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.

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

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

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

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

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

Problem sa pretpostavkom da će veštačka inteligencija popraviti inovacije

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

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

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

Ideacija: Preterano fiksiranje na tipično.

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

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

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

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

Selekcija: Pristrasnost prema „doteranijim“ idejama jezičkih modela.

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

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

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

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

Uvid u potrošače: Brže istraživanje, manje autentični odgovori.

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

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

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

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

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

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

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

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

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

Glavni zaključci

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

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

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

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

. . .

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

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

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

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

Sektor nabavke ima potencijal da ostvari veće koristi od agentske veštačke inteligencije (agentic AI) nego gotovo bilo koja druga poslovna funkcija. Njen rad je struktuiran, finansijski merljiv i prepun zadataka koji zahtevaju profesionalno rasuđivanje – procesa koji su decenijama odolevali tradicionalnoj automatizaciji. Ipak, primena je i dalje na niskom nivou jer su stvarne barijere organizacione, a ne tehnološke. Kompanije koje beleže uspeh redizajniraju nabavku oko veštačke inteligencije umesto da samo dodaju nove alate na postojeće radne tokove. One prepuštaju vlasništvo nad AI inicijativama timovima za nabavku, jačaju baze podataka, ugrađuju upravljanje u implementaciju od samog početka i mere komercijalne ishode umesto pukog stepena korišćenja alata. One organizacije koje prave ove promene već unapređuju produktivnost, upravljanje dobavljačima i finansijske performanse, stvarajući prednost koju će konkurenti teško dostići.

Širom korporativnog sveta, agentski AI prelazi iz faze pilot-projekata u punu produkciju.

Prema nedavnom istraživanju o primeni agentske veštačke inteligencije u 385 organizacija, timovi za razvoj softvera dostigli su stopu usvajanja od 35%, IT operacije 31%, a marketing 26%. Međutim, nabavka značajno zaostaje sa svega 9%.

Ovaj jaz iznenađuje jer je nabavka upravo oblast u kojoj su dokazi o vrednosti agentskog AI-ja najsnažniji, povrat investicije (ROI) najočigledniji, a raspon između potencijala i trenutne prakse najširi.

Ova funkcija deluje stvorena za agentski AI. Njeni radni tokovi su velikog obima i delimično struktuirani. Njeni izlazni rezultati (izbor dobavljača, uslovi ugovora, nivoi potrošnje) direktno su finansijski merljivi. Njene slabe tačke (manuelna obrada dokumentacije, fragmentisani podaci o dobavljačima, propušteni signali rizika) precizno odgovaraju mogućnostima autonomnih sistema. Pa ipak, primena kaska. Zašto?

Ograničenje nije tehnološke prirode. Ono je organizaciono. To možemo tvrditi sa sigurnošću jer smo pratili nabavku kroz više od decenije tehnoloških transformacija – od ERP sistema i robotske automatizacije procesa (RPA) do inteligentne automatizacije – što pruža jedinstven uvid u organizacioni pomak koji se trenutno odvija sa agentskim AI sistemima.

U ovom članku, zasnovanom na novim istraživanjima i detaljnim intervjuima sa liderima u nabavci i tehnološkim provajderima iz više sektora, prvo ćemo objasniti zašto je nabavka strukturno predodređena za uspeh sa agentskim AI sistemima. Zatim ćemo analizirati praktične dokaze iz organizacija koje već ostvaruju tu vrednost, identifikovati organizacione prepreke koje koče većinu i predložiti sedam konkretnih poteza koje lideri mogu odmah preduzeti.

Zašto bi nabavka trebalo da predvodi agentsku revoluciju

Nabavka objedinjuje tri karakteristike koje se retko sreću zajedno u drugim funkcijama. Svaka od njih pojedinačno opravdava implementaciju agenata, a zajedno čine nabavku idealnom funkcijom za izvlačenje koristi u celom preduzeću.

Prva je ekonomska vidljivost. Malo koja funkcija tako direktno pretvara operativne aktivnosti u finansijske ishode. Poboljšanja u odabiru dobavljača, disciplini cena, ugovornim uslovima i usklađenosti odmah se prelivaju na profit, merljivo u istoj valuti koju koristi i finansijski direktor.

Druga je procesna struktura u velikom obimu. Od uvođenja dobavljača u sistem (onboarding) i upravljanja tenderima do praćenja ugovora, nabavka funkcioniše kroz ponovljive radne tokove u više koraka. To su upravo okruženja u kojima agenti koji mogu da rasuđuju, deluju i prilagođavaju se zadacima donose nesrazmerno veliku vrednost.

Treća karakteristika su stalna operativna trenja. Većina organizacija za nabavku se i dalje oslanja na ljudsku intervenciju u kritičnim tačkama: validacija dokumenata, procena rizika dobavljača, pogrešna klasifikacija kategorija i koordinacija sa stejkholderima. To nisu izolovani slučajevi već sistemske neefikasnosti, a mnoge su odolele tradicionalnoj automatizaciji upravo zato što zahtevaju donošenje procena, a ne puko praćenje pravila.

Da biste razumeli vrednost koju nabavka može da ostvari pametnim uvođenjem agentskog AI-ja, uzmimo za primer velikog evropskog energetskog giganta. Svake godine između 30.000 i 40.000 dobavljača podnese zahtev za ulazak u njegov registar. Svaka prijava uključuje do 25 dokumenata i proces kvalifikacije koji premašuje 20 koraka. Tim od oko 25 ljudi upravlja novim aplikacijama i stalnim nadzorom 18.000 aktivnih dobavljača. Godinama je usko grlo bilo strukturalno, a izloženost riziku stvarna. Dobavljač koji kasni sa isplatom zarada ili izbegava poreze mogao je naneti ozbiljnu reputacionu štetu pre nego što tim za usklađenost to primeti. Jedino rešenje delovalo je zapošljavanje novih ljudi – sve do 2025. godine.

Tada je kompanija, uz spoljnu podršku, implementirala set AI agenata za kvalifikaciju i monitoring. Proces danas izgleda ovako:

• Jedan AI agent vodi dobavljače kroz formular, identifikujući kada izaberu pogrešnu kategoriju usluge sa liste od 30 do 40 opcija, što je greška koja se ranije javljala u 30% prijava.

• Drugi agent određuje prioritete u redu čekanja, upoređujući koji su dobavljači zaista potrebni poslovanju u narednim sedmicama.

• Treći skenira strukturirane i nestrukturirane izvore (interne sisteme, baze podataka trećih strana i otvoreni internet) kako bi uočio signale rizika kao što su neplaćeni porezi, radni sporovi ili optužbe za prevaru protiv rukovodilaca.

• Četvrti priprema konverzacijski izveštaj za direktora nabavke pre sastanka, izvlačeći podatke za čije bi ručno prikupljanje direktoru ranije bio potreban sat vremena.

Šest meseci nakon uvođenja prvog AI agenta, zaostaci u obradi smanjeni su za 20%. Ocene zadovoljstva dobavljača su porasle. Tačnost obrade – koja je u prvom krugu iznosila 60% – popela se na između 70% i 80%, sa projekcijom ka 95% pri punom obimu. Sistem nije bio savršen i nikada nije bio zamišljen da radi bez ljudskog nadzora, ali za tim od 25 ljudi koji vodi proces koji bi inače zahtevao znatno više resursa, promena je bila revolucionarna.

Veliki proizvođač automobila nudi još jedan model primene koji je na višem nivou zrelosti i usmeren na drugačiju kategoriju vrednosti. Ova kompanija je obnovila operativni model nabavke fokusirajući se na komercijalne ishode: uspeh u pregovorima, ostvarene uštede i direktan uticaj na EBIT. Put je počeo 2023. pilot-projektima generativne AI zasnovanim na tekstu, ali je kompanija brzo uvidela da se ušteđeno vreme ne može unovčiti unutar zastarelih procesa. Zato je 2024. prešla sa optimizacije pojedinačnih zadataka na redizajn celokupnog životnog ciklusa nabavke, ugrađujući AI u samu komercijalnu logiku.

Rezultat je integrisani ekosistem agenata povezan sa specifičnim ekonomskim polugama kroz izbor dobavljača, profilisanje, tendere i pregovore. Oko 70% poslova nabavke sada se odvija unutar jedinstvenog interfejsa baziranog na čet-komunikaciji, gde orkestrator koordinira pronalaženje znanja, izvršavanje alata i integraciju sistema. Kontrolisani tromesečni A/B test pokazao je značajno ubrzanje procesa, merljive prednosti u pregovorima i materijalan doprinos EBIT-u – sve praćeno istim metrikama koje se primenjuju na ukupne performanse nabavke, bez veštačkih pokazatelja usvajanja AI-ja.

Ovo nisu izolovani primeri. Globalna kompanija za profesionalne usluge pustila je u rad devet agenata i sedam RPA botova za automatizaciju tendera. Vodeći proizvođač poslovnog softvera napravio je platformu koja pokriva celokupan lanac nabavke. Veliki evropski diskontni lanac stigao je do tačke gde 18 od 30 zaposlenih u nabavci svakodnevno koristi alate generativnog AI-ja. Reč je o operativnim sistemima u punoj produkciji koji donose merljive rezultate.

Zašto većina organizacija zaostaje

Ako je tehnologija funkcionalna, a poslovni razlozi jasni, zašto je primena u nabavci i dalje tako niska? Tri prepreke se stalno ponavljaju u intervjuima – ne kao tehnička ograničenja, već kao izbori u organizacionom dizajnu.

1. Odgovornost i kontrola. Nabavka je utemeljena na formalnim strukturama odobravanja. Nalazi se na preseku pravne službe, finansija i operacija, a njene odluke nose ugovorne i finansijske posledice. Uvođenje sistema koji aktivno oblikuju odluke o nabavci otvara pitanja odgovornosti i revizije koja se jednostavno ne javljaju kod alata za marketing ili kod softverskih asistenata. Većina organizacija reaguje ograničavanjem autonomije agenata i strogim zadržavanjem ljudskog odobrenja, čime praktično poništava prednosti agentskih sistema.

2. Fragmentisano vlasništvo. U mnogim kompanijama nabavka je samo korisnik AI inicijativa, ali ne i njihov vlasnik. Rešenja osmišljavaju i vode IT timovi ili centralne digitalne službe, sa malo operativnog unosa od strane same nabavke. Rezultat je raskorak između dizajna sistema i operativne realnosti. Piloti uspevaju u kontrolisanim uslovima, ali skaliranje staje čim se sistemi susretnu sa haotičnom realnošću stvarnih procesa nabavke punih izuzetaka.

3. Podaci kao sekundarna briga. Matični podaci o dobavljačima su nekonzistentni. Kategorizacija troškova je nepotpuna. Nasleđeni ERP sistemi nisu projektovani kao izvori za autonomne sisteme, a podaci u njima su fragmentisani po poslovnim jedinicama, geografijama i akvizicijama. Ipak, mnoge organizacije pokušavaju da implementiraju agente pre rešavanja ovih osnovnih pitanja, da bi na kraju zaključile da je tehnologija podbacila, iako joj loši podaci nisu ni dali šansu.

U praksi se često javlja takozvani problem „faze verovanja“: piloti se pokreću, usvajanje alata se slavi, ali odgovornost za stvarnu vrednost ostaje nedefinisana. Mnoge AI inicijative tu ostaju trajno zaglavljene.

Zajednički činilac je jasan: organizacije pokušavaju da naslone agentski AI na postojeće operativne modele umesto da redizajniraju modele oko njega.

Put napred: Sedam koraka za lidere

Kompanije koje danas ostvaruju vrednost iz agentskog AI-ja donose specifične strateške odluke o vlasništvu, redosledu, temeljima, autonomiji, sposobnostima, upravljanju i merenju. Evo šta su uspešni lideri prepoznali:

1. Učinite nabavku vlasnikom, a ne samo korisnikom

U projektima koji se uspešno skaliraju, nabavka vodi proces od početka do kraja: definiše slučaj upotrebe, vlasnik je metrika uspeha i snosi odgovornost za operativni ishod. IT sektor pomaže i omogućava, ali ne diktira rešenje. Kompromise u primeni agenata prave ljudi koji će živeti sa posledicama tih odluka.

2. Počnite tamo gde su problemi najveći

Umesto odabira niskorizičnih zadataka, ciljajte procese sa najočiglednijim ekonomskim ili operativnim uskim grlima: prijem dobavljača, izrada tenderske dokumentacije, praćenje usklađenosti. Zrele organizacije idu korak dalje – umesto da se fokusiraju na nabavku IT opreme (što je često mali udeo u troškovima sa malo pregovaračke poluge), one ciljaju direktne materijale i kompleksne usluge. Princip koncentracije vrednosti ubrzava učenje i donosi rezultate koji su previše značajni da bi bili ignorisani pri skaliranju.

3. Tretirajte podatke kao infrastrukturu

Rešite pitanje kvaliteta podataka odmah, a ne kasnije. To je preduslov za autonomiju koji mora postojati pre nego što se agentima povere odluke. Ulaganja u matične podatke o dobavljačima, taksonomiju troškova i integraciju moraju se obaviti na početku, a ne naknadno nakon propale implementacije. Prihvatite da će to usporiti vidljivo pokretanje prvog agenta, ali to je cena stvaranja dugoročne prednosti.

4. Projektujte postepenu autonomiju

Ne posmatrajte autonomiju kao prekidač koji je ili uključen ili isključen. Osmislite postepeni prelaz: od savetodavne uloge, preko donošenja odluka uz potvrdu čoveka (human-in-the-loop), do punog prava izvršenja pod nadzorom. Napredak neće biti ujednačen na svim zadacima. U strukturiranim, niskorizičnim oblastima (analitika, validacija ugovora), agenti će brzo preuzeti posao. U aktivnostima visokog rizika, poput pregovora, agent može trajno ostati u ulozi savetnika. Autonomija je sredstvo, a ne krajnji cilj.

5. Gradite sposobnosti, a ne samo pojedinačne alate

Umesto pokretanja izolovanih projekata, formirajte interne „fabrike agenata“ – ponovljive metodologije za identifikaciju, implementaciju i skaliranje agenata kroz nabavku. Prvi projekat posmatrajte kao početak portfolija. Tim koji ga je napravio prenosi komponente za višekratnu upotrebu i modele upravljanja na svaki sledeći zadatak. Profesionalci u nabavci će preći iz uloge izvršilaca zadataka u ulogu kustosa ekosistema agenata, primenjujući ljudsko rasuđivanje tamo gde AI dostigne limite.

6. Ugradite upravljanje od samog početka

Definišite upravljanje kao osnovni parametar dizajna. Prava odobravanja, revizorski tragovi, putevi eskalacije i mehanizmi za preuzimanje kontrole od strane čoveka moraju biti precizirani pre nego što prvi agent počne sa radom. Svaki agent mora biti podržan jasnim investicionim planom, mapiran na određenu fazu procesa i merljiv kroz finansijske KPI-jeve. To primorava agente da podležu istoj kontroli kao i menadžeri nabavke i sprečava situaciju u kojoj uspešan pilot ne može da se skalira jer je sloj upravljanja naknadno dodat.

7. Merite komercijalne ishode, a ne samo stepen usvajanja

Pratite agentski AI koristeći iste metrike koje primenjujete na ukupne performanse nabavke: ostvarene uštede, pregovarački pomak, izbegnute troškove, doprinos EBIT-u i brzinu donošenja odluka u kritičnim situacijama. Procesne metrike, kao što su skraćenje ciklusa ili učestalost korišćenja četbota, posmatrajte kao sekundarne. Merenje zasnovano na vrednosti pretvara agentski AI iz pomoćne funkcije u kreatora ekonomskih rezultata.

Nabavka ne zaostaje u usvajanju agentskog AI-ja zato što je tehnologija nezrela. Zaostaje zato što su organizacione promene zahtevne i zato što je ova funkcija istorijski ustrojena na način koji otežava takva prilagođavanja. Međutim, situacija se menja. Uspešne organizacije nisu čekale savršene uslove – počele su sa fokusiranim projektima, merile rezultate i skalirale ono što funkcioniše. Tehnologija je spremna. Pitanje više nije da li će nabavka postati agentska, već koje će kompanije prve izgraditi tu stratešku prednost.

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

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

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

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

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

Gde kompanije greše

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

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

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

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

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

Vodič za optimizaciju broja zaposlenih

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

Redefinišite jedinicu rada.

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

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

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

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

Razvijte poslovnu strategiju, a ne AI strategiju.

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

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

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

Razumite šta AI može da uradi.

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

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

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

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

Razumite šta AI ne može da uradi.

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

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

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

Dizajniranje rada za reverzibilnost

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

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

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

. . .

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

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.

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

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

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

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

Razlike između Lean startapa i preduzetništva obilja

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

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

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

Zašto sada: Rekonfiguracija ograničenja

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

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

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

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

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

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

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

Izazovi obilja

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

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

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

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

Stručnost je i dalje važna

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

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

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

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

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

Implikacije za preduzetnike i etablirane kompanije

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

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

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

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.“

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.