PYTHON ZA PROGRAMERE

Kako kupovina postaje sve digitalnija, uloga fizičkih prodavnica se pomera sa pukog obavljanja transakcija na rešavanje problema kupaca koje onlajn kanali ne mogu da reše. Istraživanje o multibrand maloprodavcima pokazuje da prodavnice stvaraju najveću vrednost kada lideri definišu jasnu svrhu za svaku lokaciju, selektivno investiraju u kategorije proizvoda gde su lična iskustva najvažnija i procenjuju učinak kroz celokupno putovanje kupca, a ne prema prodaji po pojedinačnim kanalima. Prodavnice usmerene na iskustvo mogu povećati ukupan prihod čak i dok smanjuju onlajn kupovinu, pod uslovom da prodube odnose sa kupcima, podstaknu češću kupovinu i dopunjuju digitalne kanale umesto da se takmiče sa njima. Najuspešniji maloprodavci organizuju fizička ulaganja oko vrednosti za kupca na nivou celog preduzeća, a ne oko učinka pojedinačnih kanala.   Moglo bi se oprostiti nekome ko zaključi da je fizička prodavnica u nepovratnom padu. Prazni izlozi ostaju uobičajen prizor u mnogim trgovačkim ulicama, a e-trgovina nastavlja da osvaja sve veći udeo u potrošnji potrošača. Ipak, neke od najbrže rastućih kompanija u maloprodaji se ne povlače iz fizičkih prodavnica. One ih otvaraju ubrzanim tempom. Warby Parker, američki prodavac naočara nastao na internetu, završio je 2025. godinu sa 323 prodavnice i planira da otvori još 50 u 2026. Veliki etablirani maloprodavci takođe investiraju. Ulta Beauty je dodala 60 neto novih prodavnica u SAD tokom 2025. godine, proširivši svoju mrežu prodavnica za više od 4% na preko 1.500 lokacija — što je među najbržim stopama u maloprodaji. Isti kontratrend je vidljiv i u Holandiji, jednom od digitalno najzrelijih tržišta u Evropi i domu uspešnih tradicionalnih maloprodavaca kao što su Action i Rituals. Na primer, maloprodavac potrošačke elektronike primarno fokusiran na onlajn prodaju, Coolblue, porastao je sa 555 miliona evra godišnjeg prihoda i sedam prodavnica u 2015. godini na preko 2,5 milijardi evra i više od 40 lokacija danas, uključujući vodeću prodavnicu u Berlinu. Ovi primeri sugerišu da najrelevantnije pitanje više nije da li fizička maloprodaja još uvek ima budućnost, već kako lideri treba da investiraju u nju. Koju stratešku ulogu fizička lokacija treba da igra u sve digitalnijem putovanju kupca? Kada firme treba da daju prioritet pogodnosti, a kada treba da investiraju u bogatiji format usmeren na iskustvo? Koji kupci, proizvodi i usluge opravdavaju oskudan prostor, zalihe i pažnju zaposlenih? I kako treba procenjivati uspeh kada nova lokacija može preusmeriti prihode među kanalima, a da istovremeno poveća ukupnu vrednost za kupca? Taj izazov je posebno izražen kod multibrand maloprodavaca. Veliki deo dokaza o širenju prodavnica potiče od vertikalno integrisanih kompanija sa jednim brendom, kao što su Warby Parker i Bonobos, čije prodavnice prodaju ekskluzivne proizvode i mogu ojačati i brend i onlajn kanal. Većina velikih maloprodavaca suočava se sa težim problemom: oni prodaju brendove trećih strana koje kupci mogu kupiti i na drugim mestima. Prodavnica se stoga ne može osloniti na ekskluzivnost kako bi privukla posete i mora sprečiti da isključivo omogući konkurentsko razgledanje (showrooming), pri čemu kupci istražuju proizvode u prodavnici, ali na kraju kupuju na drugom mestu po nižoj ceni ili uz povoljniju dostavu. Da bismo ispitali ovo zahtevnije okruženje, analizirali smo podatke o transakcijama tokom 26 meseci kod multibrand prodavca elektronike sa fokusom na onlajn poslovanje, obuhvatajući 2.388 područja poštanskih brojeva koja okružuju otvaranje tri prodavnice — dve velike prodavnice usmerene na iskustvo i jedne manje lokacije usmerene na pogodnost. Uporedili smo promene u obližnjim oblastima sa onima u pažljivo uparenim oblastima na drugim mestima, što nam je omogućilo da razlikujemo efekte otvaranja od osnovnih trendova prodaje. Takođe smo anketirali 450 potrošača kako bismo razumeli zašto su se efekti razlikovali po kategorijama, mereći relativnu vrednost prodavnica tokom pretrage informacija, ispunjenja porudžbine i povrata, i povezujući te percepcije sa uočenim efektima na prihod na nivou kategorija. Kako izveštavamo u predstojećem članku u časopisu Production and Operations Management, uspešno fizičko investiranje zahteva povezan skup izbora: definisanje uloge lokacije, odabir pravog formata, identifikaciju kategorija koje imaju koristi od fizičke interakcije i usklađivanje prostora, zaliha, tehnologije i sposobnosti zaposlenih u skladu sa tim. Prodavnice ne bi trebalo ocenjivati izolovano — ili samo prema njihovom uticaju na onlajn prodaju — već prema ukupnoj vrednosti koju stvaraju kroz sve kanale i tokom celog putovanja kupca. Prestanite da razmišljate u okvirima kanala U našem radu sa maloprodavcima često se susrećemo sa odvojenim bilansima uspeha za prodavnice i e-trgovinu, što može podstaći svaku stranu da brani sopstveni prihod. Ovo iskrivljuje način na koji se procenjuju otvaranja prodavnica. Pad onlajn prodaje može izgledati kao signal neuspeha, dok snažna prodaja u prodavnici može delovati kao uspeh čak i kada su se kupovine samo premestile između kanala. Nasuprot tome, onlajn rast nakon otvaranja može se pogrešno protumačiti kao efekat prelivanja (halo effect), iako bi se deo toga svakako dogodio. Ono što je važno jeste promena koju je izazvala prodavnica — a ne samo ono što se desilo nakon toga. Naši nalazi pokazuju zašto. U prva četiri meseca, sva tri otvaranja prodavnica smanjila su obližnji neto onlajn prihod — onlajn kupovine minus povrati — za otprilike 8% do 11%. Ipak, dve velike prodavnice usmerene na iskustvo više su nego nadoknadile te gubitke, povećavajući ukupan neto prihod kroz kanale za 21,7% i 23,2%; u prodavnici koju smo mogli da posmatramo tokom dužeg perioda, rast je na kraju dostigao 27,5%. Manja prodavnica usmerena na pogodnost kanibalizovala je onlajn prodaju u sličnom iznosu, ali nije generisala značajno povećanje ukupnog neto prihoda. Moglo bi se posumnjati da je mala prodavnica ostvarila lošije rezultate zato što nije mogla da drži glomazne kategorije kao što su televizori i veš mašine. Ali kada smo ograničili poređenje na kategorije dostupne u oba formata, dobici velikih prodavnica su se jedva promenili, dok mala prodavnica i dalje nije proizvela nikakav značajan rast. Razlika nije bila samo u tome šta su prodavnice imale u asortimanu, već u tome šta su kupci mogli da rade unutar njih. Izdvajaju se još tri obrasca. Velike prodavnice su generisale veći rast aktiviranjem postojećih kupaca nego privlačenjem novih, iako je i akvizicija značajno doprinela. Postojeći kupci su kupovali češće, umesto da troše više po porudžbini. Kanibalizacija je bila izrazito lokalnog karaktera: onlajn prodaja je najviše pala u blizini prodavnica, upravo tamo gde su dobici ukupnog prihoda bili najjači. Prodavnice stoga mogu biti u jednakoj meri mehanizam za aktivaciju koliko i kanal za akviziciju. Šira pouka je da se fizička lokacija najbolje procenjuje prema tome da li širi poslovanje u celini, a ne prema tome gde se transakcija odvija. Lideri bi trebalo da se zapitaju da li nova lokacija uvećava bazu kupaca, produbljuje postojeće odnose ili povećava učestalost kupovine ili potrošnju u meri koja je dovoljna da nadoknadi supstituciju kanala. Target ilustruje ovu međuzavisnost: njegove prodavnice istovremeno funkcionišu kao destinacije za kupovinu i centri za ispunjavanje porudžbina koje su započete digitalnim putem. Lideri bi stoga trebalo da definišu zadatak fizičke tačke kontakta pre nego što odaberu njen format ili lokaciju. Ta svrha treba da usmerava dizajn, asortiman, zalihe, tehnologiju, raspodelu osoblja i, na kraju, evaluaciju učinka. Dajte svakoj fizičkoj tački kontakta jasan zadatak Fizičko ulaganje treba da započne sa jasnim problemom kupca: Šta je to što lokacija treba da reši, za koje proizvode, usluge i kupce? Prodavnica ne bi trebalo samo da reprodukuje ono što kupci već mogu da urade onlajn. Njena svrha treba da vodi izbor formata i lokacije, zajedno sa odlukama o asortimanu, zalihama, rasporedu, tehnologiji i sposobnostima zaposlenih. Kako je to formulisala glavna direktorka za maloprodaju kompanije Ulta Beauty, Ejmi Bajer-Tomas (Amiee Bayer-Thomas), maloprodavci se moraju „pojaviti za lokalnog gosta“ — što je termin koji Ulta koristi za kupca. Naše istraživanje se fokusira na vrednost koju prodavnice mogu stvoriti u tri faze putovanja kupca. One mogu pomoći kupcima da razumeju i odluče kroz čulnu evaluaciju, poređenje i stručne savete; omogućiti trenutno ispunjenje porudžbine kada kupcima nešto treba odmah; i pojednostaviti povrate i rešavanje problema nakon kupovine. Kupac televizora može posetiti prodavnicu da uporedi kvalitet slike i zvuka, dok nekome kome se pokvario laptop možda manje brine razgledanje, a više to da izađe sa zamenom istog dana. Nemojte ravnomerno raspoređivati iskustvo Lideri ne moraju da nagađaju koje pogodnosti u prodavnici su najvažnije. Za svaku kategoriju, naši ispitanici u anketi su procenili koliko vrednuju čulnu procenu, stručne savete, trenutni pristup i lakši povrat, kao i koliko bolje prodavnice pružaju te pogodnosti u poređenju sa onlajn kanalom. Za destinacijske kategorije, kao što su televizori, laptopovi i mobilni telefoni, percepcija vrednosti u prodavnici tokom pretrage informacija i trenutnog ispunjenja blisko je odgovarala rastu prihoda; lakši povrati su bili znatno manje važni. Za dodatnu opremu, te pogodnosti nisu objasnile učinak, što sugeriše da su dobici uglavnom nastali kroz unakrsnu prodaju sa destinacijskim proizvodima. Sposobnosti prodavnice bi stoga trebalo uskladiti sa potrebama kupaca kategoriju po kategoriju, a ne uniformno kroz ceo asortiman. Davanje jasnog zadatka prodavnici ne znači pružanje istog iskustva za svaki proizvod ili potrebu kupca. Prostor, zalihe, tehnologija i stručnost zaposlenih su skupi, tako da lideri moraju da ih koncentrišu tamo gde stvaraju najveću vrednost. Zbirni rezultati mogu prikriti značajne varijacije. Čak i unutar uspešne prodavnice, više od četiri od deset kategorija nije ostvarilo merljiv rast. Neke kategorije su se više nego udvostručile, dok su druge ostvarile rast uprkos tome što nisu nudile praktično iskustvo isprobavanja. Princip alokacije je jednostavan: Uskladite fizičko ulaganje sa problemom kupca. Kategorije koje zahtevaju mnogo informacija iziskuju funkcionalne izložbene modele, mogućnosti poređenja i stručno osoblje. Proizvodi vođeni trenutnim ispunjenjem zahtevaju pouzdane lokalne zalihe i preuzimanje bez trenja. Dodatna oprema često ima više koristi od kontekstualnog postavljanja i pakovanja u pakete nego od samostalnih iskustava. Coolblue primenjuje ovu logiku izlažući dodatnu opremu pored primarnih proizvoda ili je uklapajući u postavke konkretnih scenarija upotrebe, kao što su kompletne konfiguracije za kućnu kancelariju. U našoj studiji, maloprodavac koji je učestvovao na sličan način je pripisao rastući učinak nekoliko vrsta dodatne opreme uglavnom poboljšanoj unakrsnoj prodaji i učenju o tome kako da ih efikasno izloži. Precizna alokacija će varirati u zavisnosti od maloprodavca, kategorije i tržišta. Ali princip se primenjuje i van maloprodaje — od koncentrisanja stručnosti u filijalama banaka na složene finansijske odluke do rezervisanja B2B demonstracionih centara za rešenja koja je teško proceniti na daljinu. Cilj ne bi trebalo da bude maksimiziranje bogatstva svake fizičke interakcije. Trebalo bi da bude koncentrisanje ulaganja tamo gde fizičko prisustvo materijalno poboljšava odluku kupca, rešava hitnu potrebu ili jača šire rešenje. Organizujte se oko vrednosti za kupca Pretvaranje koncepta prodavnice u produktivnu investiciju zahteva koordinisane izbore. Lideri moraju uskladiti format, lokaciju, asortiman, zalihe, tehnologiju i osoblje oko problema kupca koji lokacija treba da reši. U suprotnom, funkcije mogu težiti suprotstavljenim ciljevima: sektor za nekretnine može preferirati manju površinu, operacije mogu minimizirati zalihe, a HR može ograničiti specijalizovano osoblje, čak i kada koncept zavisi od stručnih saveta i trenutne dostupnosti. Viši rukovodilac ili međufunkcionalni tim bi stoga trebalo da upravlja celokupnom ponudom kroz putovanje kupca. Podaci o kupcima, vidljivost zaliha, budžeti i prava odlučivanja ne bi trebalo da ostanu podeljeni po kanalima. Učinak bi takođe trebalo procenjivati kroz sve kanale, koristeći mere kao što su ukupan neto prihod, akvizicija kupaca, učestalost kupovine, zadržavanje i povrati — a ne prodaja u prodavnici, onlajn rast ili poseta sami po sebi. Podsticaji bi trebalo da nagrađuju stvaranje vrednosti na nivou celog preduzeća, a ne zaštitu pojedinačnih kanala ili funkcionalnih budžeta. . . . Prodavnice koje stvaraju trajnu vrednost izgrađene su oko problema kupaca koje digitalni kanali ne mogu jednako dobro da reše. Ulaganje u fizička iskustva može izgledati kao odluka o kanalu, ali su njene posledice strateške. Cilj nije samo otvaranje više prodavnica. Cilj je pružiti kupcima uverljiv razlog za posetu — a organizaciji koherentan način da tu posetu učini vrednom truda.

Sektor nabavke ima potencijal da ostvari veće koristi od agentske veštačke inteligencije (agentic AI) nego gotovo bilo koja druga poslovna funkcija. Njen rad je struktuiran, finansijski merljiv i prepun zadataka koji zahtevaju profesionalno rasuđivanje – procesa koji su decenijama odolevali tradicionalnoj automatizaciji. Ipak, primena je i dalje na niskom nivou jer su stvarne barijere organizacione, a ne tehnološke. Kompanije koje beleže uspeh redizajniraju nabavku oko veštačke inteligencije umesto da samo dodaju nove alate na postojeće radne tokove. One prepuštaju vlasništvo nad AI inicijativama timovima za nabavku, jačaju baze podataka, ugrađuju upravljanje u implementaciju od samog početka i mere komercijalne ishode umesto pukog stepena korišćenja alata. One organizacije koje prave ove promene već unapređuju produktivnost, upravljanje dobavljačima i finansijske performanse, stvarajući prednost koju će konkurenti teško dostići.   Širom korporativnog sveta, agentski AI prelazi iz faze pilot-projekata u punu produkciju. Prema nedavnom istraživanju o primeni agentske veštačke inteligencije u 385 organizacija, timovi za razvoj softvera dostigli su stopu usvajanja od 35%, IT operacije 31%, a marketing 26%. Međutim, nabavka značajno zaostaje sa svega 9%. Ovaj jaz iznenađuje jer je nabavka upravo oblast u kojoj su dokazi o vrednosti agentskog AI-ja najsnažniji, povrat investicije (ROI) najočigledniji, a raspon između potencijala i trenutne prakse najširi. Ova funkcija deluje stvorena za agentski AI. Njeni radni tokovi su velikog obima i delimično struktuirani. Njeni izlazni rezultati (izbor dobavljača, uslovi ugovora, nivoi potrošnje) direktno su finansijski merljivi. Njene slabe tačke (manuelna obrada dokumentacije, fragmentisani podaci o dobavljačima, propušteni signali rizika) precizno odgovaraju mogućnostima autonomnih sistema. Pa ipak, primena kaska. Zašto? Ograničenje nije tehnološke prirode. Ono je organizaciono. To možemo tvrditi sa sigurnošću jer smo pratili nabavku kroz više od decenije tehnoloških transformacija – od ERP sistema i robotske automatizacije procesa (RPA) do inteligentne automatizacije – što pruža jedinstven uvid u organizacioni pomak koji se trenutno odvija sa agentskim AI sistemima. U ovom članku, zasnovanom na novim istraživanjima i detaljnim intervjuima sa liderima u nabavci i tehnološkim provajderima iz više sektora, prvo ćemo objasniti zašto je nabavka strukturno predodređena za uspeh sa agentskim AI sistemima. Zatim ćemo analizirati praktične dokaze iz organizacija koje već ostvaruju tu vrednost, identifikovati organizacione prepreke koje koče većinu i predložiti sedam konkretnih poteza koje lideri mogu odmah preduzeti. Zašto bi nabavka trebalo da predvodi agentsku revoluciju Nabavka objedinjuje tri karakteristike koje se retko sreću zajedno u drugim funkcijama. Svaka od njih pojedinačno opravdava implementaciju agenata, a zajedno čine nabavku idealnom funkcijom za izvlačenje koristi u celom preduzeću. Prva je ekonomska vidljivost. Malo koja funkcija tako direktno pretvara operativne aktivnosti u finansijske ishode. Poboljšanja u odabiru dobavljača, disciplini cena, ugovornim uslovima i usklađenosti odmah se prelivaju na profit, merljivo u istoj valuti koju koristi i finansijski direktor. Druga je procesna struktura u velikom obimu. Od uvođenja dobavljača u sistem (onboarding) i upravljanja tenderima do praćenja ugovora, nabavka funkcioniše kroz ponovljive radne tokove u više koraka. To su upravo okruženja u kojima agenti koji mogu da rasuđuju, deluju i prilagođavaju se zadacima donose nesrazmerno veliku vrednost. Treća karakteristika su stalna operativna trenja. Većina organizacija za nabavku se i dalje oslanja na ljudsku intervenciju u kritičnim tačkama: validacija dokumenata, procena rizika dobavljača, pogrešna klasifikacija kategorija i koordinacija sa stejkholderima. To nisu izolovani slučajevi već sistemske neefikasnosti, a mnoge su odolele tradicionalnoj automatizaciji upravo zato što zahtevaju donošenje procena, a ne puko praćenje pravila. Da biste razumeli vrednost koju nabavka može da ostvari pametnim uvođenjem agentskog AI-ja, uzmimo za primer velikog evropskog energetskog giganta. Svake godine između 30.000 i 40.000 dobavljača podnese zahtev za ulazak u njegov registar. Svaka prijava uključuje do 25 dokumenata i proces kvalifikacije koji premašuje 20 koraka. Tim od oko 25 ljudi upravlja novim aplikacijama i stalnim nadzorom 18.000 aktivnih dobavljača. Godinama je usko grlo bilo strukturalno, a izloženost riziku stvarna. Dobavljač koji kasni sa isplatom zarada ili izbegava poreze mogao je naneti ozbiljnu reputacionu štetu pre nego što tim za usklađenost to primeti. Jedino rešenje delovalo je zapošljavanje novih ljudi – sve do 2025. godine. Tada je kompanija, uz spoljnu podršku, implementirala set AI agenata za kvalifikaciju i monitoring. Proces danas izgleda ovako: • Jedan AI agent vodi dobavljače kroz formular, identifikujući kada izaberu pogrešnu kategoriju usluge sa liste od 30 do 40 opcija, što je greška koja se ranije javljala u 30% prijava. • Drugi agent određuje prioritete u redu čekanja, upoređujući koji su dobavljači zaista potrebni poslovanju u narednim sedmicama. • Treći skenira strukturirane i nestrukturirane izvore (interne sisteme, baze podataka trećih strana i otvoreni internet) kako bi uočio signale rizika kao što su neplaćeni porezi, radni sporovi ili optužbe za prevaru protiv rukovodilaca. • Četvrti priprema konverzacijski izveštaj za direktora nabavke pre sastanka, izvlačeći podatke za čije bi ručno prikupljanje direktoru ranije bio potreban sat vremena. Šest meseci nakon uvođenja prvog AI agenta, zaostaci u obradi smanjeni su za 20%. Ocene zadovoljstva dobavljača su porasle. Tačnost obrade – koja je u prvom krugu iznosila 60% – popela se na između 70% i 80%, sa projekcijom ka 95% pri punom obimu. Sistem nije bio savršen i nikada nije bio zamišljen da radi bez ljudskog nadzora, ali za tim od 25 ljudi koji vodi proces koji bi inače zahtevao znatno više resursa, promena je bila revolucionarna. Veliki proizvođač automobila nudi još jedan model primene koji je na višem nivou zrelosti i usmeren na drugačiju kategoriju vrednosti. Ova kompanija je obnovila operativni model nabavke fokusirajući se na komercijalne ishode: uspeh u pregovorima, ostvarene uštede i direktan uticaj na EBIT. Put je počeo 2023. pilot-projektima generativne AI zasnovanim na tekstu, ali je kompanija brzo uvidela da se ušteđeno vreme ne može unovčiti unutar zastarelih procesa. Zato je 2024. prešla sa optimizacije pojedinačnih zadataka na redizajn celokupnog životnog ciklusa nabavke, ugrađujući AI u samu komercijalnu logiku. Rezultat je integrisani ekosistem agenata povezan sa specifičnim ekonomskim polugama kroz izbor dobavljača, profilisanje, tendere i pregovore. Oko 70% poslova nabavke sada se odvija unutar jedinstvenog interfejsa baziranog na čet-komunikaciji, gde orkestrator koordinira pronalaženje znanja, izvršavanje alata i integraciju sistema. Kontrolisani tromesečni A/B test pokazao je značajno ubrzanje procesa, merljive prednosti u pregovorima i materijalan doprinos EBIT-u – sve praćeno istim metrikama koje se primenjuju na ukupne performanse nabavke, bez veštačkih pokazatelja usvajanja AI-ja. Ovo nisu izolovani primeri. Globalna kompanija za profesionalne usluge pustila je u rad devet agenata i sedam RPA botova za automatizaciju tendera. Vodeći proizvođač poslovnog softvera napravio je platformu koja pokriva celokupan lanac nabavke. Veliki evropski diskontni lanac stigao je do tačke gde 18 od 30 zaposlenih u nabavci svakodnevno koristi alate generativnog AI-ja. Reč je o operativnim sistemima u punoj produkciji koji donose merljive rezultate. Zašto većina organizacija zaostaje Ako je tehnologija funkcionalna, a poslovni razlozi jasni, zašto je primena u nabavci i dalje tako niska? Tri prepreke se stalno ponavljaju u intervjuima – ne kao tehnička ograničenja, već kao izbori u organizacionom dizajnu. 1. Odgovornost i kontrola. Nabavka je utemeljena na formalnim strukturama odobravanja. Nalazi se na preseku pravne službe, finansija i operacija, a njene odluke nose ugovorne i finansijske posledice. Uvođenje sistema koji aktivno oblikuju odluke o nabavci otvara pitanja odgovornosti i revizije koja se jednostavno ne javljaju kod alata za marketing ili kod softverskih asistenata. Većina organizacija reaguje ograničavanjem autonomije agenata i strogim zadržavanjem ljudskog odobrenja, čime praktično poništava prednosti agentskih sistema. 2. Fragmentisano vlasništvo. U mnogim kompanijama nabavka je samo korisnik AI inicijativa, ali ne i njihov vlasnik. Rešenja osmišljavaju i vode IT timovi ili centralne digitalne službe, sa malo operativnog unosa od strane same nabavke. Rezultat je raskorak između dizajna sistema i operativne realnosti. Piloti uspevaju u kontrolisanim uslovima, ali skaliranje staje čim se sistemi susretnu sa haotičnom realnošću stvarnih procesa nabavke punih izuzetaka. 3. Podaci kao sekundarna briga. Matični podaci o dobavljačima su nekonzistentni. Kategorizacija troškova je nepotpuna. Nasleđeni ERP sistemi nisu projektovani kao izvori za autonomne sisteme, a podaci u njima su fragmentisani po poslovnim jedinicama, geografijama i akvizicijama. Ipak, mnoge organizacije pokušavaju da implementiraju agente pre rešavanja ovih osnovnih pitanja, da bi na kraju zaključile da je tehnologija podbacila, iako joj loši podaci nisu ni dali šansu. U praksi se često javlja takozvani problem „faze verovanja“: piloti se pokreću, usvajanje alata se slavi, ali odgovornost za stvarnu vrednost ostaje nedefinisana. Mnoge AI inicijative tu ostaju trajno zaglavljene. Zajednički činilac je jasan: organizacije pokušavaju da naslone agentski AI na postojeće operativne modele umesto da redizajniraju modele oko njega. Put napred: Sedam koraka za lidere Kompanije koje danas ostvaruju vrednost iz agentskog AI-ja donose specifične strateške odluke o vlasništvu, redosledu, temeljima, autonomiji, sposobnostima, upravljanju i merenju. Evo šta su uspešni lideri prepoznali: 1. Učinite nabavku vlasnikom, a ne samo korisnikom U projektima koji se uspešno skaliraju, nabavka vodi proces od početka do kraja: definiše slučaj upotrebe, vlasnik je metrika uspeha i snosi odgovornost za operativni ishod. IT sektor pomaže i omogućava, ali ne diktira rešenje. Kompromise u primeni agenata prave ljudi koji će živeti sa posledicama tih odluka. 2. Počnite tamo gde su problemi najveći Umesto odabira niskorizičnih zadataka, ciljajte procese sa najočiglednijim ekonomskim ili operativnim uskim grlima: prijem dobavljača, izrada tenderske dokumentacije, praćenje usklađenosti. Zrele organizacije idu korak dalje – umesto da se fokusiraju na nabavku IT opreme (što je često mali udeo u troškovima sa malo pregovaračke poluge), one ciljaju direktne materijale i kompleksne usluge. Princip koncentracije vrednosti ubrzava učenje i donosi rezultate koji su previše značajni da bi bili ignorisani pri skaliranju. 3. Tretirajte podatke kao infrastrukturu Rešite pitanje kvaliteta podataka odmah, a ne kasnije. To je preduslov za autonomiju koji mora postojati pre nego što se agentima povere odluke. Ulaganja u matične podatke o dobavljačima, taksonomiju troškova i integraciju moraju se obaviti na početku, a ne naknadno nakon propale implementacije. Prihvatite da će to usporiti vidljivo pokretanje prvog agenta, ali to je cena stvaranja dugoročne prednosti. 4. Projektujte postepenu autonomiju Ne posmatrajte autonomiju kao prekidač koji je ili uključen ili isključen. Osmislite postepeni prelaz: od savetodavne uloge, preko donošenja odluka uz potvrdu čoveka (human-in-the-loop), do punog prava izvršenja pod nadzorom. Napredak neće biti ujednačen na svim zadacima. U strukturiranim, niskorizičnim oblastima (analitika, validacija ugovora), agenti će brzo preuzeti posao. U aktivnostima visokog rizika, poput pregovora, agent može trajno ostati u ulozi savetnika. Autonomija je sredstvo, a ne krajnji cilj. 5. Gradite sposobnosti, a ne samo pojedinačne alate Umesto pokretanja izolovanih projekata, formirajte interne „fabrike agenata“ – ponovljive metodologije za identifikaciju, implementaciju i skaliranje agenata kroz nabavku. Prvi projekat posmatrajte kao početak portfolija. Tim koji ga je napravio prenosi komponente za višekratnu upotrebu i modele upravljanja na svaki sledeći zadatak. Profesionalci u nabavci će preći iz uloge izvršilaca zadataka u ulogu kustosa ekosistema agenata, primenjujući ljudsko rasuđivanje tamo gde AI dostigne limite. 6. Ugradite upravljanje od samog početka Definišite upravljanje kao osnovni parametar dizajna. Prava odobravanja, revizorski tragovi, putevi eskalacije i mehanizmi za preuzimanje kontrole od strane čoveka moraju biti precizirani pre nego što prvi agent počne sa radom. Svaki agent mora biti podržan jasnim investicionim planom, mapiran na određenu fazu procesa i merljiv kroz finansijske KPI-jeve. To primorava agente da podležu istoj kontroli kao i menadžeri nabavke i sprečava situaciju u kojoj uspešan pilot ne može da se skalira jer je sloj upravljanja naknadno dodat. 7. Merite komercijalne ishode, a ne samo stepen usvajanja Pratite agentski AI koristeći iste metrike koje primenjujete na ukupne performanse nabavke: ostvarene uštede, pregovarački pomak, izbegnute troškove, doprinos EBIT-u i brzinu donošenja odluka u kritičnim situacijama. Procesne metrike, kao što su skraćenje ciklusa ili učestalost korišćenja četbota, posmatrajte kao sekundarne. Merenje zasnovano na vrednosti pretvara agentski AI iz pomoćne funkcije u kreatora ekonomskih rezultata. Nabavka ne zaostaje u usvajanju agentskog AI-ja zato što je tehnologija nezrela. Zaostaje zato što su organizacione promene zahtevne i zato što je ova funkcija istorijski ustrojena na način koji otežava takva prilagođavanja. Međutim, situacija se menja. Uspešne organizacije nisu čekale savršene uslove – počele su sa fokusiranim projektima, merile rezultate i skalirale ono što funkcioniše. Tehnologija je spremna. Pitanje više nije da li će nabavka postati agentska, već koje će kompanije prve izgraditi tu stratešku prednost.

Veštačka inteligencija omogućava pojedincima sa skromnim tehničkim znanjem da razvijaju sofisticirane proizvode, što otvara pitanje da li saradnja među ljudima gubi na značaju. Međutim, zapažanja sa inovacionog takmičenja podržanog veštačkom inteligencijom ukazuju na sasvim suprotan zaključak. Dok AI ubrzava istraživanje, programiranje i izradu prototipa, timovi stvaraju najveću vrednost u fazama definisanja problema i osmišljavanja rešenja, gde različite perspektive pomažu u preispitivanju pretpostavki i usavršavanju ideja. Brzi prototipi postaju alati za učenje, a ne gotovi proizvodi, čineći debate konkretnijim i otkrivajući slabosti u ranoj fazi. Menadžeri bi trebalo da sačuvaju vreme za precizno formulisanje problema, koriste prototipe za unapređenje strateškog promišljanja umesto puke validacije rešenja i formiraju timove oko komplementarnih perspektiva, a ne uskih tehničkih specijalnosti. Kako AI komoditizuje operativno izvođenje, konkurentska prednost sve više leži u odluci šta vredi graditi i zašto.   AI alati su postali dovoljno moćni da koncept samostalnog osnivača kompanije učine izvodljivim, omogućavajući inovatorima bez inženjerskog predznanja da razviju funkcionalne proizvode. Ovaj koncept se ne primenjuje samo u startapima već i u velikim korporacijama kako usvajanje veštačke inteligencije raste. Tehnologija je automatizovala i standardizovala izvršenje duž celog ciklusa inovacija: menadžeri proizvoda grade radne prototipe bez napisanog reda koda, dok programeri znatno brže razvijaju softver, sprovode testiranja, pišu dokumentaciju i upravljaju podacima. To nameće ključno pitanje: postoji li i dalje trajna uloga i vrednost timske saradnje? Ako se osnovna jedinica rada pomera sa „tima“ na „pojedinca osnaženog veštačkom inteligencijom“, to donosi suštinske promene u načinu na koji se organizujemo, zapošljavamo i procenjujemo nečiji doprinos na poslu. Reč je o temi koja prevazilazi jednostavnu raspravu o produktivnosti. Ovo pitanje je istraženo tokom nedavnog inovacionog maratona (buildathon) sa studentima poslovne škole NYU Stern. Timovima mešovitih profila omogućen je pristup zajedničkim AI alatima sa zadatkom da reše složene probleme iz stvarnog sveta u roku od samo jednog dana. Cilj je bio da se ispita kako učesnici integrišu veštačku inteligenciju tokom divergentne faze osmišljavanja ideja i konvergentnog donošenja odluka, kao i koji delovi inovacionog ciklusa i dalje imaju najviše koristi od timskog rada. Osam timova, stvarni problemi, jedan dan Trideset tri studenta imala su šest sati da kreiraju rešenja za neke od najtežih izazova Njujorka, uključujući pristupačnost osnovnih namirnica, pravičnost u javnom prevozu, bezbednost biciklističkih staza i dostupnost brige o deci. Reč je o složenim problemima sa mnogo promenljivih, gde je čak i definisanje uspeha izuzetno zahtevno. Učesnici su nasumično raspoređeni u timove od po četiri ili pet članova i svi su dobili iste alate. Koristili su AI rešenja za istraživanje i ideaciju kako bi razumeli problem i definisali korisnike. Zatim su prešli na alate za izradu prototipa radi dizajna konkretnih rešenja. Na kraju su povezali svoje koncepte sa platformama za autonomno programiranje kako bi izgradili funkcionalne demonstracione verzije. Ceo proces odvijao se na zajedničkom digitalnom platnu, gde su svi članovi tima u realnom vremenu imali uvid u rad ostalih. Važno je istaći da većina studenata nije imala inženjersko obrazovanje, timovi nisu unapred balansirani prema tehničkim veštinama, učesnici se uglavnom nisu poznavali i nikada pre nisu koristili pomenute alate. Pored toga, postojala je i takmičarska komponenta sa vrednim nagradama, pri čemu su kriterijumi ocenjivanja eksplicitno stavljali definisanje problema i konceptualni dizajn rešenja ispred tehničke egzekucije. Poenta nije bila u tome ko može najbrže da lansira proizvod, već ko može da izgradi pravu stvar. Ako AI zaista pretvara inovacije u individualni poduhvat, ovo je bilo idealno okruženje za to: sposobni ljudi, moćni alati i strog vremenski rok nudili su svaki razlog da se zadaci podele, radi paralelno i prepusti veštačkoj inteligenciji da samostalno odradi najteži deo posla. Međutim, ono što je primećeno na terenu pokazalo je sasvim drugačiju sliku. Definisanje problema i dizajn rešenja Analizirajući radne tokove učesnika, uočena su dva jasna obrasca kod gotovo svih timova: Na samom početku, svaki tim je detaljno raspravljao o oblasti na koju želi da se fokusira, nastojeći da razume i uokviri suštinu problema i profiliše ciljnog korisnika. U ovoj fazi članovi tima su koristili AI za prikupljanje istraživanja i sintezu podataka, spajajući analize kako bi diskutovali i postigli konsenzus o problemskom prostoru. Ovaj proces je uvek podsećao na klasičnu razmenu ideja — grupa ljudi okupljena oko stola u dinamičnom i fokusiranom razgovoru. Nakon toga, većina timova je podelila operativne zadatke: pojedinci su se fokusirali na dizajn i izgradnju prototipa, dok su drugi radili na prezentaciji i narativu. Članovi su pojedinačno koristili veštačku inteligenciju za realizaciju svojih zaduženja, ali su se i dalje redovno okupljali da testiraju i kritikuju predloženi dizajn rešenja. Zadaci koje je AI mogao da preuzme — sinteza istraživanja, generisanje dizajnerskih opcija, kreiranje korisničkih interfejsa — zaista su se odvijali brže kada su pojedinci radili paralelno i nezavisno. Međutim, definisanje problema bilo je oblast u kojoj su timovi provodili najviše vremena raspravljajući o nalazima, preispitujući pretpostavke jedni drugima i zajednički odlučujući šta zapravo pokušavaju da reše i kako. Jedan učesnik je primetio: „Definisanje problema je najvažniji deo“, dok je drugi dodao: „Precizno uokviriti specifičan problem izuzetno je teško, čak i uz pomoć veštačke inteligencije.“ Druga ključna oblast bio je dizajn samog rešenja. Pošto je cena izrade prototipa danas svedena na minimum, njegova svrha se promenila. Kako je jedan student primetio, prototip sada služi kao polazna tačka za diskusiju, a ne kao gotov proizvod. Prototipi koje su timovi kreirali odmah su otvorili ključna pitanja: Ko je zapravo krajnji korisnik? Kako će neko saznati za ovo rešenje? Šta se dešava kada podaci nisu dostupni? Prototip sam po sebi nije dao odgovore, ali je učinio ta pitanja nemogućim za ignorisanje. Pobednički timovi jasno ilustruju kako su uvidi proistekli iz saradnje vodili do inovativnih rešenja, dok je AI služio isključivo kao operativni motor: • Ukupni pobednik je razvio indeks cena namirnica u Njujorku. Prikupili su podatke o cenama iz prodavnica širom grada, ocenili povoljnost svake od njih i kreirali aplikaciju za potrošače, kao i koncept displeja za izloge. Funkcionalna aplikacija razvijena za šest sati bila je impresivna, ali je tim pobedio zahvaljujući načinu na koji je postavio problem: prepoznali su da je pristupačnost namirnica zapravo problem transparentnosti koji se rešava lakšim upoređivanjem cena. • Dobitnici nagrade za visok uticaj prepoznali su potencijal u 13.000 postojećih njujorških maloprodajnih objekata i pretvorili ih u komunalna čvorišta za veleprodaju. Umesto izgradnje nove infrastrukture, rešili su problem pristupa povezivanjem lokalnih zajednica sa veleprodajnim cenama preko već postojećih prodavnica. • Dobitnici nagrade za najbolji prototip pretvorili su javnu bazu pritužbi građana u interaktivnu mapu koja prikazuje nedostatke na biciklističkim stazama, dajući građanima instrument da zahtevaju popravke na osnovu podataka koje grad već poseduje, ali ih ne čini vidljivim. Timovi imaju najviše koristi od deljenog radnog okruženja Iako većina učesnika nije imala programersko iskustvo, svaki tim je za šest sati napravio funkcionalan prototip. Ipak, timovi koji su radili izolovano, oslanjajući se na pojedinačne AI sesije, brže su upadali u poteškoće. Članovi su se suočavali sa preopterećenjem informacijama i gubljenjem vremena jer su svi koristili različite prepiske sa alatom. Nasuprot tome, timovi koji su se opredelili za rad unutar zajedničkog okruženja uvideli su da je kapacitet za upotrebu veštačke inteligencije znatno veći kada ceo tim sarađuje na istom mestu. Kada ljudi koriste AI u izolaciji, ograničeni su sopstvenom perspektivom. Istraživanja već pokazuju da timovi koji primenjuju AI nadmašuju i pojedince sa veštačkom inteligencijom i timove bez nje u kvalitetu ishoda. Zapažanja sa takmičenja pokazuju da kada tim koristi AI u zajedničkom prostoru gde svaki član u realnom vremenu vidi rezultate, tehnologija postaje sredstvo za brže testiranje ideja i primenu zajedničkog rasuđivanja celog tima. Saradnja i konkurentska prednost pomeraju se uzvodno Fokus timske saradnje se pomera sa operativnog izvršenja pojedinačnih zadataka ka dizajnu radnog toka. U razvoju proizvoda decenijama unazad, saradnja se svodila na koordinaciju egzekucije: ko razvija koju funkcionalnost i kako se delovi integrišu. Ta koordinacija je i dalje potrebna, ali više ne predstavlja glavno usko grlo. Usko grlo se sada nalazi na samom početku procesa: Da li gradimo pravu stvar? Razumemo li korisnika dovoljno dobro? Jesmo li postavili problem na način koji vodi ka smislenom rešenju? Ova pitanja se ne mogu rešavati u paralelnim procesima. Ona zahtevaju produktivno sučeljavanje različitih stavova, usporavanje i argumentovanu debatu pre nego što se ubrza sam proces izgradnje. Kada AI preuzme operativno „kako“, ljudi postaju odgovorni za strateško „šta“ i „zašto“ — a to su fundamentalno kolaborativna pitanja. Tri stvari koje menadžeri moraju raditi drugačije Iskustva sa ovog inovacacionog maratona daju jasne smernice kako organizovati timove za postizanje uspeha u eri veštačke inteligencije: 1. Stavite snažan fokus na definisanje problema Kada svako može da generiše radni prototip za nekoliko sati, konkurentska prednost ne dolazi iz brzine izgradnje, već iz kreiranja rešenja kojeg se niko drugi nije setio jer ste problem razumeli i definisali bolje od konkurencije. Ovaj proces može delovati sporije i haotičnije od same egzekucije, naročito kada AI alati čine izvođenje izuzetno efikasnim. Lako je upasti u zamku prebrzog prelaska na izgradnju radi prividnog osećaja produktivnosti. Menadžeri moraju svesno zaštititi vreme za ovu fazu rada, što podrazumeva: • Započinjanje projekata definisanjem problema, a ne prikupljanjem gotovih ideja za rešenja; • Nagrađivanje timova za duboko promišljanje problema, a ne samo za brzinu realizacije; • Prihvatanje rasprava koje u početku deluju konfuzno, jer je to često odlika kvalitetnog definisanja problema; • Prepoznavanje vrednosti onih članova tima koji usporavaju proces pitanjem: „Koji problem mi zapravo ovde rešavamo?“ 2. Koristite prototipe za preciziranje problema Lakoća izrade rešenja donosi suštinsku promenu u ulozi prototipa. Nekada su prototipi bili skupi i pravljeni su kasno u procesu, tek kada je sve bilo precizirano. Danas su jeftini i brzi, što omogućava da se grade rano — ne da bi predstavljali konačan odgovor, već da bi diskusiju o strateškom pravcu učinili opipljivom. Nova svrha prototipa jeste da nesuglasice i dileme učini vidljivim dok je njihovo rešavanje još uvek finansijski i vremenski povoljno. Zato menadžeri treba da: • Podstiču rano kreiranje grubih i brzih prototipa umesto kasnog plasiranja upeglanih verzija; • Vrednuju prototipove prema pitanjima koja otvaraju, a ne prema tome koliko deluju dovršeno; • Očekuju da prvi prototip bude pogrešan, jer je to upravo njegova primarna svrha; • Osiguraju da se timovi ne vežu za svoju prvu verziju, već da je koriste isključivo kao temelj za dalji dijalog. 3. Organizujte timove prema perspektivama, a ne veštinama Prototipi postaju koristan alat za učenje samo kada su u prostoriji prisutne prave perspektive za tumačenje onoga što prototip otkriva. Ako AI omogućava svakome da gradi funkcionalna rešenja bez obzira na tehničko obrazovanje, gubi se potreba za strogim strukturiranjem timova isključivo prema formalnim profilima i veštinama. Najuspešniji timovi nisu bili oni sa najviše tehničkog znanja, već oni koji su okupili različite poglede na problem: nekoga ko razume regulatorni okvir, nekoga ko je lično iskusio problem i nekoga ko ume da osmisli održiv poslovni model. Umesto optimizacije za tehničku pokrivenost, timove treba formirati prema širini perspektiva koje donose. Kada svi imaju pristup sličnim AI alatima, prednost vašeg tima ne leži u tehničkim kapacitetima, već u dubini razumevanja problema. A ta dubina proizilazi iz okupljanja ljudi koji stvarnost posmatraju iz različitih uglova. Pitanje više nije hoće li AI zameniti timove, već kako će se timovi prilagoditi da obavljaju posao koji mašine ne mogu: suštinski ljudski zadatak odlučivanja o tome koje probleme vredi rešavati i za koga.

Iako se ne može obećati izvesnost u vezi sa budućnošću, lideri mogu pružiti okvir za upravljanje anksioznošću tima koja okružuje transformaciju putem veštačke inteligencije (AI). Važno je da i lider i tim podjednako učestvuju u transparentnosti i otvorenom dijalogu kako bi se održala kohezija tima i psihološka sigurnost tokom perioda potencijalno remetilačkih promena. Lideri moraju neprestano ostavljati prostor za refleksiju, prepoznajući da se anksioznost zbog AI ne može rešiti u jednom razgovoru, tako što će prihvatiti strahove zaposlenih, kreirati sigurne prostore za razgovor, preduzimati posvećene akcije i ponavljati ovaj proces iznova i iznova.   Tokom pandemije, lideri su naučili da moraju da smisle kako da održe svoje timove povezanim čak i kada nisu imali pojma šta će se, do đavola, dešavati iz dana u dan. I mnogi od nas su shvatili nešto prelepo: da je pokazivanje malo više ranjivosti i otvorenosti prema „sivim zonama” bilo upravo ono što je našim ljudima trebalo. Na kratak trenutak, liderima je bilo dozvoljeno da pričaju o onome što ne znaju. Iako AI (hvala bogu) ne predstavlja pretnju našoj smrtnosti, većina Amerikanaca strahuje od njenog uticaja, i niko ne može dovesti u pitanje poremećaj koji je već donela. Zato je, nakon što lideri razviju svest o sopstvenim emocijama, sledeći korak vođenje njihovih timova kroz anksioznost zbog AI. To zahteva priznavanje teške istine: ne možete obećati stabilnost. Ne možete obećati da će uloge, zadaci ili strukture ostati nepromenjeni. Ne možete obećati da će AI poštedeti vašu funkciju ili industriju. Ali možete obećati jasnost, transparentnost i otvoren dijalog o uticaju promena. Anksioznost, potisnute emocije i strah mogu negativno uticati na učinak i moral tima. Dok vremena ogromne neizvesnosti zahtevaju mnogo različitih liderskih veština, istraživanja pokazuju da lideri koji naglašavaju čestu, iterativnu, transparentnu komunikaciju, koji su otvoreni u vezi sa onim što znaju i ne znaju, i koji dele vesti čak i kada nisu sjajne, mogu pomoći u ublažavanju negativnih osećanja. Kreiranje psihološke sigurnosti počinje sposobnošću tima da otvoreno govori bez straha od osude ili sramote i da o izazovnim temama diskutuje na produktivan način. Evo četiri koraka za upravljanje anksioznošću vašeg tima zbog AI, čak i kada ne možete da obećate da će sve ispasti dobro. Osetite strah i uradite to uprkos njemu Niko ne zna tačno kuda ide transformacija putem AI, kako će izgledati radno mesto ili da li ćemo i dalje imati svoje poslove za jednu ili pet godina. Međutim, za vaš tim je snažno da vidi kako prihvatate sopstvenu anksioznost i neizvesnost, dok se krećete od straha ka akciji. To normalizuje njihova sopstvena osećanja i povećava poverenje u vas kao njihovog lidera. Ovo nije tako teško kao što se čini; kroz anksioznost možemo proći samo kada prihvatimo njeno prisustvo. Istraživanje Randžaja Gulatija sa Poslovne škole Harvard pokazuje da naš unutrašnji narativ — ili mentalni sklop — pomaže u određivanju naše sposobnosti da se sa neizvesnošću suočimo hrabro. Veliki lideri nikada nisu poricali svoj strah. Oni priznaju da su anksiozni, razumeju zašto su anksiozni i odlučuju da ipak krenu napred. Budućnost je neizvesna. Ljudi su uplašeni. I to je u redu reći naglas. Decenije istraživanja o psihološkoj sigurnosti potvrđuju da iskreni, transparentni razgovori grade poverenje i stvaraju osećaj zajedničke svrhe. Priznavanje timu nečeg poput: „Vau, čini se da AI postaje pametnija svakim danom” ili „ChatGPT me plaši”, podstiče povezanost i zajedničku otpornost govoreći: „Nisi jedini”. Kreirajte „kontejner” i vodite dobre razgovore Aktivnim ispitivanjem pitanja koja okružuju implementaciju AI, dobijamo više moći delovanja. U kompaniji za liderstvo i koučing BetterUp, direktor AI transformacije Li Gonzales koristi metaforu prelaska sa uloge „putnika” u AI — ili nekoga ko pasivno posmatra tehnologiju — na ulogu „pilota” AI, koji aktivno upravlja načinom na koji se ovi alati koriste. A postajanje pilotom počinje razgovorom o našim osećanjima u vezi sa AI. Moramo razgovarati o AI ako želimo da je koristimo dobro. Ekspert za poremećaje na tržištu i AI Šarlin Li preporučuje slušanje „pitanja iza pitanja” kada razgovaramo o AI. Ona piše: „Iza svakog ’Kako ovo funkcioniše?’ krije se ranjivije pitanje. Vaši zaposleni se možda pitaju da li su i dalje potrebni, koja je njihova svrha ako AI zameni ključne zadatke i koliku vrednost imaju za vašu organizaciju.” Posao lidera je da izvuče ova pitanja od zaposlenih, uvaži ih i pokuša da na njih odgovori najbolje što može, čak i ako nema sve odgovore. Razgovor je moćna akcija kojoj se lideri moraju posvetiti. Na primer, Lije va sugeriše započinjanje dijaloga sa članovima tima o identitetu, svrsi i vrednosti u svetu potpomognutom veštačkom inteligencijom nakon sesija obuke za AI. Teško je razgovarati o emocijama i AI usred užurbanog sastanka ili prenatrpanih konsultacija. Ovi razgovori se mogu dešavati u svakodnevnom kontekstu, ali im treba posvetiti vreme i pažnju. Ono što im je zaista potrebno je „kontejner”. U psihologiji, „kontejner” je okruženje, sastanak ili razgovor koji bezbedno drži snažne emocije. Ideja je da ljudi mogu doneti teške stvari u kontejner, jer je sam kontejner određeno okruženje koje može podržati iskrene razgovore bez spoljnih posledica ili osuđivanja nazad „u stvarnom svetu”. Svaki kontejner treba fasilitatora, nekoga ko će namerno kreirati prostor gde se ljudi osećaju sigurno da kažu ono što misle i istraže ideje i emocije. To ste vi kao lider. Možete kreirati kontejner na redovnim sastancima, ili možete kreirati posebne sastanke ili razgovore 1 na 1 koji pomažu ljudima da prođu kroz svoju neizvesnost, anksioznost ili bes na siguran i konstruktivan način. Evo kako da počnete: 1. Uokvirite rad. Možete postaviti nameru za razgovor, kao što je: „Uvodimo velike promene sa AI. To može doneti složene emocije — ja ih svakako imam. Mislim da ćemo, ako budemo iskreni o osećanjima koja AI budi u nama, biti jači kao tim.” Odredite posebno vreme i ohrabrite ljude da budu prisutni u razgovoru. Ovo nije razgovor o kreiranju akcionih koraka ili konkretnih zadataka, iako to može doći kasnije.2. Uspostavite pravila igre za razgovor. Ohrabrite različita gledišta i priznajte da, iako ovo može biti emocionalna tema, ljudima se neće suditi zbog njihovih osećanja. Zamolite svoj tim da produktivno odgovara na komentare i da ne ućutkuje druge; koristite „ja” izjave. (Za odličan uvod u to kako voditi psihološki siguran razgovor na poslu, pogledajte ovaj članak.)3. Budite iskreni o sopstvenim osećanjima u vezi sa AI, uključujući i ona anksiozna. Ovaj pristup neguje povezanost i zajedničku otpornost govoreći: „Nisi jedini, ali možemo ovo zajedno da shvatimo.” Evo nekoliko pitanja koja možete postaviti sebi kada kreirate kontejner:• Da li sam dovoljno pribran da vodim ovaj razgovor i ako nisam, kako mogu da se priberem?• Koji nivo ranjivosti će pomoći timu da se otvori, a da se ljudi ne osećaju neprijatno?• Šta mogu da kažem svojim ljudima a da je istina?• Šta ne mogu da im kažem jer ne znam, ili zato što je ono što znam poverljivo?• Kako mogu da napravim prostor za ono što je neizvesno?• Kako mogu da ohrabrim različita gledišta i omogućim drugima da se čuju?• Šta želim da dobijemo iz ovog razgovora? Šta će ga učiniti uspešnim? Kreiranje kontejnera je jednostavno, ali nikada lako. Vi niste terapeut svom timu, ali možete voditi razgovore koji pomažu vašem timu da prođe kroz anksioznost zbog AI — ili, alternativno, možete dovesti stručnjaka poput kouča ili nekoga veštog u profesionalnom razvoju. Preduzmite posvećenu akciju Naravno, nije dovoljno otkriti emocije oko transformacije putem AI i ne uraditi ništa. Vaši ljudi možda ne očekuju da im obećate posao doživotno, ali očekuju da im čuvate leđa usred promena. Preduzimanje akcije i pokazivanje radoznalosti su dva najbolja načina za upravljanje anksioznošću zbog AI. Zato ponudite jasan sledeći korak. AI se u mnogim organizacijama implementira nasumično na način koji slabi poverenje, što je snažna vrednost za mnoge od nas. Kao lideri, možemo pomoći u jačanju poverenja čak i kada imamo malo kontrole nad makro odlukama. Ilustrujte kako ćete zajedno dokučiti tu stvar sa AI. Možda kroz zajedničke sesije učenja, hakatone ili zajedničko vreme samo za postavljanje ranjivih pitanja i raščišćavanje stvari. Možda je to postavljanje sistema za praćenje, merenje i deljenje načina na koje AI čini rad boljim, kao i načina na koje frustrira. Učenje se zasniva na radoznalosti. Ako situacija to nalaže, možete osposobiti ljude da nauče nove veštine. U svom kontejneru budite iskreni o potencijalnim posledicama i intervenišite rano kako biste svojim ljudima dali alate koji bi im mogli zatrebati da ostanu zaposleni. HR ekspert Enrike Rubio kaže: „Ono što me brine je to što neke kompanije već znaju koji će poslovi verovatno nestati, ali ništa ne govore. Ne daju ljudima vremena da se pripreme ili istraže druge opcije. Ne nude podršku za izgradnju veština, pa čak ni upozorenje.” Umesto toga, kaže Rubio, oni čekaju do poslednjeg mogućeg trenutka da saopšte loše vesti. Ta vrsta tišine nanosi štetu. Ona nagriza poverenje. To što neko napušta vašu kompaniju da bi potražio novu priliku je teško. Ali to je daleko bolja opcija za njih nego da im se kaže da će njihova uloga biti zamenjena veštačkom inteligencijom bez ikakvih alternativa. Nakon diskusije o vrednostima, budite jasni o tome kako preduzeti akciju koja podržava vaše vrednosti ako je nešto neprihvatljivo. Znajući da sveprisutnost generativne AI može biti u sukobu sa našim vrednostima profesionalizma i zanata, na primer, timovi mogu uspostaviti zajedničke norme oko zaštitnih ograda za upotrebu AI u svojim poslovima. Oni mogu izgraditi nadzor i odgovornost kako bi osigurali da ljudi donose konačne odluke. Rubio sugeriše: „Recite svojim menadžerima za šta mogu da koriste AI, ali utvrdite da su oni ultimativno odgovorni za odluke i radni proizvod. AI ne može donositi konačne odluke.” Nastavite da pravite prostor i ponavljajte proces, iznova i iznova Anksioznost zbog AI ne može se rešiti u jednom razgovoru, i vaš tim će nastaviti da ima snažna osećanja u vezi sa tim. Podstičem vas da dosledno i smisleno odvajate vreme za ove razgovore. Ovo bi mogao biti dar ne samo vašem timu, već i vama samima. Na kraju krajeva, kada ste poslednji put osećali da imate prostora za svoje misli? Prostora za pravi razgovor? Saradnica Poslovne škole Saïd, Megan Rajc, i istraživač Džon Higins pišu da najbolji lideri dozvoljavaju sebi i svojim kolegama da borave u „prostranom režimu”, „u kojem ljudi obraćaju pažnju ekspanzivnije, bez žurbe, čineći ih prijemčivijim za odnose, međuzavisnosti i mogućnosti... Prostrani režim vodi do ključnih prednosti na radnom mestu, kao što su sticanje uvida u izazove, strateško razmišljanje, uočavanje prilika, izgradnja odnosa i podsticanje radosti i motivacije.” Sprint ka tome da se „pobedi u AI” preokupira naše vlade, naše kompanije i naše liderske mandate i OKR-ove (ciljeve i ključne rezultate). Malo ko odvaja vreme da zastane i razmisli. Dominacija u AI može biti trka, ali znamo da se najbolji takmičari brinu o svom umu i telu dok se takmiče — oni reflektuju, analiziraju svoj učinak i usporavaju. Razumite emocije koje AI izvlači na površinu, identifikujte vrednosti koje leže ispod vaših emocija i odaberite akcije koje su usklađene sa tim vrednostima. Počnite od sebe, a zatim kreirajte kontejnere u kojima ljudi mogu iskreno razgovarati, postavljati ranjiva pitanja i zajedno preduzimati posvećene akcije: prekvalifikaciju, postavljanje normi i mapiranje onoga što znate o budućnosti. Budite transparentni u vezi sa onim što znate i onim što ne znate, držite ljude odgovornim za odluke i pomozite ljudima da pređu iz uloge putnika u AI u ulogu pilota AI. Najviše od svega, pravite prostor i ponavljajte proces, kako biste normalizovali početne reakcije, izgradili poverenje i održali zajedničku svrhu kroz tekuće poremećaje. Ako je ikada postojala promena kojoj su bili potrebni dobri, otvoreni razgovori, to je transformacija putem AI. Kao lideri, imamo moć da usporimo samo na kratko i napravimo prostor, za neprijatne emocije i anksioznosti, da, ali i da zastanemo i razmotrimo šta je moguće za bolju budućnost.

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

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

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.

Može se sa sigurnošću pretpostaviti da će ubrzane promene ostati. U srži današnjih čestih poremećaja je neizvesnost: situacije u kojima su dostupne informacije nepotpune, kontradiktorne ili se stalno menjaju, a jasni odgovori su nemogući. Snalaženje u neizvesnosti zahteva novi skup veština – onaj koji se oslanja na našu ljudskost, umesto da je zaobilazi. Za razliku od mašina, mi donosimo biološki odgovor na promenu. A taj odgovor, ako se razume i iskoristi, može postati moćna prednost.   Živimo u eri ubrzanih promena, a lideri to osećaju svakog dana. Za pet godina, iskusili smo uticaj Kovida i kako je on resetovao norme koje smo uzimali zdravo za gotovo u načinu na koji radimo; pojavu generativne veštačke inteligencije (gen AI) i suočavanje sa njenim ogromnim uticajem na uobičajeno poslovanje; i visoku geopolitičku nestabilnost i njene parališuće efekte na poslovne odluke. U srži ovih poremećaja je neizvesnost: situacije u kojima su dostupne informacije nepotpune, kontradiktorne ili se stalno menjaju, a jasni odgovori su nemogući. Nismo znali kako će izgledati posao kada se kancelarije ponovo otvore. Ne znamo koje će poslove veštačka inteligencija automatizovati. Ne znamo sa kojim zemljama ćemo sutra moći da trgujemo bez prohibitivnih carina. Zašto je ovo važno? Zato što neizvesna vremena zahtevaju drugačiju vrstu liderstva od stabilnih vremena. Snalaženje u neizvesnosti zahteva novi skup veština – onaj koji se oslanja na našu ljudskost, umesto da je zaobilazi. Za razliku od mašina, mi donosimo biološki odgovor na promenu. A taj odgovor, ako se razume i iskoristi, može postati moćna prednost. Oslanjajući se na naše kolektivne decenije rada sa liderima, kao i na istraživanja na raskrsnici design thinking-a i ljudske fiziologije, identifikovali smo tri biološke realnosti koje oblikuju kako se ljudi snalaze u stalnim promenama i neizvesnosti. Svaka od njih dolazi sa praktičnim strategijama koje možete koristiti da povratite kontrolu. Pretvorite probleme u prilike Biološka realnost Ljudi prirodno teže da smanje neizvesnost. U neizvesnim situacijama, prva reakcija tela obično nije kreativnost ili rešavanje problema – to je preživljavanje. Kada se susretnemo sa nečim novim ili nesigurnim, naš nervni sistem aktivira stresni odgovor, često opisan kao „bori se, beži ili zamrzni se“. Mozak detektuje potencijalne pretnje, aktivira amigdalu i oslobađa kortizol i adrenalin. Ove hemikalije izoštravaju fokus i pripremaju telo da brzo reaguje, ali takođe sužavaju pažnju i potiskuju više misaone procese. Zato se u trenucima poremećaja – poput reorganizacije ili iznenadne promene tržišnih uslova – lideri mogu osećati defanzivno, anksiozno ili paralisano, umesto otvoreno i inovativno. Osim biologije, naša korporativna kultura nas može zadržati u tom stanju. Akcionari ne žele da čuju da ne znamo šta je sledeće. Zaposleni žele odgovore. Oni – i tržište – zahtevaju samopouzdanje i sigurnost, čak i kada su uslovi nejasni. Dizajnerski odgovor Tamo gde nas biologija gura ka pretnji, dizajneri su obučeni da vide promenu kao mogućnost. U kompaniji IDEO, gde je Ejmi provela skoro deceniju, prvi korak u rešavanju bilo kog problema klijenta bio je da se on preformuliše kao „dizajnerski izazov“. Umesto fokusiranja na nedostatke – npr. „učešće birača je opalo“ ili „prodaja poljoprivredne opreme je niska“ – postavili bismo optimistično pitanje: „Kako bismo mogli da stvorimo zabavno i pristupačno iskustvo glasanja?“ ili „Kako bismo mogli da pomognemo poljoprivrednicima da razviju svoje poslovanje?“ Ta jednostavna promena perspektive u jeziku oslobađala je energiju i kreativnost. Kada je izazov uokviren kao prilika i ljudska potreba, ideje su tekle prirodno, a usledili su zabava i zamah. Istraživanja pokazuju da uz vežbu, lideri mogu preći iz „stanja pretnje“, gde stres deluje preplavljujuće, u „stanje izazova“, gde ista fiziološka uzbuđenost postaje energična i motivišuća. Strategije kao što su razvijanje „načina razmišljanja o stresu“ (fokusiranje na podsticajnu stranu stresa), kognitivno preispitivanje (preoblikovanje iskustva ka onome što je dobro), pa čak i namerne pauze daju korteksu – centru mozga za donošenje odluka i generisanje ideja – vremena da se ponovo angažuje. Prvo, morate osujetiti tu početnu reakciju na pretnju stvaranjem prostora da odgovorite, umesto da reagujete. To može uključivati jednostavno odvajanje trenutka za disanje, što može smiriti reakciju na pretnju, do stvaranja vremena i prostora za ponovno razmatranje izazova koji je pred vama. Na primer, kada je Ejmi radila sa jednom od poslednjih štampanih verzija Žutih strana, koja je morala brzo da pređe na digitalno, lideri su pitali: Kako bismo mogli bolje da služimo našim klijentima sada nego pre? I kako da istovremeno unapredimo veštine naših timova za digitalnu eru? Rezultat ovog preoblikovanja (i kasnijih promena koje je omogućilo) bio je da su zaposleni počeli da se ponašaju kao vlasnici, dok su novi procesi razvoja proizvoda donosili rezultate i rast broja kupaca. Kako da pomognete sebi da preformulišete Uzmite oblast neizvesnosti i koristite ove podsticaje da je sagledate drugačije. Na primer:• Za šta je ova neizvesnost stvorila više prostora?• Koje su to nezadovoljene potrebe kupaca ili zaposlenih kojima bismo sada mogli da se pozabavimo? Stvorite prostor za inspiraciju Biološka realnost Kreativnost pati pod stresom i kognitivnim opterećenjem. Kada je vaš mozak preopterećen, prefrontalni korteks – deo odgovoran za planiranje, stvaranje ideja i inovacije – biva „otet“ od strane limbičkog sistema, vašeg emocionalnog centra i centra za preživljavanje. To znači manje novih ideja, smanjen uvid i reaktivnije ponašanje. Dizajnerski odgovor Neizvesnost nije greška; to je odlika života. U vremenima neizvesnosti možete povući najveće, najsmelije poteze – tada se može roditi revolucionarno razmišljanje. Trik? Morate se osećati prijatno boraveći u prostoru neizvesnosti. Jedan način da to uradite je da se uzbudite zbog mogućnosti koje ona pruža. Dizajneri uživaju u neizvesnosti počinjući sa inspiracijom, a ne sa stvaranjem ideja. Lepota pauze za inspiraciju je u tome što vas prodrma, skreće vam misli sa neizvesnosti i pomaže vam da se angažujete sa svežom perspektivom. Ona aktivira taj kreativni deo vašeg mozga. U kompaniji IDEO, nikada nismo odmah prelazili na rešavanje problema. Umesto toga, počinjali smo namernim traženjem inspiracije – kroz terensko istraživanje, posmatranje ili ono što smo zvali analogna iskustva: izlazak izvan domena problema da bismo pronašli iznenađujuće paralele i emocionalne istine na drugim mestima. Analogna inspiracija razbija vaš mentalni model. Uzmite ovaj primer: Kada su radili sa kompanijom Old Navy na osmišljavanju njihove ponude za veće veličine (plus-size), Ejmi i njen tim nisu počeli sa rasporedom u prodavnici ili marketinškim kampanjama. Prvo su otišli u karaoke barove. Zašto? Zato što je tim shvatio da se za mnoge žene koje nose veličinu 16+, iskustvo kupovine u odvojenim „plus odeljenjima“ osećalo kao da su stavljene na scenu – posmatrane, osuđivane, izložene. Karaoke su postale analogija za to emocionalno stanje. Ta neočekivana paralela navela je tim da pređe sa dizajna odvojenosti na integraciju u prodajnom prostoru i u pripovedanju priče o brendu. Kako da pomognete sebi da prikupite uvide Uzmite oblast neizvesnosti i pretvorite je u potragu. Na primer:• Upravo ste završili reorganizaciju kompanije? Pomozite svom timu da se ponovo fokusira tako što ćete ih podstaći da izvedu petoro novih kolega na kafu i zamoliti ih da podele priču za koju misle da najbolje oslikava kulturu kompanije.• Niste sigurni kako da podstaknete uključivanje veštačke inteligencije u procese? Umesto da odmah prelazite na rešenja, organizujte mesec inspiracije. Podstaknite zaposlene da podele priče o drugim kompanijama koje koriste veštačku inteligenciju, kako uspešno tako i neuspešno. Eksperimentišite na svom putu napred Biološka realnost Preveliki koraci nas mogu paralisati. Kada ulozi deluju visoko ili je put nejasan, nervni sistem može ući u povišeno stanje pripravnosti. To aktivira simpatički nervni sistem (bori se ili beži), što može poremetiti povezanost u mozgu – prekidajući pristup korteksu i povećavajući emocionalnu reaktivnost iz limbičkog sistema. Rezultat? Odugovlačimo. Odvlačimo sebi pažnju. Izbegavamo preduzimanje akcije, ne zato što nam nije stalo, već zato što akcija deluje previše neizvesno, previše rizično, previše. Ponekad je to zato što se naše telo doslovno „zamrzlo“, čineći akciju nemogućom. Dizajnerski odgovor Sačuvali smo najbolje za kraj. Ovo je Ejmina omiljena stvar i jedan od najmoćnijih alata – tajni sastojak – u dizajnerskom setu alata. Akcija stvara jasnoću, a ne obrnuto. Dakle, eksperimentisanje je način na koji pametne kompanije i pojedinci idu napred kada jasnoća nedostaje. Umesto da čekaju savršen odgovor, dizajneri isprobavaju male, namerne eksperimente niskog rizika kako bi naučili šta funkcioniše. Imajte na umu da eksperimenti nisu pilot-projekti. Cilj je da se uči, a ne da se dokazuje. Na primer, kada je jedna banka u Australiji želela da uvede proizvod koji bi pomogao roditeljima da nauče decu pametnom ponašanju sa kreditnim karticama, tim IDEO je kreirao proizvod „nalik na pravi“ od pripejd debitne kartice. U kratkom, jednomesečnom eksperimentu, roditelji su mogli da daju deci limite potrošnje, prate kupovine i daju povratne informacije o tome šta bi takav proizvod mogao da ponudi. Kada je banka krenula da dizajnira i pravi proizvod, radila je to na osnovu informacija iz stvarnog sveta, a ne na osnovu nagađanja o ponašanju kupaca. U vremenima neizvesnosti, eksperimentisanje nam omogućava da zaobiđemo paralizu velikih odluka fokusiranjem na male korake koji deluju dovoljno bezbedno da se isprobaju. Važno je napomenuti da eksperimenti ne moraju da uspeju da bi bili korisni. Oni samo treba da nas nauče nečemu novom. Uspeh nije „uključili smo veštačku inteligenciju u nekoliko procesa“ ili „posao sada teče glatko nakon reorganizacije“. Uspeh je „naučili smo nešto što unapređuje naše razumevanje“. Kako da pomognete sebi i svom timu da eksperimentišete Uzmite oblast u kojoj ste vi ili vaš tim zaglavljeni i niste sigurni kako da krenete napred, a zatim oljuštite slojeve do najmanjeg mogućeg koraka. Na primer:• Pokušavate da uključite veštačku inteligenciju, ali se suočavate sa strepnjom ili otporom? Šta ako biste organizovali seriju „ručak i učenje“, gde bi se zaposleni obavezali da se igraju sa alatom veštačke inteligencije, podele iskustva na jednoj sesiji i pridruže se trima drugim sesijama da dobiju inspiraciju? Neka njihovi podsticaji ne budu vezani za posao kako bi delovalo lagano i pristupačno.• Suočavate se sa smanjenjem finansiranja kao lider neprofitne organizacije? Šta ako biste organizovali „poziv za inspiraciju o finansiranju“ za kolege lidere neprofitnih organizacija i podelili svoje omiljene modele prihoda iz drugih preduzeća, a zatim zajedno razmišljali o novim izvorima prihoda? Ako postoji interesovanje, mogli biste to pretvoriti u redovni klub za eksperimentisanje gde svaka organizacija isprobava različite metode finansiranja i deli naučeno. Svaki mali eksperiment vam daje podatke. Ti podaci vam daju samopouzdanje. A to samopouzdanje smanjuje neizvesnost – ne zato što ste magično sve shvatili, već zato što se krećete. ... Može se sa sigurnošću pretpostaviti da će ubrzane promene ostati. Pametan potez je naučiti kako da jašete na tom talasu, pa čak i da uživate u njemu. Ovi dizajnerski saveti – i biološke realnosti kojima se bave – mogu pružiti veštine i perspektivu da to i učinite.