Agentic üzenetküldés: 21%-kal kevesebb leiratkozás

A legtöbb pénzügyi alkalmazás ugyanabba a hibába fut bele: túl sokat kommunikál, rossz időben, rossz hangon. A felhasználó pedig nem “finoman jelzi”, hanem megnyomja a leiratkozás gombot, letörli az appot, vagy egyszerűen ignorál mindent. Ez nem csak marketingkérdés. Ez retenciós és bizalom kérdés.

Egy friss, 2025-ös iparági kutatás egy pénzügyi szolgáltató appban azt mérte, hogy mi történik, ha a szokásos, szabályalapú kampánylogikát (BAU) agentic, adaptív üzenetküldésre cserélik. Két hónapos randomizált kontrollált kísérletben az agent-alapú megközelítés 21%-kal csökkentette a leiratkozásokat, és korábbi konverziót (adóbevallás korábbi leadását) hozott a határidő előtti hetekben.

Én ezt a tanulságot vinném tovább: az AI nem attól lesz hasznos, hogy “okos”, hanem attól, hogy fegyelmezetten szabályozza az interakció intenzitását. Ugyanez a logika a kampányokban, a banki ügyfélszolgálatban — és meglepően sok ponton az egészségügyben is működik.

Mit jelent az, hogy „agentic” üzenetküldés?

Az agentic üzenetküldés lényege: nem előre rögzített kampányszabályok futnak, hanem egy döntéshozó rendszer felhasználónként mérlegeli, mikor, mit és milyen gyakran érdemes kommunikálni.

A klasszikus, szabályalapú kampány (BAU) tipikusan így néz ki:

• „Ha december van, küldj 3 emlékeztetőt az adóbevallásra.”
• „Ha a felhasználó nem kattintott, küldd újra más tárggyal.”
• „Ha 7 napja inaktív, küldj reaktiváló push-t.”

Az agentic megközelítés ezzel szemben dinamikusan kezeli a döntéseket:

• Mennyire terhelt most a felhasználó? (korábbi interakciók alapján)
• Kinek elég egy emlékeztető, és kinek kell több?
• Mikor nő a leiratkozás kockázata?
• Mikor a legvalószínűbb, hogy a következő lépést megteszi?

Egymondatos definíció, amit szeretek: az agentic üzenetküldés olyan AI-vezérelt kommunikáció, amely a felhasználó reakciói alapján „visszavesz vagy rátesz”, és ezzel egyszerre védi a bizalmat és gyorsítja a konverziót.

Ez azért kulcs, mert a legtöbb szervezet a konverziót hajtja — és közben észrevétlenül elégeti a retenciót.

Mit talált a 2025-ös kísérlet? (és miért számít)

A vizsgált pénzügyi app a 2025-ös nemzeti adóbevallási időszakban futtatott egy két hónapos randomizált kontrollált kísérletet. Az összehasonlítás két verzió között történt:

• BAU szabályalapú kampányrendszer
• Agent-led (agentic) üzenetküldés

Két fő eredményt mértek:

1. Leiratkozások (unsubscribe)
2. Konverziós időzítés (mikor adja le a felhasználó a bevallást)

21%: ennyit ér a „kevesebb, de jobb” kommunikáció

Az agent-led messaging 21%-kal csökkentette a leiratkozási eseményeket a BAU-hoz képest (a publikált eredmény szerint nagyon szűk hibahatárral).

Ez nem apróság. A leiratkozás több, mint egy KPI:

• azt jelzi, hogy a kommunikáció túl agresszív vagy irreleváns;
• csökkenti a későbbi upsell/cross-sell lehetőséget;
• növeli a fizetett csatornák költségét (mert organikus elérés helyett újra „meg kell venni” a figyelmet);
• és hosszabb távon rombolja a márkát.

A pénzügyi szektorban a bizalom amúgy is törékeny. Egy rosszul ütemezett push pont azt az érzést kelti, hogy „figyelnek rám, de nem értenek”.

Korábbi konverzió: a határidő előtti hetek értéke

A kísérlet másik fontos eredménye, hogy az agentic rendszer növelte a korai teljesítést a határidőt megelőző hetekben. Ez üzletileg azért erős, mert:

• csökkenti a határidő előtti ügyfélszolgálati csúcsokat;
• mérsékli a rendszerterhelést;
• és javítja az ügyfélélményt (kevesebb stressz, kevesebb „utolsó pillanatos” hiba).

Van itt egy általános tanulság: az AI akkor jó, ha nem csak több konverziót hoz, hanem jobb konverziós időzítést is. A cashflow, a kapacitástervezés és a kockázatkezelés mind profitál belőle.

Mi a párhuzam az egészségüggyel? Meglepően sok.

A kampány témája „Mesterséges intelligencia az egészségügyben”, és szerintem teljesen jogos a kérdés: mi köze egy adóbevallási push-kampánynak a betegkommunikációhoz? A válasz: a viselkedésformálás mechanikája közös.

1) Adherencia = retenció, csak nagyobb a tét

A pénzügyi appban a cél: ne iratkozz le, csináld meg időben a feladatot. Az egészségügyben a cél: tartsd be a terápiát, menj el a kontrollra, szedd be a gyógyszert.

Mindkettőnél ugyanaz a probléma:

• túl gyakori emlékeztetők → ellenállást váltanak ki;
• túl ritka emlékeztetők → elfelejtődik;
• rossz időzítés → irritáció;
• irreleváns tartalom → bizalomvesztés.

Agentic logikával a rendszer képes arra, hogy a beteg/felhasználó reakcióiból tanulva csökkentse a „kommunikációs zajt”, és a kritikus pillanatokban legyen jelen.

2) Döntéstámogatás a frontvonalon: nem több adat kell, hanem jobb ritmus

Egy klinikusnak nem az segít, ha naponta 20 új riasztást kap. Az segít, ha a rendszer:

• kiszűri a rutint,
• felismeri a kockázati mintákat,
• és csak akkor szól, amikor a cselekvés valószínű és értelmes.

A pénzügyi kísérlet üzenete (szó szerint) ugyanez: az intenzitás szabályozása a hatás fele.

3) Interfész és hangnem: az AI „stílusa” klinikai kimenetelt is befolyásol

Az agentic üzenetküldés nem csak arról szól, hogy küldünk-e üzenetet, hanem arról is, hogy milyen tónusban és milyen elvárással.

Egészségügyben ez különösen kényes:

• egy túl direkt üzenet szégyenérzetet válthat ki;
• egy túl lazára vett hangnem csökkentheti a komolyságot;
• a rosszul választott időpont (munka közben, este későn) ellenállást szül.

A jó AI-vezérelt kommunikáció nem „nyom”, hanem terel. Én ezt tartom etikusnak és hatékonynak is.

Hogyan alkalmazd a tanulságokat banki/pénzügyi termékben?

Az alábbi lépések kifejezetten a „Mesterséges intelligencia a pénzügyi és banki szektorban” sorozat logikájába illenek: gyakorlati, mérhető, kockázatérzékeny.

1) Ne a kattintás legyen az egyetlen cél — mérd a „kár” mutatókat is

Ha AI-alapú személyre szabást vezetsz be, a célfüggvénybe tedd bele:

• leiratkozás valószínűsége,
• push tiltás / e-mail spam jelölés,
• hosszú távú aktivitás,
• ügyfélszolgálati megkeresések változása.

Állítás: az a rendszer, ami csak rövid távú konverzióra optimalizál, hosszú távon drágítja az ügyfélszerzést.

2) Vezess be „frekvencia-korlátot” egyéni szinten

A BAU kampányok jellemzően globális frekvenciakorlátot használnak (pl. heti 3 push). Az agentic megközelítés erőssége az, hogy ezt személyre szabja:

• Aki reagál, annak elég kevesebb.
• Aki halogat, annak lehet több — de óvatosan, és csak addig, amíg nem nő a leiratkozási kockázat.

Praktikusan: legyen egy „kommunikációs büdzsé” felhasználónként, ami dinamikusan változik.

3) Optimalizáld a konverzió időpontját, ne csak a tényét

Pénzügyi termékben rengeteg folyamatnak van határidő- vagy kapacitáscsúcsa:

• hiteligénylés dokumentum-bekérés,
• KYC frissítés,
• biztosítási évforduló,
• adózási határidők.

Az agentic üzenetküldés akkor ad nagy értéket, ha a cél az: előrébb hozni a cselekvést a csúcs előtti hetekre.

4) A/B teszt helyett RCT szemlélet: így lesz ebből valódi bizonyíték

A kutatás egyik erős pontja a randomizált kontrollált felépítés. A pénzügyi és banki AI bevezetéseknél én is ezt erőltetem:

• előre definiált primer metrikák,
• hosszabb futás (nem 3 nap),
• szegmentált elemzés (új vs. régi ügyfél, kockázati csoportok),
• és „stop loss” szabályok, ha elszáll a leiratkozás vagy panasz.

Gyakori kérdések, amik ilyenkor felmerülnek

„Ez nem manipuláció?”

Ha a cél a felhasználó érdekeivel egy irányba mutat (pl. határidő betartása, büntetés elkerülése, egészségügyi kontroll), akkor ez viselkedéstámogatás. Manipuláció ott kezdődik, amikor a rendszer a szervezet célját a felhasználó kárára erőlteti.

„Mi kell hozzá adatoldalon?”

Nem varázslat: eseménylogok (megnyitás, kattintás, konverzió), kommunikációs előzmények, időbélyegek, csatornapreferenciák. A trükk inkább az, hogy jó döntési keretet építs, és ne fulladjon bele a modell a saját komplexitásába.

„Mikor érdemes bevezetni?”

Ha már van rendszeres, többcsatornás kommunikációd (push/e-mail/in-app), és a leiratkozás vagy inaktivitás üzletileg fáj, akkor tegnap. Különösen 2025 végén, amikor a felhasználók türelme a túlkommunikálásra látványosan csökken.

Merre érdemes továbbmenni 2026 felé?

A tanulság számomra kristálytiszta: az agentic személyre szabás nem csak „több eladás”, hanem egy módszer arra, hogy a digitális csatornák emberibb ritmusban működjenek. A pénzügyi szektorban ez retenciót, bizalmat és jobb kapacitáskezelést ad. Az egészségügyben ugyanez a mechanika betegtartást, jobb adherenciát és kevesebb „riasztásfáradtságot” jelent.

Ha a szervezeted AI-t épít kommunikációra vagy döntéstámogatásra, én egy dologhoz ragaszkodnék: a modell ne csak azt tanulja meg, hogyan „nyerjen” egy interakcióban, hanem azt is, hogyan ne veszítsen el egy kapcsolatot.

Ha szeretnéd, segítek egy rövid, mérhető bevezetési tervet összerakni: milyen metrikákkal, milyen kísérleti dizájnnal, és hol vannak a tipikus buktatók banki és egészségügyi környezetben. Te hol érzed most a legnagyobb „kommunikációs túlterhelést”: ügyfélszolgálat, marketing, vagy kötelező admin folyamatok?