Generativna AI (gen AI) ima nekoliko osobina koje ljudima nedostaju: stalno je aktivna, poseduje enciklopedijsko znanje, generiše rezultate trenutno i može da se skaluje beskonačno. Ova nova era AI može delovati zastrašujuće za ograničena, ljudska bića koja su je stvorila. Ljudi sada moraju pažljivije da razmotre gde leži naša jedinstvena vrednost. Koji zadaci ili veštine će ostati izazovni za AI u doglednoj budućnosti? Koje prednosti ljudi mogu zadržati i braniti? U ovom članku autor opisuje četiri ključna područja gde ljudi i dalje imaju prednost, uz ljudske veštine koje ostaju dragocene — za sada.

Oblasti u kojima je AI već prevazišao ljudske sposobnosti

Veštačka inteligencija zasnovana na silicijumu značajno se razvila tokom proteklih decenija. Pre pojave LLM-ova i generativne AI, AI je već nadmašio ljude u mnogim specifičnim oblastima:

• Dame (1994)
• Šah (1996)
• Zadovoljavajući prevod jezika (2006)
• Prepoznavanje rukopisa (2014)
• Razumevanje pročitanog (2017)
• Odgovaranje u razgovoru (2023)
• Prevod jezika na ljudskom nivou (2024)

Ne znamo koje će oblasti AI sledeće osvojiti, ali kandidati uključuju potpuno autonomnu vožnju (nivo 5), hirurgiju, pisanje bestselera, razvoj AI sistema i „sveti gral“: veštačku opštu inteligenciju (AGI) — termin koji je popularizovao Šejn Leg i odnosi se na AI koji dostiže ljudsku sposobnost u širokom spektru kognitivnih zadataka.

Oblasti gde ljudi i dalje imaju prednost nad AI

Razgovarajući s brojnim stručnjacima, potrošačima i skepticima AI u proteklih nekoliko godina, četiri ključne prednosti za ljude stalno se ponavljaju:

1. Emocije: Razumevanje, povezivanje i osetljivo reagovanje na ljudska osećanja.
2. Kompleksnost: Upravljanje nejasnim, širokokontekstualnim izazovima uz holističko rešavanje problema.
3. Fizička prisutnost: Zadaci koji zahtevaju spretnost i interakciju s fizičkim svetom, posebno tamo gde je važna ljudska prisutnost i brzina reagovanja.
4. Kreativnost: Sposobnost generisanja originalnih, novih ideja i rešenja.

1. Emocije

Ljudi su i dalje vrhunski stručnjaci kada su u pitanju „meke veštine“. Gen AI može uverljivo i korisno imitirati empatiju, etiku, pregovore i slične aspekte. Neki već koriste AI za terapiju ili društvo. Ipak, u većini slučajeva, za naše jedinstvene i složene okolnosti, oslanjamo se na druge ljude da nas najbolje razumeju. Ljudski ekspert, prijatelj ili kolega verovatnije će ponuditi nefiltrirane, iznenađujuće ili čak kontroverzne stavove — koji su često korisniji od generičkog, kliničkog odgovora mašine.

Ljudi takođe imaju prednost, jer su interesantni drugim ljudima. Evoluirali smo tako da obraćamo pažnju na to šta drugi misle, osećaju, govore i rade. Ovo je suština ljudskih priča, koje su već dve decenije gorivo društvenih mreža. Volimo sport, muziku i komediju zbog ljudi koji igraju, nastupaju i nasmejavaju nas. AI-generisan udarac u tenisu, pop pesma ili šala — ma koliko bili dobri — nikada neće imati isti uticaj.

Ljudske veštine koje ostaju dragocene (za sada): ubeđivanje, samosvest, etika, slušanje, pričanje priča i prodaja.

2. Kompleksnost

Svet je i dalje previše složen za AI.

AI je nadmašio ljude u jasno definisanim, ograničenim i kontrolisanim oblastima, poput igranja dama, šaha i goa. Takođe se dobro snalazi u drugom talasu tehničkih veština u širim domenima, poput predviđanja kodova dok programeri kucaju, generisanja koda za rešavanje problema, prevođenja koda između programskih jezika, ispravljanja grešaka i pisanja prateće dokumentacije. AI može proizvoditi marketinške tekstove, pravne dokumente i pojednostavljivati finansijsko knjigovodstvo.

Međutim, svet je prepun mnogo težih problema. Klimatske promene, siromaštvo, socijalna pravda i poslovne strategije — poznati kao „neukrotivi problemi“ prema profesorima Horstu Ritelu i Melvinu Veberu — zahtevaju razumevanje podataka iz različitih konteksta. AI još uvek ne može da integriše takve raznovrsne domene.

Kako su istakli Jan Lekun, glavni naučnik za AI u Meta-i, i drugi stručnjaci, gen AI je treniran isključivo na tekstu (iako ogromnoj količini teksta), što je samo mali deo podataka na koje se ljudi oslanjaju — poput DNK koda, čulnih i telesnih iskustava sveta, emocija i drugih aspekata. Stoga ne možemo očekivati da će AI rešavati složene, „neukrotive“ probleme u skorijoj budućnosti.

Ljudske veštine koje ostaju dragocene (za sada): rešavanje složenih problema, razumevanje konteksta, upravljanje rizicima, strategija, vizija i intuicija.

3. Fizička prisutnost

Gen AI ne može direktno da interaguje s fizičkim svetom.

Ako treba da pošaljete pismo, postavite policu, pokažete novom zaposlenom prostorije ili nekoga pogledate u oči tokom pregovora, gen AI to ne može učiniti umesto vas.

Roboti će još dugo biti u razvoju. Stručnjaci predviđaju da ćemo kućne robote videti za oko deceniju. Čak i Ilon Mask, jedan od najvećih entuzijasta u oblasti robotike, priznaje da će roboti postati uobičajeni tek do 2040. godine. Potpuno autonomna vozila takođe su uzela mnogo više vremena nego što su Mask i drugi predviđali.

Postoje i profesionalne interakcije za koje je ljudski fizički dodir ključan. Negovatelji, kuvari, sportisti, medicinske sestre, sakupljači otpada, frizeri i zanatlije moraju biti prisutni u stvarnom svetu kako bi pružili svoju vrednost.

Ljudske veštine koje ostaju dragocene (za sada): spretnost, govor tela, fizička snaga, ravnoteža, koordinacija, taktilna osetljivost, držanje i koordinacija ruke i oka.

4. Kreativnost

Ako se AI trenira na podacima koji su već viđeni, teško je očekivati da tehnologija generiše nešto zaista novo.

Gen AI može proizvesti rečenicu, paragraf ili sliku koju svet nikada nije video. Ali može li stvoriti autentičnu kreativnost — nešto što je novo na način koji nas pokreće i deluje važno?

Iako je lansiranje AI tehnologija za generisanje medija izazvalo pažnju, potrošačima to nije previše značajno. Spotify sada uključuje AI generisanu muziku, ali najveći hitovi su i dalje delo muzičara od krvi i mesa. Malo ljudi gleda AI generisane filmove, niti to želi. Iako je AI generisana slika prodata za milion dolara, to je daleko od 450 miliona plaćenih za da Vinčijevu sliku Salvator Mundi. Cenimo istoriju i retkost — kvalitete koje AI ne može da pruži.

Kvalitetno pisanje je takođe sigurno — za sada. Gen AI, treniran uglavnom na dve decenije sadržaja sa interneta, ne može proizvesti istinski kvalitetnu prozu. Ljudski stručnjaci i dalje pišu i uređuju članke.

Ljudske veštine koje ostaju dragocene (za sada): mašta, generisanje ideja, estetska procena, lateralno razmišljanje, umetnički izražaj i radoznalost.

Kako ljudi i AI mogu međusobno da se dopunjuju

Razvijanje veština u jednom ili više navedenih pravaca pomoći će vam da osigurate da vaš doprinos ne može replicirati gen AI.

Izbor između ljudi i AI nije binaran. AI može unaprediti ljudske sposobnosti i obrnuto. Na primer, savetnik vlade može koristiti meteorološke podatke AI sistema kao ulaz za složenu geopolitičku odluku. Negovatelj može koristiti AI za prevod jezika radi boljeg povezivanja s pacijentom.

Potencijal spajanja ljudskih i AI sposobnosti postaje jasniji kada analiziramo veštine. AI trenutno najbolje funkcioniše u mikro-zadacima uz ljude. Na primer, stručni blogeri koriste AI za prikupljanje primera, pronalaženje reči ili generisanje ideja. AI je još uvek najsnažniji kao podrška u manjim koracima procesa.

Mnogo poslova i veština ostaje u domenu ljudi. Usmerite svoju pažnju na razvijanje jedne od navedenih veština i razmislite kako AI može da pomogne u njenoj realizaciji. To će osigurati vašu relevantnost u svetu koji se sve brže menja.

Startup ekosistem se menja usled uspona veštačke inteligencije. AI favorizuje veće kompanije, što zahteva promenu pristupa za startupe od poremećaja ka transformaciji. Iako će se startupi suočiti s izazovima u pristupu dovoljnim količinama podataka i računskoj snazi, i dalje imaju prilike za inovacije pružanjem usluga pokretanih veštačkom inteligencijom direktno potrošačima.

Silicijumska dolina je tokom otprilike 30 godina doživela izvanredno razdoblje. Američki preduzetnici su pioniri u inovativnim digitalnim poslovima koji su ometali sektor za sektorom privrede. Ti startupi su bili izuzetno profitabilni, stvarajući ogromne nove bogatstva i novu generaciju titana.

Ali to doba je prošlo. Novi faktori potkopavaju tradicionalnu ulogu koju su startupi igrali. Pad globalizacije, povratak geopolitike, završetak digitalizacije i uspon veštačke inteligencije vratili su ravnotežu u korist etabliranih aktera. AI sada dominiraju velike kompanije poput Microsofta, Googlea, Meta i Nvidije. To ne znači da su startupi osuđeni na propast. Umesto toga, oni i njihovi investitori moraju promeniti način na koji shvataju svoju ulogu. Stari cilj je bio ometati. Sada mora biti transformisati.

U prvoj eri inovacija pokretanih internetom — „dot com” bumu — kompanije su se isticale tako što su donosile usluge (uglavnom kupovinu) na mrežu. Iako je taj prvi bum propao, digitalna infrastruktura koju je stvorio nastavila je da se širi. Kako se širila, preduzetnici su mogli da pokreću poslovanje koje je digitalno na prvom mestu: nove banke, osiguravajuće kompanije, turističke kompanije i zdravstvene usluge. Drugi inovatori, u međuvremenu, pokrenuli su kompanije s ciljem da omoguće starim firmama da ostanu konkurentne u ovoj novoj digitalnoj stvarnosti — na primer, startupi za računarske oblak usluge poput Snowflake i Datadog.

Kada su startupi zaista ometali industriju, to je bilo zato što su otključavali prednost u softveru, ali i u poslovnom modelu. Kompanije koje su definisale kategorije, poput Airbnb-a (kompanija iz portfolija General Catalyst), Ubera i DoorDasha, napredovale su nudeći novi digitalni interfejs koji je takođe revolucionisao način na koji ljudi koriste usluge iz stvarnog sveta. Ali druge industrije su ostale fundamentalno netaknute: proteklih 30 godina inovacija nije, na primer, stvorilo pravog konkurenta J.P. Morganu ili State Farmu. Zapravo, u mnogim sektorima, etablirani akteri su samo ojačali tokom digitalne ere, ostajući imuni na ometanja koja su dolazila iz Silicijumske doline. Ipak, bilo je dovoljno ometača da kapital rizičnih ulaganja uživa izuzetne prinose.

Nisu samo američka ingenioznost i snalažljivost podstakli ovo doba; širi globalni trendovi su takođe pomogli. Sredinom 2000-ih rodio se istinski digitalni potrošač, dok je „uspon ostatka sveta” stvorio rastuće srednje klase širom planete. Globalni uspon Facebooka i pametnih telefona svedoči o ovom fenomenu. Ali globalizacija je dostizala vrhunac, s carinama koje su završile dug pad ka rekordno niskim stopama. Njen glavni korisnik, Kina, iskoristila je članstvo u STO i postala svetska fabrika. Živeći u ovom dobu, preduzetnici su usvojili mentalni model koji je bio post-historijski i post-geografski. Zahvaljujući globalnim lancima snabdevanja, rasprostranjenom pristupu internetu i pristupačnom računarstvu u oblaku, mogli su da služe potrošačima digitalno u svakoj industriji u svakoj zemlji.

Venture kapitalisti, sa svoje strane, usvojili su pobedničku strategiju: dokle god je kompanija imala proizvod koji je tržište želelo, cilj je bio brzo osvajanje tržišnog udela i postajanje dominantnim igračem u datoj kategoriji. Otuda i mantru „kreni brzo i lomi stvari” koja je generisala toliko novca i društvenih potresa tokom poslednje dve decenije — ne samo u novim industrijama kao što su društveni mediji već i u tradicionalnim, poput zdravstvene zaštite.

Kada je udarila Velika recesija, startupima je više pomogla nego što ih je povredila. Iako su patili kao i drugi sektori zbog trenutnog sloma, kasnije su profitirali jer je Fed povećao novčanu masu, podstičući novu eru jeftinog kapitala. (Od 2010. do 2014. godine, iznos sredstava koje je industrija rizičnog kapitala prikupila više se nego udvostručio.) Na sličan način, pandemija Covid-19 takođe je dala snažan impuls startupima. Nije bilo samo to što je još veći deo svakodnevnog života prešao online; investitori su iskoristili pakete vladinih stimulacija da ubrzaju nove poslove, sa svežim kapitalom koji je povećavao vrednosti akcija i proširivao količinu dostupnog kapitala.

Međutim, najvažniji efekat pandemije bio je da na površinu izbaci anti-globalizacijski zanos koji je godinama rastao. Do 2020. godine, carine su već bile ponovo popularne, zahvaljujući administraciji predsednika Trampa, a prema podacima Svetske banke, zemlje su potpisivale 60% manje trgovinskih sporazuma nego što su to činile pre dve decenije. Pandemija je ogolila rizik inherentan globalizaciji: zemlje koje nisu imale sposobnost da same proizvedu vakcine ili maske morale su da čekaju da dobiju ostatke. Zatim je došla ruska invazija na Ukrajinu 2022. godine, koja je pojačala fokus na bezbednost i samodovoljnost. Povećanje tenzija između SAD i Kine podiglo je perspektivu sveta podeljenog na dve ekonomske zone.

Ovi geopolitički vetrovi u leđa više su naškodili startupima nego etabliranim igračima. Kao prvo, dok vlade pokušavaju da osiguraju lance snabdevanja, okreću se stabilnim firmama, a ne startupima. Setite se firmi koje najviše profitiraju od Zakona o čipovima i nauci, koji pruža 52,7 milijardi dolara subvencija za istraživanje i razvoj i proizvodnju poluprovodnika. Nisu to nepoznati novi učesnici koji dobijaju novac. To su stabilne, dugogodišnje kompanije koje mogu da ponude sigurnost snabdevanja: Taiwan Semiconductor Manufacturing Company, Samsung, Micron Technology i Intel.

Pored toga, fragmentacija geopolitike učinila je da vladina politika ponovo postane relevantna. U prethodnoj eri, kompanije su mogle da rastu u relativno regulativno slobodnom okruženju. (Uber je, na primer, uglavnom odlučio da ignoriše propise koji regulišu taksi industriju, nadajući se — ispravno — da će njegova usluga biti toliko popularna da će zakon s vremenom sustići.) Ali poslednjih godina došlo je do naglog porasta novih trgovinskih ograničenja, domaćih subvencija i zakona o privatnosti koje kompanije moraju poštovati ili pokušati da promene. A kompanije koje su najveštije u tome su velike, etablirane firme. Prošle godine, Amazon i Meta su potrošili po gotovo 20 miliona dolara na svoje američke lobističke operacije, daleko više od bilo kog startupa.

Dodatno, digitalni startupi moraju da se bore s tržišnom zasićenošću. Na Zapadu su većina ljudi sada digitalni potrošači. Do sada su skoro sve kompanije digitalizovale svoje procese — posebno od početka pandemije. Na primer, više od 90% kompanija usvojilo je računarstvo u oblaku.

Kako AI fundamentalno menja prirodu startupa

Ali upravo kada je ovaj tehnološki trend dostigao svoj vrhunac, pojavio se novi, daleko disruptivniji trend: uspon veštačke inteligencije. Po prvi put od pojave interneta, svaki izvršni direktor u svakoj industriji u svakoj zemlji pokušava da shvati kako da usvoji tehnologiju u isto vreme. Ovoga puta, ambicije i nade su još veće. AI ne samo da nudi prevođenje postojećih procesa iz jednog domena u drugi, kao što je to činila digitalizacija, već i uči samostalno.

Ta ključna razlika znači da su produktivni dobici koje možemo očekivati ne jednokratna „korak promena,” već kontinuirano poboljšanje „nagib promene.” U svojoj srži, AI je tehnologija koja transformiše radnu snagu, oslobađajući ljudsku produktivnost stvaranjem paralelnog radnog fonda koji može da preuzme teret mnogih poslova koje ljudi radije ne bi radili. AI će postati izvor obilja, vršeći deflatorni pritisak kroz ekonomiju povećanjem ponude rada za negu, podučavanje, održavanje i više.

AI predstavlja mnogo veću priliku nego bilo šta s čim se tehnološki sektor ikada suočio. Ali to zahteva od startupova iz Silicijumske doline da promene način razmišljanja, da ne teže više ometanju i rušenju etabliranih firmi, već da ih transformišu. To je zato što su startupi na mnogo načina u nepovoljnom položaju sa ovom novom tehnologijom. Uspešno korišćenje AI zahteva dve stvari: puno podataka i mnogo skupe računske snage. Velike kompanije imaju pristup obema. Imaju podatke na kojima mogu da grade svoje modele, novac za plaćanje sve te računske snage potrebne za analizu i odnose sa klijentima da odmah unovče te skupe poduhvate.

Uzmimo za primer generisanje koda, osnovni zadatak svakog softverskog inženjeringa. Prva kompanija koja je dominirala ovim prostorom uz pomoć AI-a nije bio neki ambiciozni startup. Bio je to Microsoft, 49-godišnja kompanija sa tržišnom kapitalizacijom od 3 biliona dolara. Njegov GitHub Copilot, najpopularniji alat za dovršavanje koda pokretan veštačkom inteligencijom, sada ima preko 1,8 miliona pretplatnika koji plaćaju.

Nema razloga da verujemo da će trka u AI-u biti pobednik uzima sve; još uvek ima mesta za ambiciozne startupe da zauzmu deo tržišta, i zaista, mnogi obećavajući startupi se bave generisanjem koda. Ali biće teže nadmašiti velike kompanije u smislu kvaliteta njihove tehnologije i količine njihovih podataka i resursa.

To rečeno, s obzirom da je potražnja za inovacijama veća nego ikad, startupi će i dalje imati mnogo vrednosti koju mogu da dodaju. Nova prilika leži u tome da konačno obavljaju same usluge, umesto da samo omogućavaju rad drugih kompanija. Godinama je Silicijumska dolina bila opsednuta uvodjenjem dobitaka u efikasnosti softvera u svaku komercijalnu aktivnost — stvaranjem digitalnog interfejsa za naručivanje iz restorana, na primer. Ali u eri veštačke inteligencije, softver nije samo posrednik za uslugu; on je sama usluga.

Razmislite o korisničkom centru za podršku. U staroj eri, startupi su samo prodavali softver koji su zaposleni koristili u velikim korisničkim centrima. Sa AI-om, startup za korisničku podršku pruža samu uslugu — naime, chatbot s kojim korisnici razgovaraju. Ovo je nepoznata teritorija za softverske startupe, koji su navikli da posluju sa relativno malo imovine i uživaju profitne marže čak i do 80%, za razliku od mnogo nižih marži koje prevladavaju u sektoru usluga.

Ali AI će pomoći da se smanji jaz u profitnim maržama, a potencijalna veličina tržišta za startupe koji mogu napraviti ovu tranziciju je, zapravo, nekoliko puta veća, jer mogu ciljati ceo lanac vrednosti, dok u osnovi ostaju tehnološke kompanije. I zaista, uprkos sve hvalospevu o tehnološkom sektoru i njegovoj prisutnosti u američkom diskursu, on je odgovoran za samo oko desetinu američkog BDP-a. Ako tehnološki preduzetnici iskoriste nove prilike, pružajući usluge, a ne samo oblikujući tokove rada, taj udeo bi mogao postati mnogo veći.

Kako američki preduzetnici mogu iskoristiti novu prednost startupa? Startupi će morati mnogo bliže sarađivati s postojećim preduzećima ako žele pristup njihovim podacima, stručnosti i klijentima. Takođe će morati razviti novo razumevanje šta znači pružati usluge, čak i ako su one digitalne ili se izvode putem AI agenata. To znači kreiranje novih modela cena, pružanje korisničke podrške i dizajniranje proizvoda za krajnje korisnike, a ne samo za preduzeća koja deluju kao posrednici.

Možda najvažnije, moraće da ugrade koncept odgovorne inovacije u samu srž onoga što rade, stalno razmišljajući o efektima koje će njihova tehnologija imati na radnike u sektorima koje transformišu. Ako AI preuzme 25% posla jedne osobe, šta se dešava sa tim slobodnim kapacitetom? U zdravstvu, možete zamisliti da medicinske sestre koriste ovo dodatno vreme da pređu sa reaktivne na proaktivnu negu, potencijalno smanjujući buduće bolesti pacijenata. Ali za takvu promenu potrebni su snažni lideri spremni da investiraju u strateške odluke. Uvek će postojati kratkoročno iskušenje za smanjenje radne snage, ali podleganje tom iskušenju dovodi do dugoročnog gubitka: kompanije koje će na kraju pobediti biće one koje ponovo investiraju svoj talenat u aktivnosti veće vrednosti.

Startupi i dalje imaju mnoge prednosti koje velike kompanije nikada ne mogu sanjati da ostvare. Privlače talente sklone riziku. Deluju brzo. Inoviraju. Prilagođavaju se. Uprkos svim novim preprekama, te karakteristike bi trebalo da im dobro posluže dok navigiraju prelazak iz prethodne ere inovacija u sledeću.

Generativna veštačka inteligencija (AI), posebno veliki jezički modeli (LLMs), nudi obećavajući novi alat za istraživanje tržišta u ranoj fazi simuliranjem reakcija kupaca na koncepte proizvoda. Ovo može omogućiti kompanijama da donose zaključke slične onima koje bi dobile anketiranjem kupaca ili sprovođenjem fokus grupa, ali uz mnogo manje vremena i troškova. Iako LLMs mogu pružiti isplative i brze uvide, i dalje zahtevaju fino podešavanje (fine-tuning) sa vlasničkim podacima kako bi se dobile precizne procene preferencija. I uprkos njihovom potencijalu, LLMs bi trebalo da dopune, a ne da zamene ljudsko istraživanje, jer imaju poteškoća sa nijansiranom segmentacijom kupaca i dinamičnim tržišnim uslovima.

U ranim fazama inovacija, kompanije se suočavaju sa poznatom dilemom: Koje ideje zaslužuju dalje ulaganje? Tradicionalno rešenje, istraživanje tržišta usmereno na ljude, može pružiti vredne uvide — ali često može biti sporo, skupo i ograničenog obima. Sada, generativna AI nudi intrigantan novi alat: sintetičke kupce.

Veliki jezički modeli (LLMs), kao što su Chat GPT i Gemini, privukli su pažnju svojom sposobnošću da generišu sadržaj i ideje. Ali manje istražena granica je njihov potencijal da simuliraju reakcije kupaca na koncepte proizvoda i njegovih karakteristika. Naše istraživanje pokazuje da LLMs, ako se pažljivo koriste, mogu funkcionisati kao sintetičke fokus grupe, pružajući rane uvide o preferencijama kupaca za delić vremena i troškova u poređenju sa studijama koje uključuju ljude.

LLMs ne pomažu samo u stvaranju ideja za proizvode; oni ih takođe mogu testirati. Predstavljanjem konfiguracija proizvoda ovim modelima na strukturiran način, možemo proceniti „sintetičku“ spremnost za plaćanje (willingness-to-pay - WTP), uporediti alternative, pa čak i označiti ideje koje će verovatno propasti, sve pre angažovanja ijednog ljudskog ispitanika. Kroz nekoliko studija u stilu „conjoint“ analize u kategorijama kao što su pasta za zube, laptopovi i tableti, otkrili smo da LLMs, posebno kada su fino podešeni sa vlasničkim podacima, često daju procene preferencija izuzetno bliske onima kod stvarnih potrošača.

Primenjen u praksi, ovaj pristup nudi više od pukog povećanja efikasnosti u pogledu troškova ili vremena (iako su i ona značajna). Takođe može proširiti vrh levka inovacija, omogućavajući rigoroznije i skalabilno istraživanje ranih ideja.

Od generatora teksta do tržišnog simulatora

LLMs su obučeni na ogromnim skupovima podataka koji uključuju recenzije proizvoda, diskusije i obrasce ponašanja izražene prirodnim jezikom. To ih čini iznenađujuće veštim u odgovaranju na strukturirana pitanja o proizvodima zasnovana na izboru.

U našim studijama, koristili smo program da direktno postavljamo upite LLM modelima sa poređenjima proizvoda koja oponašaju ankete u istraživanju ljudskog tržišta. Na primer: „Da li biste kupili Colgate pastu za zube sa fluoridom za $2.99 ili verziju bez fluorida za $1.99?“ Ponavljanjem ovih upita kroz stotine nasumičnih konfiguracija proizvoda, generisali smo distribucije simuliranih odgovora kupaca. (Napomena: Koristili smo program koji je direktno slao upite LLM-u, a ne interfejs za chat.) Koristeći standardne metode „conjoint“ analize, zatim smo procenili WTP za različite karakteristike proizvoda.

Da bismo procenili odgovore LLM-a, takođe smo sproveli ove „conjoint“ studije sa ljudskim uzorcima. Rezultati? LLMs su proizveli realistične i usmereno tačne preferencije za mnoge poznate atribute. Na primer, sintetički kupci su vrednovali fluorid u pasti za zube i dodatnu RAM memoriju u laptopovima na načine koji su odražavali ljudske uzorke. Štaviše, distribucija simuliranih odgovora je obuhvatila važne kompromise između cene i karakteristika.

Važno je napomenuti da ovo nije bilo samo nekoliko pažljivo odabranih primera. U više kategorija proizvoda, LLMs su dosledno generisali rangiranje preferencija koje se poklapalo sa rezultatima dobijenim od ljudi. Kao alat za preliminarno testiranje, potencijal je jasan: LLMs mogu rano označiti slabe ideje i dati prioritet obećavajućim pravcima pre početka formalnog istraživanja.

Ali postoje ograničenja — i ona su važna

Uprkos ovim obećavajućim rezultatima, LLMs „sa police“ (off-the-shelf) nisu savršeni simulatori. Zapravo, oni imaju tendenciju da precenjuju interesovanje za nove ili neobične karakteristike. Kada smo testirali nove ukuse paste za zube kao što su „palačinka“ ili „krastavac“, sintetički potrošači LLM-a pokazali su daleko više entuzijazma nego stvarni ljudi. Bez utemeljenja u stvarnim potrošačima, generativna AI je zamišljala kupce koji naginju uzbuđenju i znatiželji, osobinama koje se ne pretvaraju uvek u prodaju.

Štaviše, LLMs imaju poteškoća sa segmentacijom kupaca. Kada im se postave upiti sa demografskim modifikatorima (npr. „vi ste kupac sa niskim primanjima“ ili „vi ste republikanac“), odgovori su se menjali, ali često na nedosledan ili preuveličan način. Čak i nakon finog podešavanja, LLM nije mogao pouzdano da reprodukuje nijansirane razlike u preferencijama između demografskih grupa koje su otkrila istraživanja sa ljudima.

Na primer, prilikom procene WTP za MacBook u poređenju sa Surface laptopom, LLM je preuveličao razlike u preferencijama između platnih razreda u odnosu na stvarne ljude. Tačno je pokazao da bi sintetički pojedinci koji su republikanci bili spremni da plate manje za brend Apple od onih koji su demokrate; međutim, pokazao je razliku od $625, dok je razlika u ljudskim uzorcima bila samo $72. Međutim, kada je fino podešen sa podacima kompanije, LLM je imao tendenciju da „usrednji“ svoja predviđanja, zamagljujući važnu heterogenost (npr. tvrdeći da su i demokrate i republikanci bili spremni da plate isti iznos za brend Apple).

Pored toga, LLMs su unapred obučeni, i bez dodatnih podataka za obuku koje pruža istraživač ili pristupa internetu, oni mogu otkriti statične preferencije i ne prilagođavati se dinamički trenutnim tržišnim uslovima, čime pružaju nebitne informacije.

Konačno, brzi razvojni ciklusi i često uvođenje novih LLM modela zahtevaju procenu osnovnih odgovora svake verzije LLM-a, što otežava njihovu upotrebu u procesu razvoja proizvoda.

Ukratko: Korišćenjem naših metodologija, LLMs trenutno mogu aproksimirati prosečne tržišne signale, ali ne i uvide specifične za segment. Za bilo šta izvan detekcije trendova na visokom nivou u ranoj fazi, istraživanje sa ljudima ostaje suštinski važno.

Moć vlasničkih podataka

Jedno od najubedljivijih otkrića u našem istraživanju je koliko bolje LLMs rade kada su fino podešeni sa sopstvenim istorijskim podacima o klijentima kompanije.

Konkretno, koristili smo prethodne ankete kupaca za fino podešavanje LLM-a. Fino podešavanje (Fine-tuning) podrazumeva prilagođavanje parametara modela na osnovu odgovora iz tih prošlih anketa. Ovaj proces poboljšava sposobnost LLM-a da simulira preferencije slične ljudskim, čak i za karakteristike koje ranije nije video.

Na primer, fino smo podesili LLM koristeći odgovore iz studije o pasti za zube sa standardnim ukusima (nana, cimet, jagoda). Zatim smo od njega tražili da proceni preferencije za nove ukuse (palačinka, krastavac). Fino podešen model je preokrenuo svoj raniji entuzijazam i dao WTP procene koje su bile u skladu sa odgovorima ljudi — uključujući i prepoznavanje da većina ljudi smatra „pastu za zube sa ukusom palačinke“ neprivlačnom.

Ovaj obrazac se ponovio u kategoriji tehnologije. Nakon finog podešavanja na osnovu prošlih anketa sa karakteristikama laptopova kao što su veličina ekrana i RAM, LLM je dao daleko preciznije WTP procene za potpuno novu karakteristiku, ugrađene projektore, nego što je to činio u svom osnovnom obliku.

Ali metoda finog podešavanja je funkcionisala samo u istoj kategoriji interesovanja. Kada smo modelu koji je bio fino podešen koristeći ankete o laptopovima postavili upit o tabletima, bliskoj ali različitoj kategoriji, on je radio lošije od modela „sa police“ (off-the-shelf).

Ključni zaključak: firme koje grade i fino podešavaju sopstvene interne „simulatore kupaca“ koristeći LLMs i istorijske podatke iz anketa mogu otključati oštrije uvide u ranoj fazi. Ovo stvara oblik konkurentske prednosti zasnovane na podacima: dve firme koje koriste isti osnovni LLM dobiće različite rezultate ako je jedna od njih obučila model na preferencijama sopstvenih kupaca.

Troškovi, brzina i prošireni levak inovacija

Tradicionalne „conjoint“ studije mogu koštati desetine hiljada dolara i zahtevati nedelje za dizajniranje, sprovođenje i analizu. Naše studije zasnovane na LLM modelima trajale su samo nekoliko sati, uz delić troškova. Bili smo u mogućnosti da generišemo hiljade simuliranih odgovora i brzo ponavljamo proces.

Ova brzina omogućava drugačiju vrstu inovacionog procesa. Umesto da razvijaju samo nekoliko ideja za testiranje, timovi sada mogu da istraže desetine, pa čak i stotine, ranih koncepata, koristeći sintetičke potrošače kao filter. Ovo proširuje vrh levka inovacija, dok sužava dno uz pomoć preciznijih podataka.

Na primer, kompanija za robu široke potrošnje mogla bi sintetički testirati 40 novih varijacija proizvoda, a zatim sprovesti ankete sa ljudima na 5 najperspektivnijih. Ovo smanjuje rasipanje i osigurava da je ljudska pažnja usmerena tamo gde je najvažnije.

Dopuna, a ne zamena

Primamljivo je zamisliti budućnost u kojoj sintetički kupci u potpunosti zamenjuju istraživanje sa ljudima. Ta budućnost još nije stigla, a možda nikada i neće.

Iako LLMs mogu generisati kredibilne uvide u prvoj fazi, i dalje im nedostaju nijanse, emocionalna inteligencija i varijabilnost stvarnih ljudi. Što je još važnije, oni odražavaju postojeće podatke i ponašanje i stoga nasleđuju sve njihove pristrasnosti i slepe tačke.

Ako se koriste odgovorno, LLMs bi trebalo da dopune, a ne da zamene, istraživanje tržišta. Naše studije pokazuju da se mogu primeniti rano u životnom ciklusu razvoja proizvoda, kada je cilj istraživanje i određivanje prioriteta, a ne validacija ili segmentacija.

Štaviše, marketinški stručnjaci moraju ulagati u interno prikupljanje podataka i upravljanje njima kako bi maksimizirali vrednost ovih alata. Fino podešen model izgrađen na godinama pažljivo strukturiranih podataka iz anketa daleko je korisniji od onog koji se oslanja samo na obuku sa interneta.

Budućnost istraživanja tržišta?

Generativna AI preoblikuje način na koji preduzeća dizajniraju, testiraju i lansiraju nove proizvode. Sintetički kupci nisu zamena za stvarne, ali bi mogli biti moćno novo sočivo za rane uvide.

Kombinovanjem LLM modela sa rigoroznim istraživačkim metodama, kompanije mogu brže da inoviraju, efikasnije filtriraju ideje i smanje rizik od skupih grešaka. Ne radi se o borbi čoveka protiv mašine, već o korišćenju mašina za efikasnije slušanje, kako bi ljudi mogli da donose bolje odluke.

Kako se ova oblast razvija, jedna stvar je jasna: firme koje nauče da kombinuju sintetičke i ljudske uvide predvodiće sledeći talas inovacija usmerenih na kupca.

Danas pojedinac, osnažen veštačkom inteligencijom, može — uz veoma niske troškove — brzo i paralelno da obavlja mnoge aktivnosti neophodne za pokretanje startapa: generisanje ideja za proizvode, simuliranje intervjua sa kupcima, izradu prototipova proizvoda i kreiranje veb-sajtova, logotipa i drugih digitalnih ponuda. Za razliku od koncepta „lean startup“ (vitki startap), ovaj novi model podržan veštačkom inteligencijom naziva se „preduzetništvo obilja“. Glavni pokretač ove promene je veštačka inteligencija, koja je drastično smanjila ograničenja u pogledu resursa povezanih sa informacijama, kao što su pristup stručnosti i podacima, kao i resursa povezanih sa radnom snagom, poput onih koji se koriste za generisanje ideja, sprovođenje analiza ili izvršavanje zadataka. Uprkos snazi i rastu preduzetništva zasnovanog na obilju koje donosi veštačka inteligencija, postoji nekoliko izazova sa kojima se ovaj pokret i njegove pristalice moraju suočiti, uključujući iluziju napretka, dodvoravanje algoritama i komoditizaciju startap ideja. Iako generativna veštačka inteligencija može pružiti mnoštvo stručnog znanja o gotovo svakoj temi i napisati kôd na zahtev, to ne znači da preduzetnicima više nije potrebna stručnost. Kako za preduzetnike, tako i za etablirane kompanije, izazov više nije jednostavno sticanje pristupa oskudnim resursima, već učenje kako da se organizuju oni koji su u obilju.

Pre skoro dve decenije, preduzetnik i autor Erik Ris (Eric Ries) pokrenuo je metodologiju za „lean startup“. U ovom pristupu, novi biznis se mogao pokrenuti samo sa kapitalom, minimalno održivim proizvodom (MVP), timom, opsežnim razgovorima sa potencijalnim kupcima i procesom ponovljenog pivotiranja dok se startap širi. Pristup vitkog startapa kombinovao je Tojotin (Toyota) metod vitke proizvodnje sa pristupima profesora sa Stanforda Stiva Blanka (Steve Blank) u razvoju kupaca. Budući da su osnivači obično imali malo resursa na raspolaganju, vitki pristup se brzo ustalio.

Danas, međutim, pojedinac osnažen veštačkom inteligencijom može — uz veoma niske troškove — brzo i paralelno da obavlja mnoge neophodne startap aktivnosti: generisanje ideja za proizvode, simuliranje intervjua sa kupcima, izradu prototipova proizvoda i kreiranje veb-sajtova, logotipa i drugih digitalnih ponuda. Novonastale platforme omogućavaju osnivaču da definiše poslovanje na visokom nivou, gde može dodeliti uloge kao što su izvršni direktor (CEO), inženjer i stručnjak za marketing AI agentima koji autonomno koordiniraju rad. U ovom novom modelu, preduzetnik više ne izvršava zadatke niti čak upravlja radnim tokovima, već umesto toga definiše ciljeve i ograničenja za organizaciju kojom upravlja veštačka inteligencija. Ova sposobnost ne predstavlja samo ubrzanje preduzetništva, već označava i strukturnu promenu, praćenu novim organizacionim dizajnom u načinu na koji se razvijaju proizvodi i usluge.

Za razliku od vitkog startapa, ovaj novi model podržan veštačkom inteligencijom nazivamo „preduzetništvom obilja“. Nisu sva ograničenja uklonjena iz procesa — a nekoliko koncepata vitkog startapa je i dalje relevantno — ali nema sumnje da se nalazimo u novoj eri preduzetništva koju prvenstveno karakteriše višak sposobnosti. Pogledajte kontrast između ova dva pristupa:

Razlike između Lean startapa i preduzetništva obilja

Razumevanje prilika i izazova pristupa razvoju poslovanja zasnovanog na veštačkoj inteligenciji.

Izvor: Victor P. Seidel, Bret Greenstein, Thomas H. Davenport

U nastavku detaljnije opisujemo ove razlike, pružamo primere fenomena obilja i raspravljamo o tome šta bi trebalo, a šta ne bi trebalo raditi u okviru preduzetništva vođenog veštačkom inteligencijom.

Zašto sada: Rekonfiguracija ograničenja

Glavni pokretač ove promene je veštačka inteligencija, koja je drastično smanjila ograničenja u pogledu resursa povezanih sa informacijama, kao što su pristup stručnosti i podacima, kao i resursa povezanih sa radnom snagom, poput onih koji se koriste za generisanje ideja, sprovođenje analiza ili izvršavanje zadataka. Osnivači sada mogu jeftinije da proizvode kôd, dizajne i marketinški sadržaj, a takođe mogu gotovo trenutno da pristupe finansijskoj, HR i ekspertizi u lancu snabdevanja, kao i drugim korisnim savetima za startape. Na primer, nedavna studija četiri godine kohorti inkubatora Y Combinator otkrila je da su startapi koji su gradili svoje proizvode i procese oko veštačke inteligencije bili 25% manji od onih koji to nisu činili. Startapi izvorni za veštačku inteligenciju imali su 13% više inženjera, ali 15% manje radnika na početnim pozicijama i menadžera. Kompanije izvorne za veštačku inteligenciju obično su težile kako efikasnosti procesa kroz AI, tako i implementaciji veštačke inteligencije u same proizvode.

Kao primer ovog obilja, Tibo Luj-Lika (Tibo Louis-Lucas), francuski preduzetnik, koristio je veštačku inteligenciju da izgradi i vodi pet različitih softverskih biznisa kao solo osnivač sa samo 10 zaposlenih. Veštačka inteligencija je korišćena ne samo za izradu njegovih proizvoda već i za njihov marketing, prodaju i vremensko usavršavanje. On primenjuje filozofiju lansiranja mnogih proizvoda i nastavljanja rada samo na onima koji uspeju, tvrdeći u intervjuima da njegovi proizvodi generišu preko milion dolara mesečnih prihoda.

Osnivači koriste veštačku inteligenciju ne samo za izradu proizvoda već i kao suosnivače opšte namene. Veštačka inteligencija se koristi za proširenje ili zamenu višestrukih funkcionalnih uloga, uključujući strategiju, marketing, prodaju, pa čak i ljudske resurse. Ovaj nivo produktivnosti veštačke inteligencije obično zahteva upotrebu i orkestraciju AI agenata, od kojih neki dobijaju izuzetan stepen autonomije. Na primer, solo preduzetnik Net Elajason (Nat Eliason) kreirao je OpenClaw agenta pod imenom „Feliks“ kome je dodeljeno 1.000 dolara početnog kapitala i veza ka mogućnosti onlajn plaćanja, i koji je dobio zadatak da autonomno gradi biznise. Feliks je stvorio tri različita biznisa koja su, prema njegovoj javnoj kontrolnoj tabli, ukupno generisala preko 200.000 dolara prihoda.

Međutim, preduzetnik se i dalje suočava sa stvarnim ograničenjima. Pošto svi imaju ubrzan pristup informacijama, tehnologiji i stručnosti, postoji vremensko ograničenje za identifikovanje i realizaciju održivih startap ideja — a veštačka inteligencija nije uvek pouzdan izvor u pogledu toga šta je održivo. Postoji i ograničenje u pažnji osnivača, gde pitanje više nije „Možemo li to da napravimo?“, već postaje: „Kako da izaberemo koji proizvod ćemo lansirati?“ Kako je Stiv Blank primetio na svom času preduzetništva, veštačka inteligencija olakšava proces otkrivanja kupaca, ali takođe „čini da loše ideje idu brže“. Sveukupno, postoji niz promena u preduzetničkom procesu, uključujući:

• Prelazak sa efikasnosti učenja na generisanje i selekciju opcija
• Prelazak sa discipline fokusirane na jedan minimalno održiv proizvod (MVP) na orkestraciju portfolija sa više proizvoda
• Prelazak sa alokacije materijalnih resursa na alokaciju pažnje osnivača
• Povećanu potrebu za odvajanjem validnih tržišnih signala (koji su i dalje retki) od buke (koja je sveprisutna)

Mnogo je implikacija ovih promena u preduzetničkom procesu. Jedna od njih je da će postojati znatno više startapa. Preduzetnici u SAD podneli su 1,56 miliona novih prijava za osnivanje biznisa od novembra 2025. do januara 2026. godine — što je najveći broj u bilo kom tromesečnom periodu barem od 2004. godine. Iako nije moguće znati koliko njih je koristilo veštačku inteligenciju za izgradnju svojih biznisa, više od 80% američkih preduzetnika u anketi iz 2025. godine smatralo je da veštačka inteligencija vodi i ka „poboljšanoj produktivnosti i efikasnosti u svim operacijama“ i ka „povećanom prihodu i rastu poslovanja“. Veštačka inteligencija takođe može smanjiti barijere za ulazak, jer to znači da su zahtevi za finansiranjem — često iz fondova preduzetničkog kapitala — često niži.

Mnogi osnivači kreiraju višestruke poduhvate uz pomoć veštačke inteligencije i nastavljaju sa onima koji uzmu maha; globalna analiza preko 1.000 AI startapa otkrila je da 17% osnivača stvara više od jednog biznisa istovremeno. Ukratko, preduzetništvo sve više postaje orkestracija portfolija jeftinih eksperimenata, što je u suprotnosti sa fokusom na pojedinačni MVP koji je karakterisao vitke startape.

Izazovi obilja

Uprkos snazi i rastu preduzetništva zasnovanog na obilju koje donosi veštačka inteligencija, postoji nekoliko izazova sa kojima se ovaj pokret i njegove pristalice moraju suočiti. Postoji, na primer, potencijalna „iluzija napretka“ koja proističe iz rezultata veštačke inteligencije koji stvaraju lažne signale tržišne privlačnosti (trakcije) biznisa. Nije verovatno da će dodvoravajući AI modeli reći osnivačima da njihove ideje nisu dobre ili da je malo verovatno da će njihov biznis uspeti.

Pored toga, veštačka inteligencija može voditi ka komoditizaciji startap ideja, pri čemu lakoća pokretanja biznisa podstiče stvaranje prevelikog broja sličnih projekata. Iako je to teško izmeriti, deluje verovatno da će preduzetništvo vođeno veštačkom inteligencijom dovesti do mnoštva startapa zasnovanih na sličnim idejama. Preduzetnici se mogu previše oslanjati na uvide dobijene od veštačke inteligencije i zanemariti stvarne razgovore sa realnim ili potencijalnim kupcima. Mudri osnivači će shvatiti kada je potrebno da napuste svoje računare i stupe u stvarni svet trgovine.

Neki potencijalni problemi takođe proizilaze iz lakoće generisanja koda. Jedna osnivačica sa kojom smo razgovarali generisala je većinu koda svoje kompanije pomoću veštačke inteligencije. Njen biznis je imao zadovoljne klijente, ali je bila zabrinuta da bi njeni kupci mogli zameniti njene aplikacije sopstvenim generisanim kodom. O zameni etabliranih dobavljača softvera veštačkom inteligencijom raspravlja se već nekoliko meseci, ali bi se to moglo odnositi i na softver novih startapa. Svakako, svaki osnivač digitalnog startapa koji koristi AI treba da bude svestan ove dinamike u softverskoj industriji i mogućnosti da će postojati kraći vremenski prozori konkurentske prednosti.

Konačni izazov je to što današnja veštačka inteligencija možda nije uvek dorasla zadatku stvaranja uspešnih biznisa koji se mogu skalirati. Neki primeri automata za prodaju kojima su upravljali AI agenti, na primer, uključivali su to da je veštačka inteligencija donosila upitne i agresivne izbore u marketingu, određivanju cena, rasporedu proizvoda i još mnogo toga. Takođe, mogućnosti generisanja koda zasnovane na veštačkoj inteligenciji za startape osporili su pojedini posmatrači, koji dovode u pitanje da li su rezultujući sistemi dovoljno robusni da se dobro skaliraju.

Stručnost je i dalje važna

Iako generativna veštačka inteligencija može pružiti mnoštvo stručnog znanja o gotovo svakoj temi i napisati kôd na zahtev, to ne znači da preduzetnicima više nije potrebna ekspertiza u oblastima kojima se njihovi startapi bave. Zahtevi za stručnošću su posebno visoki u regulisanim industrijama poput finansijskih usluga i zdravstva. Na primer, jedan preduzetnik sa kojim smo razgovarali — Set Dobrin (Seth Dobrin), koji je ranije vodio odeljenja za veštačku inteligenciju u kompanijama kao što su IBM i Monsanto — suosnovao je novu kompaniju pod nazivom Arya Labs radi izgradnje novih AI modela zasnovanih na matematici i fizici koji bi mogli da reše teške probleme u nekoliko oblasti, uključujući razvoj lekova i medicinskih uređaja. Kompanija ima samo pet zaposlenih i koristi veštačku inteligenciju za generisanje skoro celokupnog potrebnog koda. Međutim, Dobrin je u intervjuu izjavio da kompaniji i dalje treba domenska ekspertiza u vertikalnim industrijama kako bi validirala svoje modele. On, na primer, ima doktorat iz molekularne i ćelijske biologije i radio je dugi niz godina u genetici. Napomenuo je da je njegovo iskustvo takođe veoma korisno na prodajnim sastancima sa klijentima u industriji prirodnih nauka.

Primer onoga što može poći po zlu kada nedostaje stručnost može se naći u kompaniji MEDVi, brzorastućem pružaocu GLP-1 lekova za gubitak težine i drugih velnes proizvoda putem telemedicinske platforme. Na prvi pogled, kompanija deluje kao odličan primer „solo jednoroga“ osnaženog veštačkom inteligencijom, koji je brzo dostigao 1,8 milijardi dolara godišnje prodaje sa samo osnivačem, Metjuom Galagerom (Matthew Gallagher), i njegovim bratom kao zaposlenima. Kako je izvestio New York Times:

„Iz svoje kuće u Los Anđelesu, gospodin Galager (41) koristio je veštačku inteligenciju da napiše kôd za softver koji pokreće njegovu kompaniju, napiše tekst za veb-sajt, generiše slike i video-snimke za reklame i upravlja korisničkim servisom. Kreirao je AI sisteme za analizu performansi svog poslovanja. A preostale stvari koje nije mogao sam da uradi poverio je spoljnim saradnicima.“

Ali detaljniji pogled otkrio je probleme (i doveo do dodavanja uredničke napomene u članak Times-a). Uprava za hranu i lekove (FDA) uputila je pismo upozorenja kompaniji MEDVi početkom 2026. godine u vezi sa obmanjujućim tvrdnjama na marketinškom veb-sajtu koje su implicirale da su njihovi mešani lekovi odobreni od strane FDA. Kasnije izveštavanje pokazalo je i druge upitne reklamne prakse.

Naravno, kompanije koje grade svoje poslovanje na tradicionalne načine ponekad nailaze na takve probleme. Ali njihova brza izgradnja uz pomoć veštačke inteligencije, sa malo iskustva u industriji i sa malo zaposlenih, pojačava rizik.

Implikacije za preduzetnike i etablirane kompanije

Uspon preduzetništva zasnovanog na obilju ima važne implikacije ne samo za osnivače već i za etablirane kompanije koje se takmiče sa njima. Osnivači bi trebalo da razmišljaju o sebi kao o dizajnerima sistema i procesa, a ne samo proizvoda. Poput prethodnih preduzetnika, osnivači osnaženi veštačkom inteligencijom i dalje moraju da pronađu konkurentski zaštitni bedem (moat), bilo da su to vlasnički podaci, iskustvo ili pažljivo selektovana stručnost. Trebalo bi da eksperimentišu, ali umereno, kako im pažnja ne bi bila previše rasuta. Trebalo bi da imaju ili razviju snažne filtere za selekciju prilika na osnovu sopstvenih uvida, a ne samo na osnovu veštačke inteligencije. Osobine kao što su ukus, odgovornost, rasuđivanje, jasnoća i upornost nisu dostupne u obilju.

Menadžeri etabliranih organizacija moraju koristiti neke od istih sposobnosti koje koriste startapi, a brzina njihove interne inovacije mora se ubrzati kako bi držali korak. Mnoge velike organizacije usvojile su principe vitkih startapa, ali sada moraju da pređu i na preduzetništvo obilja podržano veštačkom inteligencijom. Poput startapa, oni moraju naučiti kako da upravljaju povećanim portfolijom opcija.

U svetu u kome se sve digitalno može izgraditi, prednost leži u odlučivanju šta uopšte vredi graditi. Kako za preduzetnike, tako i za etablirane kompanije, izazov više nije jednostavno sticanje pristupa oskudnim resursima, već učenje kako da se organizuju oni koji su u obilju. To stvara retku priliku za eksperimentisanje i diferencijaciju: sa novim poduhvatnim timovima, novim pravilima odlučivanja, novim modelima upravljanja i novim pristupima učenju o kupcima. Pravila na kojima počiva preduzetništvo obilja još uvek se pišu na način koji će uticati i na startape i na zrele kompanije, a oni koji planski eksperimentišu i uče u ovom promenjenom okruženju biće u najboljoj poziciji za budućnost.

Kompanije danas često koriste veštačku inteligenciju da bi jurile prilike niske vrednosti: dodavanje nove funkcionalnosti koja klijentu zapravo nije važna ili davanje zaposlenima alata koji im štede vreme, ali ne ostvaruju merljive uštede za organizaciju. Kada veštačka inteligencija zaista donese merljivu vrednost, to je zato što se kompanije fokusiraju na probleme koji su ključni za njihovu strategiju i njihovu profitabilnost. Četiri akcije mogu osigurati da vaše investicije u veštačku inteligenciju budu strateški usklađene: 1) Definišite pokretače vrednosti; 2) Fokusirajte se na svoju poziciju u industrijskom lancu vrednosti; 3) Pronađite prilike u svom bilansu uspeha; i 4) Definišite svoja merila finansijskog povraćaja. Ove akcije će pomoći vašoj kompaniji da pređe sa kratkoročnih pobeda na održivu prednost.

Velike kompanije danas vrve od veštačke inteligencije. Lideri su finansirali pilot-projekte, obučavali svoje ljude, unapredili platforme podataka i jurili za najnovijim modelima. Ali kada se sa finansijskim direktorima razgovara o finansijskom uticaju, razgovor može postati neprijatan. Firme su željno investirale u veštačku inteligenciju, ali je prinose bilo teško kvantifikovati.

Taj jaz, između aktivnosti vezanih za veštačku inteligenciju i merljivog finansijskog povraćaja, postao je definišući problem za rukovodioce koji vode napore na polju veštačke inteligencije u velikim preduzećima. Globalna studija kompanije PwC, objavljena ranije ove godine, otkrila je da većina izvršnih direktora nije videla nikakvu merljivu korist od upotrebe veštačke inteligencije u svojoj kompaniji.

Videli smo ovaj obrazac u širokom spektru industrija — jedan od nas (Dejvid) savetuje firme u sektorima od finansijskih usluga preko robe široke potrošnje do industrije; a drugi (Krišnan) iz višegodišnjeg iskustva unutar kapitalno intenzivnog sveta nafte, gasa i hemikalija, gde se cena pogrešnog velikog ulaganja meri milijardama.

Naše kombinovano iskustvo pružilo nam je uvid u korenski uzrok jaza u vrednosti veštačke inteligencije i način na koji lideri mogu da ga reše, kako bi izvukli maksimalnu korist.

Jaz u vrednosti veštačke inteligencije

Kada veštačka inteligencija ne uspe da donese merljivu vrednost, većina lidera pretpostavlja da problem leži u njihovoj tehnologiji ili njihovim ljudima. Ali po našem iskustvu, nedostatak povraćaja najčešće je strateški problem.

Otvoreno rečeno, kompanije često koriste veštačku inteligenciju kako bi težile prilikama niske vrednosti. Iz prve ruke smo videli mnoge slučajeve u kojima kompanije koriste veštačku inteligenciju:

• da bi rešile interni nesporazum koji je vidljiv liderima, ali firmi zapravo ne stvara visoke troškove
• da bi dodale novu funkcionalnost koja kupcu zapravo nije važna
• da bi implementirale ustaljeni primer primene samo zato što su to uradile druge firme
• da bi vizualizovale podatke na nove načine, a da pritom ne promene način donošenja odluka
• da bi zaposlenima pružile alate koji im štede vreme na zadacima, ali ne donose merljive uštede za organizaciju.

U svakom od ovih slučajeva, neposredna korist za firmu je u najboljem slučaju mala. A tekuća konkurentska prednost jednaka je nuli.

Kada veštačka inteligencija donese merljivu vrednost, to je zato što se firme fokusiraju na probleme koji su ključni za njihovu profitabilnost:

• Nike je izgradio AI za predviđanje promenljive potražnje — što smanjuje višak zaliha i sprečava nestašice (ključni pokretači novčanog toka i zadovoljstva kupaca)
• Netflix je koristio AI da poboljša preporuke sadržaja — što utiče na vreme gledanja od strane korisnika i stopu otkazivanja pretplate
• Nestle je koristio AI da ubrza svoje inovacije proizvoda od početka do kraja — što je ključno za brži izlazak na tržište u odnosu na konkurente
• Merck je koristio AI da smanji „lažna odbacivanja“, gde se proizvodi greškom uklanjaju iz proizvodnje, što usporava isporuku lekova koji spasavaju živote

Jednačina vrednosti veštačke inteligencije

Smatramo korisnim da definišemo vrednost veštačke inteligencije u kontekstu preduzeća pomoću jednostavne jednačine:

Vrednost = Tehnologija x Usvajanje x Strateška usklađenost

Prvi faktor, „tehnologija“, obuhvata AI modele, infrastrukturu, računarske kapacitete i podatke. Drugi faktor, „usvajanje“, suštinski je cilj upravljanja promenama, o čemu je jedan od nas (Dejvid) pisao u svojoj nedavnoj knjizi. Treći faktor, „strateška usklađenost“, meri koliko su problemi koje rešavate pomoću veštačke inteligencije usklađeni sa strateškim prioritetima vaše kompanije, bilansom stanja i bilansom uspeha.

Ali ključ jednačine su znaci množenja: sva tri faktora se množe, pa ako je bilo koji od njih blizu nule, vrednost kolabira. Zamislite tri scenarija: briljantan model kojem nedostaju pravi podaci; elegantno rešenje koje niko ne usvaja; moćan alat usmeren na nerelevantan problem. U svakom scenariju, veštačka inteligencija generiše nultu vrednost za firmu.

Zanemareni faktor: Strategija

U teoriji, sva tri faktora su jednaka. Ali u praksi vidimo da je strateška usklađenost najviše zanemarena i da donosi najveći efekat poluge.

Većina kompanija je naučila važnost prva dva faktora — obučavanje pravog modela na pravim podacima i angažovanje zaposlenih da usvoje nove načine rada — ali zanemaruju pitanje strateške usklađenosti. To se dešava iz različitih razloga: Vlasništvo nad veštačkom inteligencijom prepušteno je IT ili inovacionim timovima koji su odvojeni od odgovornosti za profit i gubitak (P&L). Lideri veruju da uz moćan model povezan sa svim vašim podacima nećete morati da donosite teške odluke o tome koje poslovne probleme treba rešavati. Cilj veštačke inteligencije postavlja se u terminima obuke i usvajanja, kao da je to jednostavno veština koju treba steći. Ili ceo poduhvat polazi od same tehnologije i straha od zaostajanja za konkurentima.

Poluga strateške usklađenosti najlakše se uočava kada tehnologiju i usvajanje držite konstantnim, a menjate samo problem koji se rešava.

Razmotrite rešenje koje radniku štedi jedan minut na rutinskom zadatku. U jednom poslu, taj minut je bezvredan: Ušteđeno vreme se ponovo apsorbuje u prazan hod, zadatak nije bio na kritičnom putu i ništa se nizvodno ne menja. U drugom poslu, taj isti minut je transformativan jer se taj zadatak nalazi na uskom grlu koje uslovljava propusnost (npr. utovar dodatnog proizvoda na kamion za isporuku), ili zato što radnik to radi desetinama hiljada puta dnevno, ili zato što štedi minut izloženosti opasnom okruženju. Identično „poboljšanje“, ali sa radikalno različitom vrednošću. Razlika je u potpunosti strateška: Zavisi od toga gde se zadatak nalazi u odnosu na ono što pokreće ekonomiju i rizik poslovanja.

Uložite novac tamo gde je vaša vrednost

Da biste ostvarili polugu iz strateške usklađenosti, svaku investiciju u veštačku inteligenciju morate usidriti u ekonomiju svoje kompanije — uložite svoj novac tamo gde je vaša vrednost.

Konkretno, to znači preduzimanje četiri koraka:

Definišite svoje pokretače vrednosti.

Pokretač vrednosti je poluga koja, kada se pomeri, menja profitabilnost poslovanja na način koji je zaista važan.

Nabavka je, na primer, pokretač vrednosti u teškoj industriji, gde može upravljati potrošnjom između 30 i 60% godišnjeg prihoda. Proces nabavke jedne firme može uključivati stotine dobavljača, od kojih svaki odgovara na predloge sa stotinama stavki pojedinačnih troškova i željenim uslovima ugovora o uslugama. Ljudski nije moguće optimizovati svaku stavku. Ali postoje uspešne implementacije AI platformi koje optimizuju proces pregovora kako bi smanjile potrošnju za 10–20%, što dovodi do uticaja na zaradu po akciji.

Iskorišćenost imovine je još jedan pokretač vrednosti za tešku industriju. Minimiziranje troškova proizvodnje po jedinici je kritično, pa je održavanje fizičkih postrojenja u radu od najvišeg značaja. U Permskom basenu, veliki proizvođači nafte i gasa implementirali su AI programe sa dronovima koji određuju da li je fizička inspekcija potrebna na osnovu unapred definisanih operativnih kriterijuma. Takvi programi preventivnog održavanja smanjili su neplanirane zastoje za 30–40%, uz uštede troškova od stotina miliona dolara.

U drugim industrijama dominiraće drugi pokretači vrednosti. Za B2B uslužne firme, optimizacija prihoda vašeg prodajnog tima je pokretač vrednosti. Za medijske kompanije sa modelom pretplate, pokretači vrednosti uključuju zadržavanje kupaca (visoko) i troškove akvizicije kupaca (niske). Za uslužne delatnosti ključna je produktivnost rada. Za maloprodavce, optimizacija cena i upravljanje zalihama. Za robu široke potrošnje, pokretači uključuju osmišljavanje proizvoda, upravljanje portfolijom i optimizaciju marketinškog miksa.

Fokusirajte se na svoju poziciju u lancu vrednosti industrije.

Ne samo da se pokretači vrednosti oštro razlikuju po industrijama, već se razlikuju i od kompanije do kompanije unutar iste industrije. To se u velikoj meri zasniva na tome gde se vaša firma nalazi unutar lanca vrednosti vaše industrije.

U hemijskoj proizvodnji, razmotrite razliku između proizvođača bazičnih sirovina kao što je Westlake (koji proizvodi hlor i polietilen) i specijalizovanog proizvođača kao što je Givaudan (koji proizvodi mirise, arome i kozmetičke sastojke). Obe su hemijski proizvođači, ali su njihovi pokretači vrednosti dramatično različiti.

Firma kao što je Westlake ulaže milijarde dolara u početni kapital za masivna postrojenja za preradu poput parnih krekera za proizvodnju hemikalija kojima se trguje na svetskom tržištu. Njihovi pokretači vrednosti biće usmereni na smanjenje troškova kroz operativnu efikasnost.

Firma kao što je Givaudan stvara proizvode sa visokom maržom koji zahtevaju pet do 10 puta veće izdatke za istraživanje i razvoj (kao udeo u prihodu) nego firma poput Westlake-a. Profit se ostvaruje kroz intelektualnu svojinu i znatno kraće cikluse inovacija. Pokretači vrednosti će se fokusirati na brzinu i troškove razvoja novih proizvoda, kao i na sposobnost duboke integracije u proizvodne tokove svojih kupaca.

Pronađite prilike u svom bilansu uspeha.

Vaš sledeći korak je fokusiranje na bilans uspeha. Pročitajte bilans uspeha svoje kompanije ili operativne jedinice i postavite pitanje, stavku po stavku: Šta bi veštačka inteligencija mogla da pomeri i za koliko? Prihodi, cena prodate robe (COGS), operativni troškovi — svaka linija bi trebalo da generiše hipotezu o tome gde bi vrednost mogla biti stvorena.

Uzmite u obzir veliku kompaniju za naftu i gas sa imovinom koncentrisanom u istraživanju i proizvodnji („upstream“). Analiza njenog bilansa uspeha otkrila bi da je dugovečnost njenih rezervi kritična, kao i proizvodnja po najnižoj ceni. To bi ukazivalo na AI koji minimizira zastoje u proizvodnji (kako bi zaštitio ukupan prihod), kao i na AI koji optimizuje proizvodnju (kako bi produžio dugovečnost).

Ali bilans uspeha takođe može generisati hipoteze za nove izvore prihoda, korišćenjem kapitala koji je već potrošen. Za naftnu i gasnu firmu, to bi moglo da obuhvati lizing kapitalne opreme ili trgovinu sopstvenom sirovom naftom korišćenjem promptnih tendera, fjučersa i opcija — pri čemu je sve to omogućeno veštačkom inteligencijom.

Definišite svoja merila finansijskog povraćaja.

Konačno, morate definisati kako ćete meriti efekat veštačke inteligencije na pokretače vrednosti koje ste odabrali (tj. na probleme koje nameravate da rešite).

Za Merck, to bi značilo merenje stope lažnih odbacivanja u proizvodnji i proizvodnog učinka koji pacijenti mogu da koriste. Za Netflix, metrički pokazatelji bi trebalo da uključe zadržavanje korisnika, stope gledanja i dugoročno zadovoljstvo, zajedno sa pažljivim A/B testiranjem kako bi se uočio uticaj AI sistema za preporuke. Nike bi želeo da meri stope neusklađenosti zaliha (i viškove i nestašice), troškove skladištenja viška zaliha i tačnost predviđanja potražnje tokom lansiranja novih proizvoda. Za Nestle, merila bi trebalo da se fokusiraju na ubrzanje različitih koraka u procesu istraživanja i razvoja, kao i na brzinu plasiranja novih proizvoda na tržište.

Metrike se moraju izabrati pre nego što izgradite bilo koje AI rešenje ili ga ugradite u radne procese. Ako unapred ne možete da definišete kako ćete meriti projekat i ko će potvrditi ostvarenu vrednost, onda niste spremni da počnete.

Uticaj usidrenja veštačke inteligencije u strategiju

Usidrenje svakog napora na polju veštačke inteligencije u vašu strategiju jeste ključ za pretvaranje investicije u merljivu dobit. Kompanije za koje smo videli da primenjuju ovu stratešku disciplinu jesu one koje beže iz zamke „aktivnosti bez prinosa“. To su firme koje pokazuju merljiv uticaj veštačke inteligencije u punom obimu.

Aramco, gde je jedan od nas (Krišnan) radio, prijavio je ogroman povraćaj od AI tehnologije: 2,6 milijardi dolara samo u 2025. godini. Netflix je uštedeo milijardu dolara godišnje na otkazivanjima korisnika zahvaljujući preporukama zasnovanim na veštačkoj inteligenciji i njihovom uticaju na svakodnevno ponašanje pri gledanju. Merck je smanjio broj lažnih odbacivanja za više od 50% u različitim linijama proizvoda pomoću svoje HawkAVI platforme pokretane veštačkom inteligencijom. Nike je smanjio neusklađenost zaliha za 20% i nestašice za 15% otkako je napravio svoj AI model za predviđanje, a koristio je predviđanje potražnje da poveća prodaju za 10% u ciljanim regionima. Nestle je ubrzao istraživanje i razvoj proizvoda smanjivši vreme osmišljavanja proizvoda sa šest meseci na šest nedelja.

Međutim, usidrenje veštačke inteligencije u vrednost čini čak i više od pukog dramatičnog poboljšanja uticaja pojedinačnih projekata. Ono menja ulogu veštačke inteligencije u celoj organizaciji. Kada je svaka inicijativa unapred vezana za pokretač vrednosti i odgovarajuću stavku bilansa uspeha, poverenje brzo raste među onima koji upravljaju bilansom uspeha i investicionim odlukama. To, zauzvrat, gradi samopouzdanje u čitavoj organizaciji.

Takođe menja vrstu prednosti koju gradite, prelazeći sa kratkoročnih pobeda na održivu prednost. Generičke implementacije veštačke inteligencije, zasnovane na primerima primene koje dele dobavljači, ne obezbeđuju vam odbrambeni bedem, jer vaši konkurenti imaju pristup istim modelima i istim primerima primene kao i vi. Ali kada je vaša veštačka inteligencija povezana sa dubokim poznavanjem ekonomije vašeg poslovanja, to se menja. Vaša strategija je vaš bedem, a veštačka inteligencija postaje pokretač te strategije.

Nudimo jednačinu vrednosti kao jednostavan alat za donošenje fokusa i monetizacije naporima na polju veštačke inteligencije. Razlog zašto mnoge korporativne investicije u AI ne daju željene prinose ne leži u tehnološkom neuspehu ili neadekvatnom upravljanju promenama. Stvar je u tome što se varijabla sa najvećim efektom poluge — strateška usklađenost veštačke inteligencije — tako često zanemaruje. Strategija se svodi na biranje problema koje treba rešavati, a to se ne razlikuje ni kada je u pitanju veštačka inteligencija. Uložite svoj novac tamo gde je vaša vrednost.

Kako organizacije stiču više „inteligencije“ pomoću alata veštačke inteligencije, lideri bivaju odviknuti od same sposobnosti koja stvara konkurentsku prednost — originalnog prosuđivanja. Dve međusobno povezane sposobnosti oblikuju sposobnost lidera da proizvede originalno razmišljanje: širina percepcije (uočavanje slabih signala i susednih obrazaca izvan očiglednog) i nezavisnost interpretacije (formiranje sopstvenog stava umesto povinovanja modelu ili grupi). Organizacije mogu zaštititi prosuđivanje usvajanjem dve prakse: strukturisane radoznalosti i svesnog neslaganja.

Nedavni izveštaj istraživača sa Harvarda koji proučavaju inovacije ukazao je na zabrinjavajući obrazac. Kako bi testirali kako veštačka inteligencija utiče na ljudsko prosuđivanje, istraživači su sproveli terenski eksperiment, tražeći od 228 iskusnih ocenjivača da procene 48 prijava za globalni izazov socijalnih inovacija na MIT-u. Istraživači su testirali tri uslova: 1) procene isključivo od strane ljudi; 2) procene pomoću LLM-a uz narativno objašnjenje donošenja odluke; i 3) procene pomoću LLM-a bez dodatnog konteksta. Zatim su uporedili odluke ocenjivača sa odlukama koje su donela četiri stručnjaka povezana sa inovacionim izazovom.

Ono što su otkrili bilo je zapanjujuće: kada je AI alat podsticao ljudske ocenjivače da odbace prijave koje je stručni panel odobrio, ljudi su uglavnom prihvatali te preporuke, eliminišući inovacije visokog potencijala. Štaviše, bila je manja verovatnoća da će poništiti netačnu preporuku veštačke inteligencije kada im je ponuđeno narativno objašnjenje. Umesto da poboljša prosuđivanje ocenjivača, narativno objašnjenje ga je pogoršalo.

Ovaj nalaz nije izolovan. Nedavna istraživanja velikih razmera pokazuju da inteligentni alati namenjeni unapređenju prosuđivanja u nekim slučajevima urušavaju upravo onu sposobnost koju bi trebalo da podrže.

U trenutku kada prosuđivanje postaje sve važniji faktor konkurentske diferencijacije, to bi trebalo da navede lidere na razmišljanje. Evo šta mogu da učine kako bi ga zaštitili.

Paradoks originalnog prosuđivanja

Već čitavu deceniju organizacije masovno ulažu u infrastrukturu za podršku odlučivanju koja obećava sve bolje odluke. Ipak, pojavljuje se paradoks: kako organizacije stiču više „inteligencije“, njihovi lideri se odvikavaju od same sposobnosti koja stvara konkurentsku prednost — originalnog prosuđivanja. Pod originalnim prosuđivanjem podrazumevamo jedinstvenu ljudsku sposobnost da se vidi izvan dominantnog narativa i donesu izbori koji odražavaju vaše vrednosti u uslovima neizvesnosti. Ono se nalazi u osnovi gotovo svake priče o konkurentskoj prednosti — od Sema Voltona koji je ignorisao opšteprihvaćeni stav da se diskontni lanac ne može izgraditi u gradu sa manje od 50.000 stanovnika, preko Stiva Džobsa koji je integrisao kaligrafiju u personalni računar, do Džensena Huanga koji se kladio na nedokazanu hardversku emulaciju kako bi radikalno ubrzao izradu prototipova u kompaniji Nvidia.

Dve međusobno povezane sposobnosti oblikuju kapacitet lidera da proizvede originalno razmišljanje: širina percepcije (uočavanje slabih signala i susednih obrazaca izvan očiglednog) i nezavisnost interpretacije (formiranje sopstvenog stava umesto povinovanja modelu ili grupi). U našem radu na prosuđivanju lidera, počeli smo da posmatramo ove faktore ne kao crte ličnosti ili bljeske genijalnosti, već kao merljive mehanizme koji objašnjavaju zašto pojedini lideri uočavaju prelomne tačke i deluju sa ubeđenjem, dok se drugi, jednako inteligentni, po inerciji povinuju pravilima.

Ukratko, originalno prosuđivanje je ono što razdvaja strateške proboje od operativne efikasnosti — a kako se inteligentni sistemi šire kroz upravne odbore, ta sposobnost erodira upravo tamo gde je najvažnija.

Oslanjajući se na nova istraživanja o kognitivnom rasterećenju i pristrasnosti automatizacije, uočavamo da originalno prosuđivanje erodira kroz trostepeni proces. Počinje kognitivnim rasterećenjem dok se lideri sve više oslanjaju na inpute vođene podacima — što je promena koja je sada vidljiva čak i na neuronskom nivou, gde snažno oslanjanje na generativne alate korelira sa merljivo slabijim kognitivnim angažovanjem, a što može prerasti u prihvatanje odgovora veštačke inteligencije bez ozbiljnog preispitivanja. Ono što sledi jeste povinovanje alatima, jer se ljudi oslanjaju na „algoritamski autoritet“ koji u potpunosti ne razumeju, verujući rezultatima čiju logiku ne mogu da vide. Istraživanja profesionalaca koji rade sa analitičkim tehnologijama pokazala su da to može isprazniti samu stručnost koju su ti alati trebali da prošire. Ovo povinovanje zauzvrat stvara organizacionu monokulturu poduprtu istim metrikama, modelima i narativima koji potiču iz samih alata.

Pitanje nije da li lideri treba da koriste veštačku inteligenciju i podatke — treba da ih koriste. Međutim, sofisticirani sistemi za podršku odlučivanju treniraju lidere da se povinuju, a ne da stvaraju originalne ideje.

Pored literature o dizajnu u nastajanju koja postavlja pitanje kako izgraditi veštačku inteligenciju koja podstiče bolje razmišljanje, mi otvaramo prethodno pitanje: kako lideri razvijaju prosuđivanje koje nijedan interfejs ne može da pruži. Oslanjajući se na to kako su istorijski naučni proboji prevazišli ukorenjeni konsenzus svog vremena — slično povinovanju sa kojim se danas suočavamo pred inteligentnim sistemima — izdvojili smo dve prakse koje lideri mogu svesno da izgrade: strukturisanu radoznalost i svesno neslaganje.

Strukturisana radoznalost

Do kasnih 1960-ih, malarija je razvila otpornost na hlorokin, a zapadni farmaceutski programi — nakon testiranja stotina hiljada jedinjenja — iscrpeli su verovatne kandidate. Tu Juju, hemičarka bez doktorske titule na Akademiji tradicionalne kineske medicine, odlučila je da pogleda tamo gde niko drugi nije gledao. Pregledala je 2.000 drevnih tekstova, identifikovala slatki pelin i, nakon što su rani eksperimenti razočarali, primetila detalj u rukopisu iz četvrtog veka: ekstrahovati na sobnoj temperaturi umesto ključanja biljke. Taj izbor doveo je do artemizinina, koji je danas temelj globalnog lečenja malarije.

Tu je praktikovala ono što nazivamo strukturisanom radoznalošću: disciplinovano prikupljanje sa marginalnih područja, organizovano slaganje slabih signala i svesno odlaganje preuranjenog donošenja zaključka kada dominantni tok ideja presuši.

U organizacijama, ovo predstavlja razliku između pukog izgovaranja „budite radoznali“ i kreiranja sistema za to. Bez strukture, radoznalost se urušava pod vremenskim pritiskom, sistemom nagrađivanja i monokulturom. Preporučujemo ono što nazivamo metodom CAST kako bi se izgradili mehanizmi koji podržavaju strukturisanu radoznalost.

Prikupljajte sa margina.

Liderima nije potrebno više podataka, već raznovrsniji podaci — ekstremni slučajevi, slabi signali, neobični izvori — jer tačnost predviđanja manje zavisi od obima, a više od raznolikosti. Prikupljanje sa margina podrazumeva projektovanje kanala za neočigledne ulazne podatke — atipične klijente, pritužbe i zamalo izbegnute greške, susedne discipline — tako da anomalije isplivaju na površinu pre nego što ih sistemi svedu na prosek.

Povežite raznorodne signale.

Sirove anomalije izgledaju kao šum sve dok lider ne uspostavi strukturu; najbolji stratezi ne pobeđuju time što znaju više, već organizovanjem onoga što znaju u strukture koje prenose rešenja iz jedne oblasti u drugu. U praksi, povezivanje raznorodnih signala znači pronalaženje jednostavnih, disciplinovanih načina za postavljanje signala jednih pored drugih — tematske mape, dijagrame ponavljajućih incidenata, „biblioteke slučajeva“ ekstremnih primera — tako da lideri preispituju obrasce umesto da reaguju na izolovana iznenađenja.

Odložite prerano donošenje zaključaka.

Pod vremenskim pritiskom, lideri eliminišu dvosmislenost, priklanjajući se poznatim narativima ili preporukama modela. Odlaganje preranog donošenja zaključaka čuva vremenski interval u kome alternative mogu isplivati pre nego što se okvir učvrsti. Prakse poput „ne slaži se, ali se posveti realizaciji“ — očuvanje debate pre zatvaranja rasprave, stavljajući na stranu povinovanje hijerarhiji, konsenzusu ili algoritmu — sprečavaju preuranjeno donošenje zaključaka.

Podstaknite alternativna tumačenja.

Jednostavni planovi tipa „ako-onda“ koji povezuju određeni signal sa reakcijom povećavaju verovatnoću da lideri deluju na osnovu prethodnog promišljanja umesto navike, pretvarajući radoznalost u redovnu praksu čak i pod pritiskom. Za lidere, podsticanje alternativnih tumačenja znači pretvaranje tih signala u nekolicinu konkretnih pravila „ako-onda“ koja se aktiviraju pri stvarnim odlukama, pružajući obrascima šansu da preoblikuju izbore pre nego što dođe do povinovanja.

Organizovanje za strukturisanu radoznalost.

Individualna radoznalost nije dovoljna ako organizaciona arhitektura trenira ljude da se povinuju. Jedna globalna kompanija sa kojom je jedan od nas sarađivao — iskustvo koje je pomoglo u oblikovanju CAST metoda — ugradila je strukturisanu radoznalost u način na koji razvija buduće lidere.

Suočavajući se sa transformacijom iz masovne proizvodnje u ekosistem usmeren na zdravlje, kompanija je sprovela namerno neprijatan program: 15 lidera visokog potencijala raspoređeno je u pet neusklađenih timova od po troje ljudi, pri čemu je svakom timu dodeljen kompleksan izazov van njihove ekspertize, uz obavezu da jedan dan nedeljno tokom devet meseci posvete sprovođenju eksperimenata uživo bez unapred definisanog rešenja. Cilj nisu bili tačni odgovori, već originalan put. Reakcije su bile mešavina uzbuđenja i straha, ali je ta nelagodnost stvorila nesvakidašnje poverenje, i tokom pet godina to je postao prepoznatljiv pristup kompanije za razvoj liderstva.

Svesno neslaganje

Decenijama je naučni konsenzus pripisivao peptičke ulkuse stresu i kiselini; ideja da bakterije mogu preživeti u želucu smatrana je smešnom. Patolog Robin Voren je uporno viđao spiralne bakterije u želudačnim biopsijama. Dok je većina kolega to ignorisala, njegov prvi saveznik bila je njegova supruga Vin, obučena medicinska sestra, koja ga je podstakla da istraje. Kada se Beri Maršal, lekar na specijalizaciji, pridružio Vorenovom istraživačkom timu, izgradili su promišljenu mrežu neslaganja — prateći 100 pacijenata, a zatim se oslanjajući na kritičare iz srodnih oblasti kako bi preispitali njihove metode i plasirajući rane radove u skeptičnim naučnim krugovima.

Ta mreža je postigla dve stvari: učvrstila je dokaze — serija od 100 pacijenata i spoljna metodološka kritika učinile su nalaze teškim za odbacivanje — i, što je presudno, stvorila je zamah u srodnim oblastima koje su bile spremnije da saslušaju nego što je to bilo skeptično jezgro gastroenterologije. Mikrobiolozi i epidemiolozi, manje opterećeni dogmom o stresu i kiselini, mogli su da procene bakterijske dokaze na osnovu njihovih stvarnih argumenata. Njihova rastuća podrška pružila je argumentu kredibilitet koji autori nisu mogli sami da proizvedu.

Tokom jedne decenije, sporedna podrška koju su kultivisali promenila je konsenzus sve dok tela za izradu smernica nisu prihvatila Helicobacter pylori kao primarni uzrok većine čireva.

Lekcija nije samo u tome da neslaganje može biti ispravno; već u tome da neslaganje retko opstaje dovoljno dugo da se dokaže bez svesnog društvenog osnaživanja. Većina neslaganja ne propada zato što je ideja slaba, već zato što njeni autori bivaju izolovani pre nego što se dokazi akumuliraju.

U organizacijama koje oblikuje veštačka inteligencija, problem se produbljuje. Izlazni rezultati sistema dolaze sa velom objektivnosti zbog kojeg neslaganje deluje iracionalno, pa lideri uče da je bezbednije uskladiti se nego postavljati pitanja.

Očuvanje originalnog prosuđivanja znači tretiranje neslaganja kao sposobnosti koju treba negovati kroz tri elementa, što nazivamo RED metodom.

Regrutujte nezavisne perspektive.

Neslaganje se retko spontano javlja unutar homogenih liderskih grupa okupljenih oko funkcionalne ekspertize i kulturološkog uklapanja — osobina koje jačaju usklađenost, ali smanjuju raznolikost interpretacija. Ipak, istraživanja o uticaju manjine pokazuju da čak i jedan nezavisan glas proširuje način na koji grupe obrađuju informacije. Za lidere, regrutovanje nezavisnih perspektiva znači namerno uvođenje ljudi čija se disciplina ili kognitivni stil razlikuju od dominantne grupe. Vi tražite raznolikost tumačenja, a ne samo identiteta.

Uključite se kroz strukturisano preispitivanje.

Regrutovanje različitih glasova je samo prvi korak; bez strukturisanog angažmana, izazivanje postojećih stavova postaje performativno — ritualna uloga „đavoljeg advokata“ koja samo učvršćuje dominantni narativ. U organizacijama, uključivanje kroz strukturisano preispitivanje podrazumeva uvođenje mehanizama kao što su „pre-mortem“ analize odluka, koje ispituju kako bi preovlađujuće pretpostavke mogle da propadnu pre nego što očvrsnu u konsenzus.

Dijalog koji se održava tokom vremena.

Neslaganje je uvežbana socijalna veština, a ne moralni stav. Održavanje neslaganja znači suprotstavljanje uz očuvanje poverenja koje omogućava uticaj. Kada se dobro izvede, dijalog koji se održava tokom vremena pretvara tenziju u poligon za originalnost: lideri uvežbavaju kako da izraze manjinski stav, prilagode ton i vreme i testiraju argumente u prostoru zaštićenom od politike. To znači negovanje malih krugova pouzdanih partnera koji preispituju njihove pretpostavke — i činjenje istog zauzvrat — tako da, kada dođe trenutak odluke, neslaganje deluje manje kao herojski izuzetak, a više kao prirodna navika.

Organizovanje za svesno neslaganje

Dve globalne kompanije sa kojima smo radili izgradile su savetodavne mreže koje funkcionišu kao zaštićena okruženja za neslaganje. Umesto da se oslanjaju na procese upravnog odbora ili izvršnog rukovodstva — gde dinamika moći i karijerni podsticaji sputavaju neslaganje — okupile su male grupe spoljnih stručnjaka izvan linija izveštavanja, čiji zadatak nije bio pružanje gotovih odgovora, već testiranje logike pod pritiskom i iznošenje alternativa pre nego što bi bilo bezbedno pokrenuti ih u salama za sastanke.

Vremenom su ove sesije postale poligon za obuku umesto arene za dokazivanje. Lideri su dolazili sa stvarnim dilemama i iskrenim sumnjama, a savetnici su prešli sa učtivog ispitivanja na direktnu kritiku projekata do kojih je liderima bilo posebno stalo. Jedan generalni direktor divizije zatražio je da dovede čitavu svoju grupu kolega samo da bi bili rigorozno izazvani na mestu gde ih niko ne ocenjuje.

Tako izgleda organizovanje za neslaganje — ne čekate hrabrost na sastanku sa visokim ulozima; gradite društvenu arhitekturu u kojoj lideri uvežbavaju iznošenje oprečnih stavova, tako da konsenzus preživi stvarno trenje umesto veštački stvorene usklađenosti.

Vođenje izvan ere povinovanja

U svakoj eri, prelomni napredak je zavisio od ljudi voljnih da primene originalno prosuđivanje uprkos uvaženim dogmama. Ono što definiše njihove proboje nije buntovništvo, već disciplinovana sposobnost da vide dalje od ponuđenog modela i drže se tog stava sve dok ga stvarnost ne sustigne. Zadatak liderstva nije biranje između ljudi i mašina, već svesna izgradnja praksi — poput strukturisane radoznalosti i svesnog neslaganja — koje održavaju ljudsku originalnost dovoljno snažnom da nadglasa sve ubedljivije sisteme.

Inicijative za uvođenje generativne veštačke inteligencije često zastaju ne zbog upravnog odbora, dobavljača ili obuke, već zato što menadžeri srednjeg nivoa određuju kako se AI prevodi u svakodnevni rad. Postoji pet različitih profila koji utiču na to kako menadžeri percipiraju AI i sprovode nove inicijative sa svojim timovima: AI skeptici, tradicionalisti koji čekaju i posmatraju, oprezni implementatori, entuzijastični eksperimentatori i AI katalizatori. Svaki od njih različito reaguje na rizik, dokaze, podsticaje i podršku. Efikasni lideri moraju prilagoditi svoj pristup svakom profilu, kombinujući jasno upravljanje, odgovarajuće podsticaje i ciljanu podršku. Sledeća faza konkurentske prednosti u oblasti veštačke inteligencije neće pripadati kompanijama sa najglasnijim direktivama, već onim kompanijama koje znaju sa kojim menadžerima imaju posla i svakom od njih pružaju tačno ono što mu je potrebno da krene napred.

Najčešća tačka neuspeha u primeni generativne veštačke inteligencije nije sala za sastanke upravnog odbora, uži izbor dobavljača niti portal za obuku. To je sloj menadžera koji mora da pretvori ambiciju rukovodstva u svakodnevno ponašanje. Zbog toga usvajanje generativne AI stalno zastaje, čak i u organizacijama gde su viši lideri odobrili budžet, odabrali platformu i najavili direktivu. Menadžeri srednjeg nivoa odlučuju da li će AI postati radni proces, sporedni eksperiment, glavobolja u pogledu usklađenosti ili tiha žrtva organizacionog izbegavanja.

Menadžeri srednjeg nivoa rade više od pukog sprovođenja odluka rukovodstva. Oni tumače šta te odluke znače za zaposlene. Operativni timovi posmatraju svoje menadžere kako bi utvrdili da li AI predstavlja koristan alat, prolazni trend, mehanizam nadzora ili upozorenje o budućim otpuštanjima. Rukovodilac može obećati da će AI smanjiti monoton rad, ali zaposleni veruju tom obećanju tek kada njihovi menadžeri u skladu sa tim promene obim posla, prakse pregleda rada, očekivanja u pogledu učinka i prava odlučivanja. To čini usvajanje generativne veštačke inteligencije izazovom operativnog modela, a ne konvencionalnom implementacijom softvera. Menadžeri srednjeg nivoa nalaze se na mestu gde se strateška ambicija susreće sa strepnjom zaposlenih, dvosmislenim smernicama, postojećim radnim tokovima i odgovornošću za manjkave rezultate.

Viši lideri često pogrešno dijagnostikuju problem. Oni pretpostavljaju da usvajanje zavisi od tri poteza: artikulisanja strategije, odabira tehnologije i obuke radne snage. Ti koraci su neophodni, ali su retko dovoljni. AI transformacija se odvijala brže od većine operativnih modela. Mekinzijev izveštaj o stanju AI za 2025. godinu (McKinsey’s 2025 State of AI) pokazao je da je upotreba veštačke inteligencije široko rasprostranjena, ali mnoge organizacije je još uvek nisu ugradile dovoljno duboko u radne tokove i procese da bi ostvarile materijalnu vrednost za preduzeće. Štaviše, Majkrosoftov i Linkedinov Indeks trendova rada za 2024. godinu (Microsoft and LinkedIn’s 2024 Work Trend Index) utvrdio je da su zaposleni već koristili AI na poslu, dok su mnogi lideri i dalje bili bez jasnog puta od individualne produktivnosti do poslovne vrednosti, što odražava jaz između entuzijazma i egzekucije. Mehanizam koji nedostaje jeste menadžersko prevođenje: ko odlučuje koji se radni tokovi menjaju, kako se proverava kvalitet, šta je zaposlenima dozvoljeno da isprobaju i šta se dešava kada rad potpomognut veštačkom inteligencijom krene po zlu.

Razmotrite šta se dešava nakon što izvršni tim objavi da svako odeljenje treba da počne da koristi generativnu veštačku inteligenciju. Jedan menadžer daje zaposlenima dozvolu za eksperimentisanje, uspostavlja standarde pregleda i identifikuje radni tok vredan redizajniranja. Drugi menadžer govori malo, čeka jasnija uputstva i nastavlja da ocenjuje zaposlene prema starom procesu. Za nekoliko meseci, prvi tim je razvio ponovljivu praksu, dok se drugi podelio na zaposlene koji izbegavaju AI i zaposlene koji je koriste potajno, bez ikakvog nadzora.

Ovo razilaženje stvara više od neujednačenog usvajanja. Ono stvara nedosledan kvalitet, skrivene rizike po podatke, duplirane eksperimente, frustrirane zaposlene i ulaganja u tehnologiju koja nikada ne donose značajne povrate. Kako generativna veštačka inteligencija prelazi iz opcionalnog eksperimentisanja u osnovne poslovne procese, organizacije imaju sve manje prostora da ove odluke prepuste menadžerskoj improvizaciji.

Pet načina razmišljanja menadžera koji oblikuju usvajanje

Moje istraživanje ukazuje na precizniju dijagnozu. Istražujući za svoju knjigu, Psihologija usvajanja AI na poslu (The Psychology of AI Adoption at Work), i oslanjajući se na više od 35 fokus grupa sa preko 250 menadžera srednjeg nivoa, uz 22 dubinska intervjua u organizacijama u sektorima kao što su osiguranje, proizvodnja, pravne usluge, maloprodaja, obrazovanje i tehnologija, otkrio sam da menadžeri srednjeg nivoa ne predstavljaju jedinstven blok koji pruža otpor promenama. Oni se grupišu u pet psihografskih profila. Svaki profil različito reaguje na pritisak, rizik, dokaze, podsticaje i upravljanje. Tretiranje svih njih na isti način može stvoriti nekoliko impresivnih pilot projekata, ali retko donosi dosledno usvajanje u svim odeljenjima.

AI skeptik

Prvi profil, AI skeptik, najlakše je karikirati i sa njim je najlakše pogrešno postupiti. Skeptici nisu samo tvrdoglavi. Oni često imaju legitimne zabrinutosti u pogledu odgovornosti, gubitka posla, privatnosti podataka, kvaliteta i ljudske cene automatizacije. Videli su kako su prošle „transformacije“ dolazile sa parolama, a za sobom ostavljale narušene procese. Kada sažetak usklađenosti koji je generisala AI sadrži grešku, oni očekuju da budu osobe koje će za to odgovarati. Kada rukovodioci govore o efikasnosti, oni čuju rizik od smanjenja broja zaposlenih.

U svakodnevnoj praksi, skeptični menadžeri mogu odlagati odobrenja alata, ograničiti AI na opcionalno individualno eksperimentisanje ili zahtevati od zaposlenih da opravdaju svaki pojedinačni slučaj upotrebe. Na primer, jednom sam vodio obuku o liderstvu gde je jedan skeptik više puta insistirao na tome da ne veruje AI alatima sa podacima svog tima, uprkos činjenici da je IT odeljenje kompanije proverilo i odobrilo Uslove korišćenja softverskog paketa, u kojima izričito stoji da se modeli ne obučavaju ni na kakvim podacima korisnika koji se pretplate na taj paket. U obrazovnim ustanovama i neprofitnim organizacijama, ovo neprijateljstvo se ispoljava kao oklevanje da se koristi AI zbog navodne prekomerne potrošnje električne energije i vode.

Timovi AI skeptika često reaguju na jedan od dva načina: u potpunosti izbegavaju AI, ili je koriste potajno, bez deljenja upita, rezultata ili grešaka. Prvi odgovor guši učenje, dok drugi stvara upotrebu AI u senci, bez zajedničkih standarda kvaliteta ili bezbednosti.

Pogrešna intervencija za skeptike jeste još više evangelizacije. Ovim pojedincima su potrebni dokazi uz jasnu odgovornost. Lideri bi trebalo da im daju uske pilot projekte niskog rizika sa definisanim metrikama, ljudskim pregledom i eksplicitnim pravilima o tome ko snosi odgovornost za greške napravljene uz pomoć AI. Pilot projekti veštačke inteligencije koji su zaista važni nisu upadljive demonstracije. To su pažljivo odabrani testovi radnog toka koji porede vreme ciklusa, kvalitet, dorade, iskustvo zaposlenih i rizične događaje u odnosu na trenutni proces. Skeptici moraju da vide da organizacija od njih ne traži da apsorbuju neupravljani rizik u zamenu za tuđu priču o produktivnosti.

Tradicionalista koji čeka i posmatra

Drugi profil stvara tiše usko grlo. Ovi menadžeri ne blokiraju AI; oni je odlažu. Traže još jedan dokaz, lekcije drugog odeljenja, još jedan dopis o smernicama, još jedno tromesečje posmatranja. Njihov otpor često zvuči razumno jer koristi jezik opreznosti. Ipak, pasivnost postaje strateško opterećenje kada svaki tim čeka da neki drugi tim krene prvi. Ovde upravljanje promenama u oblasti veštačke inteligencije mora da prevaziđe generičke obuke i stvori pritisak kolega putem verodostojnih internih primera.

Tradicionalisti koji čekaju i posmatraju najbolje reaguju na poređenje, a ne na prinudu. Spojite ih sa cenjenim menadžerima koji su vodili uspešne pilot projekte u srodnim funkcijama. Pokažite im kako je marketinški tim skratio vreme pisanja prvog nacrta zadržavajući ljudsku uredničku kontrolu, ili kako je finansijski tim koristio AI da sažme objašnjenja odstupanja bez automatizovanja konačne procene. Dajte im malu obavezu usvajanja vezanu za njihov sopstveni radni tok, a ne sveobuhvatan cilj na nivou celog preduzeća. Njihovo osnovno pitanje nije „Da li je AI dobra?“ već „Zašto bih sada trošio oskudnu menadžersku pažnju na ovo?“ Liderima je potreban odgovor utemeljen na ograničenjima njihovog odeljenja.

Oprezni implementator

Oprezni implementator je često najvredniji menadžer u sistemu. Ovi menadžeri su otvoreni za AI, ali disciplinovani u pogledu kontrola. Oni traže selekciju slučajeva upotrebe, protokole pregleda, puteve eskalacije i merljive ishode. Oni su ljudi koji će najverovatnije pretvoriti entuzijazam u skalabilnu praksu. Ipak, organizacije ih često frustriraju pružanjem neodređene dozvole umesto upotrebljive infrastrukture. Opreznom implementatoru nije potreban još jedan inspirativni zajednički sastanak. Potrebna im je biblioteka upita, odobrena pravila o korišćenju podataka, šabloni za pilot projekte, provere kvaliteta i forum za iznošenje nedostataka bez straha od kazne.

Kada lideri ostave te zahteve nedefinisanim, oprezni implementatori drže pilot projekte u uskim okvirima, odlažu širu primenu ili šalju svaki novi slučaj upotrebe kroz ponovljene krugove pregleda. Njihovi timovi mogu odgovorno koristiti AI, ali samo u izolovanim džepovima koji nikada ne postaju standardna praksa. Ono što rukovodiocima izgleda kao preterana opreznost može zapravo odražavati odsustvo operativnog sistema za odgovorno usvajanje.

Ovde strategija veštačke inteligencije postaje operativna. Istraživanje BCG-a iz 2026. godine pod nazivom AI na poslu (BCG’s 2026 AI at Work) tvrdi da je strateška jasnoća važnija od pristupa alatima jer se poslovi menjaju brže nego što kompanije redizajniraju poslovanje. Oprezni implementatori su most između te dve realnosti. Oni mogu uzeti cilj rukovodstva poput „koristite AI za poboljšanje odziva kupcima“ i prevesti ga u proveren proces: koji upiti kupaca se kvalifikuju, koji izvori podataka su dozvoljeni, šta AI sastavlja, šta ljudi proveravaju i šta se prati nakon lansiranja.

Lideri bi trebalo da daju opreznim implementatorima ovlašćenje da osmisle proces pregleda za ograničeni slučaj upotrebe, zajedno sa blagovremenim pristupom pravnoj ekspertizi, ekspertizi za informacionu bezbednost, ljudske resurse ili usklađenost. Zatim bi trebalo da zatraže od ovih menadžera da dokumentuju radni tok, provere kvaliteta, nedostatke i rezultate u formatu koji drugi timovi mogu ponovo iskoristiti. Ovo pretvara njihovu opreznost u organizacionu infrastrukturu umesto da joj dozvoli da postane trajna kočnica za usvajanje.

Entuzijastični eksperimentator

Četvrti tip menadžera donosi zamah. Entuzijastični eksperimentatori isprobavaju nove alate, dele upite, organizuju neformalne demonstracije i čine da AI deluje praktično, a ne apstraktno. Oni mogu pretvoriti anksioznost u radoznalost jer kolegama pokazuju stvarne rezultate, a ne prezentacije. U mnogim organizacijama, oni su prvi ljudi koji dokazuju da usvajanje AI može preći sa lične produktivnosti na praksu na nivou tima. Vortonov izveštaj o usvajanju AI za 2025. godinu (Wharton’s 2025 AI Adoption Report) naglašava važnost poluga u ljudima i procesima za pretvaranje mejnstrim upotrebe u trajni povrat investicije, a entuzijastični eksperimentatori su često mesto gde se te poluge prvi put pojavljuju.

Njihov rizik je brzina bez strukture. Entuzijastični eksperimentatori mogu koristiti alate pre nego što pravna služba, odeljenje za usklađenost, informacionu bezbednost ili HR razjasne granice. Oni mogu nenamerno normalizovati nebezbedne prakse jer rane pobede deluju tako ubedljivo. Lideri ne bi trebalo da ih usporavaju birokratijom, već bi trebalo da ih usmere postavljanjem zaštitnih ograda. Dajte im odobrene alate, zajedničke biblioteke upita, standarde pregleda i vidljiv put za postavljanje pitanja o pravilima. Odajte im priznanje za bezbedne ishode, a ne samo za brzo delovanje.

AI katalizator

Poslednji profil, AI katalizator, istovremeno je i dar i test upravljanja. Katalizatori vide generativnu AI kao široki pokretač transformacije. Oni žele da redizajniraju procese u više timova, utiču na kolege, grade koalicije i podstiču rukovodioce da se kreću brže. U pravom okruženju, oni postaju interni preduzetnici koji pomažu organizaciji da pobegne iz čistilišta pilot projekata. U pogrešnom okruženju, oni prevazilaze granice poverenja, potcenjuju usklađenost i izazivaju negativne reakcije timova koji se osećaju kao zamorčići u eksperimentu.

Za katalizatore, upravljanje veštačkom inteligencijom mora biti omogućavajuće, a ne performativno. Profil generativne AI u okviru NIST-ovog Okvira za upravljanje rizicima od AI (NIST’s Generative AI Profile for the AI Risk Management Framework) identifikuje rizike kao što su privatnost podataka, informaciona bezbednost, konfabulacija (halucinacije), štetna pristrasnost i pitanja intelektualne svojine. Ti rizici nisu razlozi za zaustavljanje katalizatora. Oni su projektni zahtevi za odgovorno ubrzanje. Zatražite od katalizatora da sprovedu premortem analize pre pilot projekata visokog uticaja, definišu pragove eskalacije, dokumentuju tačke ljudskog pregleda i izveste o naučenim lekcijama u formatu koji drugi timovi mogu ponovo upotrebiti.

Uskladite intervenciju sa menadžerom

Identifikovanje ovih pet profila je samo prvi korak. Većina organizacija sadrži svih pet, često unutar iste funkcije ili liderskog tima. Višim liderima je stoga potreban ponovljiv način da dijagnostikuju šta sprečava svakog menadžera da deluje i da u skladu sa tim usklade podršku, podsticaje i odgovornost.

Praktična dijagnostika počinje sa tri pitanja:

• Čega se ovaj menadžer plaši da će izgubiti?
• Koji dokazi bi promenili njegovo mišljenje?
• Kakva podrška bi mu omogućila da deluje odgovorno?

Skeptici se plaše odgovornosti i gubitka radnog mesta. Tradicionalisti koji čekaju i posmatraju plaše se uzaludnog truda i političke izloženosti. Oprezni implementatori se plaše neupravljanog rizika. Entuzijastični eksperimentatori se plaše propuštene prilike, a katalizatori organizacione plašljivosti. Te razlike su važne jer svaki profil zahteva drugačiji odgovor lidera.

Lideri takođe moraju da redizajniraju podsticaje. Previše organizacija javno nagrađuje entuzijazam prema veštačkoj inteligenciji, dok privatno kažnjava greške u vezi sa njom. To gura menadžere u defanzivno ponašanje. Ako se menadžeru kaže da eksperimentiše, ali biva okrivljen za svaku nesavršenost, racionalan potez je da čeka. Ako se slavi brzina bez imalo pažnje posvećene tačnosti, privatnosti ili poverenju, racionalan potez je preterivanje. Bolji sistem nagrađuje disciplinovano učenje: jasne hipoteze, odgovorne pilot projekte, merljiv uticaj na radni tok, transparentno prijavljivanje grešaka i skaliranje zasnovano na dokazima.

Za menadžere koji pružaju otpor, intervencija se sastoji od dokaza i psihološke bezbednosti. To podrazumeva transparentne razgovore o uticaju na poslove, posebno zato što Izveštaj o budućnosti poslova Svetskog ekonomskog foruma (World Economic Forum’s Future of Jobs Report) identifikuje AI i obradu informacija kao glavne sile koje preoblikuju rad i veštine do 2030. godine. Lideri ne bi trebalo da se pretvaraju da poremećaja neće biti. Trebalo bi da kažu šta će se promeniti, šta neće, koje veštine će biti važne i kako će menadžeri koji nauče da unaprede rad pomoću AI biti u boljoj poziciji od onih koji je izbegavaju.

Za menadžere koji pružaju podršku, intervencija se sastoji od omogućavanja uz postavljanje granica. Pružite opreznim implementatorima operativnu disciplinu koja im je potrebna, a entuzijastičnim eksperimentatorima bezbedno okruženje za testiranje i mehanizam za širenje korisnih praksi. Dajte katalizatorima mandat vezan za kontrolu rizika. Klasična premortem analiza projekta je ovde posebno korisna jer legitimizuje neslaganje pre nego što pilot projekat uopšte počne. Postavljanje pitanja: „Zamislite da je ovaj AI pilot projekat doživeo potpuni neuspeh; šta se dogodilo?“ pomaže timovima da iznesu pravne rizike, kao i rizike kvaliteta, poverenja, radnog toka i usvajanja dok još uvek ima vremena da se poduhvat redizajnira.

Pravi test korporativne veštačke inteligencije jeste menadžersko poverenje

Rukovodioci bi trebalo da prestanu da pitaju: „Zašto zaposleni ne usvajaju AI?“ i umesto toga postave pitanje: „Koji profili menadžera srednjeg nivoa oblikuju usvajanje u svakoj funkciji i da li smo uskladili intervenciju sa tim profilom?“ To pitanje pretvara nejasan kulturološki problem u praktičan menadžerski plan. Ono pomaže liderima da izbegnu gubljenje meseci na ponovljene pilot projekte, smanje anksioznost pre nego što ona preraste u otpor i iskoriste energiju ranih usvojilaca a da im ne dozvole da prestignu upravljačke okvire.

Usko grlo je stvarno, ali je takođe i rešivo. Menadžeri srednjeg nivoa mogu da blokiraju generativnu AI, da je razvodnje, iskrive — ili da je pretvore u merljivu poslovnu vrednost. Viši lideri koji žele praktične smernice o odgovornom usvajanju veštačke inteligencije trebalo bi da počnu tako što će menadžere tretirati kao operativni sistem transformacije, a ne kao instalacije skrivene ispod strategije. Sledeća faza prednosti veštačke inteligencije neće pripadati kompanijama sa najglasnijim direktivama. Pripadaće kompanijama koje znaju sa kojim menadžerima imaju posla i pružaju svakom od njih tačno ono što mu je potrebno da krene napred.

Izgrađena na temeljima informacionih tehnologija i digitalizacije, revolucija veštačke inteligencije (AI) prevazilazi ograničenja u najmanje tri ključne oblasti poslovanja: 1. Omogućava stalnu transformaciju preduzeća umesto povremenih promena; 2. Koristi inteligenciju u realnom vremenu umesto oslanjanja na povremeno ažurirane softvere; 3. Sintetiše različite tipove podataka umesto da bude ograničena na samo jedan format unosa, poput teksta ili slike. Danas vodeće kompanije koriste ove revolucionarne karakteristike AI kako bi izgradile strategije koje ih izdvajaju od konkurencije i redefinisale način na koji ljudi i mašine sarađuju.

Poznati pionir računarskih nauka, Daglas Engelbart, navodno je izjavio da je „digitalna revolucija daleko značajnija od izuma pisanja ili čak štampe.“ Takve revolucije nastaju kada nova tehnologija prevaziđe ograničenja prethodnih, kao što je štamparska presa zamenila ručno prepisivanje rukopisa. Digitalizacija je omogućila prikupljanje, analizu i komunikaciju ogromnih količina informacija, ubrzala poslovne procese i stvorila nove poslovne modele, dovodeći do umreženog globalnog tržišta. Sada, digitalnu revoluciju preuzima revolucija veštačke inteligencije, a njena brzina, obim i uticaj će daleko nadmašiti sve prethodne promene. Prema ekonomskim analizama, napredak u AI i IT sektoru stvoriće isto toliko vrednosti u narednih pet godina koliko je stvoreno u prethodnih deset, što ukazuje na široko rasprostranjene transformacije u različitim industrijama.

Tri ključne oblasti u kojima će AI promeniti poslovanje

Veštačka inteligencija menja pravila igre u najmanje tri ključne oblasti: 1. Omogućava stalnu prilagodljivost preduzeća, umesto povremenih promena; 2. Obezbeđuje inteligenciju u realnom vremenu, umesto oslanjanja na softvere koji se ažuriraju periodično; 3. Kombinuje različite vrste podataka, umesto da bude ograničena na samo jedan format, poput teksta ili slike. Danas najuspešnije kompanije koriste ove AI mogućnosti kako bi stekle konkurentsku prednost i redefinisale način na koji ljudi i mašine sarađuju.

Stalna transformacija preduzeća

Zbog brzih promena u potrošačkim preferencijama, geopolitici i globalnoj ekonomiji, statična priroda digitalne ere nalazi se pod velikim pritiskom. Kompanije više nemaju luksuz postepenih transformacija u skladu sa ciklusima ažuriranja softvera. Umesto toga, moraju dinamički da se prilagođavaju uslovima koji se mogu promeniti gotovo preko noći. Jedan od primera je Netflix, koji, uprkos velikoj konkurenciji, ostaje lider u industriji striminga koristeći AI za kontinuiranu evoluciju svog poslovanja i poboljšanje korisničkog iskustva.

Kako Netflix koristi veštačku inteligenciju?
• AI analizira istoriju gledanja, preferencije i čak doba dana kada korisnici gledaju sadržaj.
• Na osnovu tih podataka, AI generiše visoko personalizovane preporuke, zbog čega je korisničko iskustvo jedinstveno i prilagođeno svakom korisniku.
• Ova strategija je izuzetno uspešna, jer čak 80% sadržaja na Netflixu korisnici gledaju zahvaljujući AI preporukama.

AI se koristi i za generisanje personalizovanih sličica (thumbnails) za svaki naslov. Algoritmi analiziraju desetine hiljada kadrova iz filmova i serija i biraju one koji će najviše privući pažnju svakog pojedinačnog korisnika.

Ovaj nivo automatske personalizacije omogućava Netflixu da zadrži korisnike i održi konkurentsku prednost na tržištu. Dalja personalizacija postiže se adaptivnim strimovanjem sa prilagođenim protokom, pri čemu AI dinamički optimizuje kvalitet striminga u zavisnosti od brzine interneta i mogućnosti uređaja korisnika. Ovaj pristup smanjuje učitavanje sadržaja, obezbeđuje nesmetano gledanje koje je ključno za zadovoljstvo korisnika i smanjuje stopu otkazivanja pretplate.

AI takođe pomaže Netflixu da analizira obrasce gledanosti i povratne informacije kako bi identifikovao vrste sadržaja i teme koje su popularne među gledaocima. Međutim, korišćenje podataka zasnovanih na AI za kreiranje sadržaja koji uspeva kod raznolike publike zahteva iskustvo i kreativnost ljudi, koji donose konačne odluke o investicijama u sadržaj i marketinškim strategijama.

Tokom svojih 27 godina postojanja, Netflix se više puta iznova oblikovao. Godine 1997. započeo je kao servis za iznajmljivanje DVD-ova putem pošte, dve godine kasnije uveo je model mesečne pretplate, postao javno preduzeće 2002, pokrenuo svoju striming uslugu 2007, a 2013. počeo da proizvodi originalni sadržaj. Danas je Netflix jedan od vodećih igrača u industriji zabave sa više od 280 miliona pretplatnika širom sveta.

Nije iznenađenje što je osnivač Reed Hastings svoju knjigu iz 2020. godine, koju je napisao zajedno sa Erin Meyer, nazvao Bez pravila: Netflix i kultura reinvencije. Međutim, povremene transformacije koje su se dešavale svakih nekoliko godina sada su ustupile mesto stalnim promenama koje pokreće AI, omogućavajući reinvenciju na osnovu milijardi podataka i individualnih personalizacija u svakom trenutku, svakog dana.

Inteligencija u realnom vremenu

Tradicionalni sistemi za analizu podataka funkcionisali su sa vremenskim zakašnjenjem, bilo na kvartalnom, mesečnom ili čak dnevnom nivou. Nasuprot tome, veštačka inteligencija je stalno aktivna – sluša, uči i trenutno se prilagođava novim podacima. Kompanije sada mogu da odgovore na promenljive zahteve i očekivanja potrošača sa preciznošću i agilnošću kakva ranije nije bila moguća. Stari model, zasnovan na instrukcijama programera, jednostavno ne može da se meri sa AI-jem koji u realnom vremenu prilagođava inteligenciju individualnim potrebama korisnika.

Jedan od najinovativnijih primera korišćenja inteligencije u realnom vremenu je način na koji video platforma TikTok podstiče korisnike da provedu u proseku 34 sata mesečno na aplikaciji, nadmašujući sve druge društvene mreže. TikTokov algoritam preporuka, poznat kao „For You Page“ (FYP), koristi podatke u realnom vremenu za analizu interakcija korisnika, uključujući lajkove, deljenja, komentare i vreme provedeno na svakom video-sadržaju. Na osnovu ovih podataka, TikTok neprekidno ažurira i prilagođava sadržaj koji prikazuje svakom korisniku, stvarajući visoko personalizovano i angažovano iskustvo.

Istovremeno, AI sistemi u realnom vremenu rade zajedno sa ljudskim moderatorima kako bi pratili i filtrirali sadržaj u skladu sa smernicama zajednice i lokalnim kulturnim normama. Veštačka inteligencija analizira i trending teme i heštegove u realnom vremenu, identifikujući najrelevantniji i najpopularniji sadržaj, čime korisnike drži angažovanim kroz najnovije trendove i viralne izazove.

Pored toga, podaci u realnom vremenu koriste se za predviđanje ponašanja i preferencija korisnika, osiguravajući da korisnici ostanu angažovani, dok oglašivači postižu bolju preciznost ciljanog oglašavanja i bolji povrat investicije. Za kreatore sadržaja, TikTok nudi AI alatke koje rade u realnom vremenu, kao što su automatizovana video montaža, efekti proširene stvarnosti (AR) i sinhronizacija muzike. Ovi alati omogućavaju kreatorima da brzo i lako proizvode visokokvalitetne video-sadržaje, podstičući kreativnost i interakciju.

Korišćenje AI u realnom vremenu na TikToku predstavlja značajnu evoluciju u interakciji između ljudi i računara. Za razliku od ranijih tehnologija koje su se oslanjale na statične podatke, TikTokov sistem neprekidno uči i prilagođava se preferencijama korisnika – praktično sarađujući sa njima kako bi kreirao dinamična i angažujuća iskustva. Sami korisnici pomažu u obuci algoritma platforme, koji na osnovu njihovog ponašanja usavršava preporuke.

U TikTokovom hibridnom sistemu moderacije sadržaja, AI ne zamenjuje ljudske moderatore već ih podržava, omogućavajući rezultate koje ni ljudi ni mašine ne bi mogli postići samostalno.
Slično tome, AI alati koje TikTok pruža kreatorima kombinuju računarsku inteligenciju sa ljudskom kreativnošću kako bi unapredili ukupni kvalitet sadržaja na platformi.

Sintetizacija različitih tipova podataka

Digitalna era bila je fokusirana na bitove i bajtove, dok je revolucija veštačke inteligencije "multimodalna". To znači da AI sistemi sada mogu obrađivati informacije iz različitih izvora, uključujući tekst, slike, zvuk, video i druge senzorske ulaze.

Ljudi su oduvek bili multimodalni, jer u svakodnevnom životu istovremeno obrađujemo i integrišemo različite vrste informacija. Sada, zahvaljujući multimodalnoj veštačkoj inteligenciji, imamo tehnologiju koja oponaša našu sposobnost da interpretiramo i povezujemo širok spektar podataka.

Ova tehnologija omogućava AI sistemima da komuniciraju i interaguju s nama na način koji odgovara našim preferencijama, okruženju i namerama. Multimodalna inteligencija više nije isključivo ljudska osobina, već je koriste mnoge vodeće kompanije u različitim industrijama.

Upotreba multimodalne AI u različitim sektorima

Trgovina i maloprodaja

Velike maloprodajne kompanije koje kombinuju fizičke prodavnice i e-trgovinu koriste multimodalne AI sisteme, uključujući obradu prirodnog jezika (NLP) i robotiku, kako bi poboljšale korisničko iskustvo i optimizovale poslovanje.

• AI podržana korisnička podrška može razumeti i odgovarati na upite kupaca na prirodan način, ali i preduzimati radnje, kao što su pronalaženje porudžbina i upravljanje povratima.
• Samouslužni sistemi za naplatu koriste računarsku viziju i mašinsko učenje za prepoznavanje proizvoda i ubrzavanje procesa kupovine, smanjujući vreme čekanja i poboljšavajući efikasnost.
• Pametne korpe sa ugrađenim kamerama i senzorima prate nivoe zaliha na policama u realnom vremenu i obaveštavaju osoblje kada je potrebno dopuniti proizvode.
• U skladištima, roboti transportuju robu, smanjujući fizički napor zaposlenih i radeći zajedno s ljudima kako bi povećali produktivnost.
• Autonomni viljuškari u distribucionim centrima omogućavaju zaposlenima da se preusmere sa fizičkog utovara na upravljanje i koordinaciju efikasnijih procesa rukovanja robom.

Kombinovanjem multimodalne AI i saradnje između ljudi i mašina, maloprodajne kompanije istovremeno unapređuju korisničko iskustvo i optimizuju poslovne operacije.

Farmaceutska industrija i personalizovana medicina

Vodeće farmaceutske kompanije i istraživačke organizacije koriste multimodalne AI platforme kako bi ubrzale razvoj personalizovane medicine – tretmana prilagođenih individualnim karakteristikama pacijenata, uključujući simptome i genetske faktore.

• Cloud platforme omogućavaju analizu podataka iz kliničkih ispitivanja, medicinskih snimaka, patologije, radiologije, elektronskih zdravstvenih kartona (EHR), nosivih uređaja i genetskih podataka.
• Podaci iz EHR sistema obrađuju se za nekoliko minuta, dok se medicinske slike, koje su ranije zahtevale dane za analizu, sada sintetizuju za nekoliko sati.
• Ova tehnologija podržava 1.300 naučnika širom sveta, omogućavajući im da koriste analitiku podataka za:
- Poboljšanje istraživanja i razvoja (R&D).
- Optimizaciju dizajna kliničkih ispitivanja.
- Preciznije povezivanje pacijenata sa odgovarajućim terapijama.

Korišćenjem multimodalne AI, farmaceutska industrija postiže efikasnije istraživanje i preciznije medicinske tretmane.

Proizvodna industrija i pametna proizvodnja

Jedan od najvećih svetskih proizvođača, koji obuhvata proizvodnju kućnih aparata i napredne tehnologije, koristi multimodalnu AI za praćenje i optimizaciju svakog aspekta proizvodnog procesa.

• Audio signali, poput zvuka koji komponenta proizvodi tokom sklapanja, analiziraju se kako bi se otkrile nepravilnosti u radu.
• Senzori prikupljaju podatke o težini i temperaturi delova, osiguravajući da svaki element ispunjava precizne specifikacije.
• Obim podataka je ogroman – samo u jednoj fabrici generiše se količina podataka ekvivalentna više od 40 miliona stranica papira dnevno.
• Samopodešavajući algoritmi analiziraju i integrišu ove podatke kako bi omogućili:
- Praćenje stanja mašina u realnom vremenu.
- Prediktivno održavanje kako bi se smanjili zastoji u proizvodnji.
- Optimizaciju procesa s ciljem postizanja nulte stope grešaka.

Multimodalna AI omogućava inteligentnu analizu proizvodnih procesa i stvara efikasnija, prediktivna i automatizovana rešenja.