AI & Automatizálás
250 nap, 30–40%-kal kevesebb ráfordítás — Hogyan automatizáltuk egy európai labordiagnosztikai vállalat üzletkritikus szűrővizsgálati rendszerét AI-jal?
Hogyan lett egy több száz fős, néhol még papíron futó üzemi szűrővizsgálati folyamatból strukturált, kereshető, auditálható rendszer — és hol adott az AI valódi versenyelőnyt a tervezéstől a kódig.
A foglalkozás-egészségügyi vizsgálatok Magyarországon évtizedek óta szigorúan szabályozott területet alkotnak. A 33/1998. (VI. 24.) NM rendelet határozza meg a munkaköri alkalmassági vizsgálatok rendjét. Bár 2024 szeptemberétől a főszabály szerint megszűnt az általános kötelező orvosi alkalmassági vizsgálat, a valóság ennél árnyaltabb: miniszteri rendeletek sora jelöli ki azokat a munkaköröket — a veszélyes gépek kezelőitől az élelmiszeripari dolgozókig —, ahol a vizsgálat kötelező maradt.
Egy több száz fős ipari szervezetnél ez a kötelezettség nem egyszeri feladat, hanem folyamatosan ismétlődő operatív ciklus: időzítés, behívás, laboreredmény-kezelés, alkalmassági vélemény, dokumentálás. És mindez évente, munkakörönként akár sűrűbben is.
A régi folyamat rengeteg kézi munkával járt, néhol még papíralapú laborlapokkal. Beküldött vér- és vizeletminták, majd PDF-ben visszaérkező eredmények, amelyekben az üzemorvos egyesével kereste a határértéket túllépő, csillaggal jelölt sorokat. Egy-két embernél ez kézzel is kezelhető. Több száz dolgozónál nem.
A fő tét világos volt: a rendszer pontosan azt a folyamatot képezze le, ahogy egy üzemorvos valóban dolgozik — miközben a manuális munka nagy része lekerül a válláról.
A Glosternél a legacy rendszerek modernizációjától az egyedi fejlesztésekig sokféle projektet viszünk, és egyre több agentic AI toolt vonunk be. Az európai labordiagnosztikai vállalat projektje nem migráció volt, hanem zöldmezős, egyedi fejlesztés: nem egy régi kódbázist írtunk át, hanem egy sok kézi munkával futó, néhol papíralapú folyamatot digitalizáltunk.
A cél egyetlen, végig követhető folyamat volt, így néz ki egy csoportos vizsgálat útja:
Egy elv itt kulcsfontosságú: az eredmények pontosan úgy, abban a mértékegységben jelennek meg, ahogy a labortól érkeztek. Nincs konverzió, nincs átszámítás. A validált labor-érték az egyetlen forrás — ez a klinikai megbízhatóság és az auditálhatóság alapja.
A mintavétel automatizálása önmagában is időt spórol, de a valódi érték a nyers labor-adatokban van. Mivel ezeket közvetlenül kapjuk meg, több szinten is átláthatóvá tesszük őket:
Tehát nem csak az a kérdés, hogy most éppen mennyi valakinek egy értéke, hanem hogy merre tart, és hány emberre igaz ugyanez egy üzemen belül. Az üzemorvos ott tud beavatkozni, ahol tényleg szükség van rá.
A háttérrendszer .NET-ben, Entity Framework-kel készült, a webes frontend Angularban. A mintaedények címkézését Zebra nyomtató végzi, az adatbázis relációs — a végső döntés PostgreSQL lett. A labor rendszerével biztonsági okokból nem közvetlenül integrálódunk, ami a betegadatok kezelése szempontjából tudatos architekturális döntés volt.
Az AI két ponton kapott szerepet a projektben, de az igazán érdekes a tervezés volt.
A prototípusokat Figma AI-jal generáltuk. Így gyorsan elő tudtuk állítani a mintavételi folyamatnak megfelelő képernyőket, amelyeket még a fejlesztés előtt, illetve a legelején validáltunk az üzemorvosokkal. Ők értik igazán a folyamatot, így a visszajelzéseik alapján az ügyfél tényleges igényeire szabhattuk a felületet. A folyamat megértésében és modellezésében adta ez a legnagyobb segítséget — nem a kód legyártásában.
A tényleges frontend és backend kódot ezután Claude-dal generáltuk. Itt is érvényes a human-in-the-loop szemléletünk: zöldmezős projektnél is emberé marad a felelősség és a validáció, a generált kód nem kerül felügyelet nélkül a rendszerbe.
Az AI itt nem a fejlesztőt váltotta ki, hanem a tervezés és a közös gondolkodás ciklusát rövidítette le.
Az európai labordiagnosztikai vállalat projektje jól mutatja, hogy az agentic AI nem csak legacy modernizációban hoz érdemi gyorsítást. Zöldmezős, egyedi fejlesztésnél is valódi versenyelőny, különösen ott, ahol a folyamat pontos megértése a kritikus tényező.
A különbség számokban is mérhető: a fejlesztés összesen nagyjából 250 munkanapból állt össze. AI nélkül a becslésünk szerint 330–350 nap lett volna ugyanez — 30–40%-kal több ráfordítás ugyanarra az eredményre.
A papíralapú folyamat helyét strukturált, kereshető, auditálható adat vette át. A rendszer következő verziói pedig már túlmutatnak a vér- és vizeletmintákon: a roadmapen környezeti minták, levegő- és talajvizsgálat feldolgozása is szerepel.
Ami az üzemorvos számára valójában számít, az nem maga a rendszer — hanem hogy most már látja, hol kell beavatkoznia. Időben, nem utólag.
How a several-hundred-person occupational health screening process, in places still running on paper, became a structured, searchable, auditable system, and where AI delivered a genuine competitive edge, from design through to code.
Occupational health screening has been a strictly regulated area in Hungary for decades. Decree 33/1998 (VI. 24.) NM sets out the rules for workplace fitness-to-work examinations. Although the general mandatory medical fitness examination was abolished as the default rule from September 2024, the reality is more nuanced: a series of ministerial decrees still specify the roles (from operators of hazardous machinery to food-industry workers) for which the examination remains mandatory. For an industrial organisation with several hundred employees, this obligation isn't a one-off task, it's a continuously recurring operational cycle: scheduling, calling people in, handling lab results, fitness-to-work assessment, documentation. And all of it every year, or even more often depending on the role. The old process involved a great deal of manual work, in places still using paper lab forms. Blood and urine samples sent off, then results coming back as PDFs, in which the occupational health physician had to hunt, one by one, for the starred rows marking values outside the reference range. For one or two people, that's manageable by hand. Not for several hundred. The main goal was clear: the system should exactly mirror how an occupational health physician actually works, while taking most of the manual work off their plate.
At Gloster we run all kinds of projects, from modernising legacy systems to custom builds, and we're bringing more and more agentic AI tools into them. The European lab diagnostics company's project wasn't a migration, it was a greenfield, custom build: instead of rewriting an old codebase, we digitised a process that ran on a great deal of manual work, in places on paper. The goal was a single, traceable process.
Here's what a group screening looks like, step by step:
One principle is essential here: results appear exactly as they came from the lab, in the same unit of measurement. There's no conversion, no recalculation. The validated lab value is the only source: this is the basis of clinical reliability and auditability.
Automating sample collection saves time on its own, but the real value lies in the raw lab data. Because we receive it directly, we can make it transparent on several levels:
So the question isn't just what someone's value is right now, but where it's heading, and how many people at a given site it applies to. The occupational health physician can then step in exactly where it's actually needed.
The backend was built in .NET with Entity Framework, the web frontend in Angular. Sample containers are labelled using a Zebra printer, and the database is relational; the final choice was PostgreSQL. For security reasons, we don't integrate directly with the lab's own system, a deliberate architectural decision given how patient data is handled.
AI played a role at two points in the project, but the really interesting part was the design stage. We generated the prototypes with Figma AI. This let us quickly produce screens, matching the sampling process, which we validated with the occupational health physicians right at the outset, before development started. They're the ones who really understand the process, so their feedback let us tailor the interface to the client's actual needs. This is where AI helped most, in understanding and modelling the process, not in producing the code. We then generated the actual frontend and backend code with Claude. Our human-in-the-loop approach applies here too: even on a greenfield project, responsibility and validation stay with people, and generated code never enters the system without oversight. AI didn't replace the developer here: it shortened the design and joint-thinking cycle.
The European lab diagnostics company's project shows clearly that agentic AI doesn't just deliver meaningful speed gains in legacy modernisation. It's a genuine competitive advantage in greenfield, custom development too, especially where understanding the process precisely is the critical factor. The difference is measurable in numbers too: development came to roughly 250 working days in total. Without AI, our estimate is that the same result would have taken 330 to 350 days: 30 to 40 per cent more effort for the same outcome. The paper-based process has been replaced by structured, searchable, auditable data. And the system's next versions already go beyond blood and urine samples: the roadmap includes processing environmental samples, and air and soil testing. What actually matters to the occupational health physician isn't the system itself: it's that they can now see where they need to step in. In good time, not after the fact.
Wie aus einem betriebsärztlichen Vorsorgeuntersuchungsprozess mit mehreren hundert Beteiligten, der teils noch auf Papier lief, ein strukturiertes, durchsuchbares und auditierbares System wurde – und wo die KI von der Planung bis zum Code einen echten Wettbewerbsvorteil brachte.
Arbeitsmedizinische Vorsorgeuntersuchungen sind in Ungarn seit Jahrzehnten ein streng reguliertes Feld. Die Verordnung 33/1998 (VI. 24.) NM legt die Regeln für die arbeitsmedizinischen Eignungsuntersuchungen fest. Zwar entfiel die allgemeine verpflichtende ärztliche Eignungsuntersuchung ab September 2024 als Regelfall, doch die Realität ist differenzierter: Eine Reihe von Ministerialverordnungen legt weiterhin fest, für welche Tätigkeiten die Untersuchung verpflichtend bleibt – von Bedienerinnen und Bedienern gefährlicher Maschinen bis hin zu Beschäftigten in der Lebensmittelindustrie. Für ein Industrieunternehmen mit mehreren hundert Mitarbeitenden ist diese Pflicht keine einmalige Aufgabe, sondern ein fortlaufend wiederkehrender operativer Zyklus: Terminplanung, Einbestellung, Verwaltung der Laborergebnisse, arbeitsmedizinisches Gutachten, Dokumentation. Und all das jedes Jahr, je nach Tätigkeit sogar häufiger. Der bisherige Prozess war mit sehr viel manueller Arbeit verbunden, teilweise noch mit papierbasierten Laborbögen: eingesendete Blut- und Urinproben und anschließend als PDF zurückkommende Ergebnisse, in denen die Betriebsärztin oder der Betriebsarzt einzeln nach den mit einem Sternchen markierten Zeilen suchen musste, die den Grenzwert überschritten. Bei ein oder zwei Personen lässt sich das noch von Hand erledigen. Bei mehreren hundert nicht. Das zentrale Ziel war klar: Das System sollte genau den Prozess abbilden, wie eine Betriebsärztin oder ein Betriebsarzt tatsächlich arbeitet – und ihr oder ihm dabei einen Großteil der manuellen Arbeit von den Schultern nehmen.
Bei Gloster betreuen wir vielfältige Projekte – von der Modernisierung von Legacy-Systemen bis hin zu Individualentwicklungen – und setzen zunehmend agentische KI-Tools ein. Das Projekt des europäischen Labordiagnostik-Unternehmens war keine Migration, sondern eine Greenfield-Individualentwicklung: Statt eine alte Codebasis umzuschreiben, haben wir einen Prozess digitalisiert, der mit sehr viel manueller Arbeit verbunden war und teils auf Papier lief. Das Ziel war ein einziger, durchgängig nachvollziehbarer Prozess.
So sieht der Weg einer Gruppenuntersuchung aus:
Ein Prinzip ist hier entscheidend: Die Ergebnisse erscheinen genau so und in der Maßeinheit, in der sie vom Labor kommen. Es gibt keine Umrechnung, keine Konvertierung. Der validierte Laborwert ist die einzige Quelle – und damit die Grundlage für klinische Zuverlässigkeit und Auditierbarkeit.
Die Automatisierung der Probenentnahme spart für sich genommen bereits Zeit, der eigentliche Wert liegt jedoch in den rohen Labordaten. Da wir diese direkt erhalten, können wir sie auf mehreren Ebenen transparent machen:
Die entscheidende Frage ist also nicht nur, wie hoch ein Wert gerade ist, sondern wohin er sich entwickelt und für wie viele Personen innerhalb eines Betriebs dasselbe gilt. So kann die Betriebsärztin oder der Betriebsarzt genau dort eingreifen, wo es tatsächlich nötig ist.
Das Backend wurde in .NET mit Entity Framework entwickelt, das Web-Frontend in Angular. Die Probenbehälter werden mit einem Zebra-Drucker beschriftet; die Datenbank ist relational – die Wahl fiel auf PostgreSQL. Aus Sicherheitsgründen erfolgt keine direkte Integration in das System des Labors – eine bewusste architektonische Entscheidung im Hinblick auf den Umgang mit Patientendaten.
Die KI kam im Projekt an zwei Stellen zum Einsatz, der wirklich interessante Teil war jedoch die Designphase. Die Prototypen haben wir mit Figma AI erstellt. So ließen sich schnell die zum Probenentnahmeprozess passenden Bildschirme erzeugen, die noch vor Entwicklungsbeginn beziehungsweise ganz zu Anfang mit den Betriebsärztinnen und Betriebsärzten validiert wurden. Sie verstehen den Prozess wirklich, sodass sich die Oberfläche anhand ihres Feedbacks auf die tatsächlichen Bedürfnisse des Kunden zuschneiden ließ. Den größten Nutzen brachte das beim Verstehen und Modellieren des Prozesses – nicht bei der Erstellung des Codes. Den eigentlichen Frontend- und Backend-Code haben wir anschließend mit Claude generiert. Auch hier gilt unser Human-in-the-Loop-Ansatz: Selbst bei einem Greenfield-Projekt bleiben Verantwortung und Validierung beim Menschen; generierter Code gelangt nicht ohne Aufsicht in das System. Die KI hat hier nicht die Entwicklerin oder den Entwickler ersetzt, sondern den Zyklus aus Design und gemeinsamem Durchdenken verkürzt.
Das Projekt des europäischen Labordiagnostik-Unternehmens zeigt deutlich, dass agentische KI nicht nur bei der Legacy-Modernisierung einen echten Geschwindigkeitsgewinn bringt. Sie ist auch bei Greenfield-Individualentwicklungen ein echter Wettbewerbsvorteil – besonders dort, wo das genaue Verständnis des Prozesses der entscheidende Faktor ist. Der Unterschied lässt sich auch in Zahlen messen: Die Entwicklung umfasste insgesamt rund 250 Arbeitstage. Ohne KI wären es unserer Schätzung nach 330 bis 350 Tage gewesen – 30 bis 40 % mehr Aufwand für dasselbe Ergebnis. An die Stelle des papierbasierten Prozesses sind strukturierte, durchsuchbare und auditierbare Daten getreten. Und die nächsten Versionen des Systems gehen bereits über Blut- und Urinproben hinaus: Die Roadmap umfasst auch die Verarbeitung von Umweltproben sowie Luft- und Bodenuntersuchungen. Was für die Betriebsärztin oder den Betriebsarzt tatsächlich zählt, ist nicht das System selbst – sondern die Tatsache, dass jetzt sichtbar ist, wo eingegriffen werden muss. Rechtzeitig, nicht im Nachhinein.
%202.webp)
.webp)
