Amikor a robot olcsóbb a kézi válogatásnál – és amikor nem

Egy finn üzem valós adatai megmutatják, mit tud az AI alapú építési hulladékválogatás: 99 százalékos fémkinyerést, 60 százalékos műanyagot, és egy megtérülési pontot, amely a magyar bérszinten eltűnik.

Az építési-bontási hulladék válogatása máig az ágazat egyik legkevésbé automatizált művelete. Egy finn újrahasznosító üzemben végzett, a Waste Management folyóiratban publikált esettanulmány most először állította párhuzamba a gépi tanulásra épülő robotos válogatást a hagyományos, aprítón és kézi utóválogatáson alapuló technológiával – frakciónkénti kinyerési és tisztasági adatokkal, valamint teljes költségmodellel. Hét éves horizonton 8,7 millió eurós különbség adódott a robotok javára, a megtérülés pedig a harmadik év elején következik be. A modell paramétereit magyar bérszintre átszámolva azonban a teljes előny elolvad. Az alábbiakban végigvezetjük, miért – és mikor fordulhat meg a helyzet.

Mit vizsgáltak, és hogyan

Zeinab Farshadfar, Siavash H. Khajavi, Tomasz Mucha és Kari Tanskanen (Aalto Egyetem, Ipari Menedzsment Tanszék) tanulmánya 2025 januárjában jelent meg online a Waste Management 194. kötetében, CC BY nyílt hozzáférésű licenc alatt.

A kutatás két finn vállalat adataira épül. Az egyik egy anyagvisszanyerő üzem, amelyet a szerzők titoktartási okból „Recycling Facility” néven említenek; ennek építési-bontási hulladékot kezelő sora teljesen automatizált, a végső válogatást ZenRobotics-robotok végzik. A másik maga a ZenRobotics (kereskedelmi nevén Terex), a finn robotgyártó.

Az adatgyűjtés nyolc, egyenként 60–90 perces félig strukturált interjúból és két üzemlátogatásból állt, 2023 augusztusa és 2024 májusa között. Az interjúalanyok között volt az üzem üzletági és termelési vezetője, a robotgyártó értékesítési vezetője és ügyvezetője, valamint három akadémiai szakértő és egy építési projektmenedzser. Ezt egészítette ki 25 iparági dokumentum és 77 percnyi nyilvános videóanyag.

Egy módszertani részletet érdemes rögtön az elején kiemelni, mert az egész összehasonlítás értelmezését meghatározza: az automatizált oldal adatai valós üzemből származnak, a hagyományos oldalé viszont nem. A szerzők maguk írják, hogy nem fértek hozzá közvetlen működési adatokhoz olyan üzemből, amely hagyományos technológiával dolgozik; a 70 tonna/órás áteresztőképesség egy berendezésgyártó (Van Dyk Recycling Solutions) nyilvános videójából származik. A jövőbeli kutatási irányok között első helyen éppen az szerepel, hogy hagyományos üzemekről kellene empirikus felmérést készíteni. Ez nem érvényteleníti az eredményt, de azt jelenti, hogy valós üzemi adatot hasonlítanak részben referenciaértékekhez – ezt minden hazai olvasásnál érdemes fejben tartani.

AI alapú építési hulladékválogatás: Hol tér el egymástól a két technológia

A szerzők mindkét folyamatot lépésről lépésre feltérképezték, majd kilenc általános funkcionális szakaszra bontották. Ez azért fontos, mert a költség-összehasonlítás kizárólag azokra a szakaszokra terjed ki, ahol a két eljárás ténylegesen különbözik – így a közös előkezelés és logisztika nem torzítja az eredményt. Négy ilyen eltérés van:

1. Aprítás. A hagyományos sor első lépése egy shredder, amely a nagyobb darabokat összezúzza – mert az emberi válogató számára a darabméret és a tömeg a korlát. Az automatizált soron ez a lépés egyszerűen nincs: a robotkarok akár 40 kilogrammos és 1,5 méteres tárgyakat is közvetlenül kezelnek.

2. Méret szerinti szeparálás. A hagyományos soron rezgő- és dobrosták, emberi közreműködéssel. Az automatizált soron ugyanezek a berendezések, emberi beavatkozás nélkül.

3. Optikai és NIR-felismerés. A hagyományos soron nincs ilyen lépés. Az automatizált soron optikai és közeli infravörös érzékelők végzik a kisebb frakciók anyagfelismerését spektrális elemzéssel.

4. Végső válogatás. A hagyományos soron kézi minőségellenőrzés és utóválogatás, ami munkaigényes és emberi hibára hajlamos. Az automatizált soron 12 robotkar két állomáson – hat a nagyobb, hat a kisebb frakciókra.

Egy szemléletes részlet a hagyományos technológia korlátairól: a kézi válogatás jellemzően operátoronként két konténerre korlátozódik, vagyis egy ember egyszerre két anyagfajtát tud szétválogatni.

Cirkularitás: a frakciónkénti számok

Ez a tanulmány leggyakorlatiasabb hozadéka. A szerzők az üzem termelési vezetőjével készített interjúból közlik a tényleges teljesítményt – nem laborértékeket, hanem üzemi tapasztalatot.

A fémnél a mágneses szeparálás önmagában is 95 százalék körül teljesít; a robotok ezt tolják fel 99-re. A fánál a veszteség fő oka, hogy a túl szennyezett darabokat a rendszer nem ismeri fel. Az inert anyagoknál a méret és a tömeg, valamint a felismerés jelenti a korlátot.

A műanyag a gyenge pont, és a történet mögötte tanulságos. A 60 százalék nem egyszerűen alacsonyabb érték – az üzem a robotokat átállította fa kiválogatására a műanyag helyett, mert a műanyag kinyerési aránya korábban túl alacsony volt. Vagyis egy valós üzemben az AI-kapacitást oda irányítják, ahol megtérül, és a nehezebb frakció ideiglenesen kiesik a rendszerből. Ez a fajta üzemeltetői döntés a laborcikkekből teljesen hiányzik.

A hagyományos válogatás kinyerési arányait a tanulmány nem számszerűsíti – erre nem volt adatuk. Annyit rögzítenek a szakértői interjúk alapján, hogy a hagyományos módszerek nehezen teljesítik az EU 70 százalékos hasznosítási célértékét az építési-bontási hulladékra; ennek okai az energetikai hasznosításra való ráutaltság, az ingadozó válogatási pontosság és a kimeneti áramok szennyezettsége.

Ahol a robot alulmarad

A tanulmány érdeme, hogy a korlátokat is közli, méghozzá az üzemeltetők szavaival.

A megfogók időnként nem tartják meg megbízhatóan az anyagot: a darab idő előtt leesik, vagy rossz konténerbe kerül. Ez emberi munkánál kevésbé jellemző, mert az ember jobban alkalmazkodik a változatos formákhoz és méretekhez.

A takarásban lévő tárgyakat a robot nem kezeli. Az ember körbenéz, félretol dolgokat, előkeresi az eltemetett darabot – a robot a szenzorai látóterére van korlátozva, és ilyen finom manipulációra nem képes.

A szerzők összegzése kiegyensúlyozott: az ember megbízhatóbb a környezet manipulálásában és a kisebb, karnyújtásnyira lévő tárgyak megfogásában – viszont fárad, elveszti a koncentrációt, korlátozott a hatósugara, és nehéz tárgyakat nem emel. A robot ezzel szemben portól és hőtől független körülmények között is működtethető.

A költségmodell: hol van a megtérülési pont

A modell a négy eltérő folyamatszakasz költségeit számítja: személyzet (bér plusz 50 százalék járulék és juttatás), gépek (ár plus 5 százalék éves karbantartás) és létesítményköltség.

A legfontosabb bemeneti paraméterek:

A háromműszakos üzemre vetítve ez a hagyományos soron 72 főt, az automatizálton 6 főt jelent. A modell magasabb egyéni bért feltételez az automatizált oldalon – 60 ezer eurót az 50 ezerrel szemben –, mert szakképzettebb műszaki személyzet kell. Az automatizálás tehát nem olcsóbb munkaerőt jelent, hanem kevesebb, de drágább embert.

Az áteresztőképesség-különbség kezelésére a szerzők a hagyományos sor összköltségét 2,3-as kapacitásaránnyal osztják le.

Az eredmény éves bontásban:

A szerkezet világos: az automatizált rendszer első éve drágább – a 3,8 millió eurós géppark miatt –, de a második évtől a folyó költsége a hagyományosénak nagyjából a negyede. A hagyományos soron ugyanis a folyó költség lényegében teljes egészében bérköltség: a 72 fő × 50 000 € × 1,5 járulékszorzó pontosan kiadja a 2,3-mal leosztott éves 2,35 millió eurót.

A megtérülési pont. A tanulmány úgy fogalmaz, hogy a második év végére a halmozott költség már az automatizált rendszer javára fordul. A közölt számokból újraszámolva a keresztezés valójában valamivel később, a harmadik év elején (nagyjából a 2,1. évnél) következik be: a második év végén az automatizált halmozott költség még mintegy 239 ezer euróval magasabb. A különbség a gyakorlati következtetést nem érinti – a megtérülés így is két év körül van –, de a pontosság kedvéért érdemes rögzíteni.

A szerzők megtérülési számítást is közölnek: nulla ROI-hoz az első évben 9,41 millió eurós árbevétel kell, 10 százalékos ROI-hoz 10,35 millió; ötéves horizonton 11,64 millió eurós összköltségre 12,81 millió eurós árbevétel adna 10 százalékot.

A bérküszöb: 20 980 euró

A szerzői kör 2025 szeptemberében folytatás-tanulmányt publikált (Applied Sciences, 15/19, 10550), amely ugyanezt az üzemi adatbázist egészítette ki a pénz időértékével (NPV, 4,5 százalékos diszkontrátával) – ez az eredeti cikk egyik saját bevallású hiányossága volt –, és érzékenységvizsgálatot végzett.

Ennek eredménye számszerűsíti, mennyire eltérően reagál a két technológia ugyanarra a költségváltozásra, hét éves horizonton:

A hagyományos válogatás tehát minden munkaerővel kapcsolatos költségre nagyságrendekkel érzékenyebb; az automatizált a gépárra és a karbantartásra. Két fordulópont adódik: ha az átlagos géprár meghaladja az 512 ezer eurót egységenként, a hagyományos technológia lesz gazdaságosabb – és ha az éves személyi bérszint 20 980 euró alá esik, szintén.

Nemzetközi kontextusban (ILO Global Wage Report 2024/25): Finnország 48 084 €, Egyesült Államok 55 776 €, Kína 15 763 €, India 2 657 €. A jelentés 79 vizsgált országából 2023-ban nagyjából 62 százalékban volt az éves átlagbér a küszöb alatt.

Magyar újraszámítás: a teljes előny eltűnik

A tanulmány nem vizsgálja hazánkat, de a modell CS-oldala a közölt paraméterekből visszaszámolható, így elvégezhető egy tájékoztató jellegű magyar futtatás. Az alábbi számítás saját, kb. 390 Ft/eurós árfolyammal; a modell logikáját követi (bruttó bér, plusz a tanulmány saját 50 százalékos járulékszorzója), nem üzemi kalkulációt helyettesít.

Bérszintek 2026-ban, éves bruttó, euróra átszámítva:

A 20 980 eurós küszöb ezen az árfolyamon nagyjából 682 ezer forintos havi bruttó bérnek felel meg – a hazai mediánkereset felett, a nemzetgazdasági átlag alatt. Kézi válogatásra viszont jellemzően garantált bérminimum körüli bérrel foglalkoztatnak, ami a küszöb 55 százaléka.

Ha a modell CS-oldalát magyar bérrel futtatjuk:

A hagyományos sor éves folyó költsége a modellben lényegében a 72 fő bére: 72 × 50 000 € × 1,5 = 5,4 millió €, 2,3-mal leosztva 2,35 millió €. Ugyanez garantált bérminimum szintű, 11 500 eurós éves bérrel: 72 × 11 500 € × 1,5 = 1,24 millió €, leosztva kb. 540 ezer €.

Az automatizált sor éves folyó költsége a modellben 559 ezer euró.

A két szám gyakorlatilag azonos. Vagyis magyar válogatói bérszinten az a nagyjából 1,79 millió eurós éves működésiköltség-különbség, amely Finnországban két év alatt visszahozza a robotpark 3,8 millió eurós beruházását, nullára csökken. Nincs mit visszahozni – a megtérülés a hétéves modellhorizonton belül egyáltalán nem következik be.

Ez a legfontosabb hazai üzenet, és élesebb annál, mint amit a puszta bérküszöb sugall: nem arról van szó, hogy Magyarországon lassabban térül meg a technológia, hanem arról, hogy a jelenlegi bérszinten a modell logikája szerint nem térül meg.

Mikor fordulhat meg? A garantált bérminimum 2026-ban 7, a minimálbér 11 százalékkal emelkedett. Ha a válogatói bérek évi 9 százalék körüli ütemben nőnek – ami a hazai bérdinamika mellett nem szélsőséges feltevés –, a jelenlegi ~11 500 eurós szint nagyjából hét év alatt, tehát a 2030-as évek elején éri el a 20 980 eurós küszöböt. A számítás állandó árfolyamot feltételez; forintgyengülés kitolja, erősödés előrehozza a dátumot.

Ehhez jön két olyan tényező, amely a küszöböt lefelé mozgatja: a technológia árának csökkenése (az 512 ezer eurós gépár-küszöb és a bérküszöb ugyanannak az egyenletnek a két oldala), illetve a beruházási támogatások. A szerzők kifejezetten javasolják is a szakpolitikának a beruházási akadály csökkentését támogatással vagy adókedvezménnyel, valamint a tisztasági és hasznosítási követelmények szigorítását – utóbbi ugyanis olyan teljesítményt ír elő, amelyet a hagyományos technológia nehezen teljesít.

Módszertani korlátok

A szerzők több korlátot maguk sorolnak, és ezek a hazai értelmezésnél különösen fontosak.

A hagyományos oldal nem valós üzemi adat. Ezt fentebb már jeleztük, de érdemes megismételni: nem volt hozzáférésük hagyományos üzem működési adataihoz.

Egyetlen eset, egyetlen ország. Egy újrahasznosító üzem és egy technológiaszállító.

A bevételi oldal hiányzik. A modell kizárólag költséget számol. A tisztább frakciók magasabb piaci értéke, a lerakási költség megtakarítása, a hasznosítási célértékek teljesítésének értéke – mindez kimarad. A szerzők ezt jövőbeli kutatási irányként jelölik meg. Emelkedő lerakási járulékok és másodnyersanyag-árak mellett ez a tétel érdemben a robotos megoldás felé billentené a mérleget, és a fenti magyar számítást is módosítaná.

Nincs kamatköltség. Az eredeti modell egyszerűsítés kedvéért kihagyja a beruházás finanszírozási költségét; ezt a folytatás-tanulmány NPV-kerete pótolja részben.

A paraméterezés néhány pontja nem konzisztens. A tanulmány azt írja, hogy a munkások bére a felügyelőkének 20 százaléka (vagyis 1:5 arány), miközben az ezt alátámasztó hivatkozás 2–3-szoros különbségről szól. A közölt táblázatokból az éves költségértékek sem rekonstruálhatók maradéktalanul – a részletes levezetés a kiegészítő anyagban található. A hagyományos oldal számai visszaszámolhatók és stimmelnek; az automatizált oldalé nem teljesen.

Egy hazai sajátosság. Az építési-bontási hulladék Magyarországon nagyrészt a koncessziós rendszeren kívüli, piaci alapú áram, ahol a mennyiségek projektalapúak és ingadozók. Egy 12 robotkaros park kihasználtsági kockázatot is jelent, amit a folyamatos, nagy volumenű üzemre optimalizált finn modell feltevései nem tükröznek.

Mit érdemes ebből hazavinni

A tanulmány legértékesebb hozadéka nem az, hogy a robotok nyertek. Hanem hogy mérhetővé tette, milyen feltételek mellett nyernek – és a frakciónkénti kinyerési és tisztasági adatokkal olyan referenciaértékeket adott, amelyek eddig hiányoztak a szakirodalomból. Az elmúlt évek AI-hulladékgazdálkodási irodalma szinte kizárólag osztályozási pontosságot közölt, laborkörülmények között, gazdasági következmények nélkül. Egy 90 százalék feletti megfogási arány önmagában nem mond semmit arról, megéri-e a beruházás.

A magyar üzemeltetők számára a gyakorlati üzenet kettős. Rövid távon: a jelenlegi hazai válogatói bérszinten a beruházás a modell logikája szerint nem térül meg, és aki finn megtérülési számokkal érvel egy hazai projekt mellett, az rossz paraméterekkel dolgozik. Középtávon viszont: a bérdinamika, a technológia árcsökkenése és a szigorodó hasznosítási elvárások mind ugyanabba az irányba mutatnak, a fordulópont pedig a 2030-as évek elejére tehető – ami egy ma tervezett üzemfejlesztés élettartamán belül van.

A frakciónkénti adatok addig is használhatók: 99 százalékos fémkinyerés, 90 százalékos fa, 80 százalékos inert és 90–99 százalékos tisztaság olyan teljesítményszint, amelyhez a hazai kézi válogatású sorokat érdemes mérni. A 60 százalékos műanyag pedig arra emlékeztet, hogy a technológia sem old meg mindent.

🔗 Hivatalos források és hivatkozások: 👉 

Farshadfar, Z., Khajavi, S. H., Mucha, T., Tanskanen, K. (2025): Machine learning-based automated waste sorting in the construction industry: A comparative competitiveness case study. Waste Management, 194, 77–87. https://doi.org/10.1016/j.wasman.2025.01.008 (nyílt hozzáférés, CC BY 4.0)

Liu, X., Farshadfar, Z., Khajavi, S. H. (2025): Computer Vision-Enabled Construction Waste Sorting: A Sensitivity Analysis. Applied Sciences, 15(19), 10550. https://doi.org/10.3390/app151910550

KSH gyorstájékoztató, Keresetek, 2026. április és május; 394/2024. (XII. 12.) Korm. rendelet a kötelező legkisebb munkabérről

ILO: Global Wage Report 2024/25