A mesterséges intelligenciáról szóló közbeszéd ma két szélsőség között ingázik: az egyik szerint minden AI lesz, a másik szerint az egész csak átmeneti divat, ami néhány év múlva kifullad. Ha azonban nem napi hírekben, hanem piaci ciklusokban gondolkodunk, egészen más kép rajzolódik ki. Az Elliott-hullámelmélet eredetileg a tőzsdék mozgását próbálta leírni a befektetői pszichológia ismétlődő mintázataival, de gondolkodási keretként sokkal szélesebben alkalmazható. Nem azért, mert az AI-ra ráhúzható valamilyen egzakt számsor, hanem mert segít megérteni: a kollektív lelkesedés, szkepszis, túlfűtöttség és kijózanodás rendre visszatérő állapotok, és ma a mesterséges intelligencia pontosan ezen a pszichológiai pályán halad.
Az Elliott-hullámelmélet szerint a trendek nem egyenes vonalban épülnek, hanem hullámokban: öt hullámból álló impulzív szakasz viszi előre a trendet, majd három hullámból álló korrekció rendezi újra az erőviszonyokat. A hullámok ráadásul fraktálszerűen egymásba ágyazódnak: egy nagyobb emelkedő hullámon belül is ott vannak a kisebb fokozatú felívelések és visszahúzódások. Ha a mesterséges intelligencia 2010 utáni történetét nézzük – a mélytanulás áttörésétől a generatív AI-ig és a jelenlegi adatközpont-építési lázig –, nagyon hasonló pszichológiai struktúra rajzolódik ki.
Ebben a cikkben azt vizsgálom, hol tartunk ma a mesterséges intelligenciában az Elliott-hullámelmélet szerint. Nem azért, hogy grafikonokra rajzolt hullámszámozással próbáljuk megjósolni a következő hírt vagy részvényárfolyamot, hanem azért, hogy stratégiai szinten lássuk: a globális AI-trendben és a magyar piacon éppen milyen fokozatú „hullámban” ülünk. Üzleti döntéshozóknak, befektetőknek, marketingeseknek és egyetemi hallgatóknak szeretnék kapaszkodót adni ahhoz, hogyan gondolkodjanak az AI-ról, ha nem 1–2 évre, hanem egy teljes piaci ciklusra előre terveznek.
Mi az Elliott-hullámelmélet?
Az Elliott-hullámelmélet Ralph Nelson Elliott nevéhez kötődik, aki az 1930-as években részvényindexek és árfolyamgrafikonok hosszú idősorait elemezve arra jutott, hogy a piac nem véletlenszerűen mozog, hanem ismétlődő, szabályszerű hullámstruktúrákat követ. Az elmélet alapja, hogy a befektetők kollektív pszichológiája – optimizmus, kapzsiság, félelem, pánik – ciklikusan váltakozik, és ez jól felismerhető mintázatokat hoz létre az árfolyamokban. Az alapstruktúra egy öt hullámból álló impulzív szakasz (1–5), amely a fő trend irányába halad, majd egy három hullámból álló korrekció (A–B–C), amely részben visszavesz az emelkedésből vagy esésből.
Az impulzív hullámok közül a harmadik hullám általában a leghosszabb és legerősebb, mert ekkorra a piac szélesebb része is felismeri a trendet, a hírek és a narratívák már támogatják, és a tőke erőteljesen áramlik az adott irányba. A második és negyedik hullám ezzel szemben korrekciós jellegű, amikor a szkepszis, a profitrealizálás vagy valamilyen külső sokk részben visszafogja a lendületet. A korrekciós A–B–C struktúra pedig az egész trend átmeneti „kijózanodását” jelenti, mielőtt egy újabb nagyobb fokozatú hullám indulna. Az elmélet fraktális: minden hullámon belül kisebb hullámok azonosíthatók, ugyanazon szabályok szerint.
Fontos azonban kimondani: az Elliott-hullámelmélet nem egzakt tudomány, hanem erősen interpretatív technikai elemzési módszer. A fő kritika, hogy utólag szinte mindig megmagyarázható vele a múlt, de előrejelzésre csak nagyon óvatosan használható, mert a hullámok azonosítása szubjektív. Emiatt a komolyabb szakirodalom ma inkább gondolkodási keretként, nem pedig mechanikus előrejelző eszközként tekint rá. A mostani cikkben is így kezelem: nem azt állítom, hogy az AI „pontosan” így fog mozogni, hanem azt, hogy a hullámelmélet segít rendszerezni a már látható pszichológiai és beruházási ciklusokat.
Pszichológiai hullámok és mesterséges intelligencia
A mesterséges intelligencia fejlődése nem lineáris technológiai görbe, hanem narratívák, várakozások, csalódások és újrakezdések sorozata. A mélytanulás 2012 körüli áttörésekor a szakmai közösségben jelent meg először komolyabb eufória: hirtelen olyan teljesítményszintek váltak elérhetővé képfelismerésben, beszédfelismerésben, gépi fordításban, amelyek addig elképzelhetetlennek tűntek. Ezt követően a nagy technológiai vállalatok fokozatosan integrálták az AI-t termékeikbe, miközben a szélesebb közvélemény még alig érzékelte, mi történik. Ez a szakasz jól illeszkedik egy korai impulzív hullám képéhez, ahol a trendet még főleg a „belső kör” érti és használja.
Később jött egy vegyes időszak: egyes területeken komoly fejlesztések zajlottak, másutt viszont csalódásokról és „mini AI-télről” beszéltek. Sokan úgy gondolták, hogy az AI valójában csak gépi tanulás „új köntösben”, a széleskörű automatizálás és termelékenység-ugrás pedig elmarad. Ez a hullámelmélet szempontjából nagyon hasonlít egy második hullámos korrekcióra: a piac – itt a technológiai és üzleti közeg – részben újraértékeli az első lelkesedés túlzó várakozásait.
2022–2023-ban a generatív AI robbanásszerű térnyerése – nagy nyelvi modellek, képgenerátorok, kódolást segítő rendszerek – új szintre emelte a figyelmet. Az OECD, a Stanford-féle AI Index és több nagy pénzügyi intézmény elemzései szerint az AI ma már nemcsak technológiai, hanem makrogazdasági tényező: az AI-kapcsolt beruházások kézzelfoghatóan hozzájárulnak a GDP-növekedéshez, miközben a termelékenységi statisztikákban egyelőre vegyes a kép. Pszichológiailag ez a harmadik impulzív hullám elejének felel meg: a trend széles körben tudatosul, a média és a döntéshozók napirendjére kerül, a tőke erőteljesen áramlik az új irányba – de még messze vagyunk a végső eufóriától.
Globális AI-trend Elliott-szemmel: melyik hullámban vagyunk?
Ha az AI 2010 utáni pályáját egy nagyobb fokozatú Elliott-struktúraként próbáljuk értelmezni, akkor a következő – leegyszerűsített – szakaszolás adja magát. Az első hullám a mélytanulás szakmai áttörése és korai ipari bevezetése (nagyjából 2010–2016): kutatólaborok, technológiai óriások, néhány úttörő alkalmazás. A második hullám egy szélesebb korrekció a várakozásokban (2017–2021): a hype egy része kifullad, több projekt nem hozza az ígért eredményt, közben azonban csendben épülnek a felhőplatformok, a gépi tanulási ökoszisztéma és az adatvagyon.
A harmadik hullám kezdete 2022–2023-ra tehető, amikor a generatív AI mainstream jelenséggé válik. A tőkeintenzív beruházások, a fejlett országok AI-stratégiái, az OECD és más szervezetek produktivitásról szóló elemzései, valamint a nagy technológiai vállalatok rekordösszegű adatközpont-kiadásai mind azt jelzik, hogy a trend már messze túllépett a kísérleti fázison. J.P. Morgan elemzése szerint az AI-hoz kapcsolódó adatközpont-beruházások önmagukban 10–20 bázisponttal emelhetik a GDP-növekedést egyes fejlett gazdaságokban 2025–2026-ban. Más források szerint 2025-ben az AI-vezérelt adatközpont-kiadások nagyságrendje több száz milliárd dollár, és 2030-ra akár ezermilliárd dollár fölé nőhet.
Elliott-szemmel ez ma egy nagyobb fokozatú harmadik hullám középső szakaszának tűnik: a trend már világos, de a széles körű, minden réteget elérő eufória még nem teljes. Sok vezető egyszerre lelkes és szkeptikus: érzi, hogy az AI elkerülhetetlen, de a megtérülés, a termelékenységi hatás és a kockázatok még rendezetlenek. Én úgy látom, hogy globálisan ma egy „3. hullám eleje–közepe” állapotban vagyunk: a narratíva erős, a tőkeáramlás gyors, de a végső túlfűtöttség és a majdani korrekció még előttünk van.
Kisebb fokozatú hullámok: generatív AI, adatközpontok és minihullámok
Az Elliott-hullámelmélet egyik legérdekesebb eleme a fraktális szerkezet: a nagy trendeken belül kisebb, azonos szabályok szerint működő hullámok jelennek meg. A mesterséges intelligenciában ezt jól látjuk a generatív AI 2022 utáni pályáján. Az első „mini 1. hullám” a nagy nyelvi modellek nyilvános megjelenése és az azonnali felhasználói lelkesedés volt: egyszerű, ingyenes vagy olcsó eszközök, látványos demók, gyors felhasználói növekedés. A „2. hullám” korrekciója akkor jött, amikor a vállalatok rájöttek, hogy a demó még nem egyenlő üzleti integrációval: adatvédelem, minőségbiztosítás, jogi kérdések, belső folyamatok átszervezése.
A „3. hullám” ezen a kisebb fokozaton ma az, amit a nagy technológiai cégek adatközpont-beruházásaiban látunk. McKinsey becslése szerint az AI-hoz kötődő adatközpont-kapacitás kiépítése globálisan több ezermilliárd dollárnyi tőkét igényelhet a következő évtizedben, a lehetséges forgatókönyvek 3,7 és 7,9 ezermilliárd dollár közötti AI-infrastruktúra-beruházást jeleznek. Ezzel párhuzamosan elemzések szerint a nagy technológiai vállalatok 2025-ös AI-kapex várakozásai néhány év alatt 250 milliárd dollárról 400 milliárd dollár fölé módosultak, ahogy a valós kiadások rendre felülírták az előrejelzéseket.
Ez a kisebb fokozatú 3. hullám ma nagyon intenzív, és erős kockázatot is hordoz: több elemzés figyelmeztet arra, hogy az AI-adatközpontokból álló „építési láz” mögött a megtérülés még nem mindenhol bizonyított. Vannak számítások, amelyek szerint 2030-ra az AI-ökoszisztémának évi több ezermilliárd dollár árbevételt kellene termelnie ahhoz, hogy a jelenlegi beruházási pálya fenntartható legyen, miközben a reális bevételi pályák ennél érezhetően alacsonyabbak. Elliott-szemmel ez egy erősen felfelé tartó, de potenciálisan túlfűtött alhullám: az energiapiacokra, ellátási láncokra és pénzügyi szektorra nehezedő nyomás később könnyen egy korrekciós A–B–C struktúrába torkollhat, ha a bevételek és a termelékenységi nyereségek nem zárkóznak fel.
Hol tart Magyarország az AI-hullámban Elliott-szemmel?
Magyarországról nézve az AI-hullám képe eltér a globálistól. A Magyarország Mesterséges Intelligencia Stratégiája 2020–2030 egyértelműen kimondja, hogy az AI-t növekedési, versenyképességi és szuverenitási kérdésként kezeli, és konkrét célokat fogalmaz meg a GDP-növekményre, a vállalati adoptációra, az oktatásra és a kutatás-fejlesztésre. A stratégia szerint a dél-európai régióban – ideértve Magyarországot is – az AI 2030-ra több ezermilliárd forintnyi többlet GDP-értéket hozhat, ha az adaptáció eléri a várt szintet. A kérdés az, hogy a valós vállalati és intézményi gyakorlat hogyan illeszkedik ehhez.
Ma azt látjuk, hogy a magyar AI-ökoszisztéma még csak az első–második hullám határán van. Az első hullámot az elmúlt években létrejött kutatási, fejlesztési és ökoszisztéma-kezdeményezések jelentették: MI Koalíció, egyetemi és ipari együttműködések, pilot projektek a közigazgatásban és egyes iparágakban. A második, korrekciós hullám ott jelent meg, amikor a mindennapi vállalati gyakorlatban sok szervezet rájött: az AI nem „plug and play” eszköz, hanem adatminőséget, szervezetfejlesztést, képzést és új folyamatokat igényel. Ez a kijózanodás egészséges, de könnyen átcsaphat tartós halogatásba.
Dajka Gábor tapasztalata szerint ma a magyar kkv-k jelentős része még csak a „0. hullámnál” tart: az AI egyéni szinten jelen van (egy-két kolléga használ chatbotot, fordítót, szövegírót), de nem létezik szervezeti szintű AI-stratégia, nincs rendszerszintű adatvagyon-kezelés, és a vezetés sokszor nem látja, hogyan lehetne az AI-t beépíteni az üzleti modellbe. A következő 5–7 év ebből a szempontból egy hazai 1–3. hullámos felfutás lehetősége: aki most kezdi el tudatosan építeni az AI-kompetenciát, az a globális 3. hullám érett szakaszában versenyelőnyben lesz, mert a hazai piac egy része még mindig a korai kétségek és halogatás szintjén mozog.
Akcióterv: hogyan gondolkodj AI-ról Elliott-szemmel vállalatvezetőként?
Az Elliott-hullámelmélet önmagában nem mondja meg, mit tegyen egy cég. De ha vállalati döntési szemponttá alakítjuk, nagyon is használható: segít felismerni, hogy a saját AI-stratégiád éppen melyik „pszichológiai fázisban” van, és mi lenne az adekvát lépés. Az alábbi táblázat egy leegyszerűsített akciótervet mutat arra, hogyan lehet a hullámfokozatokhoz igazítani a vállalati magatartást.
| AI-hullámfokozat a cégen belül | Pszichológiai állapot | Gyakorlati fókusz |
|---|---|---|
| „0. hullám” – kívülállás | Érdeklődés, bizonytalanság, halogatás | AI-tudatossági workshopok, alapfogalmak tisztázása, adatvagyon-felmérés, 1–2 alacsony kockázatú pilot kijelölése |
| 1. hullám – korai kísérletezés | Lelkesedés, „nézzük meg, mit tud” hozzáállás | Kis léptékű bevezetés konkrét folyamatokban (ügyfélszolgálat, marketing, riportolás), tanulási ciklusok, belső kompetenciaépítés |
| 2. hullám – kijózanodás | Szkepszis, csalódások, költségérzékenység | ROI-elemzés, folyamatok finomhangolása, adatminőség javítása, sikertelen projektek lezárása, tanulságok beépítése |
| 3. hullám – skálázás | Stratégiai elköteleződés, versenyelőny keresése | Vállalati szintű AI-stratégia, integrált adatplatform, szervezeti átalakítás, AI-képességekre épített új üzleti modellek |
| 4–5. hullám – kifutás / túlfűtöttség | „Mindenről AI szól”, túlköltés kockázata | Fegyelmezett beruházás, felesleges projektek kiszűrése, költség–haszon kontroll, hosszú távon is fenntartható AI-architektúrák |
„Az AI bevezetésének érettségi szakaszai sokkal fontosabbak, mint az, hogy éppen melyik eszközt használod. Ha rossz érettségi szinten vállalsz nagy kötelezettséget, a saját pénzügyi 4–5. hullámodat építed fel, amelyet később egy fájdalmas korrekció követ.” – Dajka Gábor
Vállalati szinten az Elliott-szemlélet abban segít, hogy ne ess bele a két szélsőség csapdájába: se a „mindenre AI-t” gondolkodás nélküli túlköltésébe, se az „inkább megvárom, míg letisztul” bénultságába. A kulcs az, hogy őszintén beazonosítsd, hol tart ma a szervezeted, és ehhez illeszd a következő 12–36 hónap döntéseit. Nem kell egyszerre 3. hullámot játszani, ha valójában még az elsőnél sem tartasz – de az sem reális, hogy a globális trend 3. hullámában még mindig a nulladik fokozatban maradj.
Kockázatok és tévhitek az Elliott-hullámelmélettel kapcsolatban
Az Elliott-hullámelméletet sokan csodafegyverként, mások teljesen használhatatlan módszerként kezelik. A valóság a kettő között van. Kritikusai joggal mondják, hogy a hullámszámozás utólag szinte mindig „ráilleszthető” a múltbeli adatokra, előrejelzésre viszont sokszor bizonytalan. A hullámok fokozatának meghatározása, a korrekciós alakzatok azonosítása nagyfokú szubjektivitást visz a rendszerbe, és könnyű beleesni abba a hibába, hogy minden mozgást utólag sikernek könyvelünk el.
Én ezért nem is úgy tekintek rá, mint valamiféle matematikai törvényre, hanem mint a kollektív pszichológia strukturált leírására. Vállalati és befektetői szinten az a haszna, hogy kényszerít: mindig tedd fel a kérdést, milyen fázisban vagyunk. Első lelkesedés? Kijózanodás? Skálázás? Túlfűtöttség? Korrekció? Ez a gondolatmenet különösen fontos az AI esetében, ahol a technológiai fejlődés gyorsasága könnyen elhomályosítja a pénzügyi és szervezeti realitásokat. Ha csak a technikai demókat nézed, könnyű úgy érezni, hogy minden problémád megoldható. Ha viszont a hullámfázist is látod, sokkal könnyebben tartasz mértéket.
„Az Elliott-hullámelmélet önmagában nem tesz gazdaggá, de segít abban, hogy ne akkor ruházz be a legnagyobbat, amikor mindenki más is a csúcson vásárol. AI-ban ez különösen drága tanulság lehet.” – Dajka Gábor
A legnagyobb tévhit az, hogy egy ilyen elmélet „feloldja” a bizonytalanságot. Nem oldja fel. Az AI jövőjével kapcsolatos bizonytalanság strukturális: függ a szabályozástól, az energiarendszerektől, az oktatástól, a geopolitikától. A hullámelmélet itt annyit tud tenni, hogy emlékeztet: a túlzott optimizmust általában korrekció követi, és fordítva. Ha ezt beépíted a saját döntéseidbe – tartalékképzés, fokozatos bevezetés, mértékletes eladósodás –, akkor nem előrejelzésként, hanem óvatos stratégiai szűrőként használod.
Dajka Gábor marketingszakértő, business coach és befektető szerint
Ha az Elliott-hullámelmélet szemüvegén keresztül nézem a mai mesterséges intelligencia-korszakot, akkor a globális trendet egy nagyobb fokozatú 3. hullámnak látom, a magyar piacot pedig egy korai 1–2. hullámos szakaszban. Ez azt jelenti, hogy világszinten már erős a skálázási nyomás, adatközpontok és AI-infrastruktúrák épülnek példátlan ütemben, miközben Magyarországon még arról vitatkozunk, hogy érdemes-e egyáltalán céges szinten AI-stratégiát készíteni. Ez egyszerre hátrány és lehetőség: hátrány, mert a globális verseny nem vár ránk; lehetőség, mert látjuk, hol hibáznak mások, és tanulhatunk belőle.
Az Online marketing és pszichológia című könyvemben is azt vallom, hogy a technológia önmagában kevés: az nyer, aki érti a mögötte lévő emberi viselkedést. Az AI-hullám pontosan erről szól. Nem az dönti el, hogy ki jár jól, ki rosszul, hogy ki melyik modellt futtatja, hanem az, hogy a vezetők mennyire értenek a saját szervezetük pszichológiájához. Hajlandó-e őszintén szembenézni azzal, hogy ma valójában a „0. hullámban” van, és felépíteni az utakat a 3. hullámig, vagy inkább ráfesti magára a „mi is AI-cég vagyunk” címkét?
„A mesterséges intelligencia nem helyetted gondolkodik, hanem a döntéseid következményeit nagyítja fel. Ha ciklikus rendszerben gondolkodsz, kisebb eséllyel sodor el a következő korrekció.” – Dajka Gábor
Szerintem itt tartunk ma: a technológia fejlett, a narratíva erős, a tőke áramlik, de a valódi versenyelőny még mindig azon múlik, ki tud fegyelmezetten, ciklusokban gondolkodni. A következő 5–10 év arról fog szólni, hogy a cégek közül ki képes végigmenni az 1–3. hullámon – adatokkal, emberekkel, folyamattal – és ki marad a partvonalon. Ha ebben előre akarsz lépni, nem elég AI-eszközt választani; AI-stratégiát kell építeni, amely tudatosan számol a saját hullámaid szerkezetével.
Szakértő válaszol – GYIK
Valóban értelmezhető-e az AI fejlődése Elliott-hullámokkal, vagy ez csak erőltetett párhuzam?
Az AI fejlődését nem lehet mechanikusan Elliott-hullámokra bontani, ahogy egy részvénygrafikont. A hasonlóság abban áll, hogy itt is kollektív pszichológiai ciklusokat látunk: lelkesedés, kijózanodás, skálázás, túlfűtöttség, korrekció. Ezeket az állapotokat az Elliott-hullámelmélet jól leírja, ezért érdemes gondolkodási keretként használni. Nem azért, hogy „megjósoljuk”, mikor jön a következő válság, hanem azért, hogy ne lepődjünk meg, amikor a túlzott optimizmust természetes módon követi egy visszarendeződés. Ha így nézed az AI-t, kevésbé fogsz kapkodni, és jobban tudsz hosszú távra tervezni.
Magyar kkv-ként mikor érdemes belépni az AI „hullámba”?
Magyar kkv-ként már elkéstél, ha azt várod, hogy előbb a piac tisztuljon, a szabályozás véglegesedjen és a nagyok „kipróbálják” helyetted az AI-t. Belépni most érdemes, de nem ész nélkül. Az első lépés az, hogy átlásd, hol tart ma a céged: ha a „0. hullámban” vagy (nincs stratégia, gyenge az adatvagyon, nincs AI-felelős), akkor az első 12 hónap feladata a felkészülés: adatstruktúra rendezése, 1–2 pilot, belső kompetenciaépítés. Nem kell belevágni egyből nagy projektekbe, de halogatni már kockázatos. Aki 5 év múlva kezdi, az egy kiforrott piacon próbál majd helyet találni a már pozíciót szerzett szereplők között.
Befektetőként érdemes-e Elliott-hullámokra támaszkodni AI-részvényeknél?
Befektetőként az Elliott-hullámok önmagukban kevés alapot adnak egy döntéshez, különösen egy olyan szektorban, ahol a fundamentumok (bevétel, profit, beruházások) gyorsan változnak. Hasznos viszont pszichológiai tesztként: ha azt látod, hogy az AI-szektorban minden narratíva a végtelen növekedésről szól, a vállalatok értékeltsége extrém magas, és a kockázatokról már alig beszél valaki, akkor gyanítható, hogy egy 5. hullámhoz közelítesz. Ilyenkor különösen fontos a fundamentális elemzés, a cash flow-k, a mérleg és a valós piaci pozíció vizsgálata. Én az Elliott-szemléletet inkább „vészcsengőként” használnám: ha túl egyirányúvá válik a hangulat, az jelzi, hogy óvatosabbá kell válni.
Miben különbözik az Elliott-hullám megközelítése a Kondratyev- vagy Juglar-ciklusoktól az AI esetében?
A Kondratyev-hullámok hosszú, 40–60 éves technológiai–gazdasági korszakokat írnak le; a Juglar-ciklusok középtávú, 7–11 éves beruházási–konjunktúra ciklusok. Az Elliott-hullám ezzel szemben elsősorban pszichológiai és piaci struktúra: azt vizsgálja, hogyan épül fel egy trend belsőleg impulzusokból és korrekciókból, több fokozaton egyszerre. Az AI-nál a Kondratyev arra jó, hogy megértsük, új korszak közepe vagy eleje felé haladunk; a Juglar arra, hogy milyen beruházási ciklusban ülünk (adatközpontok, GPU-k, szoftverek); az Elliott pedig arra, hogy a hangulat és a narratíva melyik fázisában vagyunk. Egyik sem helyettesíti a másikat, de együtt sokkal tisztább képet adnak a döntéshozónak.
Mit jelent ez a magyar piac értelmezése szempontjából?
A magyar piac ma egy olyan helyzetben van, ahol a globális AI-hullám már erősen felfelé tart, de a hazai adaptáció még csak az első–második hullámnál jár. Ez két dolgot jelent. Egyrészt nagy a lemaradás kockázata: ha az oktatás, az infrastruktúra és a vállalati gyakorlat nem zárkózik fel, a következő globális korrekció után könnyen egy még inkább periférikus pozícióban találhatjuk magunkat. Másrészt viszont jelentős az esély az „okos második lépésre”: látjuk, milyen hibákat követnek el mások, és elvileg el tudnánk kerülni a legdrágább zsákutcákat. Ehhez viszont az kell, hogy a hazai döntéshozók – állami és vállalati szinten is – ne csak dokumentumok szintjén, hanem végrehajtásban is komolyan vegyék az AI-stratégiát.
Ajánlott magyar videók/podcastok
Az alábbi magyar nyelvű podcast-rész beszélgetésként, gazdasági nézőpontból járja körül, hogy az AI mennyire ígéret, mennyire valóság a gazdaságban – jól illeszkedik az Elliott-szerű ciklikus gondolkodáshoz is:
Források
Investopedia – Elliott Wave Theory: What It Is and How to Use It
OECD (2024): The impact of Artificial Intelligence on productivity, distribution and growth
