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.

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.

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.

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

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

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

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

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

Problem sa pretpostavkom da će veštačka inteligencija popraviti inovacije

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

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

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

Ideacija: Preterano fiksiranje na tipično.

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

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

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

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

Selekcija: Pristrasnost prema „doteranijim“ idejama jezičkih modela.

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

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

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

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

Uvid u potrošače: Brže istraživanje, manje autentični odgovori.

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

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

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

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

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

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

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

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

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

Glavni zaključci

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

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

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

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

. . .

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

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

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

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

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

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

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

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

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

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

1. Otkrijte procese koji su automatizovani samo na papiru

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

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

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

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

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

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

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

3. Primenite metrike koje dokazuju stvaran povrat ulaganja

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

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

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

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

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

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

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

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

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

Izgradite budućnost u središtu poslovanja

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

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

Agentski AI (engl. agentic AI) briše tradicionalne granice između marketinga i prodaje, čak i dok većina kompanija nastavlja da primenjuje ovu tehnologiju odvojeno unutar svake funkcije. Takav pristup propušta priliku da se stvori integrisanije korisničko putovanje, u kojem deljeni podaci i AI agenti omogućavaju marketinškim i prodajnim aktivnostima da funkcionišu kao neprekidna petlja. Kompanije koje žele da iskoriste pune prednosti moraće da preispitaju ne samo svoju tehnologiju, već i svoje radne tokove, metriku, podsticaje i organizacione odgovornosti.

Godinama unazad, usklađivanje marketinga i prodaje bilo je jedan od najpostojanijih prioriteta komercijalnog rukovodstva — i jedan od najtežih za postizanje. Agentski AI to menja.

Većina organizacija, međutim, i dalje pristupa AI transformaciji funkciju po funkciju, ugrađujući je zasebno unutar marketinga i unutar prodaje, umesto kroz sistem koji ih povezuje.

Polazna tačka je jednostavna, ali često zanemarena istina: kupci ne prave razliku između to dvoje. Svaka tačka kontakta, bez obzira na to koja je funkcija interno poseduje, doživljava se kao deo jednog jedinstvenog odnosa. Organizacije koje dizajniraju oko te realnosti, a ne oko sopstvenih organizacionih šema, grade model izlaska na tržište zatvorene petlje u kojem ove dve funkcije efektivno deluju kao jedna. To je naš savet kompanijama, zasnovan na više od 100 godina našeg zajedničkog iskustva u modernizaciji prodajnih i marketinških organizacija svih veličina.

Kupci očekuju dosledna iskustva

Kupovna putovanja više ne prate linearnu putanju. Kupci istražuju, procenjuju i donose odluke kroz sve širi skup tačaka kontakta, često se vraćajući unazad ili pauzirajući pre nego što krenu napred. Istraživanje kompanije McKinsey pokazuje da više od 80% potrošača koristi više kanala za istraživanje ili kupovinu proizvoda, a B2B kupci sada tokom tipičnog putovanja ostvaruju kontakt preko deset kanala interakcije — što je dvostruko više nego pre manje od jedne decenije.

Ove promene podižu lestvicu za egzekuciju. Relevantnost sada zavisi od razumevanja namere kroz sve kanale, održavanja konteksta kroz interakcije i reagovanja dovoljno brzo da bi to imalo značaja. Kada marketing i prodaja funkcionišu na odvojenim skupovima podataka i nepovezanim sistemima, putovanje kupca je prekinuto, a iskustvo trpi. Iza personalizovane marketinške kampanje može uslediti prodajno obraćanje podržano veštačkom inteligencijom, vođeno drugačijim podacima, drugačijim pretpostavkama i drugačijim tajmingom. Svaka funkcija može imati dobre rezultate u odnosu na sopstvene metrike, dok zajednički pružaju fragmentisano iskustvo.

Cena te fragmentacije je merljiva: McKinsey-jeva anketa „B2B Pulse“ za 2026. godinu otkriva da kupci navode nedosledne informacije među različitim timovima kao glavni razlog za promenu dobavljača.

Omnikanalna egzekucija postala je minimum neophodan za takmičenje na tržištu. Faktor diferencijacije sada je integracija. Isto istraživanje pokazuje da tržišni lideri imaju četiri puta veću verovatnoću da primene pravu personalizaciju „jedan na jedan“ i da su znatno dalje odmakli u ugrađivanju veštačke inteligencije u integrisane komercijalne radne tokove.

AI pruža argumente za integraciju

Agentski AI ubrzava konvergenciju koja je već u toku, pri čemu realizacija sve više obuhvata aktivnosti koje su nekada bile jasno razdvojene na marketing i prodaju. Prema McKinsey-jevom izveštaju „The State of AI“, najdosledniji rast prihoda od veštačke inteligencije koncentrisan je u marketingu i prodaji. Među organizacijama koje koriste AI u ovim funkcijama, 7% prijavljuje povećanje prihoda veće od 10%.

Ova konvergencija je najvidljivija tamo gde se usklađuju segmentacija kupaca i prodajno osnaživanje (engl. sales enablement), gde se pristup prilagođava kako se namera pojavljuje, a prodavci rade rame uz rame sa AI agentima koji održavaju kontekst naloga. Aktivnosti koje su se nekada sekvencijalno prenosile s tima na tim sve više funkcionišu u kontinuiranim petljama, sa signalima koji se tumače u realnom vremenu, akcijama usklađenim na svim kanalima i ishodima koji se direktno vraćaju nazad u sistem.

Kako realizacija postaje kontinuirana, menja se i odgovornost. Marketing i prodaja sve više dele odgovornost za kvalitet prodajnog levka (engl. pipeline quality), konverziju i vrednost za kupca. Prednost se umnožava samo kada obe funkcije doprinose istom sistemu podataka i crpe podatke iz njega.

Kako se vodeće organizacije prilagođavaju

Efekti na učinak su već vidljivi, kako u našim istraživanjima, tako i u našem radu sa kompanijama. Trajanje ciklusa se skraćuje jer se kreiranje kampanja i razvoj prodajnog nastupa smanjuju sa nedelja na minute. Stope konverzije se poboljšavaju kako interakcije postaju relevantnije za namere kupaca. Kvalitet prodajnog levka raste jer angažovanje postaje ciljanije i bolje informisano. Što je najvažnije, korisnička iskustva postaju doslednija jer se kontekst prenosi kroz interakcije umesto da se resetuje na svakoj fazi.

Razmotrimo primer jedne tehnološke kompanije sa liste Fortune 500 sa kojom smo radili, a koja je želela da se proširi na uglavnom netaknuti segment od više desetina hiljada komercijalnih korisnika, raspolažući malim prodajnim timom ograničenog kapaciteta. Dijagnostika je otkrila da su prodavci trošili previše vremena radeći na kontaktima sa malom verovatnoćom realizacije. Celovito (engl. end-to-end) AI rešenje obogatilo je potencijalne kontakte (engl. leads) različitim signalima (na primer, aktivnostima spajanja i preuzimanja), prioritizovalo kontakte sa najvećom verovatnoćom konverzije, pružilo relevantne obaveštajne podatke o nalozima i omogućilo kontaktiranje putem agentskog AI-ja. U roku od osam nedelja, rezultati u prodajnom levku bili su očigledni. Prodavci osnaženi veštačkom inteligencijom slali su pet puta više poruka potencijalnim kupcima, zadržavajući stope otvaranja, stope odgovora i stope zakazivanja sastanaka iz perioda pre uvođenja AI-ja. Pored toga, vreme pripreme prodavca za inicijalne pozive smanjeno je sa 1–2 sata na svega 10–15 minuta.

Vodeća globalna platforma za traženje posla sa kojom smo sarađivali nudi još jedan primer na strani prodaje. Kompanija očekuje da njen model prodaje podržan veštačkom inteligencijom generiše 30–60 miliona dolara dodatnog godišnjeg prihoda, doprinoseći ukupnom povećanju od 400–700 miliona dolara iz slučajeva upotrebe zasnovanih na AI agentima. Sistem koristi AI predstavnika za razvoj prodaje (SDR) koji identifikuje potencijalne klijente, generiše personalizovane poruke, vodi rane razgovore i predaje kvalifikovane kontakte prodavcima uz kompletan kontekst i naredne korake. Ono što čini ovaj model uspešnim nije sam agent, već zajednički podaci i koordinisana primopredaja u pozadini.

Ovi rezultati preoblikuju način na koji se timovi strukturiraju. Pojavljuje se nova uloga: inženjer za izlazak na tržište (engl. go-to-market engineer), koji je sve više odgovoran za osmišljavanje i upravljanje agentskim radnim tokovima koji premošćuju funkcije, usklađuju ponašanje agenata sa kupovnim putovanjem i osiguravaju kontinuitet u svim interakcijama. Ove sposobnosti jedva da su postojale pre nekoliko godina, a brzo postaju izvori konkurentske prednosti.

Kada se realizacija spaja, vlasništvo postaje jasnije

Ulozi su najveći kada AI agenti direktno komuniciraju sa kupcima. Kada različite funkcije samostalno grade i primenjuju agente usmerene ka korisnicima, ta koherentnost može da se naruši. Marketinški agenti, prodajni agenti i radni tokovi korisničke podrške mogu optimizovati svoje lokalne ciljeve, dok istovremeno nenamerno fragmentišu širi narativ kupca. Bez zajedničkih standarda i jasnog vlasništva, AI može jednako lako skalirati nedoslednost kao što skalira efikasnost.

Primer AI SDR-a na platformi za traženje posla ilustruje ovaj izazov. Agent kontinuirano tumači nameru, prilagođava komunikaciju i vodi razgovore napred sve dok ljudsko angažovanje ne pruži najveću vrednost. Tradicionalno, pozicija SDR-a se nalazi unutar prodaje. U agentskom modelu, međutim, ova uloga obuhvata i marketing i prodaju, kombinujući generisanje potražnje, personalizaciju i angažovanje u ranoj fazi u jedinstven, neprekidan radni tok. Standardi brenda i kontekst o kupcu prate agenta kroz svaki korak.

Model zatvorene petlje

Na osnovu onoga što primećujemo u našim istraživanjima i radu sa kompanijama, organizacije koje preuzimaju vođstvo redizajniraju marketing i prodaju kao jedinstven sistem. Umesto da samo nadograde AI na postojeće procese, one iznova promišljaju sam rad, prepoznajući gde se pojavljuju signali, gde se donose odluke i gde koordinacija popušta.

Uspeh zahteva dva ključna zaokreta. Prvi je tehnološki: zajednička osnova podataka o kupcima i koordinisani sistemi koji omogućavaju marketarima, prodavcima i AI agentima da deluju iz istog konteksta. Drugi je organizacioni: zajednički podsticaji i metrike koje mere ishode kroz celokupno putovanje kupca. Tradicionalne razlike između kontakata kvalifikovanih od strane marketinga i onih kvalifikovanih od strane prodaje ustupaju mesto merilima kvaliteta prodajnog levka, stopi konverzije i celokupnoj životnoj vrednosti kupca.

Kada se ovi elementi spoje, korisničko iskustvo se iz korena menja. Interakcije postaju kontinuirane umesto fragmentisane. Kontekst se prenosi dalje umesto da se resetuje u svakoj fazi. Ljudi i AI agenti sarađuju u zatvorenoj petlji gde se segmentacija razvija u realnom vremenu, nastup se usklađuje kroz kanale, ljudsko rasuđivanje oblikuje trenutke koji su najvažniji, a svaki uvid vodi ka sledećem koraku umesto da se poništava sa svakom novom kampanjom ili prodajnim ugovorom.

Za komercijalne lidere pitanje više nije da li ovaj model dolazi. Pitanje je da li njihova organizacija gradi ka njemu ili čeka dok fragmentacija ne postane konkurentski nedostatak. Za lidere spremne da testiraju sopstvenu organizaciju, prava pitanja obuhvataju tri oblasti:

Vizija i rezultati:

Da li je vaša AI transformacija za marketing i prodaju zajednička ili se radi o dva paralelna napora koja igrom slučaja koegzistiraju? Da li se marketing i prodaja mere u odnosu na zajedničku definiciju rasta — onu koja obuhvata kvalitet prodajnog levka, konverziju i životnu vrednost kupca?

Podaci i sistemi:

Da li vaš marketing i prodaja funkcionišu na osnovu zajedničkog uvida u kupca u realnom vremenu, ili na osnovu paralelnih skupova podataka koji više odražavaju interne granice nego realnost kupca? Kada agenti ili prodavci stupe u kontakt sa potencijalnim klijentom, imaju li potpun kontekst svake prethodne interakcije? Da li obe funkcije dele mapu puta za integrisani tehnološki sistem i infrastrukturu podataka?

Organizacija i sposobnosti:

Da li razvijate veštine i nove komercijalne profile koje koordinisani agentski model zahteva? Da li vaši marketari uče da usmeravaju AI sisteme koji zadiru u domen prodaje, a vaši prodavci uče da ostvaruju interakciju sa kupcima čiji su stavovi i očekivanja već oblikovani interakcijama vođenim veštačkom inteligencijom?

. . .

Tehnologija za izgradnju sistema za izlazak na tržište sa zatvorenom petljom više ne predstavlja prepreku. Prednost će pripasti organizacijama čiji lideri imaju mandat i disciplinu da dizajniraju procese oko kupca, a ne oko organizacione šeme.

Generativna veštačka inteligencija nije strateško proročanstvo kakvim je mnogi predstavljaju. Kao i svaki drugi oblik AI-a, ona je ogledalo koje reflektuje obrasce, trendove i odluke iz prošlosti. Ne može pouzdano otvoriti nove puteve niti generisati zaista inovativna rešenja, s obzirom na to da se oslanja na već postojeće podatke i naučene verovatnoće. Međutim, postoje tri načina na koja lideri mogu koristiti generativnu AI kako bi podržali donošenje odluka usmerenih ka budućnosti i time usmerili organizacije ka rastu i inovacijama: kao platformu za razmenu ideja, za istraživanje scenarija i kao alat za generisanje ideja. Da bi se AI efikasno koristila u donošenju strateških odluka, od ključne je važnosti da menadžeri i lideri razumeju ograničenja koja su inherentna načinu na koji ona generiše rezultate.

Veštačka inteligencija (AI) se pojavila kao transformativna sila koja preoblikuje poslovne pejzaže u različitim industrijama. Iako generativna AI predstavlja najnoviji proboj u ovoj oblasti tehnoloških inovacija, ona se izdvaja time što fundamentalno izaziva tradicionalne paradigme strateškog donošenja odluka. Za razliku od svojih prethodnika, ova tehnologija nudi neviđene sposobnosti u obradi jezika i generisanju sadržaja, omogućavajući organizacijama da sintetišu složene informacije, generišu nijansirane uvide i ubrzaju donošenje odluka sa zapanjujućom preciznošću i dubinom.

Ipak, postoji ključna zabluda ugrađena u ovu viziju: generativna AI jednostavno nije strateško proročanstvo kakvim je mnogi predstavljaju. Kao i svaki drugi AI, ona je ogledalo koje reflektuje obrasce, trendove i odluke iz prošlosti. Da bi se AI efikasno koristila u donošenju strateških odluka, od ključne je važnosti da menadžeri i lideri razumeju ograničenja načina na koji generiše rezultate.

Ograničenja

AI je izuzetno sposoban u prepoznavanju ustaljenih obrazaca i optimizaciji procesa na osnovu istorijskih podataka. U tome je ostvario značajan uticaj na poslovne odluke. Može podržati odluke o kreditima predviđanjem rizika od neplaćanja sa visokim stepenom preciznosti; sprečiti kvarove mašina pokretanjem održavanja opreme pre nego što se dogode; optimizovati odluke u lancu snabdevanja prilagođavajući se brzo promenljivim okolnostima; i lako sažimati sadržaj iz dokumenata. Generativna AI dodaje nove sposobnosti na ovu rastuću listu: nedavne studije pokazuju da AI već može da generiše i procenjuje poslovne planove na nivou ekvivalentnom ljudima.

S obzirom na napredak AI-a, istaknuti zagovornici — uključujući pokojnog Danijela Kanemana — čak su tvrdili da bi ljudi trebali biti zamenjeni algoritmima gde god je to moguće. Međutim, postoji greška u toj logici. Bez obzira na to koliko AI može postati sposobna, ona ne može pouzdano otvoriti nove puteve niti generisati zaista inovativna rešenja jer se oslanja na prethodno postojeće podatke i naučene verovatnoće.

Ovo se odnosi i na generativnu AI. Njeni rezultati su zasnovani na naučenim korelacijama iz prošlih podataka. U suštini, njen odgovor na bilo koji zadati upit je predikcija zasnovana na stohastičkim obrascima koje je AI videla tokom obuke. Kada ima mnogo podataka za obuku, ovo funkcioniše izuzetno dobro. Ali to takođe dovodi do dobro dokumentovanih problema kao što su halucinacije, nestabilnost odgovora na upite i problemi sa zastarelim znanjem.

Na primer, zamislite da generativnu AI pitate da odredi strateški pravac kompanije. Ona će, po pravilu, replicirati ono što je već videla u svojim podacima za obuku i ponoviti ustaljene obrasce koje je naučila. Ovo se može eksperimentalno pokazati. Ako se generativni AI sistemi uzastopno obučavaju na sopstvenim rezultatima, predikcija će se urušiti u roku od nekoliko iteracija. Razlog je taj što će AI pojačavati predikcije iz centra odgovarajućih distribucija koje je naučila — do tačke u kojoj njen izlaz postaje potpuno besmislen. Još zabrinjavajuće, ako dodate dodatni tekst koji je očigledno nerelevantan za originalni upit, njen izlaz će i dalje značajno opasti jer nije u stanju da razlikuje koje informacije u upitu su zaista relevantne.

AI sistemi mogu biti vrlo elokventni, ali nisu sposobni da razumeju kontekst niti da rezonuju. Njeni uvidi su zasnovani isključivo na korelacijama. Kao što diskutujemo u nedavnom radu, ljudi imaju ključnu prednost: možemo razvijati nove intuicije ili teorije i testirati ih u stvarnom svetu. Ovo je od suštinskog značaja za strateško donošenje odluka. Najbolje strategije često idu „protiv struje“ konvencionalne mudrosti. Kompanije poput Amazona, Southwest Airlinesa, Spotifyja, Tesle ili Airbnba uspele su izazivanjem — a ne jačanjem — ustaljenih obrazaca na svojim tržištima. AI može ponoviti ono što je u prošlosti funkcionisalo na osnovu svojih podataka za obuku. Ali ona nema način da gleda unapred. Na primer, u vreme braće Rajt, hipotetički AI sistem bi samo reflektovao naučni konsenzus tog vremena da je let ljudi u letelicama težim od vazduha nemoguć.

Iako AI ima svoja ograničenja, ona se ipak može koristiti na snažne načine. Korišćenjem računarskih sposobnosti AI-a za unapređenje ljudskog prosuđivanja, a ne za njegovo zamenjivanje, organizacije mogu iskoristiti njene prednosti dok se oslanjaju na ljudsku intuiciju, kreativnost i uzročno zaključivanje kako bi inovirale i predvodile u neistraženim teritorijama. Identifikovali smo tri načina na koja lideri mogu efikasno koristiti generativnu AI za podršku donošenju strateških odluka koje vode organizacije ka rastu i inovacijama.

1. Kao platforma za razmenu ideja

Jedna od ključnih karakteristika generativne AI je njena sposobnost da generiše detaljan sadržaj kao odgovor na jednostavna uputstva ili upite. Ovi upiti mogu biti oblikovani tako da AI usvaja različite „ličnosti“, poput segmenata kupaca, omogućavajući korišćenje AI-a kao platforme za razmenu ideja. AI se može upotrebiti za odgovaranje na pitanja iz različitih uglova ili tačaka gledišta, bez ograničenja u pogledu obima ili troškova. Ono što je ranije zahtevalo skupe i dugotrajne fokus grupe sa kupcima ili konsultantske projekte sada se može istraživati pomoću promišljeno osmišljenih upita. AI sistem postaje, na neki način, novi član tima — sposoban da savetuje o verovatnim odgovorima na postavljena pitanja. Promenom upita i persona, moguće je koristiti AI za generisanje širokog spektra verovatnih odgovora ili ishoda — na način koji je ranije zahtevao značajna sredstva i vreme.

Međutim, zbog inherentnih ograničenja načina na koji AI generiše sadržaj, lideri bi njene uvide trebalo da koriste kao osnovu za preispitivanje ustaljenih praksi, a ne za njihovu slepu validaciju. AI može biti platforma za strategiju, za istraživanje, izazivanje i proširenje ideja, ali ne sme postati odjek onoga što je već poznato.

2. Za istraživanje scenarija

Kada su suočeni sa određenim skupom strateških opcija, generativni AI sistem može pomoći u definisanju potencijalnih ishoda za svaku od njih. Upućivanjem AI-a da usvoji određeni scenario omogućava se strukturisano istraživanje „šta ako“ scenarija. Ti scenariji mogu biti tipični prediktivni scenariji koji koriste trenutno znanje za procenu verovatnih budućih situacija. S obzirom na opsežno znanje ugrađeno u podatke na kojima je generativna AI obučena, scenariji mogu uključivati i istraživačke scenarije koji koriste sadašnje trendove za procenu verovatnog nastavka tih trendova u budućnosti, kao i normativne scenarije koji skiciraju određenu viziju budućnosti i puteve za njeno ostvarenje.

Međutim, umesto da se AI posmatra kao konačni autoritet, donosioci odluka bi njene rezultate trebalo da tretiraju kao privremene uvide koji im omogućavaju da identifikuju nove obrasce koji izazivaju konvencionalno razmišljanje. Oni bi trebalo da istražuju šta možda nedostaje ili je pogrešno predstavljeno.

S obzirom na to da generativni AI sistemi bolje funkcionišu na manjim, užim zadacima, pri istraživanju složenih pitanja — onih koja su svojstvena kreiranju strategije — najbolje je razložiti scenarije od interesa na manje komponente i generisati odgovore za svaki aspekt, pre nego što se ti odgovori kombinuju u jedno rešenje.

3. Kao alat za generisanje ideja

Stvaranje novog sadržaja — tekstova, slika, video materijala i zvuka — postalo je zaštitni znak revolucije generativne AI. AI ovde ima dve prednosti: može brzo generisati sadržaj uz male troškove i može kombinovati različite modalitete, poput korišćenja tekstualnih upita za generisanje slika ili video materijala. Ova jedinstvena sposobnost čini je odličnim alatom za proveru novih ideja i podršku procesu razvoja proizvoda. U suštini, alati generativne AI pružaju mogućnost da se koristi kao digitalna platforma za skiciranje ideja koja prevazilazi sve modalitete: tekst, slike, video i zvuk.

Jedna stvar koju treba imati na umu je da AI može generisati sadržaj velikom brzinom. Međutim, ljudska sposobnost za proveru tog sadržaja je ograničena. Dakle, više nije uvek bolje. Umesto da generišete veliki broj nasumičnih izlaza, najbolje je biti direktivan i izabrati specifične aspekte koje želite istražiti. Nešto poput procesa identifikacije potencijalnih aktivnih jedinjenja u otkrivanju lekova, trik je da se počne sa širokim spektrom opcija, a zatim brzo suzi izbor eliminisanjem neperspektivnih kandidata.

Napredak: Pozicioniranje AI-a kao strateškog dodatka

Da bi generativna AI postala vredan deo donošenja strateških odluka i kreiranja strategije, viši menadžeri moraju je posmatrati kao moćan dodatak ljudskoj kogniciji. Ona je veoma pogodna za pružanje uvida zasnovanih na obrascima i generisanje novog sadržaja. Međutim, bez obzira na to koliko sposobna AI postane u budućnosti, ljudske prednosti — posebno u uzročnom zaključivanju i donošenju odluka usmerenih na budućnost — ostaće ključne za navigaciju kroz neizvesnost i stvaranje inovacija. Osnovni mehanizam svakog AI sistema je predikcija, koja mu omogućava da briljira u prepoznavanju prošlih ili postojećih trendova. Ipak, na ljudima je da zamisle potpuno nove pravce i postave strateške ciljeve koji prevazilaze granice poznatih podataka.

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.