Az üzleti világ hosszú ideig úgy kezelte az adatot, mint visszapillantó tükröt. A szervezetek megnézték, mi történt tegnap, levontak néhány következtetést, majd jobb esetben finomítottak a kampányon, a sales-folyamaton vagy az ajánlaton. A mai mesterséges intelligenciával támogatott marketingben ennél többről van szó. A predikciós analízis azt a kérdést teszi fel, hogy egy közelgő döntésről mennyi valószínűségi tudás áll rendelkezésre még azelőtt, hogy a döntés megtörténne. Ez a gondolkodásmód a reakció helyére előkészítést tesz. A rendszer már a vásárlás, a lemorzsolódás, az érdeklődés elmélyülése vagy a kapcsolatfelvétel előtt képes jeleket olvasni, ezekből valószínűséget képezni, és javaslatot adni arra, hogy mi legyen a következő értelmes lépés.
Érdemes itt nagyon pontosan fogalmazni. A predikció nem jóslás a hétköznapi értelemben. Nem azt állítja, hogy az üzleti rendszer „tudja”, mit fog tenni az ember. Azt állítja, hogy a korábbi viselkedések, az események sorrendje, az időzítés, a csatorna, a termékérdeklődés és az interakciók együttese alapján megbecsülhető egy közelgő lépés valószínűsége. A becslés aztán döntéstámogatássá válik. A marketinges vagy az automatizmus eldöntheti, hogy érdemes-e megszólalni, milyen tartalommal, melyik ajánlattal, melyik csatornán és milyen gyakorisággal. A predikció üzleti ereje ebből fakad. Segít csökkenteni a súrlódást, javítani az időzítést és takarékosabban bánni a figyelemmel.
A téma jelentőségét az adja, hogy az online marketing mára infrastruktúrává vált. Az e-mail, a remarketing, a CRM, a webanalitika, a chatbotok, az ajánlórendszerek és a hirdetési platformok együtt olyan eseményrendszert alkotnak, amelyben a vállalkozás már jóval többet lát az érdeklődő mozgásából, mint tíz évvel ezelőtt. A kérdés így már nem az, hogy van-e adat. A kérdés az, hogy a szervezet képes-e döntés előtti hasznossággá alakítani az adatot. Álláspontom szerint itt van az AI valódi áttörése a marketingben. Az automatizálás és a személyre szabás ma már alapréteg. Az előrelátó, fegyelmezett, etikusan működtetett döntéstámogatás az, ami valódi versenyelőnyt képes építeni.
„A predikció akkor üzletileg értékes, amikor egy közelgő döntéshez rendel valószínűséget, és a szervezetet arra tanítja meg, mikor kell megszólalni, mikor kell várni, és mivel érdemes segíteni.” – Dajka Gábor
Mi változott az AI-ban, és miért érdekes ez a marketing számára?
A korábbi személyre szabási rendszerek nagy része szabályalapú logikára épült. Ha a felhasználó meglátogatott egy oldalt, kapott egy remarketing hirdetést. Ha kosárba tett egy terméket, kapott egy emlékeztetőt. Ha letöltött egy anyagot, bekerült egy e-mail sorozatba. Ezek a rendszerek a maguk idejében hasznosak voltak, és ma is működnek bizonyos helyzetekben. A korlátjuk abból fakad, hogy egyedi eseményeket kezelnek, miközben a vásárlási vagy döntési szándék sokszor eseménysorokból áll össze. A sorrend, az időköz, a visszatérés, a tartalomfogyasztás mélysége, az ároldalra lépés és a csatornaváltás együtt többet mond, mint bármelyik egyedi jel önmagában.
Az újabb AI-rendszerek ebben hoznak előrelépést. A hangsúly áttevődött az idősoros és szekvenciális mintázatok olvasására. Ez vezet oda, hogy a szervezet egy alakuló szándék valószínűségét kezdi követni, egyetlen eseménynél szélesebb összefüggésben. A marketing számára ennek két közvetlen következménye van. Az első, hogy a következő legjobb lépés meghatározása sokkal pontosabb lehet. A második, hogy a rossz időzítés ára látványosabban mérhető. Egy jól megválasztott üzenet túl korán tolakodó, túl későn felesleges. A predikciós analízis éppen ezt a szűk időablakot próbálja megragadni.
A változásnak van egy adatstratégiai oldala is. A saját ügyfél- és eseményadat felértékelődött. A platformok zártabbá váltak, a sütikhez kötött követés visszaszorult, az adatvédelmi elvárások szigorodtak. Emiatt a vállalkozások egyre inkább rákényszerülnek arra, hogy a saját rendszereikben keletkező adatot szervezzék üzleti tudássá. Ez a fejlemény kifejezetten kedvez a prediktív gondolkodásnak. A saját adaton belül ugyanis a viselkedés időbeli mintázata rendszerint jobban látszik, mint külső, aggregált forrásokból. Aki ezt rendbe teszi, annak a marketingje fokozatosan kevésbé lesz kampánycentrikus, és egyre inkább döntéscentrikussá válik.
Három megközelítés összevetése: magyarázat, előrejelzés és beavatkozási hatás
A predikciós analízis körüli zavar jelentős része abból fakad, hogy sokan összemossák az eltérő kutatási és üzleti kérdéseket. Galit Shmueli klasszikus megkülönböztetése szerint az egyik kérdés az, hogy valamit meg akarunk magyarázni, a másik pedig az, hogy valamit előre akarunk jelezni. A két cél között van átfedés, mégis más logikát kívánnak. A magyarázó modell okokra, összefüggésekre, elméleti értelmezésre törekszik. Az előrejelző modell azt vizsgálja, hogy új megfigyelések esetén mennyire pontosan tud becslést adni. Marketingben ez az eltérés nagyon gyakorlati. Az egyik oldal azt kérdezi, miért vásárol valaki. A másik azt, hogy ki fog valószínűleg vásárolni, mikor, és mit érdemes elé tenni.
A harmadik logika a beavatkozási hatás felől érkezik. Itt már az a kérdés, hogy kinél érdemes egyáltalán lépni. A hajlandósági becslés megmutathatja, kinél magas a vásárlási valószínűség, viszont nem mondja meg biztosan, hogy a marketingtevékenység idézi-e elő a változást. A beavatkozási hatásra építő modellek azt próbálják megbecsülni, hogy egy adott ajánlat, kedvezmény, csatorna vagy kapcsolatfelvétel mekkora többleteredményt hoz a be nem avatkozó állapothoz képest. Marketingben ezért nagy jelentősége van az úgynevezett uplift vagy egyéni kezelési hatás szemléletnek. Ez a gondolkodás a valóban befolyásolható helyzetet keresi, ahol a megszólítás érdemben módosítja a kimenetet.
Gubela és szerzőtársai ezt a logikát több kezelési lehetőséggel vizsgálták marketingkampányokban, és azt mutatták meg, hogy az egyéni kezelési hatás becslése képes javítani a kampányok hatékonyságát. Ebből üzletileg az következik, hogy a predikció valódi értéke gyakran a leginkább befolyásolható döntési pont azonosításában van.
| Megközelítés | Alapkérdés | Tipikus kimenet | Üzleti haszon | Fő tévedés |
|---|---|---|---|---|
| Magyarázó modell | Miért történik valami? | Értelmezett összefüggések | Stratégiai megértés | Összekeverik az előrejelzéssel |
| Előrejelző modell | Mi fog valószínűleg történni? | Valószínűségi becslés, pontszám | Időzítés és priorizálás | Túl nagy bizalmat kap a pontossági mutató |
| Beavatkozási hatás becslése | Kinél érdemes lépni? | Többlethatás, kezelési javaslat | Költséghatékony aktiválás | Összekeverik a puszta hajlandósággal |
E három logika együtt adja a mai prediktív marketing valódi szerkezetét. A magyarázat stratégiai tisztánlátást ad. Az előrejelzés sorrendet ad. A beavatkozási hatás pedig döntést ad arról, kinél és milyen erőforrással van értelme belépni. Szakmai álláspontom szerint az a szervezet érik meg a következő szintre, amely ezt a hármat nem keveri össze.
Miért erős üzletileg a döntés előtti analitika?
Az üzleti előny első forrása az időzítés javulása. A legtöbb kampány azért veszít hatásból, mert a szervezet átlaggal dolgozik. Átlagos időpontban küld e-mailt, átlagos érdeklődési fázisban aktivál, átlagos csatornafeltevésből indul ki. A predikciós analízis ezzel szemben valószínűségi ablakokat keres. A rendszer azt becsüli, hogy az adott ügyfélnél vagy érdeklődőnél mikor sűrűsödnek azok a jelek, amelyek szerint közeledik a következő döntési lépés. Ez lehet demófoglalás, próbaverzió-indítás, áremelkedéssel kapcsolatos érzékenység, újravásárlás vagy lemorzsolódási kockázat. Az üzleti eredmény abból adódik, hogy a beavatkozás üteme közelebb kerül a valós döntési helyzethez.
A második előny az erőforrások takarékosabb felhasználása. A szervezet akkor dolgozik rosszul, amikor mindenkivel ugyanazt teszi. Ilyenkor sok pénz és figyelem megy el olyan emberekre, akik maguktól is megvennék a terméket, vagy éppen biztosan nem reagálnának a megkeresésre. A döntés előtti analitika arra tanít, hogy a megszólítás is költség. Ha a sales-idő, a kedvezmény, az ügyfélszolgálati kapacitás vagy a kampányköltség véges, akkor a szelektív aktiválás nagyobb megtérülést ad, mint a széles szórású jelenlét.
A harmadik előny az ügyfélélmény minősége. Ezt sok cég alábecsüli. A jó predikció nem egyszerűen több konverziót hoz. Azt is eléri, hogy a rendszer kisebb súrlódással és kevesebb tolakodással dolgozzon. Amikor a szervezet túl korán, túl sűrűn vagy rossz ajánlattal lép oda, rövid távon még elérhet némi eredményt, közben bizalmi adósságot termel. A prediktív marketing egyik legjobb tulajdonsága éppen az, hogy segít visszafogni a felesleges aktivitást. A jó rendszer azt is jelzi, mikor kell lépni, és azt is, mikor jobb csendben maradni.
B2B-ben és B2C-ben ez eltérő formában jelenik meg. B2B-ben a következő legjobb lépés gyakran egy köztes állapothoz kapcsolódik: egy szakmai anyag elküldéséhez, egy visszahíváshoz, egy konzultációhoz vagy egy konkrét use case bemutatásához. B2C-ben a döntési ablak rendszerint rövidebb, és több az impulzusjellegű jelzés. A lényeg mindkét esetben ugyanaz: a predikció akkor hoz érdemi üzleti előnyt, ha a megszólítás idejét, tartalmát és csatornáját egyszerre rendezi.
Saját értelmezési keret: a JELF-modell
A téma rendszerezésére a JELF-modellt javaslom. A név négy elemet fog össze: Jelek – Előrejelzés – Lépés – Fék. Ez a keret azért hasznos, mert a prediktív marketing körüli félreértések többsége abból fakad, hogy a szervezetek vagy csak a modellről beszélnek, vagy csak a kampányról. A valóságban a kettő közé mindig beékelődik egy döntési és egy kontrollréteg.
Jelek. Ide tartozik minden olyan esemény és adatpont, amelyből a rendszer tanulni tud. Oldallátogatás, terméknézés, visszatérés, ármegtekintés, e-mail interakció, ügyfélszolgálati jelzés, vásárlási előzmény, demófoglalás, eszköztípus, időbélyeg. A legtöbb vállalat már ezen a ponton hibázik. Hiányos az eseménykatalógus, gyenge az azonosítás, zavaros a csatornaattribúció, nincs egységes definíciója annak, mit jelent egy „érdeklődő” vagy egy „aktív ügyfél”. Predikciót építeni rendezetlen jelrendszerre ritkán bölcs döntés.
Előrejelzés. Ez a modellréteg. Itt készül a hajlandósági pontszám, a lemorzsolódási becslés, a következő legjobb tartalom, ajánlat vagy csatorna javaslata. A fontos szakmai szabály az, hogy az előrejelzés célfüggvénye legyen világos. Egészen más modellt kíván az, ha demófoglalást akarunk előre jelezni, mint az, ha azt keressük, kinek érdemes árkedvezményt adni. Ezen a ponton dől el, hogy a rendszer előrejelző logikával vagy beavatkozási hatás logikával dolgozik-e.
Lépés. Ez a policy-réteg, amelyet a legtöbb szervezet túl keveset tárgyal. A modell javasol, a rendszer viszont döntést hoz. Milyen küszöb felett aktiválunk? Melyik csatorna élvez elsőbbséget? Mekkora időablakon belül küldünk újabb jelzést? Mi a sorrend az e-mail, a telefon, a hirdetés és a tartalmi utánkövetés között? E nélkül a prediktív motor könnyen kampányzajjá válik.
Fék. Ez az etikai, jogi és üzleti kontroll. Ide tartozik a gyakorisági korlát, az érintetlen kontrollcsoport fenntartása, a dokumentált jóváhagyási rend, a tiltólisták, a sérülékeny témák kizárása, az adatkezelési átláthatóság és az auditálhatóság. A predikció ereje miatt a fék megléte nem adminisztratív kérdés. A jó marketingrendszer azért marad fenntartható, mert van benne tudatos visszafogás.
A JELF-modell cégvezetői nyelvre lefordítva azt üzeni: előbb a jelrendszert kell rendbe tenni, utána a modellt, utána a döntési szabályokat, végül a kontrollt. Aki rögtön AI-projektet akar, rendszerint a sorrendet téveszti el.
Bevezetési menetrend: hogyan csináld meg vállalhatóan?
A prediktív marketinget sok szervezet vagy túlmisztifikálja, vagy túl gyorsan akarja bevezetni. A gyakorlatban a legjobb eredményt egy fegyelmezett, több lépcsős megközelítés adja. Első lépésként rögzíteni kell az üzleti kérdést. Milyen eseményt akarunk előre jelezni? Mi számít sikernek? Mekkora időablakban? Ez a szakasz unalmasnak tűnhet, mégis itt dől el az egész projekt minősége. Ha a cél bizonytalan, a modell félre fog tanulni.
A második lépés az eseményadatok rendbetétele. Kell egy egységes eseménykatalógus, jó időbélyegek, használható azonosítási logika és tiszta definíciók. Egy átlagos magyar KKV-nál ez úgy néz ki, hogy a weboldal, a hirdetési fiók, a CRM és az e-mail rendszer külön szigeteket alkot. Ilyen állapotban a predikció rendszerint csalóka eredményt ad. A harmadik lépés egy egyszerű kiinduló modell felépítése. Nem az a jó út, hogy a szervezet az első hónapban bonyolult mélytanuló rendszert próbál üzembe helyezni. Egy jól validált alapmodell sokkal többet ér, mint egy látványos, de rosszul mért rendszer.
A negyedik lépés a döntési szabályok megírása. Pontosan itt válik el a hasznos predikció a felesleges technológiai lelkesedéstől. A modell egy pontszámot ad, a policy viszont megmondja, hogy ez mit jelent a gyakorlatban. Ki kapjon személyes megkeresést? Ki maradjon automatizált gondozásban? Mikor kell megállni? Melyik csatorna az elsődleges? Az ötödik lépés a kontrollcsoport és a visszamérés. Érintetlen kontroll nélkül a szervezet sokszor a saját optimizmusát méri. Látni kell, mi történt volna beavatkozás nélkül is.
Én egy 90 napos bevezetési menetrendet tartok vállalhatónak az első körben:
- Az első 30 nap a célfüggvények, definíciók és eseménykatalógus rendbetételére menjen.
- A következő 30 nap alatt készüljön el az alapmodell és a döntési szabályrendszer első verziója.
- Az utolsó 30 nap legyen tesztidőszak, kontrollcsoporttal, költségoldali számszerűsítéssel és dokumentált tanulságokkal.
Ez a menetrend nem gyors, viszont vállalható. Aki ennél gyorsabban akar áttörést, gyakran csak annyit ér el, hogy egy újabb technológiai réteget tesz rá a régi zavarokra.
Korlátok, félreértések és etikai határok
Az első félreértés az, hogy a jó predikció egyben jó magyarázat is. Ez tévedés. Egy modell lehet üzletileg hasznos akkor is, ha nem tár fel mély oksági összefüggéseket. Ugyanígy lehet intellektuálisan meggyőző egy elemzés úgy is, hogy előrejelzésben gyenge. A második félreértés a pontossági mutatók túlértékelése. A 90 százalék feletti pontosság önmagában semmit nem mond, ha a célosztály ritka, ha rossz az osztályegyensúly, vagy ha a beavatkozás üzleti nettó hatása ismeretlen. A harmadik félreértés az, hogy a több adat automatikusan jobb eredményt hoz. A rosszul címkézett, hiányos vagy össze nem illeszthető adat inkább zavarforrás, mint előny.
Van egy szervezeti félreértés is. Sok cég azt hiszi, hogy a predikciós analízis egy adatcsapat problémája. A valóságban ez több terület együttműködését igényli. Marketing, sales, ügyfélszolgálat, adatkezelés, jog és vezetés egyszerre érintett. Ha csak a technikai oldal fejlődik, a projekt gyorsan falba ütközik. Ha csak az üzleti oldal lelkes, de nincs adatfegyelem, ugyanaz történik.
Az etikai oldalon az uniós AI Act 5. cikke józan figyelmeztetés. A jogszabály tiltja azokat az AI-gyakorlatokat, amelyek manipulatív vagy megtévesztő technikákkal anyagilag vagy magatartásilag torzítják a döntést, illetve kihasználják egyes csoportok sérülékenységét. Ez a marketingre nézve nem azt jelenti, hogy minden prediktív aktiválás gyanús. Azt jelenti, hogy a cél, az eszköz és a hatás arányossága számít. A tisztességes predikció beleegyezésre, átláthatóságra, könnyű leiratkozásra, frekvenciakorlátra és dokumentált felelősségi rendre épül. Ha ez hiányzik, a rendszer rövid távú eredményeket ugyan hozhat, hosszabb távon reputációs és jogi kitettséget épít.
Dajka Gábor tapasztalata szerint a magyar piacon külön gond, hogy sok vállalkozás a predikciós analitikát rögtön értékesítési nyomásfokozó eszközként akarja használni. Ez rövidlátó megközelítés. A legjobb rendszerek ott működnek jól, ahol a predikció a megfelelő pillanatban érkező segítség megszervezésére szolgál. Ez az üzleti eredmény oldaláról is jobb megoldás, mert a bizalommal támogatott konverzió tartósabb, mint a kierőszakolt reakció.
Oktatási és vezetői következtetések
Oktatási szempontból a predikciós analízis azért különösen hasznos téma, mert egyszerre tanít adatgondolkodást, marketingstratégiát és vezetői felelősséget. Az egyetemista ebből megérti, hogy az adat döntési szerkezetben válik értékké. A marketinges megtanulja, hogy a kampánytervezés valószínűségi és költségoldali mérlegelés is. A vezető pedig szembesül vele, hogy az AI-projekt valójában szervezeti projekt.
Vezetőként három kérdést érdemes feltenni minden prediktív kezdeményezés előtt. Az első: milyen konkrét üzleti döntést akarunk jobbá tenni vele? A második: milyen adatból és milyen mérési fegyelemmel állítjuk elő a becslést? A harmadik: milyen kontroll védi a fogyasztót és a márkát a túlkezeléstől? Ha erre a három kérdésre nincs jó válasz, akkor a projekt könnyen technológiai kellékké válhatna, valódi működési érték nélkül.
Van itt egy negyedik, kifejezetten magyar kérdés is. Sok hazai KKV szeretne gyorsan a nemzetközi nagyvállalatok adatvezérelt szintjére ugrani, közben hiányzik az a stratégiai fegyelem, amely nélkül az eszközpark csak költséget termel. Ezért tartom hasznosnak, ha az AI bevezetése előtt a vállalkozás rendet tesz a célcsoport-gondolkodásban, az ajánlat logikájában és a marketingpszichológiai alapokban. Ebben a kontextusban szervesen illeszkedik Dajka Gábor Online marketing és pszichológia című könyve is, mert a technológiai réteg alá szükséges emberi és stratégiai alapokat veszi sorra. Predikciót építeni olyan rendszerre érdemes, amely már eleve tudja, kinek, mikor és milyen ígéretet akar tenni.
A predikciós analízis tehát nem adatipari divatszó, és nem is pusztán automatizálási eszköz. Olyan szervezeti képesség, amely fegyelmezettebbé teszi a marketinget. Aki ezt megérti, az a mesterséges intelligenciát döntési erősítőnek látja. Ez az a nézőpont, amelyből a téma hivatkozható, tanítható és üzletileg is védhető.
Dajka Gábor marketingszakértő, business coach és befektető szerint
Az AI igazi áttörése nem ott van, hogy gyorsabban gyárt szöveget, gyorsabban rak össze riportot vagy olcsóbban automatizál folyamatokat. Az áttörés ott van, hogy időben közelebb visz a döntéshez. A piac ma tele van olyan rendszerekkel, amelyek utólag magyaráznak. Sokkal kevesebb az olyan szervezet, amely döntés előtt képes valószínűséget, fegyelmet és mértéket rendelni a következő lépéshez. Szerintem ez lesz a következő évek egyik valódi választóvonala a marketingben.
Aki ezt jól csinálja, annak a kommunikációja nyugodtabb lesz, a sales-folyamata célzottabb, az ajánlata pontosabb, az ügyfélszerzése takarékosabb. Aki rosszul csinálja, az csak egy újabb zajforrást épít a saját rendszerébe. Ezért a kérdés számomra egyszerű. Nem az a feladat, hogy legyen AI a cégben. Az a feladat, hogy a cég jobb időben, jobb helyen és jobb arányérzékkel tudjon dönteni. Ha a predikció ezt szolgálja, akkor érdemes bevezetni. Ha csak a technológiai önbizalmat növeli, akkor korai volt a beruházás.
Hosszabb távon a piac azokat fogja jutalmazni, akik képesek az adatot tisztelet, mérték és üzleti józanság mellett használni. A jövőben a jobb marketing sokszor nem hangosabb marketing lesz. Inkább pontosabb. Inkább visszafogottabb. Inkább olyan, amely egy lépéssel előbb érkezik, és közben nem veszíti el az emberi arányérzéket.
Szakértő válaszol – gyakori kérdések
Mekkora adat kell ahhoz, hogy egy KKV már értelmes predikciót építsen?
Nincs minden helyzetre érvényes darabszám. A minimumot inkább a szerkezet adja meg. Szükség van értelmezhető eseményadatokra, időbélyegre, használható azonosításra és jól definiált célra. Ha ezek megvannak, már egy egyszerűbb alapmodell is többet érhet, mint a puszta megérzés. Kis adatmennyiségnél különösen fontos, hogy először szűk üzleti kérdésre épüljön a modell, és legyen érintetlen kontrollcsoport a méréshez.
Mi a különbség a hajlandósági modell és a következő legjobb lépés között?
A hajlandósági modell azt becsüli, mekkora valószínűséggel történik meg egy esemény. A következő legjobb lépés ennél tágabb döntési keret. Abban már benne van a csatorna, az ajánlat, az időzítés, a költség és az a szabályrendszer is, amely eldönti, hogy a becslésből legyen-e tényleges akció. A következő legjobb lépés tehát egy döntési architektúra megnevezése.
A magyar piacon hol szokott félremenni egy ilyen projekt?
A magyar piacon gyakori hiba, hogy a vállalkozás túl hamar akar fejlett predikciót, miközben a CRM-logika, az eseménymérés, az ajánlatstruktúra és a célcsoport-meghatározás még rendezetlen. Ilyenkor az AI csak ráerősít a meglévő zűrzavarra. Dajka Gábor tapasztalata szerint sokszor többet ér egy jól kialakított eseménykatalógus és egy fegyelmezett alapmodell, mint egy látványos, de rosszul kontrollált automatizmus.
Hogyan kerülhető el, hogy a predikció tolakodóvá váljon?
Átlátható adatkezeléssel, könnyű leiratkozással, megszólítási gyakoriság korlátozásával, érzékeny témák kizárásával és dokumentált döntési szabályokkal. A jó rendszer aktiválni is tud, és vissza is tudja fogni magát. Ez üzletileg is hasznos, mert a márka iránti bizalom egy rosszul időzített kampány után sokkal lassabban épül vissza, mint ahogy egy túl gyors automatizmus képes lerombolni.
Források
Shmueli, G. (2010). To Explain or to Predict? Statistical Science, 25(3), 289–310. DOI: 10.1214/10-STS330.
https://projecteuclid.org/journals/statistical-science/volume-25/issue-3/To-Explain-or-to-Predict/10.1214/10-STS330.full
Gubela, R. M., Lessmann, S., Stöcker, B. (2024). Multiple Treatment Modeling for Target Marketing Campaigns: A Large-Scale Benchmark Study. Information Systems Frontiers, 26, 875–898. DOI: 10.1007/s10796-022-10283-4.
https://link.springer.com/article/10.1007/s10796-022-10283-4
Regulation (EU) 2024/1689 of the European Parliament and of the Council of 13 June 2024 laying down harmonised rules on artificial intelligence. Hivatalos uniós jogszabályszöveg és a 5. cikk hivatalos összefoglalója.
https://eur-lex.europa.eu/eli/reg/2024/1689/oj
https://ai-act-service-desk.ec.europa.eu/en/ai-act/article-5
