Pet principa za etički razvoj i korišćenje veštačke inteligencije: ključni stubovi transparentnosti i pravičnosti

Najvažnije stavke:

• AI kao društvena infrastruktura: Veštačka inteligencija više nije eksperiment sa margine tehnološke industrije, već kritična infrastruktura koja direktno utiče na zapošljavanje, zdravstvo, finansije i bezbednost.

• Etika od samog početka: Etički principi se ne mogu dodavati kao kozmetički sloj na kraju projekta; oni moraju biti integrisani u samu arhitekturu koda i proces prikupljanja podataka.

• Problem „crne kutije“: Transparentnost zahteva objašnjivost (explainability) – sposobnost sistema da ljudima, regulatorima i revizorima pruži jasan uvid u to kako i zašto je doneta određena odluka.

• Automatizacija nepravde: Algoritmi uče iz istorijskih podataka koji već sadrže ljudske predrasude. Bez aktivne kontrole, AI će samo ubrzati i skalirati postojeću društvenu nejednakost.

• Regulatorni imperativ: U 2026. godini etička AI prelazi iz domena dobre poslovne volje u domen stroge zakonske obaveze, podstaknute globalnim okvirima kao što su EU AI Act, UNESCO i NIST.

Veštačka inteligencija više nije naučni eksperiment zatvoren u laboratorijama tehnoloških kompanija. Ona je postala operativna društvena infrastruktura koja svakodnevno donosi ili sugerisanje odluka u ključnim sferama naših života: od zdravstva, finansija i bezbednosti, pa sve do obrazovanja, zapošljavanja i medija. Zbog tako masovnog uticaja, pitanje etike više ne može biti tretirano kao usputni dodatak na kraju razvojnog ciklusa softvera. Ono je postalo centralni uslov za njegovu primenu.

Rasprava o etičkim standardima u sferi veštačke inteligencije ne vodi se iz apstraktne akademske radoznalosti, već iz urgentne potrebe da se društvo zaštiti od loše dizajniranih, netransparentnih i neodgovorno primenjenih algoritama. Glavni problem današnjice nije u tome što sistemi postaju kognitivno moćniji, već u tome što se ta moć uvodi u realno poslovanje znatno brže nego što društvo uspeva da postavi jasne granice odgovornosti, nadzora i pravne zaštite.

Zato se suočavamo sa opasnom iluzijom: uverenjem da je za uspeh AI modela dovoljno da on bude matematički efikasan. Sistem može biti tehnički impresivan, a društveno destruktivan. Može dati tačan odgovor u 95% slučajeva, a da onih preostalih 5% grešaka sistematski pogodi upravo one društvene grupe koje već nose najveći teret istorijske nejednakosti. Etička veštačka inteligencija nije luksuz i PR dekoracija za bogate korporacije; to je bazični higijenski minimum za svaku organizaciju koja želi da izbegne regulatorne kazne, pravne sporove i potpuni gubitak poverenja na tržištu.

Prvi princip: transparentnost i objašnjivost algoritama

Transparentnost je verovatno najčešće pominjan, ali i najčešće zloupotrebljavan princip u tehnološkoj industriji. Mnoge kompanije tvrde da su njihovi sistemi transparentni samo zato što na svom sajtu objave opšte uslove korišćenja ili šturi tehnički opis modela. To je površan pristup. Istinska transparentnost podrazumeva da krajnji korisnik, regulator, nezavisni revizor ili stručnjak mogu nedvosmisleno da razumeju:

• Kako sistem funkcioniše i koje podatke koristi za donošenje odluka,

• Na koji način algoritam vaga različite parametre kako bi došao do rezultata,

• Gde se nalaze jasne tehničke i operativne granice tog modela.

To ne znači da svaki korisnik mora da zna da čita izvorni kod ili da razume kompleksnu matematičku strukturu dubokih neuronskih mreža. Transparentnost u 2026. godini primarno zahteva objašnjivost (explainability). To je sposobnost sistema da na ljudima razumljiv način pruži jasan odgovor na pitanja: zašto je doneta baš ova odluka, na osnovu kojih ulaznih podataka, koliki je nivo statističke pouzdanosti te procene i kako čovek može taj rezultat da proveri ili pravno ospori.

[Korisnički zahtev] ──> [Objašnjivi AI model (Explainable AI)] ──> [Logičko obrazloženje odluke] ──> [Ljudska verifikacija]

Nedostatak objašnjivosti stvara takozvanu AI crne kutije (black box AI) – sisteme u kojima imamo ulaz i izlaz, ali je unutrašnja logika donošenja odluka toliko neprozirna da niko ne može da utvrdi gde, kako i zašto je nastala greška. Ako je takav model prihvatljiv kada vam algoritam preporučuje muzičku plejlistu, on postaje apsolutno neprihvatljiv kada sistem odlučuje o trijaži pacijenata u bolnicama, dodeli stambenih kredita ili bezbednosnom profilisanju ljudi na ulicama. Transparentnost mora biti prisutna kroz ceo životni ciklus sistema – od dizajna i treninga, preko implementacije, pa sve do monitoringa i konačnog povlačenja modela iz upotrebe.

Drugi princip: pravičnost i eliminacija sistemske pristrasnosti

Pravičnost (fairness) se u tehnološkim krugovima prečesto svodi na puko ispunjavanje forme da sistem „ne diskriminiše namerno“. To je zabluda. Pravičnost zahteva aktivno, neprekidno testiranje i proveru da li model proizvodi štetne i asimetrične ishode po određene grupe ljudi, kao i implementaciju mehanizama za ublažavanje tih devijacija.

Moramo prihvatiti neprijatnu naučnu činjenicu: veštačka inteligencija nije neutralna samo zato što se izražava kroz matematičke formule. Algoritmi uče iz istorijskih podataka, a ti podaci su proizvod sveta koji je već opterećen predrasudama, nejednakostima i lošim odlukama iz prošlosti. Ako sistem za zapošljavanje ili procenu kreditne sposobnosti trenirate na istorijskim podacima iz proteklih dvadeset godina, algoritam će te obrasce diskriminacije prepoznati kao uspešan šablon. On ih neće ispraviti; on će ih samo automatizovati, ubrzati i skalirati na viši nivo.

Pristrasnost (bias) u sistemima veštačke inteligencije retko nastaje kao usputni softverski kvar. Ona je najčešće direktna posledica loše postavljenog problema, nereprezentativnih setova podataka za trening i nedostatka različitih perspektiva unutar inženjerskih timova koji razvijaju model.

Pravičnost se ne može naknadno „ugraditi“ u sistem koji je već završen. Ona mora biti integrisana od samog početka: kroz pažljiv odabir podataka, postavljanje inkluzivnih ciljeva, kontinuirano merenje performansi i testiranje modela na diskriminatorne ishode u realnom vremenu. Svaki sistem koji obećava visoku efikasnost, a ne može dokumentovano da pokaže kako meri i ublažava štetnu pristrasnost, zapravo automatizuje nepravdu pod maskom tehnološkog progresa.

Treći princip: privatnost i sajber-bezbednost podataka

Kada AI modelima ponestane kvalitetnih informacija za trening, industrija često pribegava najjednostavnijem rešenju: agresivnom prikupljanju još većih količina podataka. Takav pristup postavlja ozbiljne pravne i etičke prepreke. Korisnici i njihova svakodnevna digitalna aktivnost ne smeju biti tretirani kao besplatna sirovina za optimizaciju komercijalnih modela.

Privatnost u kontekstu veštačke inteligencije prevazilazi bazičnu zaštitu lozinki i naloga. Ona zahteva primenu principa privatnosti po dizajnu (privacy by design) i minimalizacije podataka (data minimization). To znači da se podaci moraju prikupljati isključivo zakonito, svrsishodno i u najmanjoj mogućoj meri neophodnoj za rad specifične funkcije, uz obezbeđenu enkripciju i strogu kontrolu pristupa.

[Ulazni podaci] ──> [Filter minimalizacije (Samo neophodno)] ──> [Enkripcija i lokalna obrada] ──> [AI sistem]

Sa usponom naprednih LLM i generativnih modela, privatnost se suočava sa novim izazovom – procesom inferencije. Sistem više ne analizira samo ono što ste mu eksplicitno dali, već iz gomile naizgled nevažnih digitalnih tragova izvodi duboke zaključke o vašem zdravlju, političkim stavovima ili psihološkim slabostima bez vaše pune svesti i pristanka.

Sajber-bezbednost (security) je podjednako kritičan stub etike. AI sistem koji operiše sa osetljivim poslovnim ili ličnim podacima, a nema vrhunsku zaštitu, predstavlja opasnu ranjivost na mreži. Savremene pretnje poput:

• Adverzarijalnih napada (Adversarial attacks): Gde napadači suptilno menjaju ulazne podatke kako bi prevarili model,

• Inverzije modela (Model inversion): Rekonstrukcije privatnih podataka za trening iz samog modela,

• Trovanja podataka (Data poisoning) i prompt injekcija,

jasno nam pokazuju da se etička AI ne može graditi na slaboj infrastrukturi. Sistem koji deklarativno poštuje korisnika, a ne ulaže u odbranu njegovih podataka, zapravo ga svesno izlaže riziku.

Četvrti princip: jasna odgovornost i governance modeli

Jedan od najvećih društvenih rizika u eri automatizacije jeste takozvano razvodnjavanje ili raspršivanje odgovornosti. Kada algoritam donese pogrešnu ili štetnu odluku, svedoci smo prebacivanja krivice u krug: programeri krive podatke za trening, menadžment krivi eksternog dobavljača softvera, operateri krive propuste u interfejsu, a svi zajedno se kriju iza rečenice da je „sistem tako izračunao“. Na kraju dobijamo situaciju u kojoj imamo stvarnu štetu po ljude, ali niko ne snosi odgovornost.

Odgovornost (accountability) nalaže da se u svakom trenutku, unutar svake organizacije, unapred i precizno zna ko razvija sistem, ko odobrava njegovu implementaciju, ko vrši operativni nadzor, ko obavlja eksterne audite i ko preuzima pravnu i materijalnu odgovornost u slučaju incidenta.

Zakonodavni okviri jasno definišu da organizacije moraju obezbediti potpunu sledljivost (traceability) podataka, procesa i sistemskih odluka kroz celokupan životni vek modela. Ukoliko ne znate koja je tačna verzija modela bila aktivna u trenutku spornog događaja i na osnovu kojih parametara je prihvaćen rezultat, vi ne upravljate tehnologijom – vi svesno rizikujete.

Zato ozbiljne institucije i kompanije uvode formalne modele upravljanja veštačkom inteligencijom (AI governance). To podrazumeva formiranje internih odbora za procenu etičkog rizika, vođenje detaljnih registara svih aktivnih modela, postavljanje obaveznih procedura za eskalaciju problema i uvođenje neprobojnih mehanizama za ljudski nadzor (human oversight). Kada su svi apstraktno odgovorni, u praksi obično nije odgovoran niko. Odgovornost mora imati ime, funkciju i jasnu pravnu posledicu.

Peti princip: stvarna društvena i javna korist

Ovaj princip se u korporativnim statutima često naziva social good ili AI usmerena na čoveka (human-centered AI). Na papiru, oko ove vrednosti vlada apsolutni konsenzus – nijedna kompanija na svetu neće javno izjaviti da razvija tehnologiju sa ciljem da naudi društvu. Međutim, upravo zbog te opšte prihvaćenosti, ovaj princip se u praksi najčešće pretvara u praznu frazu bez suštinskog sadržaja.

Stvarna društvena korist ne može se izjednačiti sa poslovnom koristi. To što algoritam optimizuje proces rada, ubrzava proizvodnju ili drastično smanjuje troškove kompanije predstavlja uspeh za akcionare, ali ne automatski i korist za društvenu zajednicu. Veštačka inteligencija je istinski društveno korisna samo kada podiže kvalitet života ljudi bez nanošenja nesrazmerne štete okruženju, kada širi i olakšava pristup javnim uslugama umesto da ga restriktivno sužava i kada ne produbljuje postojeće ekonomske i socijalne jazove.

Na primer, primena AI u medicinskoj dijagnostici ima ogromnu javnu korist jer omogućava ranije otkrivanje bolesti i rasterećuje zdravstveni sistem. Ali ukoliko taj isti sistem ostane zatvorena crna kutija, ukoliko pokazuje visoku stopu grešaka kod određenih populacionih grupa ili ne štiti osetljive medicinske kartone pacijenata, govor o „društvenoj koristi“ postaje običan marketinški paravan. Vreme samoregulatornih modela, u kojima su komercijalni interesi i brzina skaliranja imali apsolutni prioritet nad ljudskim pravima, nepovratno je prošlo. Društvena korist ne sme biti stvar interne procene kompanije koja od tog softvera zarađuje; ona mora biti predmet nezavisne stručne evaluacije i javnog nadzora.

Pet najčešćih grešaka u praktičnoj primeni principa

Iako oko pet osnovnih stubova etike postoji globalni konsenzus, njihova implementacija na terenu je često haotična. Kompanije redovno prave sledeće strukturalne greške:

1. Etika kao završni kozmetički sloj (Ethics washing): Inženjerski timovi razviju model i puste ga u produkciju, a tek na kraju traže od pravne službe ili marketinga da „bace pogled i provere da li je sve politički korektno“. Etika se ne dodaje na kraju; ona mora biti utkana u prvu liniju koda.

2. Slepo verovanje u metriku tačnosti: Tretiranje procenta tačnosti modela na testovima kao jedinog merila kvaliteta. Sistem može biti matematički nepogrešiv u laboratorijskim uslovima, a istovremeno potpuno netransparentan, diskriminatoran i opasan u realnom društvenom okruženju.

3. Nedostatak interdisciplinarnosti u timovima: AI projekte uglavnom vode isključivo inženjeri i stručnjaci za podatke (data scientists). Bez aktivnog uključivanja pravnika, etičara, stručnjaka za privatnost i domenskih eksperata iz oblasti u kojoj se model primenjuje, krajnji proizvod je tehnički napredan, ali društveno i etički slep.

4. Odsustvo post-migracionog monitoringa: Tretiranje AI modela kao statičnog softverskog proizvoda. Podaci na mreži se konstantno menjaju, navike korisnika evoluiraju, a sa njima i rizici od devijacije modela (model drift), što zahteva neprekidni nadzor i nakon lansiranja.

5. Etički marketing bez dokaza: Korišćenje zvučnih fraza o odgovornoj i pouzdanoj AI u javnim nastupima, bez spremnosti da se javnosti i regulatorima pokažu stvarni audit tragovi, metodologija treninga i jasna ograničenja sistema.

Pogled u budućnost: Od dobrovoljnih smernica do zakonske obaveze

U narednim godinama etika u sferi veštačke inteligencije ubrzano gubi status „dobrovoljne preporuke“ i transformiše se u strogu i obavezujuću regulatornu obavezu. Međunarodne organizacije konstantno ažuriraju i zaoštravaju svoje okvire. NIST razvija specijalizovane profile za upravljanje rizicima u sferi generativne i poverljive veštačke inteligencije unutar kritične infrastrukture, dok UNESCO i OECD snažno insistiraju na globalnim standardima koji tehnologiju podređuju ljudskim pravima i demokratskim vrednostima.

Ovaj regulatorni talas će jasno podeliti tržište na dve grupe aktera. U prvoj grupi nalaziće se ozbiljne, odgovorne organizacije koje u svakom trenutku mogu da prilože detaljnu dokumentaciju, sprovedene procene rizika, dokaze o ublažavanju pristrasnosti, jasne protokole ljudskog nadzora i sertifikovane sisteme zaštite podataka. U drugoj grupi ostaće kompanije koje se oslanjaju isključivo na brzinu lansiranja zatvorenih modela, nejasne uslove korišćenja i panično, naknadno gašenje požara kada izbiju skandali. Dugoročno gledano, samo prva grupa ima šansu za održiv ekonomski rast i opstanak na tržištu.

U Srbiji je ova tema izuzetno aktuelna. Nacionalna Strategija razvoja veštačke inteligencije, podržana kroz državne portale i smernice, jasno postavlja etičnu i bezbednu primenu AI kao jedan od primarnih strateških ciljeva, direktno se oslanjajući na UNESCO dokumente.

Prava vrednost ovih smernica meriće se na terenu – kroz realnu inženjersku i institucionalnu praksu u domaćim kompanijama. Budućnost tehnološkog sektora definitivno neće pripasti onima koji budu posedovali najveći broj AI alata, već onima koji budu znali i mogli dokumentovano da dokžu zašto tim alatima društvo i klijenti smeju bezbedno da veruju.

Relevantni spoljni izvori:

• UNESCO Recommendation on the Ethics of Artificial Intelligence – zvanični globalni etički okvir podržan od strane država članica.

• OECD AI Principles – međunarodni standardi za pouzdan, bezbedan i pravičan razvoj veštačke inteligencije.

• NIST AI Risk Management Framework – praktični inženjerski vodič za upravljanje rizicima i procenu pouzdanosti AI sistema.

• Savet za AI Vlade Srbije – Etika u veštačkoj inteligenciji – zvanične domaće smernice i etički kodeks za razvoj AI u Republici Srbiji.

Često postavljana pitanja (FAQ)

Šta u praksi podrazumeva pojam etička veštačka inteligencija? Etička veštačka inteligencija označava sisteme koji su projektovani, trenirani i implementirani na način da u potpunosti poštuju ljudska prava, demokratske vrednosti i dostojanstvo korisnika, obezbeđujući pritom transparentnost, pravičnost, bezbednost i jasnu ljudsku odgovornost za sve ishode.

Koji su osnovni stubovi etičkog razvoja AI sistema? Iako različiti međunarodni okviri (poput UNESCO, OECD i NIST dokumenata) koriste različite formulacije, u praksi se uvek izdvaja pet zlatnih principa: transparentnost (objašnjivost), pravičnost (odsustvo pristrasnosti), privatnost i bezbednost podataka, jasna ljudska odgovornost i stvarna društvena korist.

Zašto je objašnjivost (explainability) ključni deo transparentnosti? Zato što bez objašnjivosti AI sistemi ostaju neprozirne „crne kutije“. Objašnjivost omogućava inženjerima, korisnicima i regulatorima da precizno razumeju logiku kojom je algoritam vodio proces donošenja odluke, što je preduslov za uočavanje grešaka, reviziju i podnošenje žalbi.

Kako nastaje štetna pristrasnost (bias) unutar veštačke inteligencije? Pristrasnost najčešće nastaje kada se AI modeli treniraju na istorijskim podacima koji već sadrže ljudske predrasude i društvene nejednakosti, ili kada su setovi podataka nereprezentativni i ne obuhvataju adekvatno sve grupe korisnika na koje će sistem uticati.

Ko snosi pravnu i moralnu odgovornost za greške koje napravi AI softver? Odgovornost nikada ne može biti prebačena na sam algoritam jer on nije pravni ni moralni subjekt. Odgovornost mora biti jasno i unapred mapirana duž celog lanca upravljanja – od inženjera koji su kodirali model, preko menadžmenta koji je odobrio implementaciju, pa sve do institucije koja sistem koristi u radu sa ljudima.

Da li insistiranje na etičkim principima usporava tehnološke inovacije? Kratkoročno gledano, implementacija etičkih provera, audita i bezbednosnih faza može zahtevati više vremena i resursa tokom razvoja. Međutim, dugoročno posmatrano, ovaj pristup štiti kompanije od katastrofalnih skandala, skupih sudskih procesa i regulatornih penala, čineći inovacije ekonomski i društveno održivim.