 |
 |
 |
|
|
|
Veštačka inteligencija ne bi trebalo da bude projekat isključivo IT sektora.
Najkorisnije primene veštačke inteligencije često ne nastaju tamo gde se tehnologija najbolje poznaje, već tamo gde se posao svakodnevno obavlja.
Kompanije danas uglavnom pokreću inicijative za uvođenje veštačke inteligencije iz IT odeljenja, timova za podatke ili centralnih kancelarija za digitalnu transformaciju. Takav pristup je razumljiv, ali ima ozbiljno ograničenje: tehnički timovi poznaju mogućnosti sistema, ali ne poznaju uvek sitne probleme, izuzetke i nepisana pravila svakog odeljenja.
Urednik zna gde nastaje zastoj u radu s rukopisom. Prodavac zna koja pitanja kupci ponavljaju pre kupovine. Pravni tim zna koje formulacije najčešće izazivaju rizik. Korisnička podrška zna šta korisnici pokušavaju da objasne iako ne koriste tačan naziv problema.
Zato bi kompanije trebalo da formiraju male laboratorije za veštačku inteligenciju unutar netehničkih odeljenja.
Podaci iz velikih istraživanja pokazuju istu stvar iz dva ugla: alati su svuda, a rezultati su retki.
Izvor: McKinsey, „The State of AI“ (istraživanje sprovedeno od 25. juna do 29. jula 2025, 1.993 ispitanika iz 105 zemalja).
Drugo, znatno oštrije istraživanje — izveštaj inicijative NANDA sa MIT-a pod naslovom The GenAI Divide: State of AI in Business 2025 — procenjuje da oko 95 odsto pilot-projekata generativne veštačke inteligencije nije ostvarilo merljiv finansijski efekat. Autori uzrok ne vide u kvalitetu modela, već u tome što alati ne uče iz povratnih informacija, ne uklapaju se u postojeći tok rada i ne rešavaju jasno definisan operativni problem. Taj nalaz je izazvao žustru raspravu i ne treba ga uzimati kao konačnu istinu, ali dijagnoza je poznata svakome ko je gledao kako se projekat gasi posle demonstracije.
Ako je uzrok neuspeha organizacioni, onda rešenje ne može da bude isključivo tehničko. Ono mora da bude bliže poslu.
Laboratorija ne mora da bude poseban prostor, veliki tim niti skupa tehnološka jedinica. Dovoljna je mala grupa zaposlenih koja redovno ispituje gde veštačka inteligencija može da poboljša rad odeljenja.
Takva grupa mogla bi da se sastoji od:
Njihov zadatak ne bi bio da „uvedu veštačku inteligenciju“, već da pronađu konkretne situacije u kojima ona može da smanji nepotreban rad, otkrije greške ili unapredi odlučivanje.
Uredništvo može da testira sisteme koji upoređuju različite verzije rukopisa, otkrivaju nedoslednosti u terminologiji, proveravaju da li su svi izvori navedeni, izdvajaju tvrdnje koje zahtevaju proveru, analiziraju ritam i strukturu teksta i pripremaju različite verzije opisa knjige za prodaju i promociju.
Cilj, međutim, ne bi trebalo da bude zamena urednika. Uloga takvog sistema jeste da otkrije mesta na kojima urednik treba pažljivije da razmišlja.
Prodajni tim raspolaže informacijama koje se retko negde beleže. Laboratorija u prodaji mogla bi da istražuje:
Umesto opšteg „sistema za prodaju“, nastao bi niz malih alata zasnovanih na stvarnom ponašanju kupaca.
Pravni tim može da koristi veštačku inteligenciju za prvo čitanje ugovora, poređenje klauzula, otkrivanje odstupanja i organizovanje dokumentacije. Ipak, njegov važniji zadatak bio bi da odredi granice automatizacije:
Tako pravni tim ne bi bio poslednja prepreka projektu, već njegov projektant od samog početka. Za kompanije koje posluju sa tržištem Evropske unije taj posao više nije stvar dobre volje: Akt o veštačkoj inteligenciji (Uredba EU 2024/1689) u članu 4 od 2. februara 2025. traži od svih koji razvijaju ili koriste ovakve sisteme da obezbede dovoljan nivo obučenosti zaposlenih i drugih lica koja te sisteme koriste u njihovo ime.
Korisnička podrška je jedno od najbogatijih polja za razvoj, jer se u njoj svakodnevno vide posledice loših proizvoda, nejasnih uputstava i pogrešnih pretpostavki. Sistem može da grupiše slične probleme, prepozna nove vrste kvarova, pripremi nacrt odgovora, pronađe relevantno uputstvo, upozori da je korisnik već više puta kontaktirao kompaniju i otkrije da problem nije pojedinačan, već sistemski.
Najveća vrednost, međutim, nije brže zatvaranje zahteva, već otkrivanje razloga zbog kojih zahtevi uopšte nastaju.
Zaposleni u proizvodnji primećuju odstupanja koja često nisu evidentirana. Oni znaju kada mašina „zvuči drugačije“, kada materijal počinje neuobičajeno da se ponaša, gde se ponavljaju sitne greške, koji korak usporava ceo proces i kada je zvanična procedura drugačija od stvarnog rada.
Laboratorija u proizvodnji mogla bi da pretvori to prećutno iskustvo u podatke, obrasce i sisteme ranog upozoravanja.
Laboratorija bez ritma polako se gasi. Zato bi svako odeljenje jednom mesečno moglo da održi ambulantu za veštačku inteligenciju — sat vremena u kojem zaposleni ne donose ideje o tehnologiji, već donose sopstveni posao. Tri stvari, ništa više.
Zadatak koji obavljate iz nedelje u nedelju, koji ne traži sud, a troši vreme. Kandidat za automatizaciju s malim rizikom.
Propust koji se javlja kod više ljudi i više puta. Kandidat za sistem provere — i, češće nego što mislimo, znak da je proces loše postavljen.
Odluka koju donosite po osećaju, a ne umete da je opišete novom kolegi. Tu se krije prećutno znanje odeljenja — i granica koju automatizacija ne sme da pređe.
Prve dve kolone daju alate. Treća kolona daje razumevanje — i zato je najvrednija.
Ambulanta ne proizvodi strategiju, nego spisak. Posle nekoliko meseci taj spisak postaje najpouzdanija mapa stvarnog rada koju kompanija poseduje: bolja od procesnih dijagrama, jer je nastala iz onoga što ljudi zaista rade, a ne iz onoga što je nekada napisano da bi trebalo da rade. Iz njega se biraju eksperimenti, a odbačene stavke se ne brišu — one pokazuju gde tehnologija još ne pomaže.
Centralni tim može da postavi infrastrukturu, standarde, bezbednosna pravila i zajedničke alate. Ali teško može da otkrije sve probleme organizacije.
Kada svi eksperimenti polaze iz jednog centra, odeljenja postaju korisnici tuđih rešenja. Kada se eksperimenti odvijaju unutar samih odeljenja, zaposleni postaju istraživači sopstvenog rada. To menja prirodu digitalne transformacije.
„Kako da uvedemo veštačku inteligenciju u kompaniju?“
„Koji deo našeg rada još nismo dovoljno dobro razumeli da bismo mogli da ga unapredimo?“
Najbolji organizacioni model verovatno nije potpuna decentralizacija, nego podela uloga.
Na taj način kompanija dobija zajedničku infrastrukturu, ali ne gubi profesionalno znanje ljudi koji stvarno obavljaju posao.
Laboratorije u netehničkim odeljenjima menjaju odnos između zaposlenih i tehnologije. Zaposleni više nisu samo ljudi koji treba da nauče da koriste novi alat. Oni postaju osobe koje određuju šta alat treba da radi, kako izgleda dobar rezultat, gde se nalazi granica prihvatljive greške, kada je potreban ljudski sud i koje posledice sistem mora da uzme u obzir.
Veštačka inteligencija tada prestaje da bude tehnologija koja se spušta odozgo i postaje sredstvo pomoću kojeg svako odeljenje istražuje sopstveni rad.
Ovaj model ima svoje rizike i pošteno je navesti ih.
Podaci provereni 12. jula 2026. · Kompjuter biblioteka
 |
|||
|
|||
© Sva prava pridržana, Kompjuter biblioteka, Beograd, Obalskih radnika 4a, Telefon: +381 11 252 0 272 |
||
