Online sajam knjiga

Veštačka inteligencija čini praćenje zaposlenih jeftinijim, detaljnijim i neprekidnim — ali niži troškovi mogu podstaći kompanije da prekomerno koriste kontrolu bez razmatranja njenih širih posledica. Istraživanja pokazuju da nadzor može potkopati poverenje, smanjiti učinak i povećati odlazak iskusnih zaposlenih, čak i dok pruža dragocenu strukturu manje iskusnim radnicima. Pravo pitanje stoga nije da li treba nadzirati više ili manje, već koliko je kontrole prikladno za različite ljude i svrhe. Lideri bi trebalo da zahtevaju da svaka kontrola opravda svoje troškove, da usklade intenzitet nadzora sa veštinama i potrebama zaposlenih i da se odupru uvođenju nadzora samo zato što ga veštačka inteligencija čini jeftinim. Efikasne organizacije će tretirati kontrole kao alate koje treba testirati i usavršavati, a ne kao zamenu za bolju strategiju, zapošljavanje, obuku ili liderstvo.   Linus Arauz upravlja sa 10 prodajnih mesta na dva velika aerodroma i ima odgovornosti koje se protežu na skoro 100 maloprodajnih lokacija sa hranom i drugom robom u okviru nekoliko aerodromskih programa. Neke od tih lokacija uopšte nemaju osoblje. Putnici jednostavno priđu i uzmu sa police šta god žele — sendvič, flašicu vode. Trebalo bi da plate, ali nema nikoga da se pobrine da to zaista i urade. Većini trgovaca ovo zvuči kao poziv da se ode bez plaćanja. Očigledno rešenje bilo bi praćenje kupaca putem ljudi i tehnologije. Ali nakon proučavanja problema, Arauz je odlučio da ne uvodi takvo rešenje, osim nekoliko kamera. „Matematika je bila jednostavna“, rekao je. „Nakon sprovođenja disciplinovanih vežbi kontrole, otkrili smo da su stvarni troškovi vremena, režija i logistike uloženi u popisivanje zaliha u našim prodavnicama bili znatno veći od samog gubitka.“ Kontrola bi ga, zaključio je, koštala više nego što bi mu ikada uštedela. Menadžerima je teško da prave takve računice. U maloprodaji i prehrambenoj industriji, na primer, sistemi praćenja — KPI indikatori, kontrolne liste, operativne smernice i smernice ponašanja, kamere, senzori, aplikacije — čine deo ne samo poslovanja već i njihove organizacione kulture. U tom kontekstu, lako je videti samo jednu stranu bilansa: prednosti kontrole, koje uključuju manje krađa, veću usklađenost, manje grešaka. Ali šta je sa troškovima? Kao profesor ljudskih resursa koji se specijalizovao za zajednička istraživanja sa različitim vrstama firmi — nedavno sa pekarama, supermarketima, zdravstvenim ustanovama i organizacijama za finansijske usluge — nedavno sam sa kolegama radio na istraživanju koje sugeriše da bi mnoge firme mogle imati koristi od dubljeg razmatranja složenih kompromisa koji su povezani sa sistemima kontrole, bilo da nadziru potencijalne kupce ili zaposlene. Evo nekih od tih kompromisa, zajedno sa koracima koje možete preduzeti kao lider da biste izbegli ono što nazivam „zamkom kontrole“. Dva različita troška Sistem praćenja nameće dve vrste troškova. Prvi je direktan trošak njegovog instaliranja, upravljanja i sprovođenja. To uključuje hardver, radne sate osoblja, trenje koje sistem stvara poštenim kupcima i menadžersku pažnju koju troši. Drugi trošak, koji je suptilan i često promiče, odnosi se na to kako on menja ponašanje ljudi koji se posmatraju. Nedavno smo saznali koliko su veliki ti skriveni troškovi kada smo radili sa velikim nemačkim pekarskim lancom koji je primetio porast stope davanja otkaza među svojim obučenim radnicima koje je teško zameniti. Kada je kompanija istražila razlog, otkrila je neočekivanog krivca — svoje kontrole kvaliteta, koje su uključivale više od 20 dnevnih operativnih kontrolnih lista. Vešti pekari i poslovođe doživljavali su te kontrolne liste kao signal da im uprava ne veruje da rade svoj posao. Bihejvioralni ekonomisti već dugo insistiraju na tački koju menadžeri stalno zaboravljaju: ljudi reaguju ne samo na ono što praćenje meri, već i na ono što ono signalizira. Ekonomisti Armin Falk i Mihael Kosfeld demonstrirali su to u laboratoriji i objavili svoje rezultate u klasičnom radu. On pokazuje da su ispitanici u ulozi poslodavca koji je nametnuo kontrolu mogli da iznude osnovni nivo truda, ali su time takođe izazvali nepoverenje zbog kojeg su mnogi zaposleni ulagali manje truda. Da li bi ovaj nalaz važio u realnoj situaciji? Da bismo to saznali, sproveli smo randomizovano kontrolisano ispitivanje u pekarskom lancu. U polovini prodavnica lanca uklonili smo dve kontrolne liste koje su zaposleni najviše mrzeli, dok smo ih zadržali u drugoj polovini. Rezultati su iznenadili rukovodioce koji su naručili studiju: prodaja u tretiranim prodavnicama porasla je za 2,7% (uporedivo sa efektom uvođenja timskih bonusa koji smo pronašli u ranijoj studiji), a odlazak obučenih radnika i poslovođa opao je za više od 20%. Uklanjanje kontrolnih lista nije imalo uticaja na kvalitet — nismo pronašli porast problema koje je trebalo da spreče. I ne samo to, kupci su primetili razliku: u Google recenzijama hvalili su tretirane prodavnice više od ostalih zbog njihove brze usluge i izgleda prodate robe. Kada bi se priča tu završila, lekcija bi mogla biti jednostavna: verujte svojim ljudima i ukinite kontrole. Ali još jedan naš nalaz komplikuje priču. Kada su kontrolne liste uklonjene, odlazak zaposlenih je porastao za 20% među manje iskusnim osobljem. Noviji, manje iskusni radnici su, čini se, imali koristi od strukture koju su kontrolne liste pružale. Kada su kontrolne liste uklonjene, ti radnici su se iznenada osetili bez podrške, a ne oslobođeno. Prava lekcija, dakle, nije da je nadzor loš. Stvar je u tome da praćenje mora biti usklađeno sa kvalifikacijama radnika. Ista kontrolna lista koja vređa majstora pekara može biti spas za početnika. Menadžersko pitanje stoga ne postaje da li nadzirati više ili manje, već kako nadzirati prave ljude iz pravih razloga i pravim intenzitetom, i prepoznati da na jednom radnom mestu mogu postojati različiti odgovori. Razmotrimo sada Arauzov posao i pekaru zajedno. Oni su različiti, naravno, i imaju različite probleme koje treba rešiti. Jedan je krađa od strane nepoznatih lica, drugi je upravljanje osobljem. Ipak, imaju nešto zajedničko. Arauzov primer pokazuje da direktni troškovi kontrole mogu premašiti gubitke koje ona sprečava, čak i kada su ti gubici stvarni; primer pekare pokazuje da skriveni troškovi kontrole mogu biti visoki među ljudima koje najviše želite da zadržite. Firme, drugim rečima, možda potcenjuju troškove praćenja svojih zaposlenih i precenjuju prednosti toga što im precizno govore šta da rade. Razmotrite šta se dogodilo kada je izvršni direktor kompanije Starbucks, Brajan Nikol, početkom 2025. godine uveo obavezu da baristi stavljaju rukom pisane poruke na svaku šoljicu, kao deo svoje strategije „Povratak Starbaksu“. Oni koji se ne povinuju, najavio je, mogli bi biti disciplinski kažnjeni ili čak otpušteni. Baristi su prijavili da je ta obaveza oduzimala vreme, čineći težim postizanje njihovog strogog cilja od četiri minuta po napitku. A šta je sa autentičnošću koju je trebalo da signalizira? Mnogi su reagovali tako što su unapred ispisivali generičke poruke. Zamka kontrole Do nedavno, jedna stvar je držala instinkt praćenja pod kontrolom: bio je skup. Niste mogli da posmatrate svakoga sve vreme, pa ste morali da odlučite: Da li ovo zaista vredi? Ali veštačka inteligencija sada uklanja to ograničenje. Kamere mogu da tumače ono što vide. Softver može da broji pritiske na tastere, pozive, pa čak i tokene korišćene u veštačkoj inteligenciji. U kompanijama Amazon, Meta i Uber, programeri su podsticani da koriste više AI tokena, a njihova potrošnja je rangirana na internim tabelama. Kada praćenje postaje jeftinije, detaljnije i neprekidno, prirodno predviđanje je da će firme to raditi daleko više jednostavno zato što mogu. Ali to je zamka. Kada direktno praćenje ne košta gotovo ništa, manja je verovatnoća da će ga menadžeri sprovoditi na disciplinovan način, a mogu čak i izgubiti naviku da se pitaju da li se posmatranje isplati. Jeftin nadzor ne čini da troškovi kontrole nestanu — on ih samo čini lakšim za ignorisanje. Da bi izbegli tu zamku, lideri bi trebalo da urade sledeće: Učinite da svaka kontrola opravda svoje postojanje. Počnite sa revizijom praćenja koje već imate, jer deo toga može biti samo nasleđe. Možda više čak i ne vidite njegove troškove, pa se pobrinite da postavite pitanje šta svaki deo sistema praćenja košta, u novcu i u ponašanju. Zatim se zapitajte šta on zapravo donosi? Amazon je na kraju ukinuo svoju internu tabelu tokena nakon što su zaposleni veštački povećavali njihovo korišćenje kako bi se popeli na listi, povećavajući računarske troškove bez stvaranja većeg obima posla. Meta je suspendovala svoju inicijativu Model Capability Initiative, koja je beležila pritiske na tastere, klikove i snimke ekrana radi generisanja podataka za obuku veštačke inteligencije, nakon što se ispostavilo da su interni podaci bili šire dostupni nego što je bilo predviđeno. Obe priče su se vrlo verovatno razvile u drugom pravcu do trenutka kada ovo čitate. Prilagodite kontrole ljudima na koje utiču. Obezbedite strukturu za one kojima je potrebna i napravite prostor za one koji su je prerasli. U pekarskom lancu, većina radnika koji nisu voleli kontrolne liste završila je formalno šegrtovanje. Sertifikat koji su za to dobili signalizira veštinu i treba im verovati da rade dobro bez previše nadzora. Firme mogu napraviti planove za ovo uvidom u informacije koje se već nalaze u njihovim dosijeima zaposlenih. One mogu povezati intenzitet kontrole sa kvalifikacijama ljudi i obavezati se na to unapred, kao što to holandske univerzitetske bolnice rade od 2006. godine. Specijalizanti u tim bolnicama koji pokažu ovladavanje definisanim kliničkim zadacima dobijaju pismene potvrde koje dokumentuju njihovu stručnost, što im omogućava da ih od tog trenutka obavljaju bez nadzora. Nadzor otpada zadatak po zadatak, pod uslovima koje svi razumeju unapred. Nemojte nadzirati više samo zato što veštačka inteligencija to čini jeftinijim. Pad troškova nije razlog za nadzor — to je razlog da birate pažljivije nego ikada. Prirodna tendencija biće ka prevelikoj kontroli putem veštačke inteligencije, a ne prema premaloj. Ali firme koje napreduju u eri jeftinog praćenja biće one koje pažljivo razmatraju troškove na obe strane bilansa. Pekara, na primer, na kraju nije uklonila sve svoje kontrolne liste. Umesto toga, eksperimentisala je sa zadržavanjem dve, a nakon eksperimenta zadržala je jednu. Upravo je ovakvo disciplinovano razmišljanje o kontroli ono za šta se zalažemo. . . . Zdravim preduzećima su potrebne kontrole, ali kontrole nisu strategija. Razmišljanja o praćenju, usklađenosti i „hvatanju“ radnika na delu mogu zaokupiti pažnju menadžera u preduzećima u kojima veštačka inteligencija nudi jeftina rešenja za kontrolu. Ali potrebna je šira perspektiva i razmišljanje van okvira da bi se shvatilo da u mnogim slučajevima jeftina rešenja za kontrolu nisu izlaz. Nešto fundamentalnije može biti pogrešno: poslovna strategija, zapošljavanje i obuka, ili nedostatak liderstva.

„AI šerlokovanje“ (AI Sherlocking) predstavlja ozbiljan strateški rizik u kom AI platforme usvajaju mukotrpno stečenu logiku rešavanja problema neke kompanije, a ne samo njene sirove podatke. Iako savremeni korporativni ugovori obično štite unosne upite i izlazne rezultate, ključna intelektualna svojina curi kroz povratne informacije o interakcijama zaposlenih, ponovnu upotrebu sintetičkih podataka u budućim modelima i opšta poboljšanja sposobnosti koje platforme stiču posmatranjem vrhunskih stručnjaka koji rešavaju probleme. Uz široko rasprostranjenu upotrebu „AI-ja u senci“ (shadow AI) putem neobezbeđenih ličnih naloga, organizacije rizikuju da nesvesno obučavaju svoje buduće konkurente. Da bi zaštitili svoj „suverenitet logike“, poslovni lideri moraju pooštriti uslove u ugovorima sa dobavljačima u vezi sa beleženjem povratnih informacija, izolovati ključnu intelektualnu svojinu korišćenjem potpuno privatnih ili lokalnih (on-premises) modela, i modularizovati radne tokove kako bi glavne metodologije zadržali isključivo unutar kompanije.   Godinama su korporativni pravnici bili opsednuti jednim pitanjem kada je u pitanju veštačka inteligencija: Da li naši podaci ulaze u skup za obuku nekog drugog? Većina kompanija smatra da je to rešila. Potpisale su ugovore u kojima piše da provajder AI usluga ne može vršiti obuku na upitima koje njihovi zaposleni unose. Ali to više nije jedino važno pitanje. Pravi novi rizik jeste taj što kompanije gube nešto vrednije od podataka: svoju logiku — specifičan, teškom mukom izgrađen način na koji rešavaju probleme. Nazovite to „AI šerlokovanjem“. To nije sasvim novo, ali je prešlo u svoj najsofisticiraniji oblik do sada, i dešava se čak i kompanijama sa besprekorno zatvorenim ugovorima o zaštiti podataka. Početkom dvehiljaditih, kompanija Apple je napravila alat za pretragu pod nazivom Sherlock, koji je funkciju po funkciju iskopirao popularnu dodatnu aplikaciju zvanu Watson, i ugasio tu manju kompaniju gotovo preko noći. Od tada, pojam „biti šerlokovan“ znači posmatrati kako veća platforma usisava vaše najbolje ideje i koristi ih protiv vas. Verzija sa veštačkom inteligencijom funkcioniše drugačije, ali se završava na isti način. Ovaj članak se oslanja na nedavne bezbednosne incidente u korporativnoj primeni AI-ja, sitna slova u ugovorima vodećih provajdera veštačke inteligencije i aktuelne podatke o korišćenju „AI-ja u senci“ unutar kompanija, kako bi izložio tri specifična načina na koje se to dešava — i šta lideri mogu da preduzmu povodom svakog od njih. Kako funkcioniše AI šerlokovanje Tradicionalno šerlokovanje se oslanjalo na kopiranje funkcije koju ste mogli videti: dugmeta, ekrana, određene funkcionalnosti. AI šerlokovanje se bavi nečim što ne možete videti: rezonovanjem koje je proizvelo dobar odgovor. Evo gde većina direktora ima samo delimično tačnu sliku. Standardni ugovori o korporativnom AI-ju danas obično štite i unos i izlaz — upit koji je vaš inženjer uneo i odgovor koji je alat vratio — od korišćenja za obuku budućih verzija modela. To jeste stvaran napredak i upravo je to ono na šta je većina pravnih pregleda fokusirana. Problem je u tome što ta zaštita ima stvarne praznine, a upravo su te praznine mesta gde konkurentska prednost najčešće curi. Uzmite u obzir šta se dešava kada viši inženjer koristi AI alat za otklanjanje grešaka u složenom delu koda, ili kada ga istraživač koristi za rad na nekom naučnom problemu. Odgovor koji se dobije nije samo rezultat toga što je AI pametan. To je spoj opšte sposobnosti alata i specifične stručnosti tog zaposlenog, koji ga korak po korak vodi ka tačnom odgovoru. Taj spoj jeste upravo ono što ima najveću vrednost, a u zavisnosti od toga kako se kreće kroz sistem, možda nije toliko zaštićen kao što ugovor sugeriše. Ako provajder veštačke inteligencije uči iz oblika tih interakcija — putem signala povratnih informacija, putem generalizovanih poboljšanja sposobnosti ili kroz činjenicu da se sličan visokokvalitetan rad konstantno odvija širom njegove korisničke baze — on može efektivno da apsorbuje stručnost vašeg tima bez ijednog kršenja određene stavke u vašem ugovoru. Sledećoj kompaniji koja postavi slično pitanje neće biti potrebni vaši fajlovi. Model će već biti oštriji za vaš tip problema, jer je naučio strukturu tog problema od korisnika poput vas. Ovo nije hipotetička situacija. U februaru 2026. godine, kompanija Anthropic je otkrila da su tri kineske AI laboratorije — DeepSeek, Moonshot AI i MiniMax — izvršile više od 16 miliona upita prema njenim Claude modelima preko približno 24.000 lažnih naloga, u sistematskom naporu da obuče sopstvene konkurentske modele na Claude-ovim odgovorima. Ta tehnika, nazvana „destilacija“, funkcioniše tako što koristi izlazne rezultate jačeg modela za podučavanje slabijeg; Anthropic je identifikovao ove kampanje po njihovim neobičnim obrascima upita, snažno koncentrisanim na Claude-ove najprepoznatljivije sposobnosti poput logičkog zaključivanja i programiranja. To je bio neprijateljski slučaj koji je uključivao prevaru i lažne naloge, ali ukazuje na istu osnovnu dinamiku u blažem, potpuno legalnom obliku: Što se model više koristi za rešavanje određene vrste problema, to postaje bolji u toj vrsti problema. Svaki veliki provajder ima neku verziju tog mehanizma samorazvoja jer njihov posao zavisi od toga. To je takođe razlog zašto standardni korporativni priručnik za bezbednost veštačke inteligencije zataji. Ranije rasprave su stavljale naglasak na „sendboksing“ (sandboxing) i srodne kontrole — izolovanje AI alata u bezbedna, zatvorena okruženja tako da osetljivi podaci nikada ne dotaknu otvoreni internet. To jesu istinski korisni koraci, ali oni rešavaju samo jedan deo problema. Sendboks sprečava curenje vaših podataka. On ne čini ništa da spreči provajdera AI usluga da uči obrasce rešavanja problema vašeg tima svaki put kada koriste alat unutar tog sendboksa. Možete zaključati podatke u sef i opet izgubiti stvar koja je te podatke uopšte činila vrednim: stručnost koja je na njih primenjena. Postoji i jednostavnija, ljudskija verzija istog rizika: AI u senci (shadow AI). Uprkos tome što plaćaju bezbedne, ugovorno zaštićene korporativne naloge, zaposleni u većini kompanija i dalje povremeno koriste besplatne, lične AI naloge iz navike, komfora ili da bi zaobišli ograničenja koja je poslodavac postavio na korporativnu verziju — ubacujući ugovor radi sumiranja, ili deo koda radi debagovanja, kao što su inženjeri kompanije Samsung uradili 2023. godine kada su nehotice postavili vlasnički izvorni kod za poluprovodnike na ChatGPT, što je navelo kompaniju da interno zabrani taj alat. Ovaj obrazac je izuzetno rasprostranjen. Studija MIT-a iz 2025. godine o upotrebi generativne veštačke inteligencije u preduzećima otkrila je da, iako je samo oko 40% kompanija kupilo zvaničnu AI pretplatu, zaposleni u više od 90% anketiranih kompanija redovno koriste lične AI alate za posao. Takođe, IBM-ov izveštaj „Cost of a Data Breach Report“ za 2025. godinu otkriva da povrede podataka koje uključuju AI u senci u proseku koštaju otprilike 670.000 dolara više od incidenata bez njega, dok istovremeno disproporcionalno izlažu intelektualnu svojinu i podatke o klijentima napadima. Svaki put kada zaposleni posegne za ličnim AI nalogom, sve što se unese ide pravo u tok za obuku tog besplatnog alata, bez ikakvog korporativnog ugovora koji bi stajao na putu. To je isti gubitak stručnosti, samo kroz otključana sporedna vrata umesto kroz sistem koji je trebalo da je štiti. Spojite ove elemente i u fokus dolazi veći preokret. Poslednje dve decenije, savet za kompanije je glasio „podaci su nova nafta“ — prikupite ih, zaštitite ih i imaćete prednost. To više samo po sebi nije dovoljno. Podaci sve više postaju roba široke potrošnje; ima ih mnogo, a AI modeli su dobri u korišćenju onoga što im se pruži, čak i kada to nije najvišeg kvaliteta. Ono što je zaista retko, i zaista vredno, jesu visokokvalitetni podaci i ono što kompanija radi sa svojim podacima — specifično prosuđivanje, radni tok i rezonovanje koje sirovu informaciju pretvara u dobru odluku. Nazovite to „suverenitetom logike“: vlasništvo ne samo nad vašim podacima, već i nad načinom razmišljanja koji na njih primenjujete. To je upravo ono što AI šerlokovanje targetira, i to se dešava kroz tri specifična kanala, od kojih svaki vredi razumeti ponaosob jer svaki zahteva drugačije rešenje. Prvi su povratne informacije koje vaši zaposleni svakodnevno daju AI alatu, često i ne razmišljajući o tome. Drugi je način na koji industrija u celini sve više koristi sadržaj generisan od strane AI-ja — uključujući rezultate korišćenja visoke vrednosti — kao sirovinu za obuku budućih modela. Treći je strukturna verzija istog problema: Što više vaši najbolji ljudi koriste platformu, ta platforma postaje pametnija za sve, uključujući i vaše konkurente. Pogledajmo svaki od njih redom. Prva ključna pouka: Povratne informacije vašeg tima jesu podaci za obuku Prvi kanal je najčešći i verovatno ga je najlakše prevideti. Svaki put kada neko iz vašeg tima pruži povratnu informaciju AI alatu — palac gore ili dole, „ovo nije sasvim tačno, pokušaj ponovo“, ili ručnu ispravku u nacrtu — oni rade više od pukog dobijanja boljeg odgovora. Oni pružaju tačno onu vrstu signala koju AI kompanije koriste za ponovno obučavanje i poboljšanje svojih modela. Jednostavnim rečima: vaše ispravke podučavaju model. Evo dela koji bi trebalo da zabrine svakoga ko upravlja vašim ugovorima sa AI dobavljačima. Standardni ugovor o uslugama kompanije OpenAI (OpenAI Services Agreement) štiti vaše upite i sirove odgovore modela od upotrebe u obuci, ali povratne informacije tretira kao zasebnu kategoriju. Ugovor navodi da ako korisnik pruži povratne informacije, OpenAI ima pravo da koristi i gradi na tim povratnim informacijama bez ograničenja i bez plaćanja naknade za to. Komercijalni uslovi korišćenja kompanije Anthropic za Claude sadrže gotovo identičnu klauzulu — što je znak da je ovo izuzeće povratnih informacija standardna struktura ugovora u industriji, a ne posebnost jednog provajdera. Postoji izvesna nejasnoća u tome koliko se široko pojam „povratne informacije“ tumači — termin se obično definiše kao povratna informacija o samoj usluzi — ali sopstvena dokumentacija kompanije OpenAI je eksplicitnija u pogledu toga šta to znači u praksi: Čak i kada je korisnik generalno isključio mogućnost obuke, davanje ocene palac gore ili dole na odgovor znači da se ceo razgovor povezan sa tom povratnom informacijom može iskoristiti za obuku budućih modela. I to se ne odvija samo automatizovano: proces učenja uz potkrepljenje (reinforcement learning) koji stoji iza modernih četbotova, prvi put detaljno opisan u istraživanju kompanije OpenAI pod nazivom InstructGPT iz 2022. godine, oslanja se na spoljne saradnike koji čitaju i rangiraju odgovore modela na stvarne korisničke upite kao ključni signal za obuku, a isti osnovni pristup se sada koristi širom industrije. Ljudi koji obavljaju to ocenjivanje, zapravo, takođe uče iz vlasničkih ispravki vašeg tima. Šta menadžeri treba da urade: Tretirajte mehanizme povratnih informacija kao ugovorno pitanje, a ne samo kao funkciju proizvoda. Prilikom pregovaranja ili obnavljanja ugovora sa dobavljačima AI usluga, nemojte se zaustaviti na odredbi „nema obuke na našim podacima“. Pitajte konkretno za povratne informacije, ocene, ispravke i dnevnike interakcija (logs), i insistirajte na formulacijama koje eksplicitno zatvaraju ovaj jaz. U martu 2026. godine, Anthropic je dodao mogućnost upravljanja podešavanjima korisničkih povratnih informacija na nivoima Team ili Enterprise, pa obavezno isključite funkciju ocenjivanja razgovora (Rate Chats). Imajte na umu da je ovo nova funkcija, a ne isprobana i dokazana garancija. Vredi uputiti i vaše timove: onog trenutka kada isprave rad veštačke inteligencije, oni možda podučavaju sistem koji koriste i vaši konkurenti. Druga ključna pouka: Vaši najbolji rezultati mogu postati podaci za obuku nekog drugog Drugi kanal je pitanje ponude i potražnje. Visokokvalitetni podaci koje generišu ljudi — vrsta koja je AI kompanijama potrebna da bi nastavile da poboljšavaju svoje modele — postaju sve ređi. Istraživači u organizaciji Epoch AI, neprofitnoj organizaciji koja prati resurse za obuku veštačke inteligencije, procenjuju da će zalihe javno dostupnih tekstualnih podataka visokog kvaliteta biti u velikoj meri iscrpljene negde između 2026. i 2032. godine, u zavisnosti od toga koliko se efikasno ponovo koriste. Zato su se provajderi sve više okretali alternativnom rešenju: korišćenju najboljih izlaznih rezultata sopstvenih modela kao materijala za obuku sledeće verzije. Ovo je sada standardna praksa u industriji, a ne redak izuzetak. Model Phi-4 kompanije Microsoft, lansiran u decembru 2024. godine, izričito je obučen na približno 400 milijardi tokena generisanih kroz 50 različitih sintetičkih skupova podataka, a Microsoftov tehnički izveštaj tvrdi da je ovaj pristup bio ključan za performanse modela. Ako vaš tim koristi dobro ugovoren korporativni AI, vaši specifični izlazni rezultati su obično izolovani od ovog toka obuke. Ali postoje dva načina na koja ovaj rizik i dalje pogađa vašu kompaniju. Prvi je svaka upotreba koja spada van tog ugovora — potrošački ili besplatni nalozi, korišćenje AI-ja u senci ili stariji ugovori bez izričite zaštite izlaznih rezultata. Sve što se tamo generiše slobodno je za korišćenje u obuci sledećeg izdanja. Drugi način je suptilniji: čak i kada se vaši specifični izlazni rezultati ne diraju, modeli obučeni na objedinjenim rezultatima svih ostalih koji rešavaju slične probleme i dalje postaju bolji za vaš tip problema, a ta unapređena sposobnost se zatim prodaje svakome ko kupi pristup. Kao propratna napomena, istraživači su upozorili da modeli koji su previše obučavani na ovoj vrsti recikliranog sadržaja generisanog veštačkom inteligencijom mogu postepeno izgubiti tačnost tokom vremena, što je pojava koju nazivaju „kolaps modela“ (model collapse). To jeste prava tehnička glavobolja za AI provajdere, ali ne menja vašu izloženost riziku. Šta menadžeri treba da urade: Za slučajeve upotrebe veštačke inteligencije od najveće vrednosti — one koji su vezani za istinsku konkurentsku prednost — insistirajte na opcijama implementacije koje sve zadržavaju unutar kuće: prilagođeni modeli koji rade u privatnom cloud okruženju ili lokalna (on-premises) postavka gde se ništa generisano nikada i ni za kakve potrebe ne šalje nazad provajderu. Sačuvajte javnu verziju ovih alata opšte namene za poslove manjeg značaja, gde gubitak „tajnog recepta“ ne predstavlja stvarnu brigu. Treća ključna pouka: Najpametniji korisnik čini platformu pametnijom za sve Treći kanal se manje bavi pojedinačnim interakcijama, a više strukturnim obrascem. AI platforme se poboljšavaju učeći od svojih najsofisticiranijih korisnika. Ako je vaša kompanija ta koja najviše pomera granice AI alata — koristeći ga za rešavanje istinski teškog problema visoke vrednosti, poput optimizacije složenog lanca snabdevanja — vi ste takođe i oni koji podučavaju taj alat kako da generalno rešava probleme poput vaših. Platforma postaje bolja. Zatim tu poboljšanu sposobnost prodaje ostatku tržišta, uključujući vaše direktne konkurente. Ovo stvara neprijatnu dinamiku: što je vaša upotreba AI alata inovativnija, to više možete doprinositi budućim sposobnostima sopstvenih konkurenata. To se kosi sa načinom na koji je konkurentska prednost tradicionalno funkcionisala. Uobičajeno je bilo da vas status najpametnijeg korisnika nekog alata drži ispred konkurencije, a ne da nagriza vaše vođstvo. Šta menadžeri treba da urade: Za svoj strateški najosetljiviji rad, izbegavajte slanje celog problema AI alatu opšte namene u jednom koraku. Razbijte zadatak na delove i pošaljite samo one delove koji ne otkrivaju vaš celokupni pristup, dok deo koji sve povezuje u celinu — vaš stvarni metod — zadržavate unutar kompanije. Srodna opcija je korišćenje velikog javnog AI modela za generisanje grubih, opštih ideja, a zatim sprovođenje stvarnog finog podešavanja (fine-tuning) na manjem modelu koji vaša kompanija u potpunosti poseduje i kontroliše, tako da vredan završni korak nikada ne napusti zgradu. Ništa od ovoga ne znači da kompanije treba da prestanu da koriste veštačku inteligenciju. Dobici u produktivnosti i promene u načinu na koji se posao obavlja su stvarni i samo će rasti. Međutim, trenutni pristup zaštiti konkurentske prednosti izgrađen je oko pogrešnog pitanja. Većina bezbednosnih provera i dalje pita: „Da li su naši podaci bezbedni?“ Važnije pitanje u budućnosti glasi: „Ko uči iz našeg uspeha?“ Tokom narednih nekoliko godina, očekujte da ovo pitanje pređe sa nivoa uske brige timova za bezbednost veštačke inteligencije u standardnu temu upravnih odbora, baš kao što je privatnost podataka postala pre jedne decenije. Kompanije koje nastave da tretiraju formulu „nema obuke na našim upitima“ kao dovoljnu zaštitu otkriće, postepeno, a zatim odjednom, da je njihova konkurentska prednost tiho apsorbovana u same alate koje koriste za takmičenje na tržištu. Organizacije koje preduhitre ovaj scenario — prepravljanjem ugovora, izolovanjem svog najvrednijeg rada i obukom svojih ljudi da prepoznaju gde leži stvarna izloženost — biće one čija će stručnost ostati samo njihova. Ovde postoji i širi ulog, koji prevazilazi finansijski rezultat bilo koje pojedinačne kompanije. Ako nekolicina AI provajdera na kraju apsorbuje najbolju logiku rešavanja problema iz svih industrija, konkurentska prednost bi se mogla koncentrisati u manjem broju ruku, a podsticaj za bilo koju kompaniju da nastavi otvoreno da inovira mogao bi da opadne. Vredi pratiti to pitanje kao problem funkcionisanja konkurencije u ekonomiji vođenoj veštačkom inteligencijom, a ne samo kao stvar individualne korporativne strategije. Za sada, praktičan zadatak za lidere je uži i hitniji: znajte tačno šta vaši AI alati uče od vas i odlučite, promišljeno, šta ste spremni da ih naučite.

Kada zahtevi rastu dok se resursi smanjuju, lideri ne mogu jednostavno da apsorbuju sav dodatni rad niti da još jače pritiskaju već preopterećen tim. Oba pristupa nose visoku cenu: sagorevanje (burnout) za vas, kao i narušeno poverenje i odlazak ljudi iz vašeg tima. Bolji pristup jeste preispitivanje načina na koji se posao obavlja i toga ko ima ovlašćenje da ga završi. Počnite tako što ćete uključiti svoj tim u donošenje odluka o tome šta se može pauzirati, smanjiti ili ukinuti, dok istovremeno kod višeg rukovodstva zagovarate obezbeđivanje dodatnih resursa ili pomeranje rokova. Učinite kriterijume za donošenje odluka eksplicitnim kako bi vaš tim mogao da deluje bez čekanja na vas. Spustite ovlašćenja naniže zajedno sa zadacima i povežite nove odgovornosti sa onim što motiviše ljude. Kada je neophodno, držite se zacrtanih kritičnih prioriteta uz puno uvažavanje opterećenja sa kojim se tim suočava.   Kada je moj klijent u koučingu, Kris*, postao glavni pravni savetnik u firmi za finansijske usluge, nije očekivao koliko će brzo obim posla eskalirati. Tokom njegove prve godine, kompanija je zaključila tri velike uzastopne akvizicije, što je dovelo do lavine pregleda ugovora, usklađivanja sa propisima i regulatornih pitanja. Svaki put kada bi Kris pokušao da delegira neki zadatak, njegov tim bi rekao: „Dajemo sve od sebe, ali smo na ivici kapaciteta.“ On je to razumeo, ali pošto je posao i dalje morao da se uradi, Kris ga je preuzeo na sebe. Rad noćima i vikendima kako bi održao korak ubrzo je ugrozio Krisovu sposobnost da vodi strategiju na visokom nivou, upravo ono zbog čega je i postavljen na tu funkciju. Krisova situacija je nešto čemu svedočim kod lidera u gotovo svim industrijama danas. Jedan drugi klijent bio je frustriran kada je rukovodilac odobrio novi proizvod pored već popunjenog razvojnog plana, dok su drugi nasledili dodatne projekte nakon što su njihove kolege napustile kompaniju. Iz onoga što vidim u svojoj koučing praksi, preopterećenost prioritetima postala je definicija rada na višim rukovodećim pozicijama. Liderima se dodeljuje sve više posla, dok istovremeno rukovode timovima koji su i sami već prenapregnuti. Dakle, šta možete učiniti? Preuzimanje svih zadataka na svoja leđa vodi direktno u sagorevanje, ali ni dodatno pritiskanje već preopterećenog tima nije rešenje. To narušava poverenje i stvara rizik od gubitka ključnih talenata u trenutku kada su vam najpotrebniji. Evo kako da pronađete zdravu sredinu kada se suočite sa velikim obimom posla, a sa sve manje resursa da sve to završite. Uhvatite se u koštac sa problemom resursa Uključite svoje ljude u osmišljavanje mogućih rešenja, jer oni vide svakodnevnu realnost koju vi možete prevideti. Pokušajte sa ovakvim pristupom: „Dobili smo zadatak da uklopimo [novi prioritet]. S obzirom na sve što već imamo na stolu, potrebno mi je vaše mišljenje o tome šta bismo mogli da pauziramo, smanjimo u obimu ili ukinemo kako bismo napravili prostor.“ Zagovaranje prema višem rukovodstvu je takođe ključno. Deo vašeg posla na višim nivoima organizacije jeste da upravnom odboru i generalnim direktorima pružite tačnu sliku o tome šta je pod rizikom i kako se mogu postići rezultati. To može značiti pregovaranje o pomeranju roka, angažovanje eksternog saradnika radi pokrivanja nedostatka ili preusmeravanje resursa iz drugog sektora. Takođe, obezbedite podršku pre nego što napravite preraspodelu. Kratka najava vašem nadređenom („Povlačimo resurse sa projekta X kako bismo izgurali projekat Y“) sprečava da kasnije budete preispitivani i predstavlja primer transparentnosti koju želite da primenjuju i vaši menadžeri. Pretočite svoj način razmišljanja timu Većina vaših razmišljanja o kompromisima ostaje u vašoj glavi, uključujući kriterijume koje biste odmeravali, faktore kojima biste dali prednost i stvari preko kojih biste prešli i zašto. Kada takvo razmišljanje učinite jasnim i otvorenim, omogućavate svom timu da se nosi sa većim obimom posla bez čekanja na vašu procenu. Uputite svoje najbliže saradnike u: • Kako pristupate donošenju odluka, na primer sa kim se prvo konsultujete, šta želite da znate pre nego što se obavežete i kako analizirate suprotstavljene promenljive kao što su troškovi u odnosu na kvalitet.• Kako izgleda „dovoljno dobro“ za trenutni period, pošto se lestvica gotovo sigurno pomerila sa prilivom novih zahteva. Jasno definišite gde je redukovana verzija isporučenog materijala prihvatljiva — i šta to tačno uključuje, a šta ne.• Prag za eskalaciju. Na primer, da li bi trebalo da budete uključeni kada se pojavi određena zainteresovana strana ili kada se pređe određeni finansijski iznos? Spustite naniže ovlašćenja, a ne samo zadatke Vaši direktno podređeni saradnici možda preuzimaju na sebe posao koji bi mogli da obave njihovi članovi tima, popunjavajući rupe sami umesto da odgovornost spuste naniže. Na sledećem sastanku jedan-na-jedan pitajte: „Šta je to, makar i sitnica, što bi moglo da se prepusti nekom drugom u tvom timu?“ Prevaziđite njihov otpor tako što ćete promeniti perspektivu. Oni time ne prebacuju dosadne poslove, već pružaju drugima priliku da se upoznaju sa različitim segmentima poslovanja. Proširite isti zahtev i na međufunkcionalne partnere. Podstaknite svoje saradnike da razmisle šta prirodnije pripada nekoj drugoj jedinici i dajte im dozvolu da započnu te razgovore sa kolegama iz drugih odeljenja nakon što vi prethodno obavestite vođe tih timova. To bi moglo da zvuči ovako: „Pošto smo u narednom kvartalu isključivo fokusirani na strategiju izlaska na tržište, zamolio sam Džua da razgovara sa vašim analitičarima o tome da analitika pređe pod njihovu nadležnost.“ Ovo vam pruža priliku da najpre nasamo rešite eventualna neslaganja. Povežite zahteve sa onim što je vašem timu važno Unutrašnja motivacija vašeg tima za delovanjem mora biti jača od osećaja da su opterećeni još jednim dodatnim zadatkom. Budite konkretni po pitanju toga šta oni lično dobijaju. Na primer, da li bi im to donelo kredibilitet kod ključnog klijenta ili im donelo veću odgovornost za bilans uspeha koja im otvara put do unapređenja? Takođe, jasno pokažite kako novi zahtev doprinosi krajnjem cilju na osnovu koga se meri uspeh njihovog sektora ove godine, tako da to dožive kao korak napred ka nečemu, a ne samo kao još jednu stavku na gomili. To može zvučati ovako: „Znam da je ovo mnogo, ali ako ostvarimo ove brojke, bićemo u odličnoj poziciji da obezbedimo više novih radnih mesta za sledeću godinu,“ ili „ovo će promeniti percepciju o nama iz troškovnog centra u pokretača rasta celog poslovanja.“ Zadržite čvrst stav uz empatiju Ponekad je vaš posao vrhovnog lidera da pojačate očekivanja, čak i ako to izazove otpor. Kada vaš tim zna da se od zahteva neće odustati ili da su pregovori završeni, počeće da traži način da ga realizuje. Postavljanje čvrstih granica gura ljude preko otpora pravo u kreativna rešenja. Tehnika „pokvarene ploče“ u postavljanju granica ovde odlično funkcioniše. Smireno i utemeljeno ponavljajte istu poruku. Na primer: „Čujem vas i slažem se da tajming nije idealan. Takođe znam da imamo sve što je potrebno da prebrodimo ovaj naporan period, pa hajde da se vratimo pronalaženju načina kako ćemo to izvesti,“ ili „Razumem da je ovo veliki napor i uveren sam da to možete izvesti. Izložite mi šta možete pokušati s obzirom na to da pomeranje roka nije opcija.“ Uspešno upravljanje preopterećenošću predstavlja dokaz vaše liderske zrelosti. To pokazuje da umete da stvorite uslove da se postigne više bez potrebe da sve uradite sami, istovremeno osnažujući svoj tim da se razvija. *Ime je promenjeno.

Dok brendovi žure da koriste generativnu veštačku inteligenciju kako bi kreirali oglašavanje brže i jeftinije, novo istraživanje sugeriše da stvarni rizik nije očigledno loša kreativa, već rad koji izgleda dovoljno dobro za odobrenje, dok u praksi tiho podbacuje na tržištu. U studiji koja je upoređivala video-oglase vodećih brendova generisane veštačkom inteligencijom i one koje su stvorili ljudi, potrošači su jedva uspevali da uoče razliku, ali su oglasi stvoreni pomoću veštačke inteligencije bili slabiji i u pogledu kratkoročnog prodajnog potencijala i u pogledu dugoročne vrednosti brenda. Lideri bi stoga trebalo da posmatraju AI kreativnost kao pitanje procene i upravljanja, a ne samo kao alat za proizvodnju.   Višem rukovodiocu bi se moglo oprostiti što generativnu veštačku inteligenciju vidi kao odgovor na jedan od najtvrdokornijih problema u marketingu: kreativan rad je skup, spor i teško ga je skalirati. Uz prave upite (prompte), tim sada može generisati koncepte, scenarije, slike, pa čak i video-spotove u deliću vremena koje je nekada bilo potrebno. Rezultat često izgleda uglađeno, u skladu sa brendom i autentično. Međutim, čak i kada izgleda dovoljno stvarno da potrošači poveruju da gledaju oglase koje su osmislili ljudi, to nije isto što i dobro funkcionisanje u praksi. U nedavnoj studiji koju smo kolega i ja vodili zajedno sa kompanijom Ipsos, zatražili smo od 3.000 potrošača u SAD da pogledaju 20 video-oglasa poznatih brendova. Polovinu su kreirali ljudi; polovina je u potpunosti napravljena pomoću veštačke inteligencije, od ideje do postprodukcije, na osnovu kreativnih brifova koje smo generisali iz originalnih spotova. Cilj je bio da se izoluje ključno pitanje: kada se od njih zatraži da realizuju istu marketinšku strategiju, može li veštačka inteligencija obaviti posao jednako efikasno kao i ljudi? Odgovor je bio složeniji od jednostavnog da ili ne. AI oglasi nisu bili očigledni promašaji. Svi su bili dovoljno uverljivi da se nađu u stvarnom medijskom okruženju, jer su se potrošači zaista mučili da ih razlikuju od onih koje su napravili ljudi. Ali poslovni rezultati su pokazali drugačiju sliku. U proseku, oglasi generisani veštačkom inteligencijom bili su 14% slabiji po pitanju kratkoročnog prodajnog potencijala i 17% slabiji u pogledu dugoročne vrednosti brenda. To je strateški rizik. Veštačka inteligencija smanjuje troškove proizvodnje rada koji izgleda prihvatljivo, ali je ipak neefikasan. Rezultat može biti kreativa koja glatko prolazi internu proveru, a zatim tiho uzrokuje da vaša kompanija izgubi poziciju na potrošačkom tržištu. Evo kako da izbegnete ovu zamku. Prestanite da se fokusirate na prepoznavanje Veliki deo javnog diskursa o sadržaju generisanom veštačkom inteligencijom bio je usmeren na to da li potrošači mogu da primete da ga je napravila veštačka inteligencija. Umesto toga, izvršni direktori bi trebalo da istraže da li taj rad čini verovatnijim da se potrošači sete brenda, da mu veruju, daju prednost i izaberu ga. AI oglašavanje može izgledati kao način za smanjenje troškova, ali ako generiše manju potražnju, te uštede se poništavaju manjim prihodom. U radu okrenutom potrošačima, ekonomija se ne završava na troškovima produkcije. Oglasi za brend Chewy u našoj studiji ilustruju ovaj rizik. Praznični spot koji su stvorili ljudi prati Juniora, zlatnog retrivera, kako od šteneta sazreva u starog psa. U jednom nezaboravnom prelazu, vlasnik navlači džemper preko Juniorove glave dok je mlad, a kada ga skine, pas je iznenada ostario — jednostavan vizuelni postupak koji dočarava koliko brzo godine sa ljubimcem mogu proći. AI verzija je preuzela istu osnovnu ideju prelaska od šteneta do starog psa, ali je psa prikazala znatno generičnije, pored porodice okupljene oko božićne jelke. Nije čak bilo ni jasno da li mlađi i stariji pas uopšte predstavljaju istog ljubimca. AI oglas nije bio očigledan neuspeh. Funkcionisao je kao prosečan oglas, ali mu je nedostajala emotivna preciznost koja je oglas stvoren ljudskom rukom učinila upečatljivim i dirljivim. Merite efikasnost, a ne troškovnu efektivnost Zaokret ka neefikasnom AI marketingu može se dogoditi tiho: finansijski direktor vidi niže troškove produkcije, direktor marketinga brže cikluse kampanja, a generalni direktor dokaz da organizacija usvaja veštačku inteligenciju, pa ti lideri traže od agencija i internih timova da proizvode više materijala, brže, za više kanala. Vremenom, „dovoljno dobro“ postaje operativni standard, a sistem počinje da nagrađuje obim, brzinu i kratkoročne uštede više nego prepoznatljivost i poslovni efekat. Mudri lideri će umesto toga moći da prepoznaju kada veštačka inteligencija može da poveća propusnu moć bez slabljenja moći ubeđivanja. To zahteva nove načine razmišljanja o procesima, podsticajima, merenju i odgovornosti. Naša studija sugeriše da najbolji način za merenje kreativnog rada veštačke inteligencije nije cena po oglasnom materijalu, vreme proizvodnje ili količina sadržaja. Te metrike je možda lako prikupiti, ali one mogu zamagliti stvarnu ekonomsku sliku. Umesto toga, pronađite način da pratite da li je sadržaj proizveden veštačkom inteligencijom generisao jednaku ili bolju pažnju potrošača, ubeđivanje, pamćenje, konverziju i poverenje, kao i bolju dugoročnu vrednost brenda u odnosu na radove koje su stvorili ljudi ili hibridne radove prema istom brifu. Ako AI verzija funkcioniše podjednako dobro ili bolje, uvećajte je. Ako podbaci, ostavite je po strani kako biste izbegli medijski gubitak, slabiju konverziju i sporiji rast brenda. I verzija koju su napravili ljudi i verzija generisana veštačkom inteligencijom za Cheerios oglase u našoj studiji bile su među najjačim oglasima u našem uzorku i rangirane su blizu vrha Ipsosove šire baze podataka o oglašavanju. Ljudski oglas počinje tako što devojčica pita majku da li su Cheerios dobre za srce. Nakon što čuje da mogu pomoći u snižavanju holesterola, ona kasnije sipa gomilu Cheeriosa na grudi svog usnulog oca, pokazujući svoje doslovno tumačenje pomaganja njegovom srcu. AI verzija je uzela istu osnovnu ideju i izgradila konvencionalniju scenu za doručkom oko oca koji jede Cheerios, povezujući zdravlje njegovog srca sa ljudima koji zavise od njega. Obe verzije su imale koristi od snažnog brifa izgrađenog oko jednostavnog ljudskog uvida: zdravlje srca je važno jer vam pomaže da budete tu za ljude kojima ste potrebni. U ovom slučaju, ta strateška osnova bila je dovoljno jaka da veštačka inteligencija proizvede oglas koji je funkcionisao skoro jednako dobro kao i verzija koju su napravili ljudi. Koristite veštačku inteligenciju za konvencionalne poslove Najefikasniji AI oglasi, prema oceni učesnika naše studije, težili su tome da budu usmereni na proizvod, direktni i izgrađeni oko poznatih struktura: jasan problem, rešenje i razlog za verovanje. To ima smisla jer je generativna veštačka inteligencija veoma dobra u prepoznavanju i rekombinovanju obrazaca — što je savršeno za funkcionalno oglašavanje. Demonstracija proizvoda, struktura pre i posle, lista pogodnosti, lokalizacija, adaptacija po kanalima. To se jasno pokazalo u dva najjača oglasa generisana veštačkom inteligencijom u našoj studiji, za Febreze i Herbal Essences. Febreze AI spot je u suštini bio demonstracija proizvoda, prikazujući ljude kako prskaju tkanine po kući da bi ih osvežili. AI oglas za Herbal Essences pratio je ženu koja pokazuje svoju kosu, ispresecano kadrovima lepote šampona okruženog cvećem i drugim prirodnim sastojcima. U oba slučaja, AI verzije su funkcionisale barem jednako dobro kao i njihovi parnjaci koje su kreirali ljudi (Febreze, Herbal Essences) u pogledu kratkoročnog prodajnog potencijala. Kreativni pravac nije zahtevao od veštačke inteligencije da izmisli novu priču ili tačku gledišta; mogla je da se realizuje unutar dobro uspostavljenog priručnika za kategoriju i brend. Naše istraživanje ukazuje na to da veštačka inteligencija može biti veoma korisna u pomaganju timovima sa jasnim strateškim brifovima, uvidima i dokazima da generišu specifičnije ili prilagođene varijacije ili proširenja uspostavljenih sistema brenda. Koristite ljude za nijansiraniju kreativnost Naše istraživanje je pokazalo da veštačka inteligencija lošije radi sa slabim, nejasnim ili nepodržanim brifovima. Ona se takođe bori da generiše rad koji zavisi od emocionalne specifičnosti, pravog trenutka u kulturi, narativne tenzije, humora, emocija ili iznenađujuće tačke gledišta. Na primer, brif koji smo kreirali za reklamu automobila Fiat zahtevao je energičnost, prkos, razigranost i buntovnost. AI verzija je ove smernice shvatila uglavnom doslovno i predstavila automobil kao test-subjekat u mračnim, dramatičnim kadrovima vozača koji ga vozi kroz neonom osvetljene gradske ulice. Rezultat je izgledao filmski, ali se pokazao kao jedan od najmanje emotivno privlačnih oglasa u grupi. Originalni oglas koji su napravili ljudi koristio je istu ideju „testiranja“ automobila kako bi izgradio šalu: inženjeri u laboratorijskim mantilima simulirali su maltretiranje koje bi automobil mogao da pretrpi od strane besnog partnera. Oba oglasa su komunicirala izdržljivost, ali je verzija koju su napravili ljudi pretvorila tvrdnju o proizvodu u prepoznatljivu i neočekivanu priču, dok je AI verzija uglavnom reprodukovala spoljašnji izgled buntovništva. Budite transparentni U našoj studiji, više od polovine učesnika je reklo da brend koji koristi veštačku inteligenciju u oglasima ne bi promenio njihovo mišljenje o kompaniji, ali je velika većina takođe rekla da bi upotreba veštačke inteligencije trebalo da bude obelodanjena. To očekivanje počinje da se poklapa sa promenljivim pravnim i industrijskim okruženjem. U Evropskoj uniji, novi Zakon o veštačkoj inteligenciji zahtevaće transparentnost za određeni sadržaj generisan ili manipulisan veštačkom inteligencijom počev od avgusta 2026. godine. U Sjedinjenim Američkim Državama, Njujork sada zahteva obelodanjivanje kada oglasi uključuju sintetičke izvođače generisane veštačkom inteligencijom, a industrijske grupe kao što je Biro za interaktivno oglašavanje (Interactive Advertising Bureau) objavile su okvire za transparentnost veštačke inteligencije. Obelodanjivanje stoga više nije pravna naknadna misao, već suštinski element dobrog upravljanja brendom. To podrazumeva vođenje evidencije o tome kako je veštačka inteligencija korišćena, odlučivanje kada je obelodanjivanje prikladno, postavljanje standarda za sintetičke ljude i glasove, kao i obezbeđivanje da agencije i dobavljači prate ista pravila. Ovde je reč o poverenju podjednako kao i o usklađenosti. Potrošači možda neće automatski kazniti upotrebu veštačke inteligencije, ali sve više očekuju od kompanija da budu iskrene u vezi sa tim. U svojoj kampanji „A.I. Ketchup“, Heinz je koristio AI generator slika kako bi stvorio sve vizuale za oglas, počevši od jednostavnog pitanja modelu kako izgleda „kečap“. Heinz je otvoreno pokazao kako su slike nastale i pozvao potrošače da predlože sopstvene upite za slike, pokazujući da obelodanjivanje može ojačati, a ne potkopati, kreativnu ideju. . . . Ništa od ovoga nije argument za usporavanje usvajanja veštačke inteligencije. Naprotiv, naš zaključak je da kompanije treba da koriste veštačku inteligenciju ambiciozno, ali sa znatno većom disciplinom u pogledu toga gde ona stvara vrednost, a gde stvara skriveni rizik. Generativna veštačka inteligencija može ubrzati kreativni proces, posebno u fazi istraživanja (razvoj koncepta, analiza konkurencije, priprema za testiranje publike, i kreativno prototipisanje i iteracija) i fazi izvođenja (promena formata, verziranje, lokalizacija, interni modeli, rane knjige snimanja, prve verzije tekstova, jednostavne demonstracije proizvoda i brzo istraživanje kreativnih teritorija). Međutim, ljudska procena bi i dalje trebalo da vodi kada je reč o strategiji brenda, kreativnim brifovima utemeljenim na novim istraživanjima i uvidima, emocionalnoj povezanosti, kulturnoj interpretaciji, konačnom izboru koncepta, distinktivnom pozicioniranju i velikim kampanjama za izgradnju brenda. To su oblasti u kojima ljudi moraju da definišu problem, interpretiraju publiku, donesu odluku o vrednostima brenda i procene da li je rad dovoljno jak da zasluži investiciju. A lideri moraju naučiti da ispravno mere stvarne rezultate rada ljudi, veštačke inteligencije i hibridnog rada. Moraju se zapitati da li radi dovoljno dobro da zasluži medijske budžete, vrednost brenda i pažnju potrošača.

Humor deluje kada spaja iznenađenje sa trenutnom jasnoćom. Kroz šest eksperimenata koji su uključili skoro 1.300 učesnika, šale, mimovi i razigrani nadimci bili su smešniji kada su ljudi mogli lako da ih obrade. Jasan zvuk i vizuelni prikaz su pomogli, kao i rima i aliteracija, koje su činile da poente deluju koherentnije i prikladnije. Ovaj efekat nije učinio agresivan humor manje uvredljivim, što je posebno važno upozorenje na poslu, gde kontroverzne šale mogu nositi veći rizik. Za lidere, praktična lekcija je da humor učine lakim za slušanje, gledanje i prepoznavanje; da koriste sažeto, ritmično formulisanje kada to odgovara; i da grade šale na zajedničkim iskustvima, poznatim referencama i prepoznatljivim formatima. Dobar humor na radnom mestu zahteva malo kognitivnog napora i signalizira brigu o publici.   Istraživači odavno prepoznaju da humor može privući pažnju, produbiti društvenu povezanost i izgraditi privlačnost. Za poslovne lidere, pravovremena šala može ublažiti napetost u sali za sastanke, izgraditi odnos sa novim timom i učiniti složene strateške poruke lakše pamtljivim. Ipak, pokušaj humora na poslu je notorno rizičan. Svi smo bili svedoci kako šala nekog lidera potpuno propadne, ostavljajući prostoriju u neprijatnoj tišini. Istraživanja otkrivaju da neuspeli humor umanjuje društveni kapital lidera, što rezultira manjim poštovanjem sledbenika, smanjenom dopadljivošću i kompromitovanim percepcijama njihove kompetencije i legitimiteta. Zašto neki pokušaji humora prolaze savršeno dok drugi propadaju? Filozofi još od Aristotela tvrdili su da se komedija gradi na iznenađenju. Šala funkcioniše zato što se nešto odvija drugačije od onoga što očekujemo. Međutim, velika iznenađenja nose i velike rizike. Ako publici nedostaje potrebno znanje da bi razumela šalu, ili ako je neočekivani skok prevelik, postaje teško shvatiti smisao šale. A besmislen materijal nije smešan. Da bi uspela, komedija mora uspostaviti ravnotežu između iznenađenja i koherentnosti; ona mora predstaviti neočekivano iznenađenje koje ipak odmah ima smisla. U našem nedavnom istraživanju koje obuhvata dva objavljena rada i uključuje skoro 1.300 učesnika kroz šest različitih eksperimenata, istraživali smo šta to stvari čini smešnim. Suština je jednostavna: komedija je mnogo smešnija kada ju je lakše obraditi. Zašto su najsmešnije šale najlakše za razumevanje Šala može biti laka ili teška za obradu iz mnogo razloga. Šalu je možda teško čuti preko loše Zoom veze ili ju je teško pročitati sa pretrpanog slajda prezentacije. Konceptualno, rečnik može biti previše složen, ili osnovna referenca može zahtevati specifično, usko znanje. Bez obzira na izvor, stotine eksperimenata u kognitivnoj nauci dokumentuju da to koliko je nešto lako (ili teško) za obradu utiče na našu procenu toga. Između ostalog, poruke koje se lako obrađuju deluju istinitije i koherentnije. Da bismo testirali da li to utiče na smešnost šale, sproveli smo šest eksperimenata koristeći različite komične materijale, uključujući internet mimove, poente i nadimke. U jednom nizu eksperimenata, testirali smo kako jasnoća zvuka utiče na smešnost nastupa. Pustili smo učesnicima da slušaju audio-snimke stendap komičara. Polovina učesnika čula je originalne, jasne snimke, dok je druga polovina čula iste snimke sa dodatim pozadinskim zvucima bučnog prostora. Rezultati su pokazali da su učesnici smatrali šale smešnijim kada ih je bilo lakše čuti. Zatim smo testirali efekte vizuelne jasnoće na smešnost humora zasnovanog na slikama. U polovini ispitivanja, učesnici su videli šaljive mimove u njihovom originalnom formatu; za drugu polovinu, smanjili smo ekspoziciju slike i zasićenost boja, čineći ih malo težim za vizuelnu obradu. Rezultati su bili jasni: učesnici su smatrali mimove manje smešnim kada ih je bilo teže videti. Prelazeći na jezik, potom smo testirali da li su šale smešnije kada se rimuju ili sadrže aliteraciju. Lakše je obraditi dve reči kada dele iste glasove, pa smo predvideli da će rima i aliteracija poboljšati smešnost šale. Napravili smo nove postavke šala po principu dopunjavanja sa dve ekvivalentne opcije za poentu. Za neke šale, jedna opcija se rimovala (npr. „The Snore Store“), dok je alternativna poenta koristila sinonim koji se nije rimovao (npr. „The Snore Shop“). Učesnici su u ogromnoj većini birali poente koje se rimuju ili imaju aliteraciju kao smešnije u odnosu na njihove alternative koje se ne rimuju ili nemaju aliteraciju. Takođe smo posmatrali da li laka obrada čini agresivnu šalu blažom i bezazlenijom. Da bismo to testirali, opisali smo scenarije u kojima je osoba dobila nadimak koji je ili imao aliteraciju (npr. „Dirty Derek“) ili nije (npr. „Dirty Chris“). Neki nadimci su bili okrutni i agresivni (npr. „Dirty Derek“), dok su drugi bili bezazleniji i razigraniji (npr. „Fit Frances“). Iako ne verujemo da je davanje nadimaka na bilo koji način produktivna vrsta šale u profesionalnom okruženju, želeli smo da testiramo da li ova stilska sredstva mogu promeniti meru u kojoj takve šale mogu biti uvredljive. Otkrili smo da aliteracija nije učinila agresivne nadimke manje uvredljivim ili bezazlenijim. Za svakoga ko komunicira na radnom mestu, ova razlika je kritično upozorenje: to što ćete svoju šalu učiniti lakšom za obradu neće spasiti uvredljivu ili neprikladnu primedbu od toga da uvredi vaš tim. Ovo je jedinstven i uvećan rizik za sve šale u kancelariji, pošto su zasebna istraživanja pokazala da se kontroverzne šale doživljavaju kao uvredljivije kada ljudi zamisle da ih čuju na radnom mestu u poređenju sa drugim okruženjima. Umesto toga, otkrili smo da je lakša obrada učinila da šale deluju koherentnije, što je izgleda objasnilo porast smešnosti. Kada posmatrate komediju kroz ovu prizmu, odjednom postaje jasno zašto se komičari oslanjaju na iste uobičajene tehnike. Publici je lakše da obradi informacije koje je već videla ranije. Zbog toga ponavljajuće šale (running gags), povratne šale (callback jokes) i interne šale dobro funkcionišu, jer se oslanjaju na prethodno znanje — čineći ih lakšim za obradu. Korišćenje poznate strukture, kao što je analogija ili šablon za mim (npr. „Ljudi X kada se na događaju pojavi Y“), takođe može olakšati laku obradu, a samim tim i smešnost. Završavanje šale prepoznatljivom frazom ili osmehom takođe može pomoći da se publici razjasni da pričate šalu, tako da publika ne mora da troši energiju nagađajući nameru govornika. Strateške pauze u izvođenju i promene u vokalnoj intonaciji koje oponašaju nastup klasičnog komičara mogu imati isti efekat. Ne morate biti prirodno nadareni komičar da biste efikasno koristili humor na poslu. Za lidere koji žele da komuniciraju efikasnije, ovi nalazi se svode na tri praktična zaključka za korišćenje humora na poslu: • Nemojte skrivati šalu.• Učinite da se rimuje ili koristi aliteraciju.• Gradite na zajedničkom znanju i poznatim strukturama. Nemojte skrivati šalu Najneposrednija i najpraktičnija primena našeg istraživanja za menadžere uključuje kontrolisanje okruženja i isporuke vaše poruke kako bi bila laka za slušanje i prepoznavanje, posebno u okruženju gde su konkurentski zahtevi za pažnjom publike već visoki. Ako izvodite vedar uvod na sastanku cele kompanije (town hall), akustika prostorije i to da li se publika utišala izuzetno su važni. Ako publika mora da se napreže da bi vas čula zbog lošeg mikrofona, kolega koje ometaju ili loše internet veze na hibridnom pozivu, vaša šala će vrlo verovatno propasti. Slično tome, ako su vaš suptilni govor tela ili izrazi lica ključni za to da publika razume šalu koju pravite, osvetljenje i udaljenost publike od bine uticaće na njenu smešnost. Takođe je važno da jasno stavite do znanja svoje namere kada pričate šalu. Bez obzira na to koliko je prostorija tiha, ako iznesete duhovito zapažanje ravnim, monotonim glasom ili prebrzo pređete preko njega bez promene ritma govora, publika će se mučiti da protumači da li ste ozbiljni ili ne. Korišćenje dramatičnih vokalnih intonacija, preuveličanih izraza lica i pauza kako biste označili svoj materijal kao šalu može pomoći u tome. Samo vodite računa o ravnoteži: jasno signaliziranje šale takođe može stvoriti izvestan pritisak na publiku da se nasmeje, što može dovesti do lažnog smeha pristojne publike ili negodovanja one sklonije konfrontaciji. Prihvatite moć rime i aliteracije Naši eksperimenti su takođe otkrili da su učesnici dosledno smatrali poente i fraze smešnijim kada su se rimovale ili imale aliteraciju. Iako ovo može zvučati kao savet namenjen umetnicima pre nego rukovodiocima, ovo je neverovatno moćan alat u poslovnoj komunikaciji. Kada dve reči dele isti početni glas (aliteracija) ili isti završni glas (rima), one se obrađuju brže i fluidnije. Za menadžera, to znači da specifične reči koje koristite da uobličite vedro zapažanje mogu odrediti hoće li ono dobiti osmeh ili prazan pogled. Ne preporučujemo da govorite u šaljivim stihovima, ali se možete osloniti na ritmično formulisanje kada pokušavate da iznesete upečatljivu, zabavnu poentu. Ako je projekat donekle skrenuo s koloseka zbog birokratske administracije, razigrano nazivanje te situacije „papirnim paklom“ (paperwork purgatory) umesto „administrativnim kašnjenjem“ koristi aliteraciju kako bi fraza bila kognitivno zadovoljavajuća. Slično tome, neko može projekat koji uključuje duboko frustrirajuću i masivnu tabelu nazvati „Excel pakao“ (Excel hell). Ova sredstva funkcionišu zato što zajednički glasovi mogu učiniti da se neuobičajeni parovi pojmova (npr. „papirologija“ i „pakao“) osete inherentno povezanima. Kada lideri koriste rime ili aliterativne formulacije da ukažu na apsurde na radnom mestu, oni nisu samo pametni; oni čine svoje reči lakšim za obradu svojoj publici. Zbog toga šale deluju „prikladno“ i „ispravno“. Sledeći put kada budete sastavljali imejl za svoj tim ili pripremali govor za korporativnu večeru, pregledajte svoj tekst tražeći prilike da zamenite reči upečatljivijim, aliterativnim parovima. To je naučno potvrđen način da svoju komunikaciju učinite privlačnijom. Samo zapamtite da je umerenost ključ. Većina ljudi ne govori niti piše imejlove kao Vilijam Šekspir, pa preterivanje može delovati neprirodno. Gradite na zajedničkom znanju i poznatim strukturama Najlakši način da šalu učinite lakom za obradu, a samim tim i smešnijom, jeste da je utemeljite u onome što publika već zna. Još je bolje ako se nadovezuje na stvari ili iskustva kojima su često izloženi. Interna šala o neobičnom zastarelom softverskom sistemu za koji samo vaš tim zna, ili bezazleno podsećanje na upečatljiv trenutak sa poslednjeg timskog druženja van kancelarije, funkcionišu iznenađujuće dobro, kao i ponavljajuće šale, povratne šale i interne šale. Ovo zajedničko znanje se često gradi kroz ponavljanje, čineći informaciju veoma lakom za obradu u mozgu. Pošto vaš tim već poseduje pozadinsko znanje, kognitivni napor potreban da se shvati šala je veoma mali. Osim korišćenja poznatog sadržaja za komediju, lideri takođe mogu razmotriti korišćenje poznatih struktura šala. Različite šale su stalno u trendu, od skorašnjih šala „Kako je počelo u odnosu na Kako se odvija“ i „Ženska matematika“ (Girl math) do starijih „Koliko je X potrebno da se promeni sijalica?“. Nadovezivanje na ove poznate strukture uz zamenu jedne ili dve reči kako bi odgovarale datom kontekstu može doneti mnogo smeha. Na primer, lider bi mogao da se našali na račun „korporativne matematike“ dok raspravlja o glupoj organizacionoj grešci, kao što je naručivanje previše hrane za neki događaj. . . . Razumevanje načina na koji humor funkcioniše takođe nam pokazuje zašto se toliko ceni. Pričanje dobre šale zahteva više od pukog razmišljanja o sadržaju onoga što govorite. Ono zahteva razmišljanje o tome kako će aspekti vaše šale komunicirati sa publikom i kontekstom u kojem je čuju. Iste strategije koje čine šalu smešnijom takođe obično pokazuju empatiju i pažljivost — što je odličan način za izgradnju odnosa i zajedništva sa vašim kolegama.

Kako AI agenti sve više interaguju jedni sa drugima na komercijalnim platformama, kompanijama su potrebna nova pravila koja regulišu šta ti agenti mogu da vide, odluče i urade. U kontrolisanoj simulaciji interakcije između veštačkih inteligencija (AI-to-AI), koja je obuhvatila 160 ciklusa upravljanja i 2.560 opservacija, istraživači su testirali četiri mehanizma upravljanja: otkrivanje informacija, autonomiju agenata, signale reputacije i strukturirane protokole interakcije. Bogate informacije čitljive mašinama pomogle su agentima da identifikuju perspektivne ugovorne strane, dok je veća autonomija poboljšala njihovu sposobnost da prilike pretoče u obavezujuće dogovore. Signali reputacije pomogli su agentima da odrede koje prilike zaslužuju pažnju. Međutim, kruti protokoli interakcije smanjili su angažovanje i napredak u razmeni. Ovi nalazi sugerišu da bi kompanije trebalo da uspostave jasne nivoe ovlašćenja za agente, sprovode ograničene eksperimente, obezbede strukturirane informacije i signale reputacije, kao i da osmisle precizne procedure prenosa odlučivanja sa agenata na ljude.   Krajem 2025. godine, Perplexity-jev pretraživač Comet počeo je da se prijavljuje na Amazon naloge kupaca i obavlja kupovine u njihovo ime. Amazon ga je tretirao kao uljeza. Blokirao je agenta, a kada je Perplexity u roku od jednog dana zaobišao blokadu, Amazon je spor izneo pred federalni sud. WeChat je povukao granicu drugačije. Nakon što je blokirao ByteDance-ovog asistenta Doubao, koji je koristio pristup na nivou sistema da bi upravljao WeChat-om bez dozvole, Tencent je kasnije otvorio kanal koji opisuje kao vezu između agenata (agent-to-agent) za odabrane asistente kompanija Huawei, Xiaomi i drugih, omogućivši im slanje poruka i upućivanje poziva. Prema ovom aranžmanu, eksterni agent prevodi korisnički zahtev u strukturiranu instrukciju i prosleđuje je kroz interfejs koji kontroliše Tencent do WeChat-a, koji zatim izvršava radnju unutar sopstvenog okruženja. Tencent kontroliše koji agenti mogu da se povežu, koje funkcije mogu da pozovu i koji podaci i izvršenja ostaju unutar WeChat-a. Drugim rečima, jedna platforma je potpuno zatvorila vrata za AI agente; druga ih je otključala pod sopstvenim uslovima. Van sfere trgovine, Moltbook nikada nije ni postavio vrata. Na ovoj platformi nalik Reddit-u, AI agenti objavljuju sadržaj, komentarišu i odgovaraju jedni drugima dok ih ljudi uglavnom samo posmatraju. Gotovo bez ikakvih ograničenja, njen bizarni sadržaj koji podseća na naučnu fantastiku brzo je privukao pažnju. Zajedno, ovi slučajevi prikazuju tri improvizovana odgovora na isto suštinsko pitanje: Šta bi AI agentima trebalo dozvoliti da rade u deljenim okruženjima? Interakcije se razlikuju: neke se odvijaju između agenata i platformi, dok su druge između samih agenata. Ipak, problem upravljanja je identičan. Kako agenti sve više pristupaju platformama, zastupaju kompanije i korisnike i stupaju u interakciju sa drugim agentima, pravila okruženja u kojima posluju oblikovaće ono što mogu da vide, odluče i urade. Ovi slučajevi mogu delovati beznačajno, ali tržište koje najavljuju to svakako nije. McKinsey procenjuje da bi poslovanje vođeno agentima (agentic commerce) moglo da usmeri do 1 bilion dolara maloprodajnih prihoda u SAD do 2030. godine, odnosno između 3 i 5 biliona dolara na globalnom nivou. Sami agenti napreduju podjednako brzo. Jedno od merila tog napretka jeste obim posla koji mogu da završe autonomno: METR procenjuje da se dužina zadataka koje vodeći AI agenti mogu da reše — mereno vremenom koje bi isto to zahtevalo od ljudskog stručnjaka — približno udvostručuje na svakih sedam meseci. Agenti koji su nekada mogli pouzdano da obave samo nekoliko minuta rada ekvivalentnog ljudskom radu, sada sve češće preuzimaju zadatke koji iziskuju sate. Slično tome, kompanije širom ekosistema počinju da grade infrastrukturu za trgovinu posredovanu agentima. Google, Shopify, Stripe i Visa, između ostalih, razvijaju protokole, pristup za trgovce i mogućnosti plaćanja koje omogućavaju AI agentima da učestvuju u komercijalnoj razmeni. Kako se ovi oblici učešća agenata šire, izazov upravljanja prevazilazi operatore samih platformi. Lideri tržišta moraju da odluče šta agenti smeju da pristupe i rade unutar njihovih okruženja, dok lideri kompanija koje implementiraju agente moraju da odrede koja ovlašćenja ti agenti treba da imaju kada komuniciraju sa kupcima, dobavljačima i drugim učesnicima na tržištu. Jedno okruženje u kojem ovaj izazov upravljanja postaje naročito opipljiv jeste B2B razmena, gde AI agenti mogu delovati u ime kompanija na obe strane tržišta. Generisanje potencijalnih klijenata (lead generation) je posebno korisno za ispitivanje ovog fenomena jer su pretraga, inicijalni kontakt i kvalifikacija informacijama intenzivne aktivnosti koje agenti sve uspešnije obavljaju, sa realnim komercijalnim posledicama. U našem preliminarnom istraživanju koje je obuhvatilo 55 rukovodilaca iz oblasti B2B generisanja lidova, prodaje, marketinga, razvoja poslovanja, nabavke i evaluacije dobavljača, ispitanici su prepoznali komercijalni potencijal — pri čemu se 78% složilo da AI agenti mogu poboljšati kvalifikaciju B2B lidova u ranoj fazi. Ipak, prepoznali su i jaz u upravljanju: samo 45% se složilo da je njihova kompanija spremna za tržište na kojem AI agenti generišu ili prihvataju lidove u njeno ime. To otvara centralno pitanje: Da li mehanizmi upravljanja osmišljeni za ljudske učesnike na platformama i dalje funkcionišu kada te učesnike predstavljaju AI agenti, i ako ne, kako lideri treba da ih prilagode? Naše istraživanje ispituje ove uslove kroz prizmu upravljanja platformama. Koristeći B2B generisanje lidova kao kontekst u kojem AI agenti pretražuju i procenjuju potencijalne poslovne partnere, otkrili smo da upravljanje zaista utiče na učinak agenata, ali ne uvek onako kako bi konvencionalna teorija platformi predvidela: jedan mehanizam je dosledno pomagao, drugi su pomagali samo u određenim fazama, dok se jedan pokazao kao kontraproduktivan. Šta smo otkrili Da bismo ispitali ovo pitanje, napravili smo kontrolisanu simulaciju uspostavljanja razmene između dva AI agenta. Generisanje lidova poslužilo je kao empirijski okvir jer obuhvata širi menadžerski problem: kako kompanije identifikuju, procenjuju i razvijaju saradnju sa potencijalnim komercijalnim partnerima pre nego što počne odnos među ljudima. U našoj simulaciji, agenti prodavaca predstavljali su kompanije koje nude usluge, dok su agenti kupaca predstavljali kompanije sa definisanim potrebama, budžetima, preferencijama i kriterijumima evaluacije. Agenti su prolazili kroz proces uspostavljanja razmene: inicijalni kontakt, odgovor, naknadno praćenje, predlog uvodnog sastanka, procena izvodljivosti i preuzimanje obaveze za nastavak saradnje. Unutar ovog okruženja, varirali smo četiri poluge upravljanja izvedene iz teorije i prakse platformi: koliko su komercijalno relevantnih informacija kompanije otkrile, koliki nivo autonomije u odlučivanju je dodeljen agentima, da li su signali reputacije bili vidljivi drugoj strani i koliko je protokol interakcije bio strogo strukturiran. Kroz 10 nezavisnih ponavljanja simulacije, koja su obuhvatila 160 ciklusa upravljanja i 2.560 opservacija pojedinačnih parova agenata kupaca i prodavaca, osnovni zaključak je bio jasan: upravljanje platformama kreirano za ljude ne može se jednostavno preslikati na AI agente. Drugim rečima, mehanizmi upravljanja osmišljeni da strukturiraju i disciplinuju ljudske učesnike mogu funkcionisati sasvim drugačije kada su učesnici agenti. Uočili smo četiri glavna obrasca, po jedan za svaku polugu. Otkrivanje informacija bila je jedina poluga koja je dosledno pomagala. Kada su kompanije otkrivale više komercijalno relevantnih informacija, agenti su bili sposobniji da uspostave održivu razmenu. Visok nivo deljenja informacija povećao je angažovanje druge strane, broj predloga za uvodne sastanke, procene izvodljivosti i preuzimanje obaveza za nastavak saradnje. Ovaj dobro poznati mehanizam upravljanja platformama uspešno se preneo sa tržišta kojima posreduju ljudi na AI-to-AI okruženje. Agentima su potrebne mašinski čitljive informacije da bi procenili relevantnost druge strane. Kada platforme obezbede bogatije i bolje strukturirane profile kompanija, agenti mogu preciznije da prepoznaju kompatibilnost, daju prioritet perspektivnim razmenama i izbegnu gubljenje resursa na neodgovarajuća spajanja. Autonomija je takođe pomogla, ali tek u kasnijoj fazi procesa: davanje većih prava odlučivanja agentima imalo je najjači efekat kada je trebalo preći sa faze procene na preuzimanje obaveze. To sugeriše da okruženja za razmenu posredovanu veštačkom inteligencijom zahtevaju dovoljno fleksibilnosti kako bi agenti mogli da postupaju na osnovu lokalnih informacija prikupljenih tokom interakcije. Pristup informacijama nije dovoljan. Agentima je potrebna i sloboda odlučivanja o tome da li razmena treba da napreduje. Reputacija je takođe pomogla, ali uglavnom kao signal za privlačenje pažnje i evaluaciju. Konkretno, vidljivost reputacije olakšala je ranu i prelaznu fazu formiranja saradnje. Kada su signali reputacije bili vidljivi, agenti su bili spremniji da stupe u kontakt sa drugom stranom, predlože uvodne sastanke i klasifikuju prilike kao izvodljive. Reputacija nije značajno uticala na konačno preuzimanje obaveze, ali je pomogla agentima da odluče da li neka prilika zaslužuje dalju pažnju. Nasuprot tome, strukturirani protokol se pokazao kontraproduktivnim. Na platformama gde posreduju ljudi, strukturirani protokoli često deluju razumno. Oni vode interakciju, standardizuju razmenu, olakšavaju poređenje i smanjuju prostor za oportunističko ponašanje. Međutim, u našoj simulaciji, strogo strukturiran protokol smanjio je napredak u ranoj i prelaznoj fazi razmene. Doveo je do manjeg angažovanja druge strane, ređih predloga za uvodne sastanke i lošijih procena izvodljivosti, bez značajnog poboljšanja u konačnom preuzimanju obaveza. Drugim rečima, mehanizam upravljanja koji je trebalo da unese disciplinu u interakciju zapravo ju je ugušio. To ne znači da je struktura uvek loša. Određeni stepen strukture je neophodan kako bi agenti ostali usklađeni, uporedivi i odgovorni. Ipak, krute skripte interakcije mogu suziti prostor u kojem se agenti prilagođavaju, razjašnjavaju kompatibilnost i razvijaju perspektivne prilike. Za ljudske korisnike struktura može smanjiti neizvesnost. Za AI agente previše strukture može oduzeti upravo onu fleksibilnost koja ih čini korisnim. Rezultati ukrštanja ovih faktora potvrdili su ovaj širi zaključak. Vidljivost reputacije ojačala je pozitivan efekat otkrivanja informacija: kada su agenti imali i bogatije informacije i signale reputacije, bili su znatno sposobniji da protumače kvalitet druge strane. Nasuprot tome, strukturirani protokol je oslabio uticaj autonomije na predloge uvodnih sastanaka i procene izvodljivosti. Autonomija je pomagala kada su agenti mogli da je koriste fleksibilno. Kada je protokol postao previše rigidan, ta prednost je nestala. Poruka svih ovih nalaza jeste da tržišta zasnovana na agentima zahtevaju drugačiju logiku upravljanja. Upravljanje usmereno na ljude često ima za cilj da uliva poverenje, standardizuje i disciplinuje učesnike. Upravljanje usmereno na agente mora dodatno učiniti informacije primenjivim, očuvati korisnu diskreciju i izbeći preterano sputavanje prilagodljive razmene. Šta kompanije i platforme treba da urade po tom pitanju? Naši nalazi ukazuju na neposredan menadžerski izazov: razmena između dva agenta zahteva promišljeno upravljanje. Kako kompanije omogućavaju AI agentima da kvalifikuju prilike, kontaktiraju partnere i razvijaju poslove, lideri platformi moraju postaviti pravila o tome kako agenti mogu da funkcionišu unutar njihovih okruženja. Istovremeno, lideri kompanija koje uvode agente moraju odlučiti šta ti agenti smeju da vide, kažu i urade, koliki nivo diskrecije imaju i kada ljudi moraju da intervenišu. Definišite nivoe pristupa agentima Kompanije bi trebalo da upravljaju učešćem agenata kroz jasno definisane nivoe delegiranih ovlašćenja. Na najnižem nivou, agenti mogu čitati odobrene informacije. Na sledećem nivou, mogu upoređivati opcije i predlagati naredne korake. Uz veći nivo poverenja, mogu kontaktirati ugovorne strane ili pregovarati unutar definisanih granica. U specifičnim, niskorizičnim okolnostima, mogu preuzimati obaveze ili dovršavati transakcije pod unapred utvrđenim uslovima. Svaki nivo treba precizno da odredi kojim podacima agent može pristupiti, šta ostaje unutar internog okruženja kompanije, koje radnje može samostalno pokrenuti i šta zahteva eskalaciju ka čoveku. Tencentov pristup WeChat-u ilustruje ovu logiku: odabrani asistenti funkcionišu preko kontrolisanog kanala, sa ograničenim funkcijama i izvršavanjem koje ostaje unutar Tencentovog sistema. Prema navodima kompanije Mastercard, njihovo rešenje Agent Pay ukazuje na sličan model rada u realnom vremenu, gde organizacije postavljaju pravila autorizacije i limite potrošnje koji se sprovode programski, dok agenti zadržavaju diskreciono pravo unutar tih granica. Započnite sa ograničenim eksperimentima Kompanije bi trebalo da počnu sa fokusiranim pilot-projektima u oblastima kao što su kvalifikacija lidova, pronalaženje dobavljača ili preliminarna selekcija ponuđača — gde je zadatak komercijalno koristan, ali se rizik može kontrolisati. Ovi pilot-projekti treba da imaju jasne profile agenata, uska ovlašćenja, eksplicitna pravila odlučivanja i kontrolne tačke za reviziju pre nego što agenti utiču na stvarne poslovne odnose ili obaveze. Salesforce je, na primer, uveo svog prodajnog agenta Agentforce u tačno definisan deo prodajnog procesa, koristeći ga za inicijalno obraćanje, kvalifikaciju lidova, praćenje komunikacije i zakazivanje sastanaka, dok su ljudski prodajni predstavnici ostali uključeni u dalji angažman. Cilj je uočiti gde agenti smanjuju prepreke u pretrazi i selekciji, gde pogrešno tumače kontekst i gde ljudsko rasuđivanje ostaje neophodno. Pošto će se ponašanje agenata menjati sa razvojem modela, alata i protokola, kompanije bi ove pilot-projekte trebalo da tretiraju kao ponovljivu sposobnost testiranja, a ne kao jednokratnu vežbu implementacije. Učinite svoju organizaciju razumljivom agentima Na tržištima kojima upravljaju agenti, neodređeni marketinški jezik imaće znatno manju težinu od strukturiranih, mašinski čitljivih podataka. Agenti moraju jasno razumeti šta kompanija nudi, kojim industrijama služi, u kom rasponu cena ili budžeta posluje, gde može da isporuči uslugu, koja ograničenja važe, koliko brzo odgovara i koji dokazi potkrepljuju te tvrdnje. Kompanije bi stoga trebalo da kreiraju profile prilagođene agentima i strukturirane podatke o proizvodima ili uslugama koji omogućavaju lako raščlanjivanje i poređenje njihovih komercijalnih atributa. Aktivnosti kompanije Shopify na razvoju trgovinske infrastrukture čitljive agentima kreću se u ovom smeru: platforma agentima pruža strukturiran pristup katalozima, proizvodima i informacijama o transakcijama, što oni mogu koristiti da procene ponudu i deluju u ime kupaca. Izgradite signale reputacije koje agenti mogu da koriste Signali poverenja namenjeni ljudima često su previše uopšteni za razmenu kojom posreduju agenti. Agentima su potrebni strukturirani pokazatelji koji se mogu upoređivati među različitim stranama, kao što su pouzdanost u odgovorima, performanse isporuke, verifikovani ishodi, istorija sporova, ponovljeni angažmani i dokazi da su prethodne razmene uspešno realizovane. Platforme bi trebalo da ove signale učine specifičnim, mašinski čitljivim i direktno povezanim sa merljivim ponašanjem. Na primer, rešenje KYAPay kompanije Skyfire kombinuje verifikovani identitet agenta sa evidencijom o reputaciji, iako je znatno teži zadatak u B2B razmeni signalizirati kvalitet same kompanije na drugoj strani, a ne samo pouzdanost agenta koji je predstavlja. Dizajnirajte primopredaju posla ljudima pre same implementacije Kratkoročna vrednost razmene putem agenata proisteći će iz korišćenja agenata za pripremu kvalitetnijih razgovora među ljudima, a ne iz potpunog ukidanja komercijalnog rasuđivanja. Kompanije bi trebalo unapred da definišu trenutak u kojem prilika prelazi sa selekcije koju vodi agent na izgradnju odnosa koju vode ljudi. Ta primopredaja treba da uključi obrazloženje agenta, informacije koje je koristio, uočene neizvesnosti i preporučeni sledeći korak. Microsoft-ov Dynamics 365 Sales Qualification Agent ilustruje ovaj pristup: on može da istraži, angažuje i kvalifikuje lidove pre nego što ih prosledi ljudskim prodavcima, pri čemu Microsoft izričito testira da li agent ispravno prenosi slučajeve koji sadrže pitanja van njegove baze znanja ili slučajeve sa visokim stepenom interesovanja, kao što je zahtev za demo verziju proizvoda. Koristan test performansi jeste da li ljudski timovi mogu da pretvore prilike koje je agent kvalifikovao u stvarnu komercijalnu vrednost: kvalitetnije sastanke, bolju usklađenost, kraće cikluse selekcije i produktivnije razgovore o prodaji ili partnerstvu. . . . Sve u svemu, uspon AI agenata postavlja novi menadžerski izazov: upravljanje razmenom između strana koje možda nisu ljudska bića. Prvi instinkt biće da njima upravljamo na isti način na koji upravljamo ljudima. Naši nalazi, međutim, pokazuju da upravljanje agentima nije puki nastavak upravljanja zaposlenima. To je potpuno nov dizajnerski problem. S obzirom na to da se neka pravila prenose, a neka ne, kompanije koje prve shvate razliku steći će ključnu prednost u ekonomiji kojom posreduju agenti.

Pad mnogih maloprodavaca ne odražava smrt fizičke prodavnice, već neuspeh tradicionalnog trgovačkog modela, koji od maloprodavaca zahteva da predviđaju tražnju, poseduju zalihe i apsorbuju sve veće troškove pogrešnih procena na sve nestabilnijem tržištu. Umesto toga, trgovci bi trebalo da posluju kao platforme, prebacujući odgovornost za zalihe, merčandajzing i formiranje cena na brendove putem modela prodavnice u prodavnici i agencijskih modela, dok sopstvene napore usmeravaju na kuriranje korisničkog iskustva, upravljanje ekosistemom i privlačenje kupaca. Kako veštačka inteligencija čini potrošačku tražnju transparentnijom, cenovno osetljivijom i nepredvidivijom, ovaj model platforme postaće sve važniji izvor otpornosti i konkurentske prednosti.   Prošetajte kroz robnu kuću na kraju sezone i natpisi pričaju dobro poznatu priču: 40% popusta! 60% popusta! Rasprodaja! Trgovci na malo ove popuste često tretiraju kao taktički problem, rezultat pogrešnog proizvoda, loše promocije ili uticaja lošeg vremena. Međutim, njih je bolje shvatiti kao priznanja. Oni otkrivaju loše strane tradicionalnog maloprodajnog modela. Trgovac se ponašao kao klasičan trgovac robom, vezao se za zalihe pre nego što je tražnja bila poznata, preuzeo rizik od greške, a zatim platio za tu grešku kroz eroziju marže i razvodnjavanje vrednosti brenda. Prema ovom trgovačkom modelu, trgovci rutinski preuzimaju više rizika nego što mogu da podnesu. Brojke o zatvaranju prodavnica govore istu priču u većim razmerama. Kompanija Coresight Research zabeležila je 7.325 zatvaranja prodavnica u SAD-u tokom 2024. godine, što je najveći ukupni broj od 2020. godine, kada su se zatvaranja približila broju od 10.000. JLL je izvestio da su najavljena zatvaranja između 2024. i početka 2025. godine ukupno premašila 9.900 lokacija. Primamljivo je tumačiti ove brojke kao dokaz da fizička prodavnica umire. To je pogrešan zaključak. Otvaranja prodavnica su takođe ostala značajna, a veliki deo napuštenog prostora popunjavaju jači koncepti. Dokazi ne ukazuju na beg potrošača iz prodavnica, već na evoluciju maloprodajnih modela. Prodavnice koje nude pravu kombinaciju pogodnosti, vrednosti, usluge, iskustva ili pristupa prepoznatljivim brendovima i dalje mogu da napreduju, ali se ta kombinacija stalno menja. Prodavnice izgrađene oko statičnog trgovačkog modela su pod pritiskom jer nose preveliki rizik zaliha na tržištu gde je tražnju postalo teže predvideti. Ovo nije nov ciklus. Klasični „točak maloprodaje“ Stenlija Holandera (Stanley Hollander), prvi put objavljen 1960. godine, opisao je kako maloprodajni formati često ulaze na tržište kao vitki izazivači sa niskim maržama i niskim cenama, zatim postepeno podižu standarde — bolje lokacije, više usluga, viši troškovi, više marže — i na kraju postaju ranjivi na sledećeg niskobudžetnog učesnika. Taj točak nastavlja da se okreće. Robne kuće, tržni centri, diskonti, „ubice kategorija“, hipermarketi i platforme za e-trgovinu imali su svoje redove. Pravi problem nije prodavnica Hitno pitanje za trgovce jeste da li moraju da nastave da se voze na tom točku. Verujemo da ne bi trebalo. Da bi se izvukli iz točka maloprodaje, trgovci moraju prestati da tretiraju svaki novi format kao bolji način za plasiranje robe i početi da posmatraju maloprodaju kao platformu za alokaciju rizika. Problem nije fizička maloprodaja. Problem je model koji zahteva od trgovaca da kupuju zalihe daleko unapred, prognoziraju kroz hiljade artikala (SKU jedinica), apsorbuju troškove greške, a zatim uče kupce da čekaju sniženja. Na sporijem, manje fragmentiranom tržištu, rizici koje je stvarao trgovački model bili su lakši za upravljanje. Danas su oni kažnjavajući. Preferencije potrošača se menjaju brže. Ciklusi brendova su kraći. Društvene mreže mogu stvoriti i uništiti potražnju u roku od nekoliko dana. Višekanalno poslovanje umnožava složenost. Stari trgovački model primorava trgovce da prave veće opklade sa manje pouzdanim informacijama. Bolja analitika pomaže. Pomažu i brži sistemi dopune, prognoziranje zasnovano na veštačkoj inteligenciji i prepoznavanje tražnje. Ali oni ne rešavaju strukturni problem: strana koja donosi odluku o zalihama često nije strana koja je najbliža tražnji na nivou proizvoda, niti je to strana koja je adekvatno motivisana da uradi ono što je najbolje za proizvod. Približavanje odluka o zalihama samoj tražnji Postoje dva široka načina da se smanji neusklađenost između ponude i tražnje. Prvi je odlaganje obavezivanja naručivanjem u malim količinama, posmatranjem tražnje, a zatim plasiranjem znatnijih porudžbina za kupovinu. Ovo zahteva analitiku tražnje u realnom vremenu i sposobnost lokalnijeg snabdevanja. Drugi je prenošenje odluke na entitet sa boljim poznavanjem proizvoda. Vlasnici brendova često razumeju svoje kategorije, asortimane, cenovne lestvice i signale kupaca bolje nego što to može centralizovana nabavna organizacija trgovca. Jedan trgovac može biti odgovoran za desetine brendova i stotine ili hiljade artikala. Brend je fokusiran na sopstvenu liniju, sopstvene kupce i sopstvene signale tražnje. Pitanje nije da li trgovci treba da se odreknu procene. Pitanje je da li treba da prestanu da pretpostavljaju da je centralizovana nabavka uvek najbolje mesto gde rizik tražnje treba da počiva. Prodavnica kao platforma Zbog toga model prodavnice u prodavnici zaslužuje daleko više pažnje nego što je dobija u Sjedinjenim Državama. U aranžmanu prodavnice u prodavnici, trgovac obezbeđuje posetu, lokaciju, okruženje i pristup kupcima. Brend upravlja sopstvenim prostorom, često uz kontrolu nad asortimanom, zalihama, uslugom, prezentacijom i cenama. Trgovac na malo postaje manje klasičan trgovac, a više platforma. Izuzetan primer za koncept prodavnice u prodavnici jeste londonski Harrods, koji promoviše partnerski model sa globalnim brendovima. Generalni direktor Majkl Vard (Michael Ward) ovo vidi kao konkurentsku prednost. Brendovi su dobrodošli da preuzmu vlasništvo nad sopstvenim prostorom u Harrodsu i da samostalno kuriraju i prognoziraju za sopstvene artikle. Naša istraživanja i intervjui o modelima prodavnice u prodavnici pokazuju zašto ova struktura može funkcionisati. Pružanjem autonomije proizvođačima unutar prostora trgovca, trgovac može poboljšati efikasnost kanala i kvalitet usluge, dok istovremeno naplaćuje pristup vrednom prometu kupaca. Proizvođač može dobiti brze povratne informacije sa tržišta i iskoristiti potpunu kontrolu nad svojim distributivnim kanalom na način na koji to radi Apple, ali bez posedovanja ijedne sopstvene prodavnice. Ovaj aranžman je posebno moćan kada je usluga u prodavnici važna i kada brendovi nisu proste zamene jedni drugima. Ironija je u tome što moćan trgovac može stvoriti veću vrednost odricanjem od dela kontrole. Onlajn maloprodaja pokazuje put Onlajn maloprodaja se već pomerila u ovom pravcu. Tržišta kao što su Amazon i Alibaba ne kupuju i ne preprodaju jednostavno svaki proizvod. Oni često omogućavaju prodavcima da direktno dođu do kupaca, naplaćujući naknade za pristup posetiocima, podacima, logistici ili uslugama platforme. Istraživanja o agencijskoj prodaji u elektronskoj maloprodaji ističu istu stratešku poentu: agencijski modeli mogu biti efikasniji od konvencionalne preprodaje, iako se platforma odriče dela kontrole nad cenama. Platforma ne pobeđuje tako što donosi svaku odluku o proizvodu, već tako što postavlja pravila učešća. Tradicionalni (oflajn) trgovci mogu učiti iz ovoga. Robna kuća ne mora da bude skladište sa lepšim osvetljenjem. Ona može biti fizičko tržište: kurirana, kontrolisana platforma na kojoj brendovi snose veći rizik zaliha, a trgovci se koncentrišu na posetu, poverenje, iskustvo i dizajn portfolija. Ovo takođe menja način na koji treba da razmišljamo o maloprodajnim nabavljačima — profesionalcima koji odlučuju šta ide na police prodavnica. U tradicionalnom modelu, nabavljači su moćni posrednici. Oni odlučuju šta će naručiti, koliko će naručiti i koji proizvođači dobijaju prostor na podu prodavnice. Međutim, istraživanja o maloprodajnim nabavljačima i uticaju proizvođača pokazuju da je ova uloga podložna iskrivljenim podsticajima. Proizvođači mogu pokušati da utiču na nabavljače poklonima, zabavom, putovanjima ili drugim podsticajima. Dublji problem nije samo nedolično ponašanje. Problem je u tome što funkcija nabavke postaje sporno usko grlo gde i proizvođači i trgovci pokušavaju da oblikuju nabavljačevu procenu tražnje. Bolja kompenzacija i upravljanje mogu smanjiti ove distorzije. Ali veća pouka je strukturalna: kada je previše procene o tražnji koncentrisano kod nabavljača koji nije najbliži krajnjem potrošaču ili kategoriji proizvoda, sistem priziva greške i uticaj. Maloprodaja zasnovana na platformi ne eliminiše potrebe upravljanja. Ona ih menja. Trgovac i dalje odlučuje koji brendovi pripadaju platformi, koje standarde moraju da ispune, kako se dele podaci o kupcima i kako se rešavaju konflikti. Ali to smanjuje potrebu da trgovac stavlja opklade na zalihe na nivou svakog pojedinačnog artikla. Kuriranje pobeđuje posedovanje Ovo nije poziv trgovcima da neselektivno iznajmljuju prostor. Slaba platforma postaje buvljak. Snažna platforma ima pravila. Ona pažljivo kurira brendove, štiti korisničko iskustvo, upravlja susedstvom brendova, postavlja standarde usluga i uklanja partnere koji narušavaju ponudu vrednosti. Uloga trgovca postaje strateškija, a ne manje važna. U mnogim evropskim i azijskim robnim kućama brendirani prostori nisu sporedni eksperimenti; oni su centralni deo operativnog modela. Brendovi kuriraju sopstvene prostore i preuzimaju veću odgovornost za tražnju, zalihe, osoblje, prezentaciju i cene. Trgovac diriguje celokupnom simfonijom. I Sjedinjene Države imaju primere, mada često kao delimične eksperimente. Kozmetički pultovi već dugo funkcionišu na ovaj način. Macy’s je sklopio partnerstvo sa Toys“R”Us. Kohl’s je izgradio značajan odnos sa Sephora-om. Target je eksperimentisao sa brendovima Disney, Apple, CVS, Starbucks, Warby Parker i Ulta. Supermarketi i hipermarketi ugošćuju Starbucks, McDonald’s, apoteke, banke i pružaoce usluga. Ali u većini slučajeva, koncept prodavnice u prodavnici ostaje dodatak, a ne dominantna logika trgovca. To bi trebalo da se promeni. Za trgovce, argument je jasan. Prodavnica u prodavnici može smanjiti izloženost zalihama, smanjiti zavisnost od sniženja, stabilizovati cenovnu konkurenciju među prodavnicama, stvoriti prepoznatljivija iskustva i privući brendove koji žele fizičko prisustvo bez izgradnje čitavih mreža sopstvenih prodavnica. To omogućava trgovcima da unovče posećenost i nekretnine, istovremeno ograničavajući finansijsku štetu od loših prognoza. Za brendove, model nudi alternativu visokim fiksnim troškovima posedovanja sopstvenih prodavnica. Brend može dobiti fizički pristup, kontrolisati prezentaciju, obučavati prodajne savetnike, pratiti tražnju i graditi odnose sa kupcima bez obavezivanja na samostalni lanac prodavnica. Takođe može zaštititi vrednost brenda smanjenjem podsticaja trgovca da čisti zalihe agresivnim sniženjima. Što je najvažnije, oni imaju najdirektniji osećaj za puls tržišta i imaju punu motivaciju da urade ono što je potrebno u najboljem interesu svojih proizvoda i potrošača. Za potrošače, koristi su podjednako stvarne i važne. Bolja kontrola brenda može značiti dublji asortiman, bolju uslugu, svežije zalihe i manje haotičnih ciklusa popusta na kraju sezone. Kupac vidi prodavnicu koja više liči na kurirano tržište nego na mašinu za likvidaciju robe. Što je najvažnije, potrošači će videti niže cene kada se podsticaji za članove kanala pojednostave i usklade, i kada se izbegnu konflikti u kanalu distribucije. Gde ovaj model ima smisla Menadžeri koji razmatraju ovaj prelaz trebalo bi da počnu sa četiri pitanja. Prvo, gde je greška u prognozi najskuplja? Kategorije sa visokim modnim rizikom, kratkim ciklusima proizvoda, složenim asortimanom ili jakim identitetom brenda prirodni su kandidati. Što je kategorija nestabilnija, to je slabiji argument da trgovac snosi sav rizik zaliha. Drugo, gde je ekspertiza brenda najvažnija? Prodavnica u prodavnici najbolje funkcioniše kada proizvođači mogu istinski da poboljšaju asortiman, uslugu i edukaciju kupaca. Kozmetika, luksuzna roba, moda, tehnologija, naočare, kućni aparati i specijalizovane kategorije su snažni primeri. Treće, šta trgovac na malo i dalje mora da kontroliše? Maloprodaja u formi platforme nije abdikacija. Trgovci moraju zadržati kontrolu nad selekcijom brendova, standardima za kupce, rasporedom u prodavnici, upravljanjem podacima, pravilima o konfliktima i celokupnim iskustvom. Cilj je preraspodela rizika, a ne predaja kupca. Četvrto, da li konkurencija među prodavnicama postaje pogubna na štetu svih aktera? Kada svi trgovci posluju kao platforma, dinamika konkurencije na tržištu se menja. Na primer, LG proizvodi na platformi A neće želeti da se takmiče sa LG proizvodima na platformi B, jer LG donosi odluke o merčandajzingu i cenama na obe platforme. To će ublažiti međusobnu cenovnu konkurenciju među prodavnicama. Međutim, LG će se još jače takmičiti sa Samsungom na istoj i svakoj drugoj platformi kako bi privukao potrošače na svoju stranu. Teži izazov je kulturološke prirode. Mnogi trgovci i dalje definišu trgovačku veštinu kao sposobnost izbora pobednika. Ta veština neće nestati, ali mora evoluirati. Budući trgovac će manje ličiti na kockara koji stavlja sezonske opklade, a više na arhitektu platforme: biraće partnere, postavljati podsticaje, kreirati pravila, dinamički alocirati prostor i meriti performanse širom ekosistema. Veštačka inteligencija podiže uloge Konačni razlog zašto trgovački model postaje sve neodrživiji jeste uspon kupovnih agenata koje pokreće veštačka inteligencija. Kako potrošači budu prepuštali sve više odluka o kupovini algoritmima, tražnja će postati transparentnija, cenovno osetljivija i potencijalno nestabilnija. AI agenti će upoređivati proizvode, cene, recenzije i opcije isporuke u realnom vremenu, smanjujući uticaj tradicionalnog merčandajzinga i promotivnih taktika. Ovo stvara novi izazov za trgovce koji posluju po trgovačkom modelu. Proizvodi mogu brzo zadobiti ili izgubiti naklonost kako AI agenti preusmeravaju tražnju, čineći prognoziranje zaliha još težim i povećavajući cenu greške. Trgovci koji poseduju zalihe snosiće ove rizike direktno. Modeli platforme, agencije i prodavnice u prodavnici pružaju otporniju alternativu. Pomeranjem vlasništva nad zalihama i odluka o merčandajzingu bliže brendovima i proizvođačima, trgovci smanjuju svoju izloženost šokovima tražnje izazvanim veštačkom inteligencijom. Kako veštačka inteligencija transformiše kupovinu, verovatno će ubrzati prelazak sa klasične trgovačke maloprodaje na maloprodaju zasnovanu na platformama. . . . Tokom čitavog veka, reinventovanje maloprodaje često je značilo ulazak novog formata na samom dnu točka: jeftinijeg, vitkijeg i manje opterećenog. Kako veštačka inteligencija sve više oblikuje i ponudu i tražnju, trgovci koji nastave da posluju prevashodno kao klasični trgovci naći će se u situaciji da nose sve veći rizik zaliha. Oni koji evoluiraju u platforme — alocirajući rizik onima koji su najbolje opremljeni da njime upravljaju, dok se sami fokusiraju na promet, poverenje, iskustvo i upravljanje ekosistemom — biće u poziciji da ostvare prosperitet.

Kompanije često donose važne opklade na talente oslanjajući se u velikoj meri na instinkt. Istraživanje na više od 4.200 muzičara sugeriše sistematičniji pristup. Menadžeri bi trebalo da procene tri oblika kapitala: komercijalne rezultate, mreže kontakata i profesionalni kredibilitet. Zatim mogu koristiti saradnje, izazovne zadatke koji podstiču razvoj i pravovremene rizike kako bi popunili praznine i izgradili karijere. Cilj nije jednostavno identifikovati najtalentovanije ljude; cilj je orkestrirati prilike koje im pomažu da uspeju na duge staze.   Kada je kompanija Gap nastojala da svoj brend ponovo učini uzbudljivim, obratila se naizgled neočekivanom kandidatu: Viktoriji Bekam (Victoria Beckham), čija je luksuzna modna marka poznata po krojenim, minimalističkim siluetama. Gigant brze mode Zara, u međuvremenu, lansirao je kolekciju sa portorikanskim umetnikom Bed Banijem (Bad Bunny), koji je nosio nekoliko ovih odevnih kombinacija na svom nastupu tokom poluvremena Superboula. Na papiru, neobični parovi. Ali sledili su logiku: jedni su obezbedili ono što je drugima nedostajalo. Gap i Zara su stekli dizajnerski kredibilitet i kulturnu aktuelnost; Bekam i Bed Bani su dobili znatno veću komercijalnu scenu. Ista razmena se tiho odvija unutar gotovo svake organizacije: agencija spaja starijeg kreativnog direktora sa novim talentom generacije Z, ili tehnološka firma svojim dizajnerima dodeljuje izazovan zadatak. Svaki od ovih poteza je opklada na osobu, a većina kompanija je postavlja na osnovu instinkta. Da li je ta osoba talentovana? Da li ideja deluje sveže? Da li je trenutak pravi? Ti instinkti jesu važni, ali previše toga prepuštaju slučaju. Postoji disciplinovaniji pristup uparivanju kreativno talentovanih ljudi, naročito u različitim fazama njihovih karijera, koji opisujemo u ovom članku. Naš metod potiče iz naše analize podataka tokom 15 godina o više od 4.200 muzičara i stotinama izdavačkih kuća. Muzika je koristan laboratorijski poligon jer malo toga ostaje skriveno; svako izdanje, saradnik i recenzija se beleže. Tri vrste kapitala na kojima počiva svaka karijera Kada smo pratili koji umetnici su postigli uspeh i zašto, tri sastojka su se stalno pojavljivala: ono što je sociolog Pjer Burdije (Pierre Bourdieu) nazvao ekonomskim, društvenim i kulturnim kapitalom. Ekonomski kapital predstavlja komercijalni uspeh: strimove, prodaju, bioskopske blagajne — u poslovnom smislu, prihod i prihvatanje proizvoda. (Merili smo ga kroz emitovanje na radiju, što je pokazatelj autorskih honorara koje umetnik zarađuje.) Dokazani nosilac zarade u muzičkom poslu ili, u tom smislu, u bilo kojoj drugoj vrsti organizacije, dobija druge prilike koje nepoznata osoba nikada neće dobiti. To je kapital koji finansira sve ostalo. Društveni kapital je mreža: saradnici, klijenti i donosioci odluka (gatekeepers) do kojih osoba može doći i ono što se preko njih vraća. Dobro povezani ljudi rano saznaju za promene, usvajaju procene iz srodnih oblasti rada i vide kako njihove ideje putuju dalje. U organizacijama, to je nečija međufunkcionalna istorija i ugled koji omogućava da se pravi ljudi uključe u rešavanje problema. Kulturni kapital je legitimitet: poštovanje stečeno kroz nagrade, recenzije i reputaciju kvaliteta među iskusnijim kolegama. On funkcioniše na sopstvenom koloseku. Delo hvaljeno od strane kritike nije uvek hit, a hitovi ne nailaze uvek na divljenje kritičara i uvaženih kolega u struci. Sva tri oblika mogu preći sa jedne osobe na drugu putem saradnje, ali taj transfer je retko ujednačen. Zadatak menadžera je da uoči ko poseduje višak određenih vrsta kapitala, ko ima nedostatak, i kako da prebaci dotični kapital između njih. Kreiranje saradnji Naše istraživanje ukazuje na ove osnovne načine upravljanja kreativnim talentima na ovakav način: Uparite talenta u usponu sa etabliranim imenom U našem istraživanju, manje etablirani umetnici koji su objavili numeru sa većom zvezdom zabeležili su rast radijskog emitovanja od 61% u odnosu na svoje solo radove — što je prednost za koju bi samostalno mogle biti potrebne godine. U korporativnom okruženju, to može imati oblik deljenja zasluga za postignuća — na primer, pič za ključnog klijenta, prezentacija upravnom odboru ili objava o lansiranju proizvoda koja nosi oba imena. Samo uparivanje svima poručuje da novajliju vredi shvatiti ozbiljno. Uparite dve osobe od kojih svaka može otvoriti vrata koja ona druga ne može Kroz hiljade uparivanja, zajedničko izdanje privuklo je više emitovanja kada je jedan partner doneo mrežu koja je drugom nedostajala, pri čemu su obojica otišla sa pristupom koji ranije nisu imali. U kompaniji to može značiti komplementarne kontakte. Uzmite u obzir menadžera za rad sa klijentima (account executive) i inženjera za rešenja (solutions engineer) u istoj firmi. Menadžer za klijente poznaje osobu u klijentskoj organizaciji koja ima ovlašćenje da potpiše ugovor za tehnološki proizvod, dok inženjer za rešenja poznaje ljude koji će ga zapravo koristiti. Nijedan od njih ne može samostalno zaključiti posao. Uparite ljude čija je kombinacija istinski neočekivana U našim podacima, saradnja je privukla znatno više radijskih emitovanja kada su dva umetnika odrasla u različitim nacionalnim kulturama; muzički stil je jedva bio bitan. Različite tradicije znače različite tehnike, i verovatno bolju pesmu nego što bi ijedan od njih napisao sam. Upravo malo verovatno uparivanje podstiče ljude da slušaju. Isto može važiti svuda gde dvoje ljudi dolazi iz istinski različitih sredina — druge zemlje, druge discipline — zbog čega se ovakva neobična spajanja pojavljuju i u mnogim drugim kontekstima, uključujući arhitekturu, oglašavanje, dizajn video-igara i biotehnologiju. Međutim, ta neočekivanost može imati svoju cenu. Može biti slab generator jedne vrste kapitala, a izuzetno snažan generator druge. U našem istraživanju diferencijacije proizvoda, album koji se odvojio od sopstvene muzičke prošlosti umetnika izgubio je oko četvrtine radijskih emitovanja (posledica po ekonomski kapital). Međutim, profesionalni kritičari su taj isti album ocenili znatno više (podsticaj kulturnom kapitalu). Radio-stanice plaćaju predvidljivost; kritičari nagrađuju inovativnost. Serđo Acolari Montoldi (Sergio Azzolari Montoldi), generalni direktor brenda Roberto Cavalli i ranije na čelu brendova Dsquared2 i Hogan, pročitao je naše rezultate i prepoznao isti rascep u modi: kupci robnih kuća naručuju ono za šta znaju da će se prodavati, dok modni mediji nagrađuju novitet. Uparivanje veoma različitih strana će se stoga obično prodavati slabije. Poruka glasi: kada spajate dvoje kreativnih ljudi, morate razumeti koje vrste kapitala želite da generišete, kao i prateće rizike. Ipak, s vremena na vreme, jedno krajnje neobično uparivanje uspeva i komercijalno i kod kritike: proizvod koji ostvaruje svoje prodajne ciljeve i istovremeno postaje etalon prema kome se druge firme mere u pogledu nagrada, imitacija dizajna i slično. Pošto niko ne može unapred identifikovati tog pobednika, praktičan potez je rezervisati najneobičnija — ili najhrabrija — uparivanja za ljude čiji će im kumulativni ekonomski rezultat omogućiti da prežive neuspeh, i sprovesti nekoliko takvih projekata odjednom. Svaki neuspeh košta malo. Onaj koji uspe na oba fronta nadoknađuje sve ostale. Operativna primena pristupa Pretvaranje ovog načina upravljanja talentima u rutinu zahteva jednu praksu: sprovođenje revizije kapitala pre nego što donesete bilo kakvu važnu odluku o nekoj osobi — zapošljavanje, unapređenje, partnerstvo ili ključni zadatak. Ta revizija podrazumeva postavljanje tri početna pitanja: • Šta su dokazali? Prihodi, poslovi, obnove ugovora, uspešno lansirani proizvodi.• Do koga mogu dopreti? Klijenti, sponzori i partneri koji dolaze zato što je ova osoba angažovana.• Ko poštuje njihov rad? Nagrade, priznanja stručnjaka, reputacija nepogrešive profesionalne procene. Zatim slede pitanja koja ih povezuju: Koja vrsta kapitala je najslabija za ulogu koja predstoji? Da li potez koji razmatrate smanjuje taj jaz ili ga produbljuje? Odgovor ukazuje na specifičan jaz koji treba premostiti. Neko koga stručnjaci poštuju (kulturni kapital), ali malo prodaje (ekonomski kapital), treba da bude uparen sa komercijalno dokazanim partnerom koji može preneti rad na šire tržište. Neko sa snažnim prodajnim rezultatima (ekonomski kapital), ali sa malo kontakata izvan sopstvene funkcije (društveni kapital), pripada međufunkcionalnom projektu ili projektu usmerenom na klijente, rame uz rame sa dobro povezanim kolegom koji otvara ta vrata. A neko ko donosi pouzdane finansijske cifre (ekonomski kapital), ali ga ne shvataju ozbiljno ljudi koji postavljaju standarde u struci (kulturni kapital), treba da radi na zadatku gde je originalnost presudna, uz partnera čiji ugled čini taj razvojni iskorak uverljivim. Ed Biknel (Ed Bicknell), koji je dve decenije vodio grupu Dire Straits, jednom je posao upravljanja kreativnim talentima sažeo u jednu rečenicu: „Uzmete umetnost… i pretvorite je u biznis.“ Naše istraživanje pokazuje kako: kroz promišljene poteze sa kapitalom. Madona je to razumela pre četiri decenije. Hitovi su gradili njen ekonomski kapital; saradnje njen društveni kapital; stalno redefinisanje njen kulturni kapital. Rukovodioci oko nje nisu samo posmatrali razvoj te karijere; oni su pomagali u njenoj izgradnji. U svakoj organizaciji zasnovanoj na znanju, sirova veština je samo ulaznica. Najsnažniji portfoliji se ne grade oko najtalentovanijih pojedinaca; njih orkestriraju najpromišljeniji strateški lideri. Kreativnost i biznis nikada nisu bili suprotnosti koje treba balansirati. Oni su instrumenti koji se sviraju zajedno.