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.

AI počinje da preoblikuje odluke o radnoj snazi, ali se mnoge kompanije kreću brže nego što to dokazi opravdavaju. Rana otpuštanja vođena veštačkom inteligencijom često nisu donela očekivani povraćaj, otkrila su nedostatke u organizacionom znanju i stvorila nove zahteve za ljudskim nadzorom — navodeći neke poslodavce da promene kurs. Efikasniji pristup ne počinje sa ciljanim brojem zaposlenih, već sa samim radom: razlaganjem uloga na zadatke, identifikovanjem mesta gde AI može istinski da poboljša performanse i redizajniranjem procesa oko prave kombinacije ljudskih i tehnoloških sposobnosti. To takođe podrazumeva usklađivanje usvajanja veštačke inteligencije sa poslovnom strategijom, jačanje razumevanja tehnologije među liderima, očuvanje oblasti koje zavise od ljudskog rasuđivanja i odgovornosti, kao i postepeno uvođenje promena u radnoj snazi kako bi se prilagodilo razvoju AI mogućnosti.

Kako će tačno AI uticati na radnu snagu u kratkoročnom do srednjoročnom periodu i dalje je nejasno. Mnoge najave otpuštanja bolje se mogu razumeti kao „AI-washing“ (lažno pripisivanje veštačkoj inteligenciji): obične inicijative za restrukturiranje upakovane u AI rečnik kako bi se investitori uverili da lideri drže pod kontrolom predstojeće tehnološke promene. Goldman Sachs procenjuje da je AI smanjio mesečni rast broja zaposlenih u SAD za samo oko 16.000 radnih mesta tokom protekle godine, dodajući približno 0,1 procentni poen stopi nezaposlenosti — teret koji uključuje i usporavanje zapošljavanja, kao i direktno ukidanje radnih mesta. Ovi brojevi se lako mogu povećati, ali za sada smo znatno ranije u tom procesu nego što preovlađujući narativ sugeriše.

Međutim, činjenica da smo u ranoj fazi i da je obim otpuštanja manji nego što to medijski ciklus implicira, ne znači da su sva ova otpuštanja mudra. Mnoge kompanije već prave stvarne promene u radnoj snazi kao odgovor na AI — i često donose pogrešne odluke. Međunarodno istraživanje sprovedeno na 1.000 poslovnih lidera, objavljeno u aprilu 2025. godine, pokazalo je da je 55% kompanija koje su otpustile radnike zbog implementacije AI priznalo da je donelo pogrešne odluke u vezi sa kadrovima. U novijoj anketi sprovedenoj među 600 HR lidera koji su sproveli otpuštanja vođena veštačkom inteligencijom u periodu od 12 meseci do februara 2026. godine, samo 8,4% je izjavilo da je restrukturiranje dalo obećane rezultate i da bi ponovo postupili na isti način. Skupi preokreti se već dešavaju. Gartner predviđa da će polovina kompanija koje su smanjile broj zaposlenih u korisničkoj podršci zbog veštačke inteligencije ponovo zaposliti radnike. Forrester u međuvremenu očekuje da će polovina svih otpuštanja pripisanih veštačkoj inteligenciji biti poništena, iako bi zamenske pozicije mogle biti preseljene u inostranstvo ili ponuđene sa nižim platama.

Ovi podaci nisu izolovani slučajevi. Podržani su i drugim izveštajima koji ukazuju na isti pravac: kompanije često ne uspevaju da pravilno optimizuju broj zaposlenih uz pomoć veštačke inteligencije.

Problem nije samo u tome što se kompanije kreću prebrzo ili režu preduboko. Problem je u tome što mnoge pristupaju restrukturiranju podstaknutom veštačkom inteligencijom sa pogrešne polazne tačke: od broja zaposlenih, a ne od samog rada. Održiviji pristup počinje razumevanjem načina na koji AI menja pojedinačne zadatke i poslovne procese, a zatim redizajniranjem organizacije oko sposobnosti — ljudskih i tehnoloških — potrebnih za njihovo izvršavanje. Kao što ćemo tvrditi, to zahteva od kompanija da preispitaju kako definišu rad, povežu odluke o veštačkoj inteligenciji sa poslovnom strategijom, izgrade realno razumevanje onoga što tehnologija može i ne može da uradi, i očuvaju dovoljno fleksibilnosti da promene smer kako se razvijaju i tehnologija i dokazi.

Gde kompanije greše

Većina kompanija koje su već pokušale da sprovedu promene u radnoj snazi vođene veštačkom inteligencijom pravi jednu ili više grešaka iz prepoznatljivog skupa propusta.

Preuranjena otpuštanja. Mnoge kompanije restrukturiraju svoju radnu snagu na osnovu predviđanja i tržišnih narativa o budućim mogućnostima veštačke inteligencije, a ne na osnovu dokaza iz sopstvenih aktivnih implementacija. Nedavna anketa sprovedena među više od 1.000 globalnih direktora pokazala je da je samo 2% organizacija napravilo velika smanjenja broja zaposlenih na osnovu stvarne implementacije AI, dok je 60% otpustilo ljude ili smanjilo zapošljavanje uz izričitu vezu sa AI. Odluka kompanije Block da eliminiše skoro polovinu svoje radne snage u februaru 2026. godine najistaknutiji je primer: generalni direktor Džek Dorsi (Jack Dorsey) pripisao je rezove veštačkoj inteligenciji, ali ih je formulisao kao opkladu na to gde tehnologija ide, a ne na ono što bi tehnologija trenutno mogla da uradi za kompaniju. (Takođe je rekao da su neki od viškova bili rezultat prekomernog zapošljavanja usled pandemije.)

Otpuštanje bez razumevanja mogućnosti AI. Čak i kada kompanije pređu sa anticipacije na odluke ukorenjene u trenutnim implementacijama veštačke inteligencije, otpuštanja se često sprovode bez adekvatnog razumevanja mogućnosti i ograničenja AI u datom kontekstu. Čak 54% HR lidera izjavilo je da bi donelo bolje odluke uz informisanije razumevanje onoga što AI može da uradi. Skoro četvrtina je priznala da su odluke o otpuštanju donete bez prethodnog testiranja poslovnog slučaja. A 55% je reklo da se njihova otpuštanja nisu isplatila jer je AI zahtevao više ljudskog nadzora nego što se očekivalo.

Trovanje interne kulture. Istraživanje sprovedeno na 5.400 zaposlenih u SAD pokazalo je da angažovanost pada na 44% u organizacijama u kojima je došlo do otpuštanja (iz bilo kog razloga), u poređenju sa 51% ukupno, i da 58% zaposlenih koji nisu pogođeni otpuštanjima postaje sklonije traženju drugog posla. Predstavljanje rezova kao odgovora na pojavu veštačke inteligencije može narušiti psihološku sigurnost preostalih zaposlenih, vodeći ih ka pasivnosti na poslu i izbegavanju eksperimentisanja sa produktivnošću koju pruža AI. „AI-washing“ rizikuje da izazove istu kulturnu štetu bez pružanja bilo kakve stvarne transformacije.

Nedavna Gartnerova anketa pokazala je da je 80% kompanija smanjilo svoju radnu snagu prilikom implementacije novih „autonomnih poslovnih sposobnosti“, ali da nije bilo korelacije između manjeg broja zaposlenih i povrata investicija. Sve dok organizacije ne budu merile uspeh kvalitetom odluka, organizacionom sposobnošću i učenjem, umesto uštedama na troškovima i broju zaposlenih, nastaviće da prave iste greške.

Vodič za optimizaciju broja zaposlenih

Nijedna organizacija još uvek nije u potpunosti savladala optimizaciju radne snage u eri veštačke inteligencije, a kompanije koje najozbiljnije eksperimentišu sa novim modelima radne snage i same posluju pod znatnom neizvesnošću. Ali njihovi pristupi, posmatrani zajedno, ukazuju na disciplinovaniji način donošenja ovih odluka — onaj koji zamenjuje ciljeve o smanjenju broja zaposlenih nametnute od vrha detaljnijim ispitivanjem načina na koji se posao obavlja, mesta gde AI može istinski da stvori vrednost i gde ljudske sposobnosti ostaju suštinske. Sledeći principi nude okvir za postizanje tog cilja.

Redefinišite jedinicu rada.

Kada organizacije započnu proces optimizacije broja zaposlenih, obično postavljaju ciljeve za broj radnih mesta koja treba ukinuti, sa ciljem da zamene osnovnu funkciju ljudske uloge alternativom zasnovanom na veštačkoj inteligenciji. Ali većina poslova „belih okovratnika“ uključuje višestruke zadatke. Radnici na svim nivoima obično komuniciraju, sarađuju i donose one vrste procena koje je teško svesti na algoritamske funkcije.

Ukidanje uloga umesto zadataka često će značiti da će AI zamena moći da obavlja samo najvidljivije delove posla. Organizacija će se naći u situaciji da mora ponovo da zaposli ljude, bilo kako bi popunila novonastale uloge koje pokrivaju novootkrivene praznine, ili da popuni staru ulogu kada vidljivi deo posla ne može da funkcioniše bez onih nevidljivih delova.

Razmere ovog neuspeha vide se u podacima iz ankete: jedan od tri HR lidera prijavio je gubitak kritičnih veština i stručnosti zajedno sa otpuštenim zaposlenima. Nemogućnost predviđanja ovog gubitka govori nam nešto važno: organizacije koje nisu znale koje veštine gube nikada nisu u potpunosti razumele šta su ukinute uloge zapravo radile. Zbog toga je od suštinskog značaja razložiti uloge na njihove sastavne zadatke i razumeti koje aktivnosti u celokupnom poslovnom procesu mogu biti zamenjene veštačkom inteligencijom, a koje ne. Tek tada je moguće odrediti kako nova radna snaga treba da izgleda. Plan smanjenja broja zaposlenih se tek tada može osmisliti tako da se osigura da radni tokovi ne budu poremećeni.

Pristup kompanije Citigroup, koji cilja specifične procese radi poboljšanja, primer je ovoga u praksi. Banka je počela sa početnom listom od 50 procesa označenih za veću automatizaciju. Umesto da pođe od ciljanog smanjenja broja zaposlenih, Citi je identifikovao gde tehnologija i redizajn procesa mogu promeniti rad, i na osnovu toga donosio kadrovske odluke. Analiza je bila na prvom mestu; restrukturiranje je usledilo.

Razvijte poslovnu strategiju, a ne AI strategiju.

Pitanje „Šta AI može da uradi da smanji naš broj zaposlenih?“ polazi sa pogrešnog mesta, tretirajući veštačku inteligenciju kao izolovani alat za smanjenje troškova koji je odsečen od šire strategije poslovanja. Umesto toga, preduzeća bi trebalo da tretiraju AI kao integralni deo opšteg skupa sposobnosti koje su im na raspolaganju za ostvarivanje svojih ciljeva, a zatim da odrede optimalnu kombinaciju veštačke inteligencije i ljudskih resursa potrebnih za njihovo postizanje. Ponekad će odgovor nalagati direktno smanjenje broja zaposlenih i troškova. Ali u drugim slučajevima, resursi oslobođeni pomoću veštačke inteligencije najbolje se mogu iskoristiti zapošljavanjem većeg broja ljudi u oblastima u kojima ljudsko angažovanje stvara vrednost koju AI ne može, ili preusmeravanjem napora postojećeg osoblja na druge zadatke.

Preraspoređivanje osoblja nije besplatno; obično zahteva značajna ulaganja u prekvalifikaciju, zadržavanje institucionalnog znanja i podršku kulturi i moralu kompanije. Međutim, Fortune izveštava da je Walmart stavio ulog na to da će preraspoređivanje biti bolja investicija nego zapošljavanje zamena ili potpuno prepuštanje posla veštačkoj inteligenciji: kompanija je uložila skoro milijardu dolara u AI obuku za svojih 1,6 miliona zaposlenih u SAD, a izvršni direktor Džon Farner (John Furner) očekuje da će kompanija „imati približno isti broj ljudi koji imamo danas“ za tri do pet godina.

Strategija banke JPMorgan Chase pruža primer ovakvog pristupa. Umesto da počne sa ciljem korišćenja veštačke inteligencije za smanjenje broja zaposlenih, banka je počela sagledavanjem kako najefikasnije prerasporediti kadrovske resurse koji su oslobođeni efikasnošću stvorenom implementacijom veštačke inteligencije. To je dovelo do smanjenja u nekim oblastima radne snage i povećanja u drugim. Na primer, prema izveštaju CNBC-ja, dok su uloge u operacijama smanjene za 4%, a uloge podrške za 2%, timovi usmereni ka klijentima i oni koji generišu prihode prošireni su za 4%. Ukupan broj zaposlenih u kompaniji ostao je stabilan na nešto više od 300.000. Održavanje stabilnog broja zaposlenih ne bi trebalo da bude poslovni cilj sam po sebi. Umesto toga, ukupan broj osoblja treba da odgovara potrebama koherentne poslovne strategije koja angažuje ljude i AI za stvaranje vrednosti tamo gde je to prikladno. U slučaju JPMorgan Chase-a, generalni direktor Džejmi Dajmon (Jamie Dimon) očekuje da će ukupan broj zaposlenih opasti u narednih pet godina.

Razumite šta AI može da uradi.

Lideri moraju bez odlaganja da steknu znanje o veštačkoj inteligenciji. To znači razumevanje tehničkih mogućnosti ove tehnologije u dovoljnoj dubini kako bi donosili informisane odluke o potencijalnim implementacijama u jedinstvenom kontekstu sopstvene organizacije.

Istraživanje iz 2023. godine, sprovedeno na hiljadama članova upravnih odbora, pokazalo je da je samo 8% izjavilo da poseduje značajan nivo konceptualnog znanja u pogledu bilo koje dimenzije AI tehnologije. Noviji dokazi sugerišu da kompetentnost na najvišim nivoima raste, ali veoma sporo. Gartnerova anketa iz 2025. godine sprovedena među 456 generalnih direktora pokazuje da izvršni direktori nisu uvereni u AI kompetencije svojih viših rukovodećih timova, pri čemu samo 44% smatra čak i sopstvene direktore informacionih tehnologija (CIO) upućenim u AI. Na nivou upravnih odbora, broj članova koji iskazuju ekspertizu u oblasti veštačke inteligencije porastao je sa tek 1,5% na svega 2,7%.

Kada lideri ne razumeju šta AI može da uradi, oni ili delegiraju odluke o radnoj snazi tehničkim timovima kojima nedostaje poslovni kontekst da bi ih doneli kvalitetno, ili sami donose te odluke na osnovu pogrešnih pretpostavki.

Neke organizacije preduzimaju konkretne korake da premoste ovaj jaz. Pre razvoja svoje strategije generativne veštačke inteligencije, Schneider Electric je održao 56 radionica tokom četiri nedelje, okupivši stručnjake za AI zajedno sa rukovodiocima iz 15 funkcija, utemeljujući AI pismenost u specifičnim poslovnim kontekstima umesto u apstraktnim obukama. Druge ulažu u tradicionalnije programe obuke za pismenost u domenu veštačke inteligencije: UBS je, na primer, poslao više lidere u Saïd Business School na Univerzitetu u Oksfordu na program „AI Senior Leadership Journey“, dok je IKEA postavila početni cilj obuke za AI pismenost za 500 lidera, cilj koji je u međuvremenu proširen. Pristupi poput ovih preduslov su za onu vrstu analize na nivou zadataka koju zahteva odgovorna optimizacija radne snage.

Razumite šta AI ne može da uradi.

Iako je tačno da su neki nedostaci veštačke inteligencije samo ograničenja trenutnih modela, vrlo je verovatno da će određene granice opstati. Neke funkcije su inherentno ljudske jer zahtevaju moralno delovanje i odgovornost. Izbor vrednosti, vršenje etičke procene, kontekstualizacija odluka unutar međuljudskih odnosa i institucionalne istorije, kao i prepoznavanje trenutka kada treba poništiti preporuku, nisu zadaci koji se mogu poveriti algoritmima, ma koliko oni bili sofisticirani. Razumevanje gde leže ove granice pre eliminisanja ljudskih uloga od suštinskog je značaja kako bi se izbegle odluke koje će kasnije morati da se ponište.

U većini organizacija, funkcije odgovornosti vrše menadžeri srednjeg nivoa. Ovi pojedinci povezuju strategiju i izvršenje, preuzimaju odgovornost za odluke o implementaciji i služe kao savest organizacije, nadgledajući jaz između onoga što rukovodstvo namerava i onoga što se dešava na terenu. Kao što smo tvrdili na drugom mestu, automatizacija ovog sloja uništava kritičnu etičku infrastrukturu koju organizacije sebi ne mogu priuštiti da izgube. Ipak, istraživanje kompanije Korn Ferry iz 2025. godine pokazalo je da je 41% kompanija već smanjilo menadžerske slojeve (delimično zbog veštačke inteligencije).

Važnost srednjeg menadžmenta i drugih ljudskih zadataka ilustruju gore navedeni nalazi istraživanja da mnoge kompanije potcenjuju potrebu za ljudskim nadzorom. One otkrivaju da je sposobnost nadzora koja im je bila potrebna bila upravo ona sposobnost rasuđivanja i prevođenja koju su uklanjale.

Dizajniranje rada za reverzibilnost

Kada se uloge ukinu i iskusni zaposleni odu, oni sa sobom odnose institucionalno znanje, radne odnose i kontekstualno razumevanje koje nije lako zameniti. Ponovno zapošljavanje nije samo suprotnost otpuštanju — ono je sporije, skuplje, a zamena retko donosi istu dubinu organizacionog razumevanja. S obzirom na brzinu kojom se mogućnosti veštačke inteligencije razvijaju i neizvesnost u pogledu toga koji će oblici restrukturiranja funkcionisati, a koji ne, organizacijama su potrebne strukture radne snage koje mogu da se prilagode kako se slika menja. To znači korišćenje prirodnog odliva i internog preraspoređivanja pre pribegavanja otpuštanjima, fazno uvođenje rezova umesto sprovođenja u jednom talasu, kao i tretiranje reverzibilnosti kao kriterijuma dizajna, a ne kao naknadne pameti.

Pristup kompanije Citigroup ilustruje kako fazno, reverzibilno restrukturiranje izgleda u praksi. Banka je započela svoju transformaciju 2022. godine, i ona još uvek traje u 2026. godini. Iako je glavni fokus transformacije uvek bio na većoj količini zajedničkih globalnih podataka i agresivnom usvajanju tehnologije (uključujući mašinsko učenje i blokčejn), Citi je mudro uvrstio generativnu veštačku inteligenciju u svoje planove 2023. godine. Njeni ciljevi u pogledu broja zaposlenih su ambiciozni — početkom 2024. najavila je planove da smanji do jedne petine svoje radne snage tokom tri godine, uz smanjenje troškova za 2,5 milijardi dolara — ali ona rezove sprovodi relativno sporo. Do sada je smanjila oko 15.000 zaposlenih sa početne osnove od 240.000.

Citi takođe smanjuje svoje oslanjanje na spoljne saradnike. Otprilike polovina tehničke radne snage kompanije, koja broji 50.000 ljudi, bili su spoljni saradnici kada je inicijativa započela, a njen cilj tokom transformacije je da taj udeo smanji na 20%. Citi se trudi da popuni otvorene pozicije postojećim zaposlenima kad god je to moguće, pri čemu oko 50% otvorenih radnih mesta popunjava postojeće osoblje.

. . .

Organizacije koje će uspešno proći kroz tranziciju ka veštačkoj inteligenciji tretiraće optimizaciju veličine organizacije kao vežbu dizajniranja sposobnosti, a ne kao napor za smanjenje troškova — razlažući rad pre nego što otpuste ljude, ugrađujući AI u širu poslovnu strategiju i ulažući u razumevanje kako snage tehnologije, tako i njenih granica. Ako je merilo uspeha smanjenje broja zaposlenih, rezultat će biti organizacije koje su manje, ali ne i pametnije.

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.

Napredna veštačka inteligencija (AI) omogućava prenos stručnosti od ljudi ka mašinama i nazad ljudima kao nikada ranije. Ovaj članak ispituje tri slučaja u kojima se to dogodilo i predlaže kako bi ovi tehnološki napreci mogli poboljšati efikasnost donošenja odluka i unaprediti konkurentnost. Kompanije uključuju firmu za rizični kapital koja želi da unapredi početnu procenu investicionih prilika, kompaniju za satelitsku analizu podataka koja procenjuje kreditne rizike malih poljoprivrednika, i istraživačko-razvojnu jedinicu australijske kompanije koja želi da unapredi veštine rešavanja problema svojih zaposlenih.

Možda niste čuli za stručne sisteme, ali oni su već u upotrebi u mnogim oblastima, uključujući dijagnostiku grešaka, finansije i medicinu. U veštačkoj inteligenciji (AI), stručni sistem je kompjuterski program koji oponaša sposobnosti donošenja odluka ljudskog stručnjaka. Ovi sistemi su razvijeni da rešavaju složene probleme zaključivanjem kroz opsežne baze znanja, koristeći uglavnom pravila tipa "ako-onda" umesto tradicionalnog proceduralnog programiranja.

Međutim, do nedavno nisu ostvarili širok uticaj na donošenje menadžerskih odluka. Jedan od razloga je što su menadžerski konteksti mnogo promenljiviji nego u drugim aplikacijama. Sada, zbog promena u tehnologiji i AI-u, stručni sistemi postaju sve moćniji. Oni mogu zabeležiti stvarnu ljudsku stručnost uz nivo fleksibilnosti i prilagodljivosti koji je potreban.

Ovde objašnjavamo kako napredna AI omogućava prenos stručnosti od ljudi ka mašinama i nazad ljudima kao nikada ranije. Ispitujemo tri slučaja u kojima se to dogodilo i predlažemo kako bi ovi tehnološki napreci mogli poboljšati efikasnost vašeg strateškog donošenja odluka i unaprediti konkurentnost.

Procena investicionih prilika sa visokim povratom

Jedna nemačka firma za rizični kapital, koju ćemo nazvati Bavaria Ventures, uvek traži finansijski atraktivne startape. Međutim, kako objašnjava Josef, jedan od poslovnih partnera, „Videli smo dvocifreni rast u broju prijava koje primamo po analitičaru.“ Ovo je stavilo pritisak na kompaniju jer proces donošenja odluka uključuje proveru svake prijave. „To je i vremenski zahtevno i složeno,“ nastavlja Josef, „potrebno je uzeti u obzir brojne kontekstualne faktore, a lično prosuđivanje zasnovano na iskustvu igra ogromnu ulogu. Ali ogroman broj prijava znači da moramo delegirati prvu procenu mlađim analitičarima.“

Šta je kompanija uradila: Bavaria Ventures je želela brže i tačnije procene startapa zasnovane na onome što su njihovi glavni partneri smatrali najperspektivnijim. Umesto da nastave obučavanje mlađih analitičara sa nadom da će preneti šablon donošenja odluka kompanije na tačne procene, Bavaria Ventures se okrenula stvaranju hibridnog stručnog sistema koji je nazvan AI-4-VC.

„Prvi korak,“ kaže Josef, „bio je da se obratimo univerzitetu za pomoć u razvoju rešenja koje bi olakšalo brže i tačnije rangiranje prijava startapa.“ Ovaj alat je dizajniran da oponaša način na koji je iskusni menadžerski partner Bavaria Ventures procenjivao privlačnost startapa u prvoj rundi.

Prema Josefu, alat je razvijen kombinacijom mašinskog učenja (specifično, algoritma „random forest“ koji koristi odluke zasnovane na drveću za pravljenje predikcija) i dubokog učenja u obliku obrade prirodnog jezika. On objašnjava kako funkcioniše: „Rešenje rangira prijave prema tome koliko se poklapaju sa onim što tražimo. Viši analitičar povremeno pregleda rezultate da vidi da li želi da poništi algoritam. Ako viši analitičar to učini, algoritam uzima u obzir promene i prilagođava težinu kriterijuma. Stručni sistem implementira bilo kakve promene u preferencijama među menadžerskim partnerima gotovo u stvarnom vremenu.“

Rezultati: Posle određenog vremena, AI-4-VC je zamenio neke od mlađih analitičara i minimizovao vreme provedeno na prijavama koje nisu bile u skladu s potrebama. Ovo je omogućilo Bavaria Ventures da brže odgovori na prijave startapa sa najvećim potencijalom. Takođe su otkrili da je njihov AI-4-VC alat bio tačan čak i sa relativno malim skupovima podataka prijava.

Kako to sami da uradite: Profesionalac sa osnovnim znanjem mašinskog učenja može sastaviti sistem poput ovog. Velike tehnološke kompanije sada nude platforme koje olakšavaju kombinovanje mašinskog učenja sa obradom prirodnog jezika (NLP) za izgradnju vlastitog stručnog sistema. Ako tražite fleksibilnost i skalabilnost, platforme poput Google Cloud AI Platform, Amazon SageMaker ili Azure Machine Learning su odlične opcije. Za brže prototipove ili ako se fokusirate na NLP, alati poput Hugging Face ili Colab su verovatno bolja opcija.

Suočavanje sa prekomernim zahtevima klijenata

Jedna indijska kompanija za satelitsku analizu podataka, koju ćemo nazvati Sat Vista Analytics, nudi „inteligenciju za donošenje odluka iz svemira.“ Kako Rohan, direktor tehnologije kompanije opisuje, „Mi pružamo rezultate za banke kako bi procenile moguće kredite malim poljoprivrednicima, razumevajući koliko svaki poljoprivrednik može da zaradi. Takođe pomažemo agribiznisima da uspostave ugovore i postave cene svojih proizvoda [kakao, pirinač, pšenica] na osnovu očekivanih prinosima useva.“

Međutim, Sat Vista Analytics se borila sa preopterećenjem od broja analiza koje su zahtevali njihovi klijenti. Ove analize su zahtevale od kompanije da njeni specijalisti za daljinsku detekciju podataka obavljaju brojne zadatke, od predobrade podataka i analize spektralnih potpisivanja do interpretacije indeksa vegetacije.

Šta je kompanija uradila: Izvršni tim kompanije je analizirao situaciju i odlučio da klasična automatizacija procesa zasnovana na fiksnim pravilima neće funkcionisati. Tako je, kako Rohan objašnjava, „odlučeno da kreiramo ‘analitičke avatare’“, koji su AI zasnovani klonovi njihovih najboljih stručnjaka. Ovo je uključivalo praćenje praksi analize podataka najboljih specijalista za daljinsku detekciju podataka i pretvaranje tih obrazaca ponašanja u skup pravila (algoritama).

Ali ključno je bilo da su algoritmi zasnovani na posmatranju odluka specijalista o obradi podataka, a ne na pravilima koje su specijalisti sami pružili. Rohan je objasnio kako ovo funkcioniše: „Umesto da pitamo svakog specijalistu o njihovim preferiranim načinima obrade, analize i interpretacije satelitskih podataka kako bi se napravio skup preporuka, mi smo pratili šta je svaki specijalista zapravo radio sa različitim skupovima podataka.“ Analitički avatar je počeo sa jednostavnim pristupom zasnovanim na mašinskom učenju i nastavio da postaje složeniji kako su prikupljani podaci o ponašanju specijalista.

Rezultati: Danas, analitički avatare mogu imitirati ponašanje specijalista pri obradi podataka najboljih stručnjaka na nivou preciznosti, podsećanja i tačnosti koji zadovoljavaju većinu jednostavnih zahteva. Ovo je omogućilo ljudskim specijalistima da se fokusiraju na nove ili složenije zadatke. Štaviše, neiskusni specijalisti koji su tek došli u kompaniju sa univerziteta mogu da nauče najbolje prakse kompanije bez ometanja ljudskih stručnjaka.

Kako to sami da uradite: Potražite postojeće AI platforme koje omogućavaju AI modelima da automatski zabeleže i repliciraju obrasce donošenja odluka stručnjaka kroz posmatranje. Vaša idealna platforma treba da podrži kontinuirano učenje i obrada podataka u realnom vremenu. Ovo će omogućiti vašem AI sistemu da se razvija kako se prikupljaju novi podaci, omogućavajući inteligentno donošenje odluka zasnovano na ponašanju stručnjaka bez oslanjanja na unapred definisana pravila.

Unapređenje R&D veština za konkurentsku prednost

Jedna australijska kompanija, koju ćemo nazvati Be Smarter, želela je da poboljša veštine rešavanja problema svojih R&D zaposlenih kako bi poboljšala konkurentnost. Razmatrali su razvijanje online trening kurseva za unapređenje veština svojih zaposlenih u oblasti istraživanja i razvoja i metodama rešavanja problema.

Šta je kompanija uradila: Be Smarter je primenila fleksibilniji pristup. Ovo je uključivalo AI agente, pri čemu je svaki agent predstavljao specifičnu vrstu stručnosti. Kako Leo, šef R&D, objašnjava, „Agenti mogu da interpretiraju i generišu ljudski tekst kako bi obavljali širok spektar funkcija, kao što su objašnjavanje koncepata, odgovaranje na pitanja ili davanje specifičnih preporuka.“ Agent je fleksibilan i može isporučivati module kada zaposleni to zatraži ili preskočiti sadržaj kada nije potreban.

R&D zaposleni mogu koristiti različite agente kao asistente kako bi im pomogli da na problem gledaju iz neobičnog ugla. Leo je naveo slučaj u kojem „R&D zaposleni koji se suočava sa tehnološkim izazovom može da izabere više AI agenata kako bi im pomogao sa tehničkim objašnjenjem, novim pogledom ili uputstvima o tome kako da reše problem iz drugog ugla.“

Rezultati: AI agenti su pomogli R&D zaposlenima da pristupe najpogodnijim tehnološkim ili metodološkim ekspertizama kada je to bilo potrebno. Ovo se zasniva na preporukama njihovih kolega koji su ocenili koji agenti su najkorisniji za koji tip problema – preporučivački sistem. Ovo je smanjilo lične troškove obuke i povećalo efikasnost ponuđene podrške.

Kako to sami da uradite: Ako želite da unapredite svoje sposobnosti rešavanja problema, razmislite o implementaciji AI agenata koji predstavljaju specifične oblasti stručnosti. Pregledajte sve veću ponudu AI platformi za kreiranje agentnih sistema koji mogu da obrade složene upite i interaguju sa korisnicima kao da ih vodi ljudski stručnjak. Fokusirajte se na kreiranje fleksibilnog sistema u kojem zaposleni mogu izabrati agente koji su prilagođeni njihovim trenutnim potrebama, omogućavajući personalizovano učenje i pomoć.

. . .

Danas možete integrisati naprednu AI tehnologiju kako biste transformisali način na koji se stručnost prenosi i koristi unutar vaše organizacije. AI agenti sada mogu podržati dinamične sisteme donošenja odluka koji se prilagođavaju gotovo u stvarnom vremenu, pružajući vam veću fleksibilnost i brzinu u strateškom donošenju odluka.

Umesto da se oslanjate na statične stručne sisteme, obezbedite da vaši algoritmi za podršku donošenju odluka budu dizajnirani da se kontinuirano ažuriraju kroz povratne informacije. Ovo vam omogućava da ostanete agilni i donosíte bolje informisane odluke kako se uslovi menjaju. Lepota napredne AI je njena fleksibilnost da uključi promene odmah.

Kako AI nastavlja da se razvija, trebate proaktivno istraživati kako se ovi napreci mogu integrisati u vaše procese strateškog donošenja odluka. Ovo će vam pomoći da podstaknete inovacije i obezbedite da vaš biznis ostane konkurentan u brzo promenljivom okruženju.

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

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

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

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

Razlike između Lean startapa i preduzetništva obilja

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

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

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

Zašto sada: Rekonfiguracija ograničenja

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

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

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

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

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

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

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

Izazovi obilja

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

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

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

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

Stručnost je i dalje važna

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

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

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

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

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

Implikacije za preduzetnike i etablirane kompanije

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

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

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

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

Oblasti u kojima je AI već prevazišao ljudske sposobnosti

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

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

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

Oblasti gde ljudi i dalje imaju prednost nad AI

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

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

1. Emocije

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

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

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

2. Kompleksnost

Svet je i dalje previše složen za AI.

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

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

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

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

3. Fizička prisutnost

Gen AI ne može direktno da interaguje s fizičkim svetom.

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

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

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

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

4. Kreativnost

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

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

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

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

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

Kako ljudi i AI mogu međusobno da se dopunjuju

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

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

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

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

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

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

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

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

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

Paradoks originalnog prosuđivanja

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

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

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

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

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

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

Strukturisana radoznalost

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

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

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

Prikupljajte sa margina.

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

Povežite raznorodne signale.

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

Odložite prerano donošenje zaključaka.

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

Podstaknite alternativna tumačenja.

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

Organizovanje za strukturisanu radoznalost.

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

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

Svesno neslaganje

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

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

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

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

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

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

Regrutujte nezavisne perspektive.

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

Uključite se kroz strukturisano preispitivanje.

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

Dijalog koji se održava tokom vremena.

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

Organizovanje za svesno neslaganje

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

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

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

Vođenje izvan ere povinovanja

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

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.