Egy marketinges ma már nem feltétlenül vár az elemzőre, ha meg akar érteni egy ügyféladatbázist. A HR-es összerakhat egy egyszerű automatizmust. Az értékesítő maga készíthet első elemzést a számaiból, egy kisvállalkozó pedig olyan feladatokba nyúl bele, amelyekhez korábban külön szakembert keresett volna.
A munkaköri leírás ettől még ugyanaz maradhat.
A valódi munka viszont elkezdett átlépni a szakmák közötti határokon. Ez az MI egyik kevésbé látványos munkaerőpiaci hatása, és karrierszempontból fontosabb lehet annál, hogy milyen új állásnevek jelennek meg.
Már mérhető, hogy más szakmák feladatait végezzük
Az OpenAI 2026 júliusában több mint 800 ezer amerikai ChatGPT-felhasználó munkával kapcsolatos üzeneteit elemezte. A kutatók elkülönítették az általános feladatokat, például az írást vagy összefoglalást, majd azt vizsgálták, hogy a szakmaspecifikus használat mennyire marad a felhasználó saját foglalkozásán belül.
Az eredmény elég látványos. A szakmához köthető üzenetek 43,5 százaléka olyan feladatról szólt, amely hagyományosan más foglalkozáshoz tartozik. A HR-ben dolgozóknál ez 69 százalék, a jogi területen 56, a marketingeseknél 53 százalék volt.
A kutatás amerikai, ezért ebből nem lehet magyar munkaerőpiaci arányokat számolni. A jelenség azonban nálunk különösen érdekes lehet a vállalati szerkezet miatt.
A KSH 2024-es adatai több mint 851 ezer mikrovállalkozást, további 36 ezer kisvállalkozást és közel hatezer középvállalatot mutatnak. Ezekben a szervezetekben eleve gyakori, hogy egy ember többféle szerepet visz.
Az OpenAI adataiban is erősebb volt a munkakörön kívüli MI-használat a kisebb szervezetek felhasználóinál.
A specialistából részben generalista lesz
Képzelj el egy magyar marketingest, aki korábban megkapta a havi értékesítési riportot a pénzügytől. Most feltölti az adatokat egy MI-eszközbe, lekéri a változásokat, keres összefüggéseket, majd ezekből kampányötletet készít.
Ettől még nem lett pénzügyi elemző.
Viszont megtanult elvégezni egy olyan részfeladatot, amely korábban kívül esett a saját munkáján.
Ugyanez működik más irányban is. Egy toborzó egyszerű automatizálást épít. Egy projektmenedzser adatot tisztít. Egy értékesítő kutatási feladatot végez. Egy jogász strukturált dokumentumfeldolgozást rak össze.
Az OpenAI európai munkaerőpiaci keretrendszere is külön kategóriaként kezeli azokat a foglalkozásokat, amelyeknél várhatóan maga a napi feladatmix szerveződik át az MI hatására. A kutatás ezt nem állásvesztési előrejelzésként kezeli.
Karrierszempontból pontosan ez az érdekes.
A következő előnyöd lehet a szomszédos szakma
Sokáig úgy építettünk karriert, hogy egy területen egyre mélyebbre mentünk. Ez továbbra is értékes. Mellé viszont megjelent egy másik lehetőség. Az MI segítségével olcsóbban megtanulhatjuk egy közeli szakma bizonyos feladatait.
Egy marketingesnek nem kell fejlesztővé válnia ahhoz, hogy megértsen egy egyszerű API-kapcsolatot. A HR-esnek sem kell adatelemzői diplomát szereznie ahhoz, hogy rendesen megvizsgáljon egy táblázatot.
A jó cél az a pont, ahol már önállóan el tudsz végezni egy feladatot, de felismered azt is, amikor specialistára van szükség.
Én ezért ma már nemcsak azt nézném egy karriertervben, hogyan lehetek jobb a saját szakmámban. Megnézném a két-három közvetlenül mellette lévő területet is.
Melyik feladatot adod rendszeresen másnak? Mire vársz napokat? Mit szeretnél jobban érteni, amikor megkapod valaki más munkájának eredményét?
Valószínűleg itt található a következő készség, amelyet érdemes megszerezned.
A munkaköri leírásod lehet, hogy csak a következő éves felülvizsgálatkor változik. A tényleges munkád már előbb elkezdhet.
