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

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

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

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

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

Od generatora teksta do tržišnog simulatora

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

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

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

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

Ali postoje ograničenja — i ona su važna

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

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

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

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

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

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

Moć vlasničkih podataka

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

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

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

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

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

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

Troškovi, brzina i prošireni levak inovacija

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

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

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

Dopuna, a ne zamena

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

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

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

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

Budućnost istraživanja tržišta?

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

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

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

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.

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

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

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

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

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

Jaz u vrednosti veštačke inteligencije

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

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

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

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

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

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

Jednačina vrednosti veštačke inteligencije

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

Vrednost = Tehnologija x Usvajanje x Strateška usklađenost

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

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

Zanemareni faktor: Strategija

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

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

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

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

Uložite novac tamo gde je vaša vrednost

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

Konkretno, to znači preduzimanje četiri koraka:

Definišite svoje pokretače vrednosti.

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

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

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

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

Fokusirajte se na svoju poziciju u lancu vrednosti industrije.

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

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

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

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

Pronađite prilike u svom bilansu uspeha.

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

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

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

Definišite svoja merila finansijskog povraćaja.

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

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

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

Uticaj usidrenja veštačke inteligencije u strategiju

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

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

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

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

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

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

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

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

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

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

Paradoks originalnog prosuđivanja

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

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

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

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

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

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

Strukturisana radoznalost

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

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

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

Prikupljajte sa margina.

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

Povežite raznorodne signale.

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

Odložite prerano donošenje zaključaka.

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

Podstaknite alternativna tumačenja.

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

Organizovanje za strukturisanu radoznalost.

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

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

Svesno neslaganje

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

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

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

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

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

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

Regrutujte nezavisne perspektive.

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

Uključite se kroz strukturisano preispitivanje.

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

Dijalog koji se održava tokom vremena.

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

Organizovanje za svesno neslaganje

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

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

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

Vođenje izvan ere povinovanja

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

Veštačka inteligencija omogućava pojedincima sa skromnim tehničkim znanjem da razvijaju sofisticirane proizvode, što otvara pitanje da li saradnja među ljudima gubi na značaju. Međutim, zapažanja sa inovacionog takmičenja podržanog veštačkom inteligencijom ukazuju na sasvim suprotan zaključak. Dok AI ubrzava istraživanje, programiranje i izradu prototipa, timovi stvaraju najveću vrednost u fazama definisanja problema i osmišljavanja rešenja, gde različite perspektive pomažu u preispitivanju pretpostavki i usavršavanju ideja. Brzi prototipi postaju alati za učenje, a ne gotovi proizvodi, čineći debate konkretnijim i otkrivajući slabosti u ranoj fazi. Menadžeri bi trebalo da sačuvaju vreme za precizno formulisanje problema, koriste prototipe za unapređenje strateškog promišljanja umesto puke validacije rešenja i formiraju timove oko komplementarnih perspektiva, a ne uskih tehničkih specijalnosti. Kako AI komoditizuje operativno izvođenje, konkurentska prednost sve više leži u odluci šta vredi graditi i zašto.

AI alati su postali dovoljno moćni da koncept samostalnog osnivača kompanije učine izvodljivim, omogućavajući inovatorima bez inženjerskog predznanja da razviju funkcionalne proizvode. Ovaj koncept se ne primenjuje samo u startapima već i u velikim korporacijama kako usvajanje veštačke inteligencije raste. Tehnologija je automatizovala i standardizovala izvršenje duž celog ciklusa inovacija: menadžeri proizvoda grade radne prototipe bez napisanog reda koda, dok programeri znatno brže razvijaju softver, sprovode testiranja, pišu dokumentaciju i upravljaju podacima.

To nameće ključno pitanje: postoji li i dalje trajna uloga i vrednost timske saradnje? Ako se osnovna jedinica rada pomera sa „tima“ na „pojedinca osnaženog veštačkom inteligencijom“, to donosi suštinske promene u načinu na koji se organizujemo, zapošljavamo i procenjujemo nečiji doprinos na poslu. Reč je o temi koja prevazilazi jednostavnu raspravu o produktivnosti.

Ovo pitanje je istraženo tokom nedavnog inovacionog maratona (buildathon) sa studentima poslovne škole NYU Stern. Timovima mešovitih profila omogućen je pristup zajedničkim AI alatima sa zadatkom da reše složene probleme iz stvarnog sveta u roku od samo jednog dana. Cilj je bio da se ispita kako učesnici integrišu veštačku inteligenciju tokom divergentne faze osmišljavanja ideja i konvergentnog donošenja odluka, kao i koji delovi inovacionog ciklusa i dalje imaju najviše koristi od timskog rada.

Osam timova, stvarni problemi, jedan dan

Trideset tri studenta imala su šest sati da kreiraju rešenja za neke od najtežih izazova Njujorka, uključujući pristupačnost osnovnih namirnica, pravičnost u javnom prevozu, bezbednost biciklističkih staza i dostupnost brige o deci. Reč je o složenim problemima sa mnogo promenljivih, gde je čak i definisanje uspeha izuzetno zahtevno.

Učesnici su nasumično raspoređeni u timove od po četiri ili pet članova i svi su dobili iste alate. Koristili su AI rešenja za istraživanje i ideaciju kako bi razumeli problem i definisali korisnike. Zatim su prešli na alate za izradu prototipa radi dizajna konkretnih rešenja. Na kraju su povezali svoje koncepte sa platformama za autonomno programiranje kako bi izgradili funkcionalne demonstracione verzije. Ceo proces odvijao se na zajedničkom digitalnom platnu, gde su svi članovi tima u realnom vremenu imali uvid u rad ostalih.

Važno je istaći da većina studenata nije imala inženjersko obrazovanje, timovi nisu unapred balansirani prema tehničkim veštinama, učesnici se uglavnom nisu poznavali i nikada pre nisu koristili pomenute alate. Pored toga, postojala je i takmičarska komponenta sa vrednim nagradama, pri čemu su kriterijumi ocenjivanja eksplicitno stavljali definisanje problema i konceptualni dizajn rešenja ispred tehničke egzekucije. Poenta nije bila u tome ko može najbrže da lansira proizvod, već ko može da izgradi pravu stvar.

Ako AI zaista pretvara inovacije u individualni poduhvat, ovo je bilo idealno okruženje za to: sposobni ljudi, moćni alati i strog vremenski rok nudili su svaki razlog da se zadaci podele, radi paralelno i prepusti veštačkoj inteligenciji da samostalno odradi najteži deo posla. Međutim, ono što je primećeno na terenu pokazalo je sasvim drugačiju sliku.

Definisanje problema i dizajn rešenja

Analizirajući radne tokove učesnika, uočena su dva jasna obrasca kod gotovo svih timova:

Na samom početku, svaki tim je detaljno raspravljao o oblasti na koju želi da se fokusira, nastojeći da razume i uokviri suštinu problema i profiliše ciljnog korisnika. U ovoj fazi članovi tima su koristili AI za prikupljanje istraživanja i sintezu podataka, spajajući analize kako bi diskutovali i postigli konsenzus o problemskom prostoru. Ovaj proces je uvek podsećao na klasičnu razmenu ideja — grupa ljudi okupljena oko stola u dinamičnom i fokusiranom razgovoru.

Nakon toga, većina timova je podelila operativne zadatke: pojedinci su se fokusirali na dizajn i izgradnju prototipa, dok su drugi radili na prezentaciji i narativu. Članovi su pojedinačno koristili veštačku inteligenciju za realizaciju svojih zaduženja, ali su se i dalje redovno okupljali da testiraju i kritikuju predloženi dizajn rešenja.

Zadaci koje je AI mogao da preuzme — sinteza istraživanja, generisanje dizajnerskih opcija, kreiranje korisničkih interfejsa — zaista su se odvijali brže kada su pojedinci radili paralelno i nezavisno.

Međutim, definisanje problema bilo je oblast u kojoj su timovi provodili najviše vremena raspravljajući o nalazima, preispitujući pretpostavke jedni drugima i zajednički odlučujući šta zapravo pokušavaju da reše i kako. Jedan učesnik je primetio: „Definisanje problema je najvažniji deo“, dok je drugi dodao: „Precizno uokviriti specifičan problem izuzetno je teško, čak i uz pomoć veštačke inteligencije.“

Druga ključna oblast bio je dizajn samog rešenja. Pošto je cena izrade prototipa danas svedena na minimum, njegova svrha se promenila. Kako je jedan student primetio, prototip sada služi kao polazna tačka za diskusiju, a ne kao gotov proizvod. Prototipi koje su timovi kreirali odmah su otvorili ključna pitanja: Ko je zapravo krajnji korisnik? Kako će neko saznati za ovo rešenje? Šta se dešava kada podaci nisu dostupni? Prototip sam po sebi nije dao odgovore, ali je učinio ta pitanja nemogućim za ignorisanje.

Pobednički timovi jasno ilustruju kako su uvidi proistekli iz saradnje vodili do inovativnih rešenja, dok je AI služio isključivo kao operativni motor:

• Ukupni pobednik je razvio indeks cena namirnica u Njujorku. Prikupili su podatke o cenama iz prodavnica širom grada, ocenili povoljnost svake od njih i kreirali aplikaciju za potrošače, kao i koncept displeja za izloge. Funkcionalna aplikacija razvijena za šest sati bila je impresivna, ali je tim pobedio zahvaljujući načinu na koji je postavio problem: prepoznali su da je pristupačnost namirnica zapravo problem transparentnosti koji se rešava lakšim upoređivanjem cena.

• Dobitnici nagrade za visok uticaj prepoznali su potencijal u 13.000 postojećih njujorških maloprodajnih objekata i pretvorili ih u komunalna čvorišta za veleprodaju. Umesto izgradnje nove infrastrukture, rešili su problem pristupa povezivanjem lokalnih zajednica sa veleprodajnim cenama preko već postojećih prodavnica.

• Dobitnici nagrade za najbolji prototip pretvorili su javnu bazu pritužbi građana u interaktivnu mapu koja prikazuje nedostatke na biciklističkim stazama, dajući građanima instrument da zahtevaju popravke na osnovu podataka koje grad već poseduje, ali ih ne čini vidljivim.

Timovi imaju najviše koristi od deljenog radnog okruženja

Iako većina učesnika nije imala programersko iskustvo, svaki tim je za šest sati napravio funkcionalan prototip. Ipak, timovi koji su radili izolovano, oslanjajući se na pojedinačne AI sesije, brže su upadali u poteškoće. Članovi su se suočavali sa preopterećenjem informacijama i gubljenjem vremena jer su svi koristili različite prepiske sa alatom. Nasuprot tome, timovi koji su se opredelili za rad unutar zajedničkog okruženja uvideli su da je kapacitet za upotrebu veštačke inteligencije znatno veći kada ceo tim sarađuje na istom mestu.

Kada ljudi koriste AI u izolaciji, ograničeni su sopstvenom perspektivom. Istraživanja već pokazuju da timovi koji primenjuju AI nadmašuju i pojedince sa veštačkom inteligencijom i timove bez nje u kvalitetu ishoda. Zapažanja sa takmičenja pokazuju da kada tim koristi AI u zajedničkom prostoru gde svaki član u realnom vremenu vidi rezultate, tehnologija postaje sredstvo za brže testiranje ideja i primenu zajedničkog rasuđivanja celog tima.

Saradnja i konkurentska prednost pomeraju se uzvodno

Fokus timske saradnje se pomera sa operativnog izvršenja pojedinačnih zadataka ka dizajnu radnog toka. U razvoju proizvoda decenijama unazad, saradnja se svodila na koordinaciju egzekucije: ko razvija koju funkcionalnost i kako se delovi integrišu. Ta koordinacija je i dalje potrebna, ali više ne predstavlja glavno usko grlo.

Usko grlo se sada nalazi na samom početku procesa: Da li gradimo pravu stvar? Razumemo li korisnika dovoljno dobro? Jesmo li postavili problem na način koji vodi ka smislenom rešenju?

Ova pitanja se ne mogu rešavati u paralelnim procesima. Ona zahtevaju produktivno sučeljavanje različitih stavova, usporavanje i argumentovanu debatu pre nego što se ubrza sam proces izgradnje. Kada AI preuzme operativno „kako“, ljudi postaju odgovorni za strateško „šta“ i „zašto“ — a to su fundamentalno kolaborativna pitanja.

Tri stvari koje menadžeri moraju raditi drugačije

Iskustva sa ovog inovacacionog maratona daju jasne smernice kako organizovati timove za postizanje uspeha u eri veštačke inteligencije:

1. Stavite snažan fokus na definisanje problema

Kada svako može da generiše radni prototip za nekoliko sati, konkurentska prednost ne dolazi iz brzine izgradnje, već iz kreiranja rešenja kojeg se niko drugi nije setio jer ste problem razumeli i definisali bolje od konkurencije.

Ovaj proces može delovati sporije i haotičnije od same egzekucije, naročito kada AI alati čine izvođenje izuzetno efikasnim. Lako je upasti u zamku prebrzog prelaska na izgradnju radi prividnog osećaja produktivnosti. Menadžeri moraju svesno zaštititi vreme za ovu fazu rada, što podrazumeva:

• Započinjanje projekata definisanjem problema, a ne prikupljanjem gotovih ideja za rešenja;

• Nagrađivanje timova za duboko promišljanje problema, a ne samo za brzinu realizacije;

• Prihvatanje rasprava koje u početku deluju konfuzno, jer je to često odlika kvalitetnog definisanja problema;

• Prepoznavanje vrednosti onih članova tima koji usporavaju proces pitanjem: „Koji problem mi zapravo ovde rešavamo?“

2. Koristite prototipe za preciziranje problema

Lakoća izrade rešenja donosi suštinsku promenu u ulozi prototipa. Nekada su prototipi bili skupi i pravljeni su kasno u procesu, tek kada je sve bilo precizirano. Danas su jeftini i brzi, što omogućava da se grade rano — ne da bi predstavljali konačan odgovor, već da bi diskusiju o strateškom pravcu učinili opipljivom.

Nova svrha prototipa jeste da nesuglasice i dileme učini vidljivim dok je njihovo rešavanje još uvek finansijski i vremenski povoljno. Zato menadžeri treba da:

• Podstiču rano kreiranje grubih i brzih prototipa umesto kasnog plasiranja upeglanih verzija;

• Vrednuju prototipove prema pitanjima koja otvaraju, a ne prema tome koliko deluju dovršeno;

• Očekuju da prvi prototip bude pogrešan, jer je to upravo njegova primarna svrha;

• Osiguraju da se timovi ne vežu za svoju prvu verziju, već da je koriste isključivo kao temelj za dalji dijalog.

3. Organizujte timove prema perspektivama, a ne veštinama

Prototipi postaju koristan alat za učenje samo kada su u prostoriji prisutne prave perspektive za tumačenje onoga što prototip otkriva. Ako AI omogućava svakome da gradi funkcionalna rešenja bez obzira na tehničko obrazovanje, gubi se potreba za strogim strukturiranjem timova isključivo prema formalnim profilima i veštinama.

Najuspešniji timovi nisu bili oni sa najviše tehničkog znanja, već oni koji su okupili različite poglede na problem: nekoga ko razume regulatorni okvir, nekoga ko je lično iskusio problem i nekoga ko ume da osmisli održiv poslovni model. Umesto optimizacije za tehničku pokrivenost, timove treba formirati prema širini perspektiva koje donose.

Kada svi imaju pristup sličnim AI alatima, prednost vašeg tima ne leži u tehničkim kapacitetima, već u dubini razumevanja problema. A ta dubina proizilazi iz okupljanja ljudi koji stvarnost posmatraju iz različitih uglova. Pitanje više nije hoće li AI zameniti timove, već kako će se timovi prilagoditi da obavljaju posao koji mašine ne mogu: suštinski ljudski zadatak odlučivanja o tome koje probleme vredi rešavati i za koga.

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

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

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

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

Kupci očekuju dosledna iskustva

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

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

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

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

AI pruža argumente za integraciju

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

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

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

Kako se vodeće organizacije prilagođavaju

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

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

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

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

Kada se realizacija spaja, vlasništvo postaje jasnije

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

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

Model zatvorene petlje

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

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

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

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

Vizija i rezultati:

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

Podaci i sistemi:

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

Organizacija i sposobnosti:

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

. . .

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

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.

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.