AI chatbot vs n8n vs egyedi AI ügynök 2026 – Mikor melyik?

A döntés egy mondatban

AI chatbot: ha definiált tudásbázison kell beszélgetős Q&A. n8n / workflow automatizálás: ha determinisztikus, többlépéses üzleti folyamatod van (chat nem kell). Egyedi AI ügynök: ha autonóm, döntéshozó rendszerre van szükség, ami érvelést, eszközhasználatot és integrációkat kombinál.

Ezek nem versengő technológiák - az AI stack különböző rétegei. A legtöbb érett rendszer mindhármat használja.

Mi mit jelent

AI chatbot

Beszélgetős UI egy LLM (GPT-5, Claude, Gemini) tetején. Általában tudásbázison keresztül földelt RAG (retrieval-augmented generation)-rel. Példák: ügyfélszolgálati bot, belső “céges GPT”, dokumentációs Q&A.

Erősség: kiváló UX strukturálatlan kérdésekre. Gyengeség: nem cselekszik, csak válaszol.

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.

Erősség: átlátható, debuggolható, olcsó futtatni. Gyengeség: minden ágat előre meg kell tervezni. Az AI itt “eszköz”, nem az agy.

Egyedi AI ügynök

Autonóm rendszer, ahol az LLM az orkesztrátor. Az ügynök eldönti, melyik eszközt hívja, milyen sorrendben, és mikor álljon le. Frameworkok: LangGraph, CrewAI, OpenAI Assistants API, egyedi kód.

Erősség: open-ended feladatokat kezel, futás közben adaptálódik. Gyengeség: nehezebb debuggolni, drágább üzemeltetni, gondos guardrail-ek kellenek.

Költség-összehasonlítás - 12 havi TCO

Hipotetikus use case: havi 5 000 ügyfél-megkeresés feldolgozása.

Megközelítés	Setup költség	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

A trükk: off-the-shelf az olcsóbb az 1. évben, de az egyedi RAG nagyobb volumennél a 2. évtől már olcsóbb. Részletek: AI chatbot üzleti érték.

Mikor melyiket - döntési mátrix

AI chatbotot válassz, ha:

• Az elsődleges interakció beszélgetős Q&A.
• A tudás nagyrészt szöveges (dokumentumok, GYIK, kézikönyvek).
• A peremeseteket konverzációsan akarod kezelni, anélkül hogy minden variációt kódoljál.
• Volumen közepes-magas (>500 beszélgetés/hó).
• Példák: ügyfélszolgálat, belső helpdesk, termékdokumentáció Q&A.

n8n / workflow automatizálást válassz, ha:

• A folyamat többnyire determinisztikus, tiszta elágazásokkal.
• 5–20 SaaS eszköz között integrálsz (Slack → Notion → Salesforce → e-mail).
• Az LLM egy utility lépés (összegez, kategorizál, kinyer), nem az agy.
• Átláthatóságot és kiszámíthatóságot akarsz - minden futás ugyanúgy néz ki.
• Példák: lead-routing, számla-feldolgozási pipeline-ok, ütemezett riportok.

Mélyebb összehasonlítás: n8n vs LangChain.

Egyedi AI ügynököt válassz, ha:

• A feladat többlépéses érvelést igényel olyan elágazásokkal, amelyeket lehetetlen előre kódolni.
• Az ügynöknek külső API-kat kell hívnia kontextus alapján (DB-lekérdezés → API-hívás → e-mail döntés).
• A hibaköltség mérsékelt-alacsony (ember átnézi az autonóm lépéseket commit előtt).
• A csapat tud befektetni LLM observability-be (Langfuse vs LangSmith).
• Példák: SDR-ügynök (kutatás + outreach), DevOps-ügynök (log-elemzés + javítás), versenytárs-monitoring.

Valós architektúrák, amelyeket szállítottunk

Architektúra 1: hibrid (chatbot + n8n + ügynök)

Egy B2B SaaS support stack:

• Front-line: RAG chatbot a tickets 60%-át megválaszolja a dokumentációból.
• Mid-tier: n8n flow a “számlázás” intent-eket Stripe API-hoz, “feature request”-eket Linear-be irányítja.
• Back-tier: egyedi ügynök mély ticket-triage-ot végez a fennmaradó 5%-on, lekérdezi a vásárló Mixpanel-adatait, GitHub issue-történetét és Slack említéseit kontextus-építéshez.

Eredmény: a support csapat a legnehezebb 5%-ra fókuszál, deflection rate ~75%, havi LLM-költség ~$600.

Architektúra 2: tiszta n8n (chat nélkül)

Logisztikai cég:

• Beérkező rendelési e-mail → n8n parse-ol (LLM-lépés: strukturált adat-kinyerés)
• ERP-vel validál
• Ha érvényes → bejegyzés készül, megerősítő e-mail
• Ha érvénytelen → ops Slack csatorna értesítés

Chat nem kell. n8n flow <2 másodperc alatt fut, ~$30/hó LLM-tokenben. Naponta 3 óra manuális munkát váltott le.

Architektúra 3: tiszta ügynök (autonóm kutatás)

Piacelemző cég kompetitív monitoring ügynöke:

• Napi prompt: “Ellenőrizd, hogy az X, Y, Z versenytársaknak van-e új termékbejelentésük”
• Ügynök: webes keresés → site scraping → LLM-extrakció → diff a tegnapi adattal → Slack digest

Reggelente fut, ~$5/futás, egy junior elemző napi 2 órás feladatát váltja le.

A technológiai stack (2026 áprilisi állapot)

Chatbot:

• Vercel AI SDK vagy LangChain.js orkesztrációhoz
• OpenAI GPT-5 vagy Claude Sonnet 4.6 modell
• Pinecone, pgvector vagy Qdrant vector DB
• RAG Notion / Confluence / Google Drive felett

n8n / workflow:

• n8n self-hosted (vagy Cloud)
• LangChain vagy direkt API-hívás LLM-csomópontokhoz
• ~400 SaaS előre épített integrációval

Egyedi ügynök:

• LangGraph vagy CrewAI
• OpenAI Assistants API vagy Anthropic Claude tool use-szal
• Langfuse observability-hez
• Egyedi tool-funkciók a domain-specifikus akciókhoz

Gyakori hibák

1. “Építsünk ügynököt”, amikor egy chatbot is elég lett volna. Az ügynökök 3–10x drágábbak szállítani és üzemeltetni. Indulj chatbottal; léptesd elő ügynökké, amikor tényleg autonómiára van szükség.
2. Observability kihagyása. Metrikák nélkül (hallucination rate, deflection rate, felhasználói elégedettség) sosem tudod meg, működik-e. Lásd Langfuse vs LangSmith.
3. Az ügynök ír éles rendszerbe ember nélkül. Amíg nem validáltál 1000+ futást, minden state-changing akciónak emberi jóváhagyásra kell várnia.
4. n8n-t választasz, aztán rájössz, hogy chatbot UI is kell. Először a UX-et tervezd; aztán válassz hozzá eszközt.

Hogyan kezdj neki - 4 hetes terv

1. 1. hét - discovery: mappeld a folyamatokat; azonosítsd a top 3 jelöltet volumen × ismétlődés × LLM-alkalmasság alapján.
2. 2. hét - prototípus: építsd meg az egyiket gyors-és-piszkos verzióként. Értéket validálj, nem csiszolást.
3. 3. hét - mérés: definiálj 3 metrikát (deflection, accuracy, futási költség). Élesben futtasd kis közönséggel.
4. 4. hét - döntés: skálázás, leállítás, vagy pivot. A leggyorsabb és legolcsóbb tanulási kör az AI-ban: ship-elj egy v0.1-et.

Ezt a metódust követjük minden AI integráció projektnél.

Gyakori kérdések

Migrálható egy no-code chatbot (Intercom Fin, Zendesk AI) egyedire? Igen - általában 2–4 hetes projekt a tudásbázis átemelése és a beszélgetési logika újra-implementálása. Megéri, ha >2 ezer beszélgetés/hó.

Az n8n production-ready 50 fős cégnél? Igen, $20/hó VPS-en self-hosted. Több ügyfélnél futtatjuk. 500+ főnél nézz a Power Automate vagy egyedi orkesztráció felé.

OpenAI Assistants API-t vagy LangChain-t használjak ügynökhöz? Assistants API gyors prototípushoz (beépített tool use, threadek, file search). LangChain/LangGraph production-höz, ahol teljes kontroll kell state és observability felett.

Mi a legolcsóbb induló megoldás? Egyedi RAG chatbot OpenAI API-ra építve: ~2M Ft fejlesztés, ~80 ezer Ft/hó futtatás közepes volumenre. Ingyenes 30 perces konzultáció: Árajánlatkérő.

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. Nézd meg az AI integráció szolgáltatásunkat vagy foglalj 30 perces ingyenes konzultációt.