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.

Inicijative za uvođenje generativne veštačke inteligencije često zastaju ne zbog upravnog odbora, dobavljača ili obuke, već zato što menadžeri srednjeg nivoa određuju kako se AI prevodi u svakodnevni rad. Postoji pet različitih profila koji utiču na to kako menadžeri percipiraju AI i sprovode nove inicijative sa svojim timovima: AI skeptici, tradicionalisti koji čekaju i posmatraju, oprezni implementatori, entuzijastični eksperimentatori i AI katalizatori. Svaki od njih različito reaguje na rizik, dokaze, podsticaje i podršku. Efikasni lideri moraju prilagoditi svoj pristup svakom profilu, kombinujući jasno upravljanje, odgovarajuće podsticaje i ciljanu podršku. Sledeća faza konkurentske prednosti u oblasti veštačke inteligencije neće pripadati kompanijama sa najglasnijim direktivama, već onim kompanijama koje znaju sa kojim menadžerima imaju posla i svakom od njih pružaju tačno ono što mu je potrebno da krene napred.

Najčešća tačka neuspeha u primeni generativne veštačke inteligencije nije sala za sastanke upravnog odbora, uži izbor dobavljača niti portal za obuku. To je sloj menadžera koji mora da pretvori ambiciju rukovodstva u svakodnevno ponašanje. Zbog toga usvajanje generativne AI stalno zastaje, čak i u organizacijama gde su viši lideri odobrili budžet, odabrali platformu i najavili direktivu. Menadžeri srednjeg nivoa odlučuju da li će AI postati radni proces, sporedni eksperiment, glavobolja u pogledu usklađenosti ili tiha žrtva organizacionog izbegavanja.

Menadžeri srednjeg nivoa rade više od pukog sprovođenja odluka rukovodstva. Oni tumače šta te odluke znače za zaposlene. Operativni timovi posmatraju svoje menadžere kako bi utvrdili da li AI predstavlja koristan alat, prolazni trend, mehanizam nadzora ili upozorenje o budućim otpuštanjima. Rukovodilac može obećati da će AI smanjiti monoton rad, ali zaposleni veruju tom obećanju tek kada njihovi menadžeri u skladu sa tim promene obim posla, prakse pregleda rada, očekivanja u pogledu učinka i prava odlučivanja. To čini usvajanje generativne veštačke inteligencije izazovom operativnog modela, a ne konvencionalnom implementacijom softvera. Menadžeri srednjeg nivoa nalaze se na mestu gde se strateška ambicija susreće sa strepnjom zaposlenih, dvosmislenim smernicama, postojećim radnim tokovima i odgovornošću za manjkave rezultate.

Viši lideri često pogrešno dijagnostikuju problem. Oni pretpostavljaju da usvajanje zavisi od tri poteza: artikulisanja strategije, odabira tehnologije i obuke radne snage. Ti koraci su neophodni, ali su retko dovoljni. AI transformacija se odvijala brže od većine operativnih modela. Mekinzijev izveštaj o stanju AI za 2025. godinu (McKinsey’s 2025 State of AI) pokazao je da je upotreba veštačke inteligencije široko rasprostranjena, ali mnoge organizacije je još uvek nisu ugradile dovoljno duboko u radne tokove i procese da bi ostvarile materijalnu vrednost za preduzeće. Štaviše, Majkrosoftov i Linkedinov Indeks trendova rada za 2024. godinu (Microsoft and LinkedIn’s 2024 Work Trend Index) utvrdio je da su zaposleni već koristili AI na poslu, dok su mnogi lideri i dalje bili bez jasnog puta od individualne produktivnosti do poslovne vrednosti, što odražava jaz između entuzijazma i egzekucije. Mehanizam koji nedostaje jeste menadžersko prevođenje: ko odlučuje koji se radni tokovi menjaju, kako se proverava kvalitet, šta je zaposlenima dozvoljeno da isprobaju i šta se dešava kada rad potpomognut veštačkom inteligencijom krene po zlu.

Razmotrite šta se dešava nakon što izvršni tim objavi da svako odeljenje treba da počne da koristi generativnu veštačku inteligenciju. Jedan menadžer daje zaposlenima dozvolu za eksperimentisanje, uspostavlja standarde pregleda i identifikuje radni tok vredan redizajniranja. Drugi menadžer govori malo, čeka jasnija uputstva i nastavlja da ocenjuje zaposlene prema starom procesu. Za nekoliko meseci, prvi tim je razvio ponovljivu praksu, dok se drugi podelio na zaposlene koji izbegavaju AI i zaposlene koji je koriste potajno, bez ikakvog nadzora.

Ovo razilaženje stvara više od neujednačenog usvajanja. Ono stvara nedosledan kvalitet, skrivene rizike po podatke, duplirane eksperimente, frustrirane zaposlene i ulaganja u tehnologiju koja nikada ne donose značajne povrate. Kako generativna veštačka inteligencija prelazi iz opcionalnog eksperimentisanja u osnovne poslovne procese, organizacije imaju sve manje prostora da ove odluke prepuste menadžerskoj improvizaciji.

Pet načina razmišljanja menadžera koji oblikuju usvajanje

Moje istraživanje ukazuje na precizniju dijagnozu. Istražujući za svoju knjigu, Psihologija usvajanja AI na poslu (The Psychology of AI Adoption at Work), i oslanjajući se na više od 35 fokus grupa sa preko 250 menadžera srednjeg nivoa, uz 22 dubinska intervjua u organizacijama u sektorima kao što su osiguranje, proizvodnja, pravne usluge, maloprodaja, obrazovanje i tehnologija, otkrio sam da menadžeri srednjeg nivoa ne predstavljaju jedinstven blok koji pruža otpor promenama. Oni se grupišu u pet psihografskih profila. Svaki profil različito reaguje na pritisak, rizik, dokaze, podsticaje i upravljanje. Tretiranje svih njih na isti način može stvoriti nekoliko impresivnih pilot projekata, ali retko donosi dosledno usvajanje u svim odeljenjima.

AI skeptik

Prvi profil, AI skeptik, najlakše je karikirati i sa njim je najlakše pogrešno postupiti. Skeptici nisu samo tvrdoglavi. Oni često imaju legitimne zabrinutosti u pogledu odgovornosti, gubitka posla, privatnosti podataka, kvaliteta i ljudske cene automatizacije. Videli su kako su prošle „transformacije“ dolazile sa parolama, a za sobom ostavljale narušene procese. Kada sažetak usklađenosti koji je generisala AI sadrži grešku, oni očekuju da budu osobe koje će za to odgovarati. Kada rukovodioci govore o efikasnosti, oni čuju rizik od smanjenja broja zaposlenih.

U svakodnevnoj praksi, skeptični menadžeri mogu odlagati odobrenja alata, ograničiti AI na opcionalno individualno eksperimentisanje ili zahtevati od zaposlenih da opravdaju svaki pojedinačni slučaj upotrebe. Na primer, jednom sam vodio obuku o liderstvu gde je jedan skeptik više puta insistirao na tome da ne veruje AI alatima sa podacima svog tima, uprkos činjenici da je IT odeljenje kompanije proverilo i odobrilo Uslove korišćenja softverskog paketa, u kojima izričito stoji da se modeli ne obučavaju ni na kakvim podacima korisnika koji se pretplate na taj paket. U obrazovnim ustanovama i neprofitnim organizacijama, ovo neprijateljstvo se ispoljava kao oklevanje da se koristi AI zbog navodne prekomerne potrošnje električne energije i vode.

Timovi AI skeptika često reaguju na jedan od dva načina: u potpunosti izbegavaju AI, ili je koriste potajno, bez deljenja upita, rezultata ili grešaka. Prvi odgovor guši učenje, dok drugi stvara upotrebu AI u senci, bez zajedničkih standarda kvaliteta ili bezbednosti.

Pogrešna intervencija za skeptike jeste još više evangelizacije. Ovim pojedincima su potrebni dokazi uz jasnu odgovornost. Lideri bi trebalo da im daju uske pilot projekte niskog rizika sa definisanim metrikama, ljudskim pregledom i eksplicitnim pravilima o tome ko snosi odgovornost za greške napravljene uz pomoć AI. Pilot projekti veštačke inteligencije koji su zaista važni nisu upadljive demonstracije. To su pažljivo odabrani testovi radnog toka koji porede vreme ciklusa, kvalitet, dorade, iskustvo zaposlenih i rizične događaje u odnosu na trenutni proces. Skeptici moraju da vide da organizacija od njih ne traži da apsorbuju neupravljani rizik u zamenu za tuđu priču o produktivnosti.

Tradicionalista koji čeka i posmatra

Drugi profil stvara tiše usko grlo. Ovi menadžeri ne blokiraju AI; oni je odlažu. Traže još jedan dokaz, lekcije drugog odeljenja, još jedan dopis o smernicama, još jedno tromesečje posmatranja. Njihov otpor često zvuči razumno jer koristi jezik opreznosti. Ipak, pasivnost postaje strateško opterećenje kada svaki tim čeka da neki drugi tim krene prvi. Ovde upravljanje promenama u oblasti veštačke inteligencije mora da prevaziđe generičke obuke i stvori pritisak kolega putem verodostojnih internih primera.

Tradicionalisti koji čekaju i posmatraju najbolje reaguju na poređenje, a ne na prinudu. Spojite ih sa cenjenim menadžerima koji su vodili uspešne pilot projekte u srodnim funkcijama. Pokažite im kako je marketinški tim skratio vreme pisanja prvog nacrta zadržavajući ljudsku uredničku kontrolu, ili kako je finansijski tim koristio AI da sažme objašnjenja odstupanja bez automatizovanja konačne procene. Dajte im malu obavezu usvajanja vezanu za njihov sopstveni radni tok, a ne sveobuhvatan cilj na nivou celog preduzeća. Njihovo osnovno pitanje nije „Da li je AI dobra?“ već „Zašto bih sada trošio oskudnu menadžersku pažnju na ovo?“ Liderima je potreban odgovor utemeljen na ograničenjima njihovog odeljenja.

Oprezni implementator

Oprezni implementator je često najvredniji menadžer u sistemu. Ovi menadžeri su otvoreni za AI, ali disciplinovani u pogledu kontrola. Oni traže selekciju slučajeva upotrebe, protokole pregleda, puteve eskalacije i merljive ishode. Oni su ljudi koji će najverovatnije pretvoriti entuzijazam u skalabilnu praksu. Ipak, organizacije ih često frustriraju pružanjem neodređene dozvole umesto upotrebljive infrastrukture. Opreznom implementatoru nije potreban još jedan inspirativni zajednički sastanak. Potrebna im je biblioteka upita, odobrena pravila o korišćenju podataka, šabloni za pilot projekte, provere kvaliteta i forum za iznošenje nedostataka bez straha od kazne.

Kada lideri ostave te zahteve nedefinisanim, oprezni implementatori drže pilot projekte u uskim okvirima, odlažu širu primenu ili šalju svaki novi slučaj upotrebe kroz ponovljene krugove pregleda. Njihovi timovi mogu odgovorno koristiti AI, ali samo u izolovanim džepovima koji nikada ne postaju standardna praksa. Ono što rukovodiocima izgleda kao preterana opreznost može zapravo odražavati odsustvo operativnog sistema za odgovorno usvajanje.

Ovde strategija veštačke inteligencije postaje operativna. Istraživanje BCG-a iz 2026. godine pod nazivom AI na poslu (BCG’s 2026 AI at Work) tvrdi da je strateška jasnoća važnija od pristupa alatima jer se poslovi menjaju brže nego što kompanije redizajniraju poslovanje. Oprezni implementatori su most između te dve realnosti. Oni mogu uzeti cilj rukovodstva poput „koristite AI za poboljšanje odziva kupcima“ i prevesti ga u proveren proces: koji upiti kupaca se kvalifikuju, koji izvori podataka su dozvoljeni, šta AI sastavlja, šta ljudi proveravaju i šta se prati nakon lansiranja.

Lideri bi trebalo da daju opreznim implementatorima ovlašćenje da osmisle proces pregleda za ograničeni slučaj upotrebe, zajedno sa blagovremenim pristupom pravnoj ekspertizi, ekspertizi za informacionu bezbednost, ljudske resurse ili usklađenost. Zatim bi trebalo da zatraže od ovih menadžera da dokumentuju radni tok, provere kvaliteta, nedostatke i rezultate u formatu koji drugi timovi mogu ponovo iskoristiti. Ovo pretvara njihovu opreznost u organizacionu infrastrukturu umesto da joj dozvoli da postane trajna kočnica za usvajanje.

Entuzijastični eksperimentator

Četvrti tip menadžera donosi zamah. Entuzijastični eksperimentatori isprobavaju nove alate, dele upite, organizuju neformalne demonstracije i čine da AI deluje praktično, a ne apstraktno. Oni mogu pretvoriti anksioznost u radoznalost jer kolegama pokazuju stvarne rezultate, a ne prezentacije. U mnogim organizacijama, oni su prvi ljudi koji dokazuju da usvajanje AI može preći sa lične produktivnosti na praksu na nivou tima. Vortonov izveštaj o usvajanju AI za 2025. godinu (Wharton’s 2025 AI Adoption Report) naglašava važnost poluga u ljudima i procesima za pretvaranje mejnstrim upotrebe u trajni povrat investicije, a entuzijastični eksperimentatori su često mesto gde se te poluge prvi put pojavljuju.

Njihov rizik je brzina bez strukture. Entuzijastični eksperimentatori mogu koristiti alate pre nego što pravna služba, odeljenje za usklađenost, informacionu bezbednost ili HR razjasne granice. Oni mogu nenamerno normalizovati nebezbedne prakse jer rane pobede deluju tako ubedljivo. Lideri ne bi trebalo da ih usporavaju birokratijom, već bi trebalo da ih usmere postavljanjem zaštitnih ograda. Dajte im odobrene alate, zajedničke biblioteke upita, standarde pregleda i vidljiv put za postavljanje pitanja o pravilima. Odajte im priznanje za bezbedne ishode, a ne samo za brzo delovanje.

AI katalizator

Poslednji profil, AI katalizator, istovremeno je i dar i test upravljanja. Katalizatori vide generativnu AI kao široki pokretač transformacije. Oni žele da redizajniraju procese u više timova, utiču na kolege, grade koalicije i podstiču rukovodioce da se kreću brže. U pravom okruženju, oni postaju interni preduzetnici koji pomažu organizaciji da pobegne iz čistilišta pilot projekata. U pogrešnom okruženju, oni prevazilaze granice poverenja, potcenjuju usklađenost i izazivaju negativne reakcije timova koji se osećaju kao zamorčići u eksperimentu.

Za katalizatore, upravljanje veštačkom inteligencijom mora biti omogućavajuće, a ne performativno. Profil generativne AI u okviru NIST-ovog Okvira za upravljanje rizicima od AI (NIST’s Generative AI Profile for the AI Risk Management Framework) identifikuje rizike kao što su privatnost podataka, informaciona bezbednost, konfabulacija (halucinacije), štetna pristrasnost i pitanja intelektualne svojine. Ti rizici nisu razlozi za zaustavljanje katalizatora. Oni su projektni zahtevi za odgovorno ubrzanje. Zatražite od katalizatora da sprovedu premortem analize pre pilot projekata visokog uticaja, definišu pragove eskalacije, dokumentuju tačke ljudskog pregleda i izveste o naučenim lekcijama u formatu koji drugi timovi mogu ponovo upotrebiti.

Uskladite intervenciju sa menadžerom

Identifikovanje ovih pet profila je samo prvi korak. Većina organizacija sadrži svih pet, često unutar iste funkcije ili liderskog tima. Višim liderima je stoga potreban ponovljiv način da dijagnostikuju šta sprečava svakog menadžera da deluje i da u skladu sa tim usklade podršku, podsticaje i odgovornost.

Praktična dijagnostika počinje sa tri pitanja:

• Čega se ovaj menadžer plaši da će izgubiti?
• Koji dokazi bi promenili njegovo mišljenje?
• Kakva podrška bi mu omogućila da deluje odgovorno?

Skeptici se plaše odgovornosti i gubitka radnog mesta. Tradicionalisti koji čekaju i posmatraju plaše se uzaludnog truda i političke izloženosti. Oprezni implementatori se plaše neupravljanog rizika. Entuzijastični eksperimentatori se plaše propuštene prilike, a katalizatori organizacione plašljivosti. Te razlike su važne jer svaki profil zahteva drugačiji odgovor lidera.

Lideri takođe moraju da redizajniraju podsticaje. Previše organizacija javno nagrađuje entuzijazam prema veštačkoj inteligenciji, dok privatno kažnjava greške u vezi sa njom. To gura menadžere u defanzivno ponašanje. Ako se menadžeru kaže da eksperimentiše, ali biva okrivljen za svaku nesavršenost, racionalan potez je da čeka. Ako se slavi brzina bez imalo pažnje posvećene tačnosti, privatnosti ili poverenju, racionalan potez je preterivanje. Bolji sistem nagrađuje disciplinovano učenje: jasne hipoteze, odgovorne pilot projekte, merljiv uticaj na radni tok, transparentno prijavljivanje grešaka i skaliranje zasnovano na dokazima.

Za menadžere koji pružaju otpor, intervencija se sastoji od dokaza i psihološke bezbednosti. To podrazumeva transparentne razgovore o uticaju na poslove, posebno zato što Izveštaj o budućnosti poslova Svetskog ekonomskog foruma (World Economic Forum’s Future of Jobs Report) identifikuje AI i obradu informacija kao glavne sile koje preoblikuju rad i veštine do 2030. godine. Lideri ne bi trebalo da se pretvaraju da poremećaja neće biti. Trebalo bi da kažu šta će se promeniti, šta neće, koje veštine će biti važne i kako će menadžeri koji nauče da unaprede rad pomoću AI biti u boljoj poziciji od onih koji je izbegavaju.

Za menadžere koji pružaju podršku, intervencija se sastoji od omogućavanja uz postavljanje granica. Pružite opreznim implementatorima operativnu disciplinu koja im je potrebna, a entuzijastičnim eksperimentatorima bezbedno okruženje za testiranje i mehanizam za širenje korisnih praksi. Dajte katalizatorima mandat vezan za kontrolu rizika. Klasična premortem analiza projekta je ovde posebno korisna jer legitimizuje neslaganje pre nego što pilot projekat uopšte počne. Postavljanje pitanja: „Zamislite da je ovaj AI pilot projekat doživeo potpuni neuspeh; šta se dogodilo?“ pomaže timovima da iznesu pravne rizike, kao i rizike kvaliteta, poverenja, radnog toka i usvajanja dok još uvek ima vremena da se poduhvat redizajnira.

Pravi test korporativne veštačke inteligencije jeste menadžersko poverenje

Rukovodioci bi trebalo da prestanu da pitaju: „Zašto zaposleni ne usvajaju AI?“ i umesto toga postave pitanje: „Koji profili menadžera srednjeg nivoa oblikuju usvajanje u svakoj funkciji i da li smo uskladili intervenciju sa tim profilom?“ To pitanje pretvara nejasan kulturološki problem u praktičan menadžerski plan. Ono pomaže liderima da izbegnu gubljenje meseci na ponovljene pilot projekte, smanje anksioznost pre nego što ona preraste u otpor i iskoriste energiju ranih usvojilaca a da im ne dozvole da prestignu upravljačke okvire.

Usko grlo je stvarno, ali je takođe i rešivo. Menadžeri srednjeg nivoa mogu da blokiraju generativnu AI, da je razvodnje, iskrive — ili da je pretvore u merljivu poslovnu vrednost. Viši lideri koji žele praktične smernice o odgovornom usvajanju veštačke inteligencije trebalo bi da počnu tako što će menadžere tretirati kao operativni sistem transformacije, a ne kao instalacije skrivene ispod strategije. Sledeća faza prednosti veštačke inteligencije neće pripadati kompanijama sa najglasnijim direktivama. Pripadaće kompanijama koje znaju sa kojim menadžerima imaju posla i pružaju svakom od njih tačno ono što mu je potrebno da krene napred.

Da li znate kako se vaši zaposleni zaista osećaju u vezi sa svojim ulogama, poslom i međuljudskim odnosima? Postavljanje pravih pitanja u fokusiranim razgovorima jedan na jedan ključno je za razumevanje njihovih osećanja i potreba. Ovaj članak ističe šest pitanja koja vam mogu pomoći da pređete preko površnih interakcija. Što više prepoznajete svoje zaposlene kao ljude sa ambicijama i snovima — a ne samo kao delove mašine — bolje ćete razumeti kako se osećaju u vezi sa svojim poslom i budućnošću.

Dobrobit zaposlenih je pod velikim pritiskom. Oko 60% radnika kaže da se bore s angažovanošću, a svaki peti oseća se usamljeno, prema istraživanju Gallup-a. Ovo nije mali problem za menadžere: zaposleni koji se ne osećaju dobro manje su produktivni, manje posvećeni i češće negativno utiču na rezultate vaše kompanije.

Zato je važno da budete svesni kako se vaš tim oseća i spremni da reagujete ako se pojave problemi. Ovo zahteva posvećenost izgradnji poverenja i održavanju otvorene komunikacije, kaže Ema Sepela, predavač na Yale School of Management i autorka knjige Sovereign: Reclaim Your Freedom, Energy, and Power in a Time of Distraction, Uncertainty, and Chaos.

„Uverite se da se vaši zaposleni osećaju prijatno i sigurno u vašem prisustvu“, kaže ona. „Ako ne osećaju da vam mogu verovati ili da vam je stalo, neće biti otvoreni za razgovor.“

Čak i uz dobar odnos, može biti izazovno razumeti kako se vaši zaposleni zaista osećaju u vezi sa svojim ulogama, poslom i međuljudskim odnosima — posebno ako radite sa zaposlenima na daljinu. Postavljanje pravih pitanja u razgovorima jedan na jedan je ključno, kaže Stiven Rogelberg, profesor na Univerzitetu Severne Karoline i autor knjige Glad We Met: The Art and Science of 1:1 Meetings.

„Tokom pandemije izgubili smo osećaj povezanosti i prepoznavanja od strane ljudi ključnih za naš uspeh i karijeru“, kaže on. „Nedostajali su nam razgovori koji imaju značaj.“

Da biste bolje razumeli svoj tim, evo šest pitanja koja stručnjaci predlažu za dublje interakcije:

1. Kako se danas osećate na skali od 1 do 10?

Problem sa rutinskim pitanjima poput „Kako ide?“ jeste što često dovode do površnih odgovora poput „dobro“ ili „u redu“. Ali traženje od članova tima da ocene svoje trenutno stanje na numeričkoj skali podstiče ih na promišljeniju samoprocenu, kaže Rogelberg. Ovo je posebno važno za zaposlene na daljinu koji se mogu osećati izolovano i manje povezano.

Ako neko sebe oceni četvorkom, na primer, dodatno pitanje: „Koji faktori doprinose toj oceni?“ može otvoriti vrata za refleksiju i dublje razumevanje.
„Možda se neko bori s teškim projektom ili ima probleme kod kuće“, kaže on. „Postavljanje dodatnih pitanja može vam pomoći da saznate stvari koje inače možda ne biste otkrili.“

Saveti:
Pre nego što započnete ovaj razgovor, postavite ton iskrene brige i saosećanja, savetuje Sepela. Usmerite pažnju na sagovornika, koristite topao glas i dajte im do znanja da ste prisutni. „Neka znaju da je ovaj razgovor namenjen njima i da vam je stalo do njih kao ljudi, a tek onda kao zaposlenih.“

2. Šta vas trenutno raduje izvan posla?

Ovo pitanje možda neće otkriti kako se vaši kolege osećaju u vezi sa svojim poslom, ali pomaže u izgradnji ličnih veza otkrivanjem zajedničkih interesa i istraživanjem razlika. „Upoznavanje članova tima kao ljudi sa životima van posla zahteva vreme i poverenje,“ kaže Stiven Rogelberg. „Ali izgradnja ovog temelja vredi truda jer olakšava ljudima da kasnije pričaju o svojim brigama.“

Ostanite u zoni komfora svog kolege; ako je neko nesklon deljenju, nemojte pritiskati. „Kako stičete njihovo poverenje, mogu se osećati prijatnije da se otvore,“ dodaje Rogelberg.

Pored ovog pitanja, Ema Sepela predlaže povezivanje ličnog i profesionalnog pitanjem: „Šta vas oživljava na poslu? Koje aktivnosti u našoj organizaciji vas pune energijom?“ Cilj je pronaći zajedničke tačke u onome što ih ispunjava i iskoristiti to za stvaranje mogućnosti za rast i angažman u timu.

3. Da li nalazite smisao u svom poslu? Ako ne, koje promene bi vam pomogle?

Istraživanja pokazuju da zaposleni koji osećaju svrhu i ispunjenje na poslu imaju veće zadovoljstvo i verovatnije ostaju u organizaciji. Rogelberg predlaže da saznate više o profesionalnoj motivaciji svojih kolega. Pitanja poput: „Koje delove svog posla volite? Šta vas opterećuje? Da li je ova uloga ispunila vaša očekivanja? Da li je bilo iznenađenja, pozitivnih ili negativnih?“ posebno su važna za zaposlene na daljinu koji se mogu osećati odvojenima.

„Nije samo stvar u tome da pitate, već da pokažete da želite da ih podržite i učinite njihov posao značajnijim,“ kaže Rogelberg.

Aktivno slušanje ovde ima ključnu ulogu, ističe Sepela. „Budite radoznali i nemojte previše govoriti. Kada govorite, parafrazirajte ono što je osoba rekla svojim rečima kako bi se osećala saslušano i kako biste se uverili da ste ih pravilno razumeli.“

4. Šta bi učinilo ovaj posao ili organizaciju privlačnijim za vas na duže staze?

Razumevanje šta motiviše članove vašeg tima i podstiče njihovu posvećenost je ključno, kaže Rogelberg. „Motivacija direktno utiče na angažman, zadovoljstvo i zadržavanje zaposlenih.“ Ključno je biti otvoren za njihove ideje, dok istovremeno budete transparentni o onome što nije izvodljivo. Na primer, ako neko želi da radi od kuće puno radno vreme, a to nije moguće, „budite iskreni o onome što možete da promenite.“

Imajte na umu da neki komentari mogu biti teški za slušanje. Ako zaposleni ukaže na probleme u radu ili istakne nedostatke u vašem pristupu, prirodno je osećati se defanzivno, kaže Sepela. Ali „izbegavajte da reagujete odbrambeno.“ Ovo je prilika da saznate više i učite. „Ako ne možete rešiti sve odmah, dogovorite naknadni sastanak.“

5. Šta vas iscrpljuje na poslu i kako mogu da vas podržim?

Članovi vašeg tima možda se suočavaju s izazovima koje ne znate u potpunosti: težak zadatak, složena dinamika tima ili neadekvatan izveštaj direktno odgovorne osobe. Identifikovanje ovih prepreka može vam pomoći da pružite odgovarajuću podršku, kaže Sepela. Cilj je saznati „šta bi im olakšalo postizanje najboljeg učinka i šta vi možete učiniti da im to omogućite.“

Rogelberg predlaže da pitate o zadacima koji im izgledaju kao gubljenje vremena ili da li im je potrebna jasnija očekivanja. Međutim, budite pažljivi da ne delujete kao mikromenadžer; u suprotnom rizikujete da narušite odnos i smanjite njihovu produktivnost. „Ne želite da odu s razgovora s osećajem da pokušavate da diktirate svaki detalj njihovog rada.“

6. Koji su vaši karijerni ciljevi i snovi? Kako mogu da vam pomognem da ih ostvarite?

Mnogi menadžeri nikada ne pitaju zaposlene o njihovim dugoročnim profesionalnim aspiracijama, što je propuštena prilika. Što više prepoznajete članove svog tima kao ljude sa ambicijama i snovima — a ne samo kao deo mašine — bolje ćete razumeti kako se osećaju u vezi sa svojim poslom i budućnošću.

Da biste prešli granice rutinskih razgovora, Sepela predlaže da počnete s pitanjem: „Znam da obično pričamo samo o poslu, ali danas želim da vas pitam o vašim profesionalnim ciljevima. Moj cilj je da osiguram da vas podržavam u njihovom ostvarenju i da vidim kako mogu pomoći.“

Zapamtite, nije stvar samo u prikupljanju informacija; reč je o korišćenju onoga što ste saznali za njihovo profesionalno usmeravanje. Bilo da predložite ciljanu obuku, izazovne zadatke ili prilike za prikazivanje veština, cilj je da pokažete da ulažete u njihov razvoj.

. . .

Ne postoji univerzalan pristup ovim razgovorima. Važno je birati pitanja koja odgovaraju vašem timu i dinamici vaših odnosa. Eksperimentišite s različitim pitanjima kako biste pronašli pravi ritam. Na kraju, ključ nije samo u pitanjima koja postavljate već i u „iskrenosti i pravom interesovanju za njihove odgovore,“ kaže Rogelberg. „To znači pažljivo slušati, dublje istražiti ono što dele i pružiti podršku kad god je to moguće.“

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.

AI asistenti transformišu prodaju delujući kao digitalni treneri, analitičari i savetnici prodavcima. Oni analiziraju prodajne predloge i daju personalizovane povratne informacije, pomažući prodavcima da usavrše svoju komunikaciju i strategije angažovanja. Koristeći analitičke i verbalno-vizuelne mogućnosti veštačke inteligencije, kompanije mogu da podstaknu angažovanje kupaca, povećaju stope konverzije i poboljšaju ukupne performanse prodaje. Oni mogu da pojednostave zadatke kao što su kreiranje sadržaja i analiza interakcije sa klijentima, omogućavajući prodajnim timovima da se usredsrede na aktivnosti veće vrednosti. Izazovi usvajanja uključuju troškove unapred, integraciju podataka i upravljanje promenama, ali fazna implementacija može da ublaži rizike.

Prodavac se priprema za važan sastanak sa klijentima. Oni uvežbavaju nastup pomoću digitalnog alata za treniranje sa AI koji je prilagođen ciljevima kompanije i filozofiji prodaje. Sistem analizira ton, reči i tempo prodavca. Ukazuje na oblasti za poboljšanje, na primer, predlažući upotrebu fraza koje naglašavaju saradnju („hajde da ovo istražimo zajedno...“) i podsećajući prodavca da zakaže sledeći sastanak sa potencijalnim klijentom. Dalje, prodavac dobija uvid na osnovu podataka o potrebama i preferencijama kupaca, uključujući preporuke o prodajnim akcijama i mogućnostima unakrsne prodaje.

Uloga AI kao trenera prodaje je moćna sposobnost u nastajanju. Takođe ubrzano raste uloga AI kao analitičara, koji uranja u ogromne količine podataka o prodaji da bi otkrio uvide, na primer, o tome zašto određene geografske regije ne uspevaju ili koji se tržišni trendovi razvijaju. AI trenutno obavlja zadatke za koje su analitičarima prodaje nekada bili potrebni dani ili nedelje.

Pomoćnici AI koji deluju kao treneri i analitičari za prodavce, dopunjuju više korišćene taktičke savetnike sa AI pogonom. Takvi alati daju sugestije, pomažući prodavcima da identifikuju obećavajuće potencijalne klijente, kreiraju ponude po meri i dizajniraju prilagođene ponude. Ovo podstiče poboljšano angažovanje klijenata, veće stope konverzije, veću prodaju i veće zadržavanje kupaca.

Dobijanje vrednosti od AI prodajnih asistenata zahteva rešavanje nekoliko komplikacija — značajnih troškova unapred, integracije podataka i izazova kvaliteta, modela obuke o sadržaju kompanije i podsticanja usvajanja sa prodajnim timovima. Ovi faktori mogu otežati postizanje i merenje ROI. Ovaj članak će ispitati mogućnosti AI prodajnih asistenata koji su sada dostupni i razmotriti puteve usvajanja i upotrebe ovih alata.

Mogućnosti AI pomoćnika

Da bi AI asistenti mogli da treniraju, analiziraju ili savetuju, potrebne su im analitičke i verbalno-vizuelne sposobnosti.

Analitičke sposobnosti

Ove funkcije koriste profile klijenata, tragove interakcije, angažovanje kupaca i podatke o učinku iz prethodnog perioda za kreiranje uvida i predloga za prodajne timove. Koristeći podatke o svim prodavcima i kupcima, AI inteligentno sugeriše koje akcije rade za svakog kupca i prodajnu situaciju. Pfizer, Schneider Electric i Microsoft su među mnogim kompanijama koje koriste takve mogućnosti da bi prodavcima dale pravovremene taktičke savete o specifičnim, unapred definisanim problemima, na primer, koju sledeću najbolju radnju da preduzmu i kako da spreče odliv kupaca. Rezultat je poboljšana reakcija na klijente i povećana produktivnost prodaje. Na primer, kada je Microsoft počeo da koristi „Daily Recommender“, sistem zasnovan na veštačkoj inteligenciji koji prodavcima daje uvid u potrebe kupaca i predložene prodajne akcije, produktivnost prodaje (merena vremenom pred kupcima i potencijalnim klijentima pretvorenim u prilike) porasla je za 40%.

Nedavna dostignuća omogućavaju AI modelima da odgovore na otvorena pitanja. U biofarmaceutskoj kompaniji, prodavac pita sistem zasnovan na veštačkoj inteligenciji: „Koje su najnovije bolesti i trendovi prepisivanja za dijabetes na mojoj teritoriji?“ Sistem prevodi ovaj upit prirodnog jezika u kompjuterski kod, koji se zatim izvršava radi analize najnovijih podataka. Dobijeni uvidi se dele sa prodavcem: „Prevalencija dijabetesa je porasla za 2%, ali je stopa lečenja opala za 8%. Najbolje propisani lekovi na vašoj teritoriji su tri utvrđene terapije, ali među zdravstvenim radnicima raste interesovanje za učenje o inovativnim pristupima. Prodavac se dalje pita: „Šta mogu da uradim da poboljšam stope lečenja?“ na koje sistem odgovara sa predlozima uključujući koje zdravstvene radnike da posetite lično, a koje da kontaktirate putem e-pošte, koje nalaze istraživanja da podelite o kardiovaskularnim prednostima, prednostima gubitka težine i pogodnom doziranju, kao i najefikasnijim strategijama za distribuciju uzoraka proizvoda. Prodavac kombinuje ove uvide sa sopstvenim iskustvom, a zatim je spremniji da ima relevantne, pronicljive i produktivne interakcije sa kupcima.

Verbalno-vizuelne sposobnosti

Ove funkcije sintetizuju uglavnom nenumeričke podatke (tekst, slike, video) koristeći gen AI za poboljšanje sadržaja i komunikacije. Rudimentarne aplikacije za prodavce uključujući transkripciju i rekapitulaciju snimljenih razgovora sa klijentima i bez napora kreiranje kolaterala za prodaju specifičnog za kupca. Bez veštačke inteligencije, kreiranje i prilagođavanje sadržaja oduzimaju otprilike četvrtinu vremena prodavaca. Prodajni timovi u IBM-u, Cintas-u i Morgan Stanley-u su među onima koji koriste verbalno-vizuelne mogućnosti veštačke inteligencije da pojednostave ove vrste zadataka. U Morgan Stanley-u, alatka pod nazivom AI @ Morgan Stanley Assistant daje finansijskim savetnicima pristup oko 100.000 sopstvenih istraživačkih izveštaja i dokumenata kompanije. Savetnici ispituju bazu podataka i odmah dobijaju sažete informacije za davanje preporuka za ulaganja i izvršavanje transakcija. „Pull“ pristup alata zasnovanog na genetičkoj inteligenciji dopunjuje „push“ pristup sistema „sledeće najbolje akcije“ koji koristi analitičke mogućnosti za deljenje personalizovanih investicionih ideja za klijente.

Sve veća upotreba gen AI je za obuku u prodaji. Platforme zasnovane na veštačkoj inteligenciji analiziraju snimljene ili žive prodajne pozive. Pored davanja povratnih informacija o stilu komunikacije i sadržaju prodavca, ovi alati otkrivaju raspoloženje kupaca i daju trenutne predloge za poboljšanje. Smernice postaju još personalizovanije i kontekstualne kada AI modeli integrišu istoriju angažovanja kupaca i podatke o učinku prodavača.

Upotreba avatara kupaca sa AI za obuku prodaje takođe postaje sve popularnija. Moduli za obuku prodaje zasnovani na AI i VR stvaraju realistične simulacije, sa AI-botovima koji igraju ulogu kupca i simuliraju pitanja i primedbe koje bi kupac mogao postaviti, omogućavajući prodavcima da vežbaju svoje veštine u bezbednom okruženju. Zaposleni koji su novi u prodaji brže napreduju, dok iskusni prodavci ubrzavaju razvoj kompetencija. Kada je tehnološka kompanija Zoom morala da ubrza svoj prodajni tim na novim porukama za prodaju svoje platforme za kompletno rešenje, prodajni predstavnici širom sveta usavršavali su svoje veštine vežbajući sa partnerom za veštačku inteligenciju po imenu Dženi. Ovo je dovelo do značajnog poboljšanja veština i savladavanja poruka kod svih prodajnih predstavnika.

Integrisanje mogućnosti

Moć AI asistenata je pojačana kada analitičke i verbalno-vizuelne sposobnosti rade zajedno. Na primer, verbalno-vizuelni alati procenjuju interesovanje potencijalnog klijenta analizirajući e-poštu, transkripte ćaskanja i komunikaciju na društvenim mrežama. Ovaj uvid hrani analitičke alate, koji koriste podatke o potencijalnim klijentima i sličnim klijentima da identifikuju prilike za povećanje prodaje. Zatim, verbalno-vizuelne sposobnosti se uklapaju u sadržaj i savete za obuku kako bi pomogli prodavcu da saopšti priliku.

Nekoliko prodajnih alata sa AI-om spaja ove mogućnosti. Stoga se izgradnja digitalnih asistenata uglavnom odnosi na prilagođavanje i integraciju postojećih tehnologija, a ne na izmišljanje novih. CRM rešenja koja nude analitičke i verbalno-vizuelne alate uključuju Microsoft Dinamics 365 i Salesforceov Sales Cloud sa Ajnštajnom. Kompanije kao što su SAP, Oracle, Adobe, HubSpot i Zoho su ugradile slične mogućnosti. Stotine kompanija nude alate generisane veštačke inteligencije koji se mogu integrisati sa CRM sistemima. Zoom Revenue Accelerator je jedno od mnogih rešenja koja koriste gen AI za analizu prodajnih sastanaka i pružanje uvida. Iako mnoštvo opcija komplikuje izbor, ono je demokratizovalo mogućnosti, čineći ih dostupnim kompanijama svih veličina.

Putevi za AI-sazrele i AI-rani-stage organizacije

Prodajni timovi su na različitim tačkama na putu implementacije AI asistenata. Kompanije zrele za veštačku inteligenciju idu drugačijim putem od onih koje tek kreću.

Organizacije zrele za veštačku inteligenciju su dobro uspostavljeni korisnici analitičkih sposobnosti AI za savetovanje prodavaca (na primer, prihvata se 70% ili više preporuka za sledeću najbolju akciju.) Sledeća granica za ove rane korisnike je da iskoriste rastuću moć gen AI (ako već nisu), počevši od funkcija niskog rizika, kao što je izrada prilagođenih e-poruka i omogućavanje prodavcima bržeg pristupa informacijama u bazi znanja kompanije. Kako iskustvo sa razvojem i korišćenjem ovih sposobnosti raste, ove organizacije koje su zrele za veštačku inteligenciju istražuju složeniju i nestrukturiranu analitiku i hiperpersonalizovano treniranje i obuku.

Organizacije koje još nisu krenule putem veštačke inteligencije koriste drugačiji pristup. Za ove novopridošlice, počevši od niskorizičnih AI aplikacija je brži put do vrednosti. Istovremeno, organizacije u ranoj fazi veštačke inteligencije počinju da postavljaju temelje za korišćenje analitičkih sposobnosti AI. Ovo zahteva razumno robustan sistem za upravljanje podacima o klijentima i interakcijama. Iako savršeni podaci nisu potrebni, mnoge takve organizacije otkrivaju da moraju da nadograde svoj CRM sistem. Sa solidnom platformom za upravljanje podacima, moguće je iskoristiti analitiku zasnovanu na veštačkoj inteligenciji da biste prodavcima dali taktičke savete. A kako organizaciono i tehnološko iskustvo raste, AI kao trener i analitičar se može istražiti.

Olakšavanje usvajanja i upotrebe

Da bi se pozabavili troškovima, obukom za modele i usvajanjem. U pogledu implementacije AI prodajnih asistenata, obratite pažnju ne samo na tehnologiju, već i na ljudske elemente i upravljanje promenama.

Koristite fazni pristup implementaciji. Započnite pilot program sa malim timom. Ovo minimizira početne troškove i rizike i omogućava iterativna poboljšanja pre potpunog uvođenja.

Obučite AI modele u kontekstu kompanije. Čak i AI rešenja koja su napravljena posebno za prodaju ne mogu sama da stvore dovoljnu vrednost; moć dolazi od njihove obuke na podacima specifičnim za situaciju. Započnite sa obukom o podacima kompanije (npr. istorija transakcija i interakcija za analitičke modele; prošli mejlovi, predlozi i marketinški sadržaj za gene AI modele). Dopunite ovo sintetičkim podacima koje generišu algoritmi da bi oponašali podatke iz stvarnog sveta. Nakon što su modeli lansirani, povratne informacije korisnika o preporukama veštačke inteligencije su kritične za kontinuirano poboljšanje.

Izmerite ROI. Koristite okvir koji uzima u obzir i kratkoročne i dugoročne koristi, uključujući metrike kao što su vreme ušteđeno na administrativnim zadacima, poboljšanje kvalifikacije potencijalnih klijenata, povećanje stopa konverzije prodaje i poboljšani rezultati zadovoljstva kupaca.

Upravljajte promenom. Usvajanje i upotreba su veće kada funkcije besprekorno funkcionišu sa poznatim alatima kao što su CRM i sistemi e-pošte dok se uklapaju u svakodnevni radni tok prodavaca. Iskoristite sisteme podrške i forume na kojima prodavci mogu da podele svoja iskustva (na primer, na sastancima prodajnog tima ili u prostorima za saradnju na mreži). Obrnuto mentorstvo, gde mlađi tehnički pametni članovi tima pomažu starijim članovima, takođe je efikasan.

Koristeći pomoćnike veštačke inteligencije kao trenere, analitičare i savetnike, prodavci mogu da podstaknu rast i istovremeno isporučuju izuzetnu vrednost kupcima.

. . .

Tehnologija je decenijama transformisala prodaju, a najnoviji talas AI inovacija obećava da će biti možda najveća sila do sada. Digitalni asistenti će promeniti posao prodaje na mnogo načina. Prodavci će prestati da obavljaju neke zadatke, kao što je snimanje beleški u CRM, koji će postati automatizovan. Oni će efikasnije obavljati druge zadatke, kao što je brže reagovanje personalizovanom komunikacijom za klijente. Prodavci će takođe drugačije i efikasnije postupati sa određenim odgovornostima, na primer, planiranjem i izvođenjem relevantnijih i moćnijih razgovora sa kupcima. Pored toga, oni će preuzeti nove odgovornosti, kao što je orkestriranje akcija na različitim kanalima kako bi bolje služili klijentima. Kako se ove promene budu odvijale u narednih nekoliko godina, uspešne prodajne organizacije će nastaviti da se razvijaju i prihvataju nove mogućnosti za prodavce i digitalne proizvode da rade zajedno na povećanju vrednosti za kupce i poslovanje.

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

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

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

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

Taktičko naspram strateškog budžetiranja

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

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

Kako AI i ljudski menadžeri međusobno deluju

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

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

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

Nova saznanja

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

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

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

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

. . .

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