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.

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.

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.

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.

Generativna veštačka inteligencija može ubrzati inovacije, ali članak tvrdi da njena podrazumevana upotreba često pojačava ljudska uska grla koja bi trebalo da reši. U fazi osmišljavanja ideja (ideaciji), modeli usmeravaju timove ka poznatim idejama i čine da se ljudi više fiksiraju na njih. U selekciji, doterane prezentacije koje je generisala veštačka inteligencija mogu se pogrešno protumačiti kao bolje ideje, dok preporuke veštačke inteligencije mogu kodirati postojeću pristrasnost. U istraživanju potrošača, simulirani kupci mogu ubrzati testiranje, ali propuštaju iracionalna ponašanja koja oblikuju stvarno prihvatanje proizvoda. Nakon lansiranja, veštačka inteligencija može rezimirati ogromne količine povratnih informacija, a ipak pomoći timovima da opravdaju prethodna uverenja. Centralni savet autora je dijagnostički: pre primene veštačke inteligencije, lideri bi trebalo da se zapitaju da li je usko grlo informaciono, zasnovano na rasuđivanju ili vođeno podsticajima, i da sačuvaju direktan kontakt sa kupcima tamo gde je to najvažnije za utemeljenje u stvarnosti.

Svaki inovacioni tim sada ima iste alate: iste fundamentalne modele, slične biblioteke upita. Ipak, rezultati su izuzetno neujednačeni. Neki timovi izveštavaju o kreativnoj renesansi, dok drugi prijavljuju poplavu homogenizovanih, zaboravljivih ideja koje sve zvuče kao da potiču od iste osobe. Razlog nije u tome koji model koristite. Razlog je u tome što generativna veštačka inteligencija deluje na ljudska uska grla zakopana unutar tog procesa. Ova uska grla reaguju na veštačku inteligenciju na različite — ponekad i suprotne — načine.

To je osnovni argument novog radnog dokumenta, izrađenog na poziv časopisa International Journal of Research in Marketing, koji smo mi — istraživači sa Harvarda, Vartona, Nortvesterna i Kolumbije — napisali. Umesto da pitamo šta generativna veštačka inteligencija može da uradi, postavljamo trajnije pitanje: Koja su to kognitivna, društvena i organizaciona ograničenja koja su oduvek usporavala inovacije i kako veštačka inteligencija stupa u interakciju sa svakim od njih?

Da bismo odgovorili na ovo, sintetizovali smo nedavne empirijske studije o generativnoj veštačkoj inteligenciji i inovacijama — o raznolikosti ideja, potrošačima simuliranim putem veštačke inteligencije, algoritamskoj selekciji ideja i analizi nakon lansiranja — u poređenju sa decenijama utemeljenih istraživanja o kreativnosti, rasuđivanju u uslovima neizvesnosti i ponašanju potrošača. Za svaku od četiri faze u nastavku postavili smo ista tri pitanja: Šta je osnovno ljudsko ograničenje, kako generativna veštačka inteligencija utiče na njega kada se koristi „naivno“ i kako bi izgledao promišljeniji redizajn? Ta dosledna struktura nam je omogućila da primenimo isto dijagnostičko pitanje na uska grla koja na površini uopšte ne liče, kao što je pristrasnost komisije za selekciju prema novinama ili nesposobnost potrošača da kaže šta želi pre nego što to zapravo iskusi. Da li veštačka inteligencija rastvara ovo usko grlo ili ga tiho pogoršava?

Odgovor je važniji nego što menadžeri za inovacije trenutno uviđaju. Neka od ovih ograničenja, ispostavilo se, generativna veštačka inteligencija može istinski da rastvori. Druga pogoršava, dok naizgled deluje da pomaže. A nekoliko njih nijedan verovatan budući model neće ni dotaći.

Problem sa pretpostavkom da će veštačka inteligencija popraviti inovacije

Većina razgovora o veštačkoj inteligenciji i inovacijama tretira veštačku inteligenciju kao uniformno dobru u uklanjanju trenja u inovacionom procesu. Obično je pretpostavka da će to postići potpunim zamenjivanjem uloga ljudskih inovatora: više ideja, brže testiranje, jeftinije istraživanje, brže učenje. Naš okvir odbacuje tu pretpostavku. Pratimo uska grla kroz četiri faze inovacionog lanca — ideaciju, selekciju, uvid u potrošače i učenje na tržištu — i otkrivamo da je u gotovo svakoj fazi podrazumevani efekat veštačke inteligencije (kada se koristi „naivno“, bez promišljenog redizajna) produbljivanje osnovnog uskog grla, a ne njegovo smanjenje.

Evo zašto: Većina inovacionih uskih grla su ljudski problemi, a ne tehnološki. To su pitanja o tome kako se ljudi vezuju za poznate ideje, kako komisije razvijaju plemenske instinkte o tome šta se smatra „obećavajućim“, kako potrošači ne mogu da vam kažu šta žele dok to ne vide. Generativna veštačka inteligencija, obučena na skupu postojećeg ljudskog učinka, teži da reprodukuje upravo one tendencije koje su prvobitno i izazvale usko grlo; samo brže i u većem obimu.

Evo načina na koje generativna veštačka inteligencija produbljuje ljudska uska grla u svakoj fazi inovacionog procesa — i šta preduzeti u vezi s tim.

Ideacija: Preterano fiksiranje na tipično.

Ideacija je proces generisanja kandidatskih koncepata za novi proizvod, uslugu ili funkciju. Budući da jedna izuzetna ideja vredi više od desetina samo dobrih, zadatak nije da se proizvede velika gomila solidnih opcija — zadatak je da se na površinu izbace istinski izuzeci, što ideaciju fundamentalno čini potragom za izuzecima, a ne vežbom u efikasnoj proizvodnji.

Kada ljudi razvijaju ideje sa velikim jezičkim modelom (LLM) bez promišljene strukture, dve stvari se dešavaju istovremeno. Sam model gravitira ka statistički tipičnom odgovoru — na kraju krajeva, obučen je da automatski dopunjava fraze koristeći najverovatnije sledeće reči. A kada osoba pročita taj tipičan odgovor, ona se fiksira na njega, što je sprečava da razmišlja o neobičnijim idejama koje bi mogla samostalno generisati. Rezultat je suptilno sužavanje u dva koraka: veštačka inteligencija predstavlja usku ideju, a zatim to takođe sužava i razmišljanje čoveka.

Što je još gore, ovo se dešava na sistemskom nivou. Pošto većina generativnih modela crpi podatke iz sličnih podataka za obuku, nezavisni timovi u različitim kompanijama koji koriste veštačku inteligenciju „kreativno“ imaju tendenciju da konvergiraju ka istoj nekolicini pravaca dizajna. Dakle, čak i ako individualna produktivnost raste, kolektivna raznolikost na čitavom tržištu opada.

U ovom slučaju, rešenje je na modelu, a ne na čoveku. Korišćenje upita sa lancom razmišljanja (chain-of-thought prompting) — traženje od modela da napravi nacrt, a zatim da eksplicitno revidira ka smelilijoj, prepoznatljivijoj teritoriji — funkcioniše izvanredno dobro na veštačkoj inteligenciji. Međutim, isti pristup ne pomaže čoveku da poboljša sopstveno razmišljanje. Kada se osoba mentalno fiksira na početnu ideju veštačke inteligencije, poruka da „razmišlja šire“ obično ne pomaže — naprotiv, može se još više fiksirati na ideju veštačke inteligencije (ovo je verzija klasičnog problema „ne misli na belog medveda“).

Selekcija: Pristrasnost prema „doteranijim“ idejama jezičkih modela.

Selekcija je faza u kojoj kompanija odlučuje koje od tih ideja dobijaju finansiranje, a koje se odlažu, obično putem komisije za prolazne faze (stage-gate) ili odbora za pregled portfolija. To je procena doneta pod stvarnom neizvesnošću — pre nego što je tržište reklo svoje, i često pre nego što je sama ideja u potpunosti definisana — tako da sve ono za šta se panel svesno ili podsvesno optimizuje na kraju oblikuje sve što kompanija na kraju izgradi.

Ocenjivači su oduvek bili pristrasni protiv novih ideja — originalni koncepti deluju rizičnije i teže ih je pozicionirati, pa paneli nesvesno nagrađuju sigurnije, poznatije predloge. Generativna veštačka inteligencija pojačava ovu pristrasnost na nov način: predlozi generisani veštačkom inteligencijom su tečni i dobro strukturirani po svojoj prirodi, a tečnost se pogrešno zamenjuje za kvalitet. Ideja koja zvuči doterano dobija bolju ocenu, bez obzira na to da li je zapravo bolja ideja. Ovde je rešenje strukturno, a ne tehnološko: svedite predloge na zajednički format pre nego što ih bilo ko oceni i sakrijte da li je ideja potekla od čoveka ili od modela.

To nije jedino usko grlo koje generativna veštačka inteligencija može tiho produbiti u fazi selekcije. Evo suptilnije zamke: ako obučite LLM za selekciju na istorijskim odlukama o prihvatanju ili odbijanju vašeg sopstvenog panela, vi ne uklanjate pristrasnost iz procesa — vi je trajno kodirate, u velikom obimu, i činite da izgleda objektivno. Nedavni terenski eksperiment otkrio je nešto još problematičnije: kada su ocenjivači dobili preporuku LLM-a uz pisano obrazloženje, postali su skloniji tome da automatski odobravaju odbijanja — a da nisu postali nimalo bolji u razlikovanju tačnih procena veštačke inteligencije od netačnih. Obrazloženje modela zamenilo je njihovo sopstveno rasuđivanje umesto da ga podrži. A efekat je bio najjači upravo tamo gde je ljudsko rasuđivanje najvažnije: u graničnim slučajevima.

Intervencija ovde je gotovo suprotna onome ka čemu većina kompanija ide: uklonite objašnjenja LLM-a. U tom istom eksperimentu, preporuka veštačke inteligencije kao „crne kutije“ bez obrazloženja poboljšala je odluke, u poređenju sa zadržavanjem obrazloženja LLM-a u kombinaciji.

Uvid u potrošače: Brže istraživanje, manje autentični odgovori.

Kada ideja preživi selekciju, razvija se u konkretan koncept sa stvarnim karakteristikama, cenama i pozicioniranjem — a testiranje tog koncepta podrazumeva razumevanje onoga što kupci zapravo žele. Ovo je faza merenja preferencija: ankete, intervjui i kondžojnt studije na koje su se firme dugo oslanjale kako bi koncept pretvorile u odbranjivu procenu potražnje.

Ovo je deo u kojem je rad najviše otrežnjujući za svakoga ko koristi veštačku inteligenciju za simulaciju kupaca. Na primer, ako zatražite od jezičkog modela da simulira uloge hiljadu različitih segmenata potrošača koji reaguju na promenu cene, dobićete glatku, opadajuću krivu koja je uglavnom pogrešna na specifičan, problematičan način. Pošto model nije izvučen iz stvarne populacije, on varijaciju cene ne tretira kao eksperiment; on je tretira kao trag o kontekstu (viša cena se tumači kao „premijum“, a ne kao „isti proizvod, samo skuplji“). Dakle, umesto opadajuće krive tražnje koju biste dobili od stvarnih kupaca kako cena raste, možete dobiti ravnu ili čak rastuću krivu.

„Digitalni blizanci“ — persone veštačke inteligencije izgrađene na bogatim profilima ponašanja stvarnih ljudi — prolaze bolje, ali im trenutno i dalje nedostaje nešto suštinsko: stvarni kupci se ponašaju iracionalno na načine koji su od ogromne važnosti za to da li će prihvatiti nešto novo. Oni se drže nepovratnih troškova (sunk costs). Oni precenjuju bol prelaska na drugu opciju. Simulirani blizanci, nasuprot tome, teže da naprave racionalan izbor daleko češće nego stvarni ljudi — što znači da sistematski potcenjuju upravo ona trenja koja uništavaju lansiranja novih proizvoda.

Za ovo još uvek nema čistog rešenja. Digitalni blizanci nisu beskorisni — oni su razumna zamena za neka istraživačka pitanja — ali im ne treba verovati upravo kod onih ponašanja koja razdvajaju sudbinu istinski novog proizvoda od inkrementalnog. Za svaku odluku koja se oslanja na nepovratne troškove, troškove promene ili način na koji je izbor uokviren, sigurniji potez je zadržati to rasuđivanje uz ljudska istraživanja: panele vodećih korisnika i etnografski rad na terenu koji posmatraju kako se ljudi stvarno ponašaju, a ne samo šta model predviđa da će izabrati.

Difuzija i učenje na tržištu: Ista pristrasnost potvrđivanja, sa ubedljivijim glasom.

Difuzija i učenje na tržištu obuhvataju sve što se dešava nakon lansiranja: prihvatanje inovacije u velikom obimu, a zatim tumačenje rezultujućih signala kako bi se donela sledeća runda odluka. Usvajanje je društveni proces jednako koliko i individualni — vođen ranim usvajačima i preporukama od usta do usta — a povratne informacije koje proizvodi moraju se prikupiti, odrediti im se prioriteti i pravilno protumačiti pre nego što postanu korisne.

Kada se proizvod isporuči, on generiše više povratnih informacija nego što bilo koji tim može da apsorbuje: recenzije na različitim platformama, priče na društvenim mrežama, tikete podrške, povraćaje robe, teme na forumima. Generativna veštačka inteligencija je ovde istinski korisna: može da unese, grupiše i rezimira sav taj šum u obimu koji nijedan tim analitičara ne bi mogao da dostigne, izvlačeći strukturirane potrebe kupaca sa kvalitetom koji počinje da se približava profesionalnim analitičarima. Po prvi put u ovom okviru, usko grlo se zapravo smanjuje.

Ali to olakšanje stvara novi problem na svom mestu. Od stotina tema koje sistem veštačke inteligencije izbaci svake nedelje, koje zaslužuju akciju, a koje su samo najglasnije? Signali koji su najvažniji za inovacije, kao što je novi slučaj upotrebe ili segment koji tiho ne uspeva da prihvati proizvod, upravo su oni koje je rezime ponderisan učestalošću napravljen da zakopa.

Dublji problem se pojavljuje kada taj signal stigne u sobu punu ljudi koji imaju lični interes u ishodu. Organizacije su oduvek tumačile povratne informacije sa tržišta blagonaklono prema odlukama koje su već donele. Sistem veštačke inteligencije nema karijeru koja zavisi od prošlogodišnje opklade na proizvod, tako da bi u principu trebalo da označi talas pritužbi na ključnu funkcionalnost jednako spremno kao i talas pohvala. Ali isti onaj tečni, samouvereni rezime koji sintezu veštačke inteligencije čini korisnom takođe olakšava da se selektivno citira kao glas podrške onome u šta je tim već verovao na početku — posebno ako se upit veštačkoj inteligenciji postavi na način koji jasno stavlja do znanja koji odgovor bi tim preferirao, s obzirom na tendenciju veštačke inteligencije da laskavo govori ono što ljudi žele da čuju. Da li se sinteza veštačke inteligencije svodi na iskrenije izveštavanje ili samo na ubedljiviji način da se doteraju iste racionalizacije, jedno je od najvažnijih otvorenih pitanja u čitavom okviru.

Glavni zaključci

Pogledajte pažljivo ova četiri primera i pojavljuje se jedan princip: mehanizam iza uskog grla određuje da li mu veštačka inteligencija pomaže ili odmaže — a ne sofisticiranost veštačke inteligencije. Uska grla koja su u suštini informaciona, velikog obima ili proceduralna (previše prijava za pregled, previše teksta recenzija za čitanje, krut format koji skriva kvalitet) upravo su vrsta problema za čije rešavanje je generativna veštačka inteligencija stvorena, pod uslovom da sistem dizajnirate promišljeno.

Nasuprot tome, uska grla ukorenjena u proživljenom iskustvu, iracionalnom ljudskom ponašanju ili organizacionom sopstvenom interesu potpuno su drugačija pojava. Nikakvo skaliranje modela ne rešava činjenicu da potrošači ne mogu da artikulišu preferenciju za kategoriju proizvoda koju nikada nisu videli, ili da će menadžer sa dve godine političkog kapitala uloženog u neuspešan projekat tumačiti podatke blagonaklono, bez obzira na to koliko su podaci dobri.

Ovo liderima daje nešto korisnije od liste slučajeva upotrebe veštačke inteligencije: dijagnostičko pitanje koje treba postaviti pre usvajanja bilo kog novog alata ili radnog toka. Šta, konkretno, usporava ovo: problem informacija, problem ljudskog rasuđivanja ili problem organizacionih podsticaja? Ova alternativna perspektiva donosi jasne lekcije u svakoj fazi inovacionog procesa:

• Ideacija: Ako se prepusti sama sebi, generativna veštačka inteligencija sužava kreativno razmišljanje umesto da ga proširuje. Rešenje mora biti usmereno na upite modela, a ne na način razmišljanja osobe.
• Selekcija: Veštačka inteligencija ne uklanja pristrasnost panela za selekciju prema novinama. Ona toj pristrasnosti ili laska uglađenošću ili je tiho kodira i uvećava, osim ako proces nije promišljeno redizajniran.
• Uvid u potrošače: Simulirani kupci su brz, koristan filter, ali potcenjuju iracionalna trenja koja zapravo odlučuju da li će nešto novo biti prihvaćeno.
• Difuzija i učenje na tržištu: Veštačka inteligencija rešava problem obima u povratnim informacijama nakon lansiranja, ali jednako lako može timovima dati ubedljiviji način da odbrane odluku koju su već doneli.

. . .

Najneprijatniji argument ovog rada nije vezan ni za jedno pojedinačno usko grlo — već za ono što se s vremenom dešava sa organizacijama. Kako veštačka inteligencija preuzima sve više ideacije, selekcije i simulacije potrošača, mlađi zaposleni koji su nekada gradili rasuđivanje radeći taj posao iz prve ruke više ne dobijaju priliku da vežbaju. Završavate sa sofisticiranim korisnicima rezultata veštačke inteligencije koji nikada nisu razvili instinkt da prepoznaju kada je taj rezultat pogrešan.

Pomnožite to sa celokupnom funkcijom inovacija i dobićete ono što se naziva zamkom automatizacije: svaki pojedinačni alat veštačke inteligencije se dobro pokazuje u izolaciji, ali cela petlja povratnih informacija polako se udaljava od stvarnih kupaca, jer su ideacija, selekcija, testiranje i intervjuisanje sada posredovani modelima obučenim na rezultatima jednih drugih, a ne na tržištu. Sve postaje brže. Ništa ne ostaje utemeljeno u stvarnosti.

Naš odgovor nije usporavanje usvajanja veštačke inteligencije, već promišljenost o tome koji delovi procesa i dalje zahtevaju neposredan kontakt sa realnošću. Udubljivanje u vodeće korisnike. Etnografski rad na terenu. Čovek koji donosi važnu odluku i mora da stane iza nje. Ovo nisu nostalgični ostaci iz ere pre veštačke inteligencije; to su noseći zidovi koji sprečavaju da ostatak automatizovane strukture skrene sa osnovne istine koju bi trebalo da prati.

Tehnologija će nastaviti da se menja. Uska grla — kognitivna fiksacija, evaluacija vođena statusom, jaz između onoga što potrošači kažu i onoga što će zapravo uraditi — ostala su izuzetno stabilna decenijama. Kladiti se na svoju strategiju inovacija na osnovu mehanizma, a ne modela, verovatno će stariti znatno bolje.

Kompanije ulažu ogromna sredstva u veštačku inteligenciju, ali mnoge i dalje ulažu napor da ta ulaganja pretoče u merljive poslovne rezultate. Jedan od razloga jeste to što zanemaruju „srednju kancelariju” (middle office), gde poslovi poput pregleda ugovora, usklađenosti s propisima, upravljanja rizicima i obrade obaveza prema dobavljačima i dalje zahtevaju visok nivo ljudskog rasuđivanja. Istraživanja kompanija Accenture i Google ukazuju na to da se upravo tu kriju neke od najvećih kratkoročnih prilika. Kompanije ih mogu iskoristiti tako što će identifikovati procese u kojima se teški slučajevi i dalje prebacuju stručnjacima, izgraditi AI sisteme koji uče od tih stručnjaka tokom samog rada i meriti da li veštačka inteligencija zaista smanjuje broj takvih eskalacija. Poslednji korak jeste da se osigura da se ušteđeno vreme pametno iskoristi, omogućavajući stručnjacima da se posvete kompleksnim odlukama, odnosima s klijentima i poslovima veće vrednosti.

Nedavni podaci o primeni veštačke inteligencije otkrili su otrežnjujući paradoks. Ekonomisti koji su povezali opsežne ankete o primeni tehnologije sa zvaničnim evidencijama o platama otkrili su da, iako je većina poslodavaca uvela AI alate u oblastima gde bi uticaj trebalo da bude najveći, efekat na zarade i radne sate nakon dve godine statistički se nije razlikovao od nule. Uprkos sposobnoj tehnologiji i tvrdnjama zaposlenih o rastu produktivnosti, obećane koristi nisu se odrazile na finansijski rezultat.

Zašto? Istraživači su ustanovili da je vreme koje su alati uštedeli „pojeo” rad neophodan za njihovo funkcionisanje. Zaposleni su svoje „oslobođeno” vreme provodili reagujući na izlazne rezultate modela i ručno ih povezujući sa postojećim sistemima i odlukama. Dobici se nikada nisu manifestovali kroz profit ili vraćene radne sate zato što modeli nisu bili istinski integrisani. Kompanijama je nedostajala integracija koja alate pretvara u konkretne rezultate.

Na osnovu analiza sprovedenih kroz različite industrije i strukturisanih eksperimenata u realnim operacijama tokom protekle godine, timovi kompanija Accenture i Google identifikovali su četiri koraka koje vodeće kompanije preduzimaju kako bi premostile jaz između implementacije i koristi, te transformisale poslove srednje kancelarije. Ovaj jaz između usvajanja i stvarne koristi najširi je i najskuplji upravo u srednjoj kancelariji – domenu koji se često previđa, a nalazi se između funkcija direktno okrenutih klijentima (front office) i rutinske administracije u pozadini (back office). Tu kompanije rešavaju nestandardne zadatke s velikim brojem izuzetaka, kao što su revizija ugovora, upravljanje rizikom i usklađenost poslovanja. Odluke se često oslanjaju na ljudsko prosuđivanje kako bi se razrešile nejasnoće usled promena poslovnih okolnosti. S obzirom na to da srednja kancelarija obuhvata više od četiri od deset radnih sati kroz 18 industrija, ona predstavlja najveći pojedinačni sloj rada u preduzeću i jedan od najvećih neiskorišćenih izvora vrednosti za primenu veštačke inteligencije.

Ipak, većina strategija za primenu veštačke inteligencije preskače sa pozadinske administracije, gde je automatizacija već zrela a marginalni dobici sve manji, direktno na ambiciozne projekte u prodaji i radu sa klijentima, kao što su dinamičko određivanje cena ili sklapanje poslova uz pomoć AI-ja – čija isplativost uvek deluje bar godinu dana daleko. Srednja kancelarija, koja nosi najveći deo posla i nudi najbrže krupne povrate, biva zapostavljena.

To je greška. Ključ za prevazilaženje jaza između usvajanja i koristi leži u unapređenju integracije inteligencije: poslu pretvaranja sposobnog modela u profitabilan model kroz njegovo direktno ugrađivanje u način na koji se odluke zapravo donose. Rezultati mogu biti impresivni. Na primer, u eksperimentu uživo koji smo sproveli, poboljšanje integracije inteligencije u tipičnom toku posla srednje kancelarije podiglo je opštu uspešnost sa 42 na 80 procenata. Rešavanje najtežih slučajeva poraslo je sa 36 na 99 procenata, dok su stručnjaci oslobođeni za poslove veće vrednosti. Da bi vaša organizacija postigla bolje performanse procesa i omogućila ljudima da se posvete zadacima veće vrednosti, preporučujemo sledeća četiri koraka.

1. Otkrijte procese koji su automatizovani samo na papiru

Takvi procesi besprekorno obrađuju jednostavne slučajeve, dok svaki težak problem prosleđuju vašim stručnjacima. Postavite sebi sledeće pitanje: kada se AI susretne sa izuzetkom koji je regulisan nepisanim pravilom, da li uspeva da ga reši ili ga eskalira čoveku? Ako ga eskalira, nalazite se na samom početku transformacije srednje kancelarije, bez obzira na to koliko ste pozadinskih procesa prethodno automatizovali.

Kroz takvo preispitivanje procesa možete izraditi sopstvenu mapu izuzetaka. Ocenite procese prema učestalosti izuzetaka i ceni njihove eskalacije, a ne samo prema obimu transakcija. Fokusirajte se na procese u kojima se izuzeci gomilaju i gde svaki od njih završava na stolu viših rukovodilaca ili eksperata. Istraživanje pokazuje da se gotovo četvrtina odluka u srednjoj kancelariji oslanja na rasuđivanje koje nijedan pisani pravilnik ne obuhvata u potpunosti. Upravo te odluke koče AI, ali u njima leži i vrednost koju vredi povratiti.

2. Izaberite jedan proces i izgradite sistem koji uči u realnom vremenu

Oduprite se potrebi da započnete glamurozan projekat u front office-u. Umesto toga, iskoristite kriterijume iz prvog koraka da izaberete jedan proces sa jasnim signalima upozorenja: visok nivo izuzetaka, skupa eskalacija i logika odlučivanja koja postoji samo u glavama zaposlenih. Zatim gradite sistem koji uči tokom samog rada, a ne samo pre puštanja u rad.

Mehanizam je ovde presudan. Kada je naš pilot sistem naišao na fakturu koju nije mogao samostalno da obradi, zabeležio je sve prateće okolnosti i uputio iskusnom menadžeru precizno pitanje, umesto da tiho zakaže ili jednostavno prosledi ceo slučaj. Odgovor stručnjaka pretočen je u pravilo za višekratnu upotrebu i primenjen na svaki naredni sličan slučaj. To nazivamo „učenjem na primeru jednog slučaja”. Jedna jedina ispravka, umesto hiljada označenih primera koje zahteva konvencionalno mašinsko učenje, bila je dovoljna da se generalizuje cela klasa izuzetaka.

Razmotrite uticaj ovog pristupa na realnu odluku. U jednom analiziranom slučaju stigle su dve gotovo identične fakture za istu narudžbenicu. Jedna je bila legitimna, pozivajući se na važeće odobrenje rukovodstva da matična kompanija fakturiše na osnovu ugovora zavisnog preduzeća. Druga je bila greška: isti iznosi, iste stavke, ali je u ovlašćenju naveden pogrešan pravni subjekt. Čak i iskusan revizor pod pritiskom obima posla može da previdi takve razlike, dok ih klasična automatizacija, koja prati poklapanje polja, redovno propušta. Nakon samo jednog objašnjenja stručnjaka, sistem je naučio da razlikuje ove dve situacije i primenio to razlikovanje na hiljade budućih slučajeva.

Isti princip se potvrdio u praksi jedne velike azijske banke. Ona je zamenila sistem za praćenje pranja novca zasnovan na krutim pravilima, koji je proizvodio ogroman broj lažnih uzbuna, sistemom koji uči iz sopstvenih podataka. Taj sistem sada prepoznaje dva do četiri puta više stvarnih finansijskih malverzacija, dok je broj lažnih upozorenja smanjen za oko 60 procenata, što omogućava istražiteljima da se posvete slučajevima koji su zaista važni. Stručnjaci prestaju da budu kontrolori koji pregledaju svaki izlazni podatak i postaju predavači koji nepisana pravila definišu samo jednom.

3. Primenite metrike koje dokazuju stvaran povrat ulaganja

Ne možete znati da li ste uspeli ako merite isključivo sirovu stopu automatizacije. Definišite uspeh kroz stopu rešavanja izuzetaka i smanjenje broja eskalacija, i utvrdite polaznu osnovu pre implementacije kako bi napredak bio merljiv. Takođe pratite radne sate iskusnih stručnjaka koje je sistem oslobodio i da li su oni zaista preusmereni na zadatke više vrednosti. Merenje samo brzine jeste merenje tek polovine onoga što integracija inteligencije donosi. Čuvajte se brzine koja prikriva lošiji kvalitet odluka.

Pogledajmo obradu obaveza prema dobavljačima, proces srednje kancelarije koji smo detaljno proučavali. Anketa sprovedena među više od 200 direktora finansija pokazala je da tipičnoj B2B organizaciji treba 17,4 dana i 12,88 dolara za odobrenje jedne fakture – usko grlo koje može narušiti odnose sa dobavljačima i ugroziti uvid u tokove gotovine u realnom vremenu. Nasuprot tome, vodeće organizacije koje koriste napredni AI istu fakturu obrađuju za 3,1 dan po ceni od 2,78 dolara, što predstavlja smanjenje vremena za 82 procenta i troškova za 78 procenata. Stopa izuzetaka pri obradi faktura pala je sa 22 na 9 procenata. Brzina i tačnost su rasle zajedno, bez međusobnog kompromisa.

Da bi nova sposobnost sistema bila dugoročna, zahtevajte poreklo pravila: svako pravilo mora biti sledljivo do interakcije sa stručnjakom koja ga je stvorila. Pre puštanja u rad, testirajte svako novo pravilo na poznatom ispravnom i poznatom neispravnom primeru. Pomenuta banka je izgradila sistem za otkrivanje pranja novca koji pruža objašnjive ocene rizika podložne reviziji, što je neophodan nivo transparentnosti za procese visokog rizika.

4. Usmerite stručnjake na zadatke koje AI ne može da obavi

Unapređena integracija inteligencije vraća dragoceno vreme vašim najskupljim kadrovima. Svesno odlučite gde će to vreme biti usmereno, inače će se tiho rasuti na sporedne poslove, čime gubite jednu od najvećih prednosti.

Uzmimo primer velikog hipotekarnog poverioca. Ta kompanija mesečno obradi preko 1,5 miliona dokumenata. Do skora su procenitelji kredita veći deo radnog vremena provodili sortirajući ih i pregledajući. Danas AI platforma automatski prepoznaje gotovo 70 procenata tih dokumenata i izdvaja podatke, štedeći proceniteljima više od 5.000 sati mesečno, uz još 4.000 sati ušteđenih na ručnom unosu.

Međutim, još veći dobitak proistekao je iz preusmeravanja pažnje procenitelja na znatno vrednije poslove. Umesto klasifikovanja platnih listića i prepisivanja podataka iz bankarskih izvoda, oni se sada fokusiraju na zahteve koji zaista traže ljudsku procenu: usklađivanje neujednačenih prihoda preduzetnika, vaganje neuobičajene kreditne istorije i rešavanje slučajeva koje šablonski upitnik ne može da obuhvati. Nekada im je sortiranje dokumentacije oduzimalo dane, a upravo je rešavanje teških predmeta prostor gde njihovo znanje stvara stvarnu vrednost.

Na primer, jedna evropska energetska kompanija obezbedila je svom pravnom timu AI asistenta za bazu ugovora i sudsku praksu, integrisanog u alate koje pravnici već koriste, a prihvatilo ga je čak 96 procenata odeljenja. Dok su nekada provodili sate u pretraživanju ugovora i izradi rutinskih nacrta, pravnici sada taj deo poveravaju asistentu, a sopstveno vreme ulažu u pregovaračke strategije i procene rizika koje jedino čovek može valjano da donese.

Nedavna studija instituta MIT pokazala je da kada automatizacija preuzme rutinske segmente posla, preostali zadaci se koncentrišu oko ekspertize koju je teže zameniti, pri čemu njena ekonomska vrednost raste. Kada je softver preuzeo osnovna računanja u knjigovodstvu, profesija je postala znatno bolje plaćena, sa realnim rastom zarada od skoro 40 procenata tokom proteklih decenija. Oslobođeni pregledanja izuzetaka, vaši stručnjaci prelaze na kompleksne poslove zasnovane na građenju odnosa – oblasti u kojima je veštačka inteligencija danas najmanje delotvorna.

Izgradite budućnost u središtu poslovanja

Lideri koji su nezadovoljni povratom ulaganja u veštačku inteligenciju traže odgovore na pogrešnim mestima. Srednja kancelarija je daleko od dosadnog međuprostora; ona nosi najveće dostižne prinose u ovom trenutku i predstavlja poligon gde gradite sposobnost rešavanja izuzetaka, što je preduslov za sve ambicije u direktnom radu s klijentima.

Put do stvarne vrednosti AI-ja vodi kroz srednju kancelariju. Ukoliko zanemarite njene složene radne tokove, vaš sledeći transformativni projekat naslediće slabosti umesto snage. Nasuprot tome, fokus na ovu zapostavljenu sferu može doneti masivne i trenutne rezultate. Pobednička primena jeste ona u kojoj se povrat investicije zaista materijalizuje, a organizacija na naredne projekte stupa oslanjajući se na sopstvene, proverene temelje, sa stručnjacima koji vode proces i čije znanje raste umesto da bledi.

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.

Veštačka inteligencija (AI) je hvaljena – i primenjena – kao revolucionarno novo sredstvo koje kompanije mogu koristiti u procesu budžetiranja. Međutim, čak i kompanije koje su prihvatile AI i dalje se suočavaju sa izazovima u procesu budžetiranja u današnjem složenom i brzo promenljivom poslovnom okruženju. Zašto je to tako? Kada je pametno osloniti se na AI, a kada nije? U ovom članku, autori opisuju eksperimente koje su sproveli u vezi sa korišćenjem AI u procesu budžetiranja – i zaključuju da AI može i treba da zameni ljudske menadžere u taktičkim zadacima, gde donošenje odluka vođeno podacima vodi do bržih i efikasnijih rezultata, ali da u strateškom domenu, gde su dugoročno planiranje, prilagodljivost tržištu i poslovna predviđanja ključni, ljudsko učešće i uvid ostaju nezamenjivi.

U poslednjih nekoliko godina, veštačka inteligencija i mašinsko učenje uvedeni su kao faktori promene u korporativnom budžetiranju, sa nadom da će doneti neviđenu preciznost i efikasnost u finansijskom predviđanju i raspodeli resursa. Na primer, Ejmi Viver, finansijska direktorka Salesforce-a, dosledno koristi prediktivnu AI kao strateški resurs za unapređenje predviđanja troškova. U kompaniji Caterpillar Inc., viši potpredsednik za finansije, Kajl Epli, koristio je mašinsko učenje da smanji vreme kvartalnog predviđanja sa tri nedelje na samo 30 minuta. Slično tome, Dev Ahuja, finansijski direktor kompanije Novelis Inc., koristi interno mašinsko učenje za predviđanje toka gotovine i budžetiranje. U tom kontekstu, Gartner je predvideo da će do 2028. godine 50% organizacija koristiti AI kako bi zamenilo „vremenski zahtevne pristupe predviđanju odozdo nagore.“

Ipak, čak i najopremljenije kompanije sa vrhunskim pristupom alatima AI i dalje se bore sa izazovima budžetiranja. Uzmimo za primer Unilever. U izjavi za Wall Street Journal, Grejem Pitketli, finansijski direktor kompanije, priznao je koliko je bilo teško predvideti inflaciju i planirati budžet za 2023. godinu u okruženju rastućih troškova, nestabilnih cena energije i ekonomske neizvesnosti. Slične izazove naveli su i rukovodioci u kompanijama BASF i Covestro, navodeći da se suočavaju sa poteškoćama pri prilagođavanju procesa budžetiranja složenostima današnjeg dinamičnog tržišta, uprkos značajnim ulaganjima u AI.

Ovi primeri pokreću ključno pitanje: Ako je AI toliko napredna, zašto ovi izazovi i dalje postoje? Da li proces budžetiranja jednostavno zahteva ljudski uvid u celosti?

Taktičko naspram strateškog budžetiranja

Budžetiranje je proces u više koraka koji obuhvata dva ključna segmenta: taktički i strateški. Taktičko budžetiranje fokusira se na kratkoročne ciljeve. Obuhvata raspodelu resursa, upravljanje troškovima i praćenje performansi – zadatke koji su jasno definisani i vođeni podacima. U ovim oblastima, AI briljira. Njena sposobnost obrade velikih količina podataka i pravljenja prilagođavanja u realnom vremenu omogućava optimizaciju kratkoročne raspodele resursa, poboljšavajući operativnu efikasnost izuzetnom brzinom i tačnošću. U stvari, AI može delovati kao direktna zamena za ljudsko donošenje odluka u ovim taktičkim zadacima, pružajući brže i doslednije rezultate uz eliminisanje pristrasnosti.

Međutim, strateško budžetiranje je druga priča. Ono uključuje dugoročno planiranje, postavljanje šireg poslovnog cilja i usklađivanje finansijskih resursa sa budućom vizijom kompanije. Strateške odluke često moraju da uzmu u obzir neizvesnost, konkurentske pritiske i tržišnu nestabilnost – oblasti gde ljudski uvid ostaje od suštinskog značaja. AI se ovde muči, jer joj nedostaje predviđanje, prilagodljivost i kreativnost potrebni za navigaciju dugoročnim strateškim planiranjem. U toj sferi dolazi do izražaja ono što je poznato kao efekt surogacije, kako su opisali Majkl Haris i Bil Tajler u HBR-u 2019. godine: AI teži da se preusko fokusira na optimizaciju specifičnih indikatora performansi, što dovodi do odluka koje mogu dati prioritet kratkoročnim dobicima nauštrb dugoročnog rasta. Na primer, preterano insistiranje na smanjenju troškova kako bi se ispunili kratkoročni ciljevi može ugroziti ključne dugoročne inicijative, poput inovacija ili zadovoljstva kupaca, što na kraju podriva budući rast.

Kako AI i ljudski menadžeri međusobno deluju

Zbog ovih razlika, centralno pitanje postaje: Kako AI i ljudski menadžeri međusobno deluju u različitim segmentima procesa budžetiranja? Može li AI potpuno zameniti ljude u taktičkom budžetiranju, i gde ljudski uvid postaje nezamenljiv u strateškim odlukama?

Da bismo odgovorili na ovo pitanje, sproveli smo simulaciju upravljanja koja oponaša realne izazove budžetiranja. Naš cilj je bio da testiramo kako AI funkcioniše u taktičkom i strateškom budžetiranju i da uporedimo performanse AI u odnosu na ljude u obe oblasti.

U ovoj simulaciji, iskusni menadžeri su dobili zadatak da donose budžetske odluke za proizvođača auto-delova, balansirajući kratkoročne finansijske performanse sa dugoročnim strateškim rastom. Učesnici su definisali strateške ciljeve svoje kompanije – kao što su operativna izvrsnost ili inovativno liderstvo – i uskladili svoje budžetske raspodele sa tim ciljevima. Zatim su tokom više ciklusa raspodeljivali budžete, prilagođavajući svoje odluke na osnovu povratnih informacija o performansama. Istovremeno, koristili smo algoritam AI za raspodelu budžeta koristeći iste informacije koje su bile dostupne učesnicima. Ovakva postavka omogućila je direktno poređenje performansi algoritma AI u odnosu na ljudske učesnike po pitanju budžetske raspodele i kreiranja organizacione vrednosti. Neki učesnici su odabrali indikatore performansi koji nisu bili usklađeni sa njihovim strateškim fokusom, što nam je omogućilo da posmatramo kako algoritam AI funkcioniše u oba scenarija – kada mu je obezbeđen jasno definisan strateški kontekst i kada nije.

Nova saznanja

Naša istraživanja osporavaju dve uobičajene pretpostavke o AI u budžetiranju. Prva je verovanje da AI može u potpunosti zameniti ljude u budžetiranju – što je pogrešno. AI briljira u taktičkim zadacima – poput kratkoročne raspodele resursa i prilagođavanja vođenog podacima – ali bez ljudskog strateškog nadzora, postoji rizik da će optimizovati samo za trenutne dobitke, zanemarujući šire ciljeve. AI može povećati efikasnost, ali često ne uspeva da se uskladi sa dugoročnim kreiranjem vrednosti ako se ne prati.

Druga pretpostavka je da AI i ljudski uvid moraju uvek biti komplementarni. I to je zabluda. U taktičkim oblastima, AI treba da zameni ljude. Ona je brža, preciznija i imuna na pristrasnosti. Ali u strateškom donošenju odluka, gde se postavljaju dugoročni ciljevi i navigira kroz tržišne neizvesnosti, ljudski uvid je nezamenljiv. AI ne može kreativno da se prilagodi niti da predvidi buduće promene bez strateškog vođenja. Da bi se istinski otključao potencijal AI, preduzeća moraju da podele svoje procese budžetiranja na taktičke i strateške komponente. AI bi trebalo da predvodi u taktičkim zadacima, dok ljudski menadžeri moraju voditi AI kako bi osigurali da taktičke odluke podržavaju dugoročnu viziju.

Uber je uspeo da postigne ovu ravnotežu. Sa poslovanjem u više od 600 gradova, kompanija koristi platforme za budžetiranje zasnovane na AI za prilagođavanje budžeta u realnom vremenu. AI precizno upravlja taktičkim odlukama, optimizujući raspodelu resursa i poboljšavajući operativnu efikasnost. Ali ljudski nadzor je ključan. Lokalni timovi Ubera često preinačuju predviđanja AI na osnovu poznavanja tržišta, osiguravajući da taktičke prilagodbe budu u skladu sa dugoročnim ciljevima kompanije. Ovaj uravnoteženi pristup bio je presudan za nedavni preokret Ubera – što je dovelo do prve operativne dobiti od 1,1 milijarde dolara 2023. godine.

Uspeh Ubera dokazuje da, iako AI dominira taktičkim odlukama, ljudski uvid je nezamenljiv za osiguranje da te odluke služe široj strateškoj viziji. Preduzeća koja postignu ovu ravnotežu neće samo operativno napredovati, već će osigurati i održivi rast.

. . .

AI sama po sebi nije dovoljna za rešavanje izazova savremenog budžetiranja. AI može – i treba – da zameni ljudske menadžere u taktičkim zadacima, poput kratkoročne raspodele resursa i povratnih informacija o performansama, gde donošenje odluka vođeno podacima dovodi do bržih i efikasnijih rezultata. Ali u strateškom domenu, gde su dugoročno planiranje, prilagodljivost tržištu i poslovna predviđanja ključni, ljudski uvid ostaje nezamenjiv. Da bi otključale puni potencijal AI u budžetiranju, kompanije moraju integrisati taktičke i strateške komponente svojih budžetskih procesa. Kompanije koje uspeju u budućnosti biće one koje nauče kako da efikasno balansiraju ove dve komponente – koristeći AI tamo gde ona briljira i oslanjajući se na ljudsku prosudbu gde su potrebni kreativnost i strateška vizija.