Ključne poruke (Key Takeaways):
-
Uvođenje veštačke inteligencije (AI) bez jasnog poslovnog cilja (Business Case) najkraći je put do bačenog novca. AI nije tu da „bude tu“, već da reši specifičan problem.
-
Podaci su gorivo, AI je samo motor. Ako su vaši interni podaci neuredni, algoritmi će samo brže donositi pogrešne odluke (sindrom Garbage in, garbage out).
-
Implementacija AI tehnologija nije isključivo zadatak IT odeljenja. Bez uključivanja stručnjaka iz samog posla (Domain Experts), sistem neće razumeti stvarni kontekst vašeg biznisa.
-
Zaposleni se plaše da će biti zamenjeni. Ukoliko ne sprovedete ozbiljno upravljanje promenama (Change Management), suočićete se sa tihom sabotažom novih alata.
-
„Shadow AI“ (korišćenje neautorizovanih alata od strane zaposlenih) predstavlja trenutno najveći bezbednosni rizik za curenje poverljivih korporativnih podataka.
Ako danas uđete na LinkedIn ili odete na bilo koju poslovnu konferenciju, deluje kao da svaka firma na Balkanu, od lokalne pekare do multinacionalne banke, „uspešno implementira AI“. Svi pričaju o automatizaciji, optimizaciji i revoluciji.
Stvarnost iza zatvorenih vrata kancelarija je, međutim, znatno surovija.
Prema istraživanjima analitičkih kuća poput Gartnera, veliki procenat inicijativa vezanih za veštačku inteligenciju nikada ne pređe iz faze prototipa u produkciju. Milioni evra se troše na softvere, konsultante i Proof of Concept (dokaz koncepta) projekte koji na kraju završe u nekoj zaboravljenoj virtuelnoj fioci.
Zbog čega? Zato što direktori i menadžeri veštačku inteligenciju često tretiraju kao magični prah koji se pospe preko haotičnih poslovnih procesa u nadi da će oni magično postati efikasni. Neće. Ako imate loš i neefikasan proces, AI će ga samo učiniti lošim i neefikasnim – na steroidima.
U ovom tekstu ogoljujemo najčešće, najbolnije i najskuplje greške koje kompanije prave pri uvođenju veštačke inteligencije i nudimo konkretne načine da te greške izbegnete.
1. Sindrom „Moramo da imamo AI jer ga imaju i svi ostali“
Ovo je ubedljivo najčešći okidač za propast. Konkurencija je izbacila saopštenje za javnost da koriste Machine Learning (mašinsko učenje), pa je generalni direktor u panici sazvao sastanak i naredio: „Uvedite nam AI do kraja kvartala!“
Kada tehnologija traži problem koji će da reši, umesto da problem diktira izbor tehnologije, rezultat je uvek promašaj. Kompanije kupuju skupe Enterprise licence za napredne jezičke modele (Large Language Models – LLM), a onda ih koriste da bi zaposleni generisali generičke čestitke za praznike klijentima.
Kako ovo izgleda u praksi? Firma koja se bavi e-trgovinom odluči da joj treba napredan AI chatbot za korisničku podršku. Potroše mesece na implementaciju. Međutim, stvarni problem zbog kog se kupci žale nije to što agenti sporo odgovaraju, već to što im logistika kasni sa isporukom. Chatbot koji ljubazno, uz pomoć veštačke inteligencije, objašnjava kupcu da paket kasni, neće smanjiti nezadovoljstvo.
Pravo rešenje: Pre nego što uopšte izgovorite reč „AI“, definišite takozvani Use Case (slučaj upotrebe). Gde vaša firma najviše krvari? Da li je to predviđanje zaliha, churn (odlazak klijenata) ili obrada dokumentacije? Veštačka inteligencija mora da bude vezana za konkretan KPI (ključni indikator performansi) koji donosi ili štedi novac.
2. „Đubre unutra, đubre napolje“ (Zanemarivanje kvaliteta podataka)
Postoji jedna brutalna istina u svetu obrade podataka: Algoritam je pametan tačno onoliko koliko su kvalitetni podaci na kojima uči.
Ako su vam podaci o kupcima razbacani po Excel tabelama koje svako popunjava na svoj način, ako su baze pune duplikata, praznih polja i zastarelih informacija – vaš AI sistem će biti disfunkcionalan. Ovaj fenomen je u inženjeringu poznat kao Garbage in, garbage out (GIGO).
Firme često misle da mogu da preskoče fazu sređivanja podataka i odmah pređu na „seksi“ deo implementacije veštačke inteligencije. To je kao da pokušavate da ugradite motor od Formule 1 u automobil kome su otpali točkovi.
Primer iz prakse: Jedna regionalna banka je pokušala da uvede AI sistem za automatsko odobravanje malih kredita na osnovu istorije klijenata. Projekat je obustavljen kada je algoritam počeo da odbija dugogodišnje VIP klijente. Zašto? Jer su podaci o njihovim ranijim otplatama bili uneti u stari sistem pod pogrešnim šiframa, što je AI protumačio kao kašnjenje u plaćanju.
Pravo rešenje: Pre implementacije AI-ja, sprovedite Data Cleansing (čišćenje podataka). Podaci moraju biti centralizovani (npr. u Data Warehouse arhitekturi), formatirani i pouzdani. Više od 70% vremena u ozbiljnim AI projektima odlazi upravo na pripremu podataka.
3. Delegiranje AI projekta isključivo IT sektoru
Kada se pomene veštačka inteligencija, prva reakcija top menadžmenta je: „To je softver, neka to reši IT.“ Ovo je fatalna greška.
IT stručnjaci vrhunski razumeju arhitekturu, servere, API konekcije i bezbednost. Ali oni ne razumeju nijanse B2B prodaje, specifičnosti pravnih ugovora ili psihologiju kupaca u maloprodaji. Ako IT samostalno gradi AI rešenje za prodaju, napraviće sistem koji je tehnički savršen, ali koji prodavci na terenu nikada neće koristiti jer ne rešava njihove stvarne probleme.
Pravo rešenje: Formirajte kros-funkcionalne timove. Ako pravite AI za HR, šef HR-a mora biti ko-sponzor projekta. Stručnjaci za domen (Subject Matter Experts) moraju konstantno da rade sa inženjerima. Inženjer obezbeđuje da sistem radi, a stručnjak za domen obezbeđuje da sistem ima smisla.
Ovo pravilo važi i šire – baš kao što na ITNetwork portalu analiziramo značaj AI Visibility optimizacije za biznis, jasno je da ni marketing ni SEO ne mogu da se rade u vakuumu IT odeljenja, već zahtevaju sinergiju.
4. Iluzija da će AI potpuno zameniti ljude (i ignorisanje straha)
Nijedna tehnologija u novijoj istoriji nije izazvala toliki egzistencijalni strah kod zaposlenih kao generativna veštačka inteligencija (GenAI). Kada najavite uvođenje AI-ja u kompaniju, vaši radnici ne čuju reč „optimizacija“. Oni čuju reč „otkaz“.
Šta se dešava kada zanemarite ovaj strah i ne sprovedete adekvatan Change Management (upravljanje promenama)? Zaposleni počinju tiho da sabotiraju sistem. Ne unose podatke kako treba, pronalaze hiljadu izgovora zašto „stari način“ radi bolje i odbijaju da usvoje novu tehnologiju.
Mnogi lideri naivno veruju da mogu da „plug and play“ (ubace i koriste) AI alat i prepolove broj zaposlenih. Praksa pokazuje suprotno: AI retko menja celu profesiju, on menja zadatke. U advokatskoj kancelariji, AI neće zameniti advokata u sudnici, ali će zameniti stotine sati čitanja sudske prakse. Zato se često kaže: „AI vas neće ostaviti bez posla, ali će vas bez posla ostaviti osoba koja koristi AI.“
Pravo rešenje: Budite brutalno transparentni. Objasnite timu da je AI tu da preuzme repetitivne zadatke kako bi se oni posvetili kreativnijem i vrednijem poslu. Obučite ih. Ljudi usvajaju tehnologiju tek kada shvate da ona radi za njih, a ne umesto njih.
5. Epidemija „Shadow AI“ i amaterizam u sajber bezbednosti
Dok menadžment mesecima pregovara o nabavci zvaničnog korporativnog softvera, zaposleni ne čekaju. Oni već uveliko kopiraju osetljive finansijske izveštaje, ugovore sa klijentima i delove programskog koda – i nalepljuju ih u besplatne javne verzije alata kao što je ChatGPT, kako bi im on napisao rezime.
Ovaj fenomen naziva se Shadow AI (skrivena veštačka inteligencija u senci) i predstavlja pravu noćnu moru za direktore informacione bezbednosti (CISO).
Problem leži u tome što besplatni javni modeli (često i po uslovima korišćenja) zadržavaju pravo da treniraju svoje buduće verzije na podacima koje im korisnici unesu. Tako se može desiti da poslovna tajna vaše firme sutra osvane kao odgovor na prompt vašeg glavnog konkurenta. Primeri poput čuvenog incidenta inženjera Samsunga koji su uneli interni kod u javni ChatGPT odlična su opomena.
Pravo rešenje: Stroge polise nisu dovoljne, jer zabrane na internetu retko rade. Kompanije moraju da obezbede zatvorene, Enterprise (korporativne) instance LLM modela (poput Copilota, zaštićenog ChatGPT Enterprise-a ili lokalno hostovanih modela) gde su podaci kriptovani i gde je ugovorom zagarantovano da se ne koriste za trening osnovnih modela.
6. Prekomerni inženjering (Over-engineering) za banalne probleme
Još jedna česta greška jeste primena najkompleksnijeg mogućeg rešenja za najjednostavniji problem. Da, napredni Deep Learning (duboko učenje) i neuronske mreže zvuče impresivno na papiru, ali da li su vam zaista potrebni?
Firme angažuju preskupe Data Science timove da naprave modele predviđanja prodaje (Forecasting) koristeći najnovije AI arhitekture. Na kraju, nakon šest meseci rada i stotina hiljada evra troškova, ispostavi se da taj model ima preciznost koja je svega 2% bolja od obične statističke linearne regresije u Excelu.
Razbijanje oraha maljem retko je dobra poslovna strategija.
Pravo rešenje: Počnite sa najjednostavnijim mogućim rešenjem. Koristite klasičnu automatizaciju (RPA – Robotic Process Automation) ili proste mašinsko-učive modele. Tek kada to rešenje dostigne svoj maksimum, a vi dokažete poslovnu isplativost, pređite na kompleksne neuronske mreže i velike jezičke modele.
Pogled u budućnost: Šta nas čeka do 2030. godine?
Dok se firme danas bore da integrišu osnovne chatbote i optimizuju Excel tabele, industrija se kreće vratolomnom brzinom. Ako pogledamo kuda ide kapital (o čemu smo nedavno pisali u analizi zašto najveće kompanije ulažu milijarde u kubite), primetno je da se fokus menja.
Evo šta stručnjaci predviđaju kao naredne korake za veštačku inteligenciju u korporativnom sektoru:
-
Agentic AI (Agencijski AI): Trenutni modeli su reaktivni – vi im postavite pitanje, oni odgovore. Budućnost su „agenti“. Softveri koji neće samo odgovarati na pitanja, već će imati sposobnost samostalnog donošenja odluka u okviru zadatih parametara. Agencijski AI će moći da dobije zadatak: „Istraži ovog dobavljača, uporedi njegove cene sa tržištem, sačini nacrt ugovora i pošalji mu na mejl“, i on će sve te korake uraditi samostalno.
-
Specijalizovani SLM (Small Language Models): Ogromni, opšti modeli koji „znaju sve“, od pisanja pesama do istorije starog Rima, previše su skupi i energetski zahtevni za prosečne firme. Budućnost korporativnog AI-ja pripada „malim“ jezičkim modelima. Oni će biti usko obučeni na specifičnim podacima jedne industrije (npr. samo medicinsko pravo u Srbiji) – biće brži, jeftiniji, precizniji i vrteće se na lokalnim serverima kompanije.
-
Konvergencija sa kvantnim računarstvom: Za najsloženije optimizacione probleme u logistici i industriji, klasičan AI će se ukrštati sa hibridnim kvantnim sistemima.
Ne kupujete tehnologiju, kupujete transformaciju
Uvođenje veštačke inteligencije je kao uvođenje struje u fabriku početkom 20. veka. Ako samo stavite električni motor tamo gde je nekada stajao parni, niste ništa promenili – dobili ste istu staru fabriku sa novim izvorom energije. Prava revolucija nastala je tek kada su inženjeri shvatili da, zahvaljujući struji, mogu potpuno da preurede proizvodnu traku.
Zato prestanite da posmatrate AI kao „samo još jedan IT projekat“. To je duboka organizaciona transformacija. Počnite od malog, jasno definisanog problema koji košta vašu firmu novca ili vremena. Sredite podatke. Uključite ljude koji rade taj posao. Obezbedite podatke od curenja na internet.
Tek tada će veštačka inteligencija prestati da bude skupi PR trik vašeg menadžmenta i postati prava konkurentska prednost.
