state és observability felett.
Mi a legolcsóbb induló megoldás?
Egyedi RAG chatbot OpenAI API-ra építve: ~2 millió Ft fejlesztés, ~80 ezer Ft/hó futtatás közepes volumenre. 30 perc ingyenes konzultáció után tudunk pontos ár-tartományt adni.
Hogyan döntsem el, melyik réteget kezdjem először?
Ha az ügyfeleidnek napi szinten ugyanazokra a kérdésekre kell válaszolnia, kezdj chatbottal — leggyorsabb látható ROI 4–8 héten belül. Ha a fő fájdalom belső, repetitív folyamat (lead-routing, számlafeldolgozás, riport-generálás), n8n / Make.com a kiindulás. Ügynököt csak akkor építs először, ha a feladat tényleg nem írható le determinisztikus szabályokkal és a hibatűrés magas — ez a magyar KKV-k 10–15%-ára igaz.
Mit jelent „production-ready” egy AI ügynök kontextusában?
Öt elem. (1) Observability: minden lépés logolva (LangSmith, Langfuse). (2) Guardrails: tool-hívás csak ember-jóváhagyással kritikus akciókra. (3) Fallback: ha az LLM provider down, a rendszer tudjon manuális mode-ra váltani. (4) Cost-monitoring: havi token-budget, anomália-riasztás. (5) Audit-trail: 6 hónap visszamenőlegesen reprodukálható. Ezek nélkül nem ügynök, csak prototípus.
Hogyan migráljak n8n-ről egyedi ügynökre, ha kinőjük?
Tipikusan 4–8 hetes projekt. (1) Az n8n workflow-okat dokumentumáljuk: input, output, lépések, döntési pontok. (2) A determinisztikus részeket átírjuk Python / TypeScript backend service-re. (3) A nemdetermisztikus döntési pontokra LangGraph alapú ügynök kerül. (4) Az n8n marad az integrációs rétegnek (Slack, Notion, e-mail) — ezt nem kell újraírni. A teljes átállás 60–80%-ban kód-újraírás, 20–40% n8n-tartás.
Konklúzió
AI chatbot, n8n vagy egyedi ügynök nem „melyik eszköz” kérdés — hanem „hogyan néz ki a munka” kérdés. Beszélgetős és strukturálatlan? Chatbot. Kiszámítható többlépéses? n8n. Open-ended autonóm érvelés? Ügynök. A legtöbb production rendszer mindhármat használja, csak más rétegen. AI integráció szolgáltatásunk ezt a három réteget kombinálja egy döntéshozható ajánlatban — 30 perc ingyenes konzultáció.
