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.

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

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

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

Ograničenja

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

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

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

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

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

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

1. Kao platforma za razmenu ideja

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

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

2. Za istraživanje scenarija

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

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

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

3. Kao alat za generisanje ideja

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

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

Napredak: Pozicioniranje AI-a kao strateškog dodatka

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

Ambiciozni preduzetnici se sve više okreću veštačkoj inteligenciji (AI) kako bi podstakli rast, inovacije i efikasnost. Koristili su AI da bi se takmičili sa velikim igračima, pokazujući da mali timovi mogu postići izvanredan uticaj. Preduzetnici koji nameravaju da zaposle više od 20 ljudi znatno češće smatraju AI ključnom za svoje poslovne modele. Uprkos entuzijazmu, izazovi kao što su troškovi, implementacija i privatnost podataka i dalje postoje. Ali postavljanje strateškog tempa, jačanje saradnje između ljudi i AI, i podsticanje eksperimentisanja koje vode zaposleni može pomoći.

Kada je tim u kompaniji Anysphere 2022. godine pokrenuo Cursor – AI asistenta za kodiranje – oni nisu bili dobro finansirani gigant. Bili su mala grupa programera koja je gradila pametniji način za pisanje koda. U roku od nekoliko meseci, takmičili su se sa alatima kompanija OpenAI i GitHub, dokazujući da čak i najmanji timovi mogu da postignu mnogo više nego što se od njih očekuje kada ih pokreće AI. Ova vrsta skalabilnog, inteligentnog dizajna više nije isključivi domen velikih firmi ili tehnoloških startapova. Iako su Anysphere i drugi slični njima još uvek na početku svog puta, oni pokazuju kako ambiciozni preduzetnici mogu da iskoriste AI za ubrzavanje donošenja odluka, otključavanje novih tržišta i optimizaciju poslovanja. Naše najnovije istraživanje Global Entrepreneurship Monitor (koje je obuhvatilo više od 2.300 američkih preduzetnika) pokazuje da preduzetnici sa ambicijama za rast – ambiciozni preduzetnici – mnogo češće smatraju AI ključnom za svoje poslovne modele i budući uspeh. Kako bismo vodili ove poduhvate, u nastavku predstavljamo praktičan okvir za rast uz pomoć AI.

Važnost ambicioznih preduzetnika

Mala preduzeća čine 99% svih firmi u SAD i skoro polovinu zaposlenih u privatnom sektoru, prema podacima američkog Biroa za statistiku rada (U.S. Bureau of Labor Statistics). Takođe, konstantno nadmašuju veće firme u otvaranju novih radnih mesta (U.S. Census Bureau). Ali mnogo manji podskup – ambiciozni preduzetnici – pokreće najtransformativnije promene. Podaci Global Entrepreneurship Monitora pokazuju da samo 18% američkih preduzetnika očekuje da će zaposliti 20 ili više ljudi u narednih pet godina. Ovi preduzetnici se ističu: imaju preko četiri puta veću verovatnoću da će uvesti nove proizvode ili usluge u poređenju sa onima koji ne predviđaju zapošljavanje, što ih pozicionira kao katalizatore i za otvaranje radnih mesta i za inovacije. Ovi ambiciozni preduzetnici ne teže samo rastu – oni teže da remete, skaliraju i vode. Oni vide AI kao ključnu za postizanje tih ciljeva. I postižući ih, oni nesrazmerno doprinose ekonomskoj obnovi.

Usvajanje AI u preduzetništvu

Lideri velikih firmi se uveliko slažu da AI transformiše industrije, remeti radne tokove i redefiniše poslovne modele sa neviđenom brzinom. U globalnoj anketi kompanije Deloitte, 78% rukovodilaca je izjavilo da planira da poveća svoja ulaganja u AI tokom naredne godine. Ali ovo nije samo priča o disruptivnim promenama na nivou preduzeća. Generativni AI alati demokratizuju sposobnosti koje su nekada bile rezervisane za velike timove i velike budžete.

Ipak, uprkos širenju dostupnih AI aplikacija, postoji relativno malo istraživanja o percepcijama usvajanja AI među malim i srednjim preduzećima. Jedna od retkih dostupnih anketa pokazala je da samo 21% malih preduzeća koristi AI ili planira da ga koristi u naredne dve godine. Međutim, naši GEM podaci otkrivaju jasniju sliku: ambiciozni preduzetnici – oni koji predviđaju zapošljavanje najmanje 20 novih radnika u narednih pet godina – stavljaju mnogo veći naglasak na AI. Preciznije, 87% njih predviđa da će AI biti ključna za njihov poslovni model i strategiju u naredne tri godine. Preko 90% očekuje pozitivne uticaje na prihod i rast, pri čemu većina navodi prednosti kao što su razvoj inovativnih proizvoda i usluga, poboljšana produktivnost i efikasnost, unapređena personalizacija za kupce i bolje upravljanje rizikom i usklađenošću.

Ovo nije samo teorija. Preduzetnici mogu izgledati bolje pozicionirani od velikih firmi za integraciju AI. Novi poduhvati mogu da grade procese vođene veštačkom inteligencijom od prvog dana, a etabliranija mala preduzeća često posluju sa manje od pet zaposlenih – dovoljno agilni da izbegnu birokratiju. Ali mala veličina takođe može biti ograničenje. Ograničeni finansijski i ljudski resursi, posebno za netehnološke firme koje ređe dobijaju rizični kapital, znače da je rast – a ne usvajanje tehnologije – često prioritet. U nedostatku značajnih internih tehničkih timova, mnogi osnivači se suočavaju sa stvarnim izazovima u usvajanju i upravljanju naprednom tehnologijom.

Čak i među ambicioznim preduzetnicima, entuzijazam za AI ne nadjačava zabrinutost. Glavne brige uključuju troškove i prepreke u implementaciji (84%), kao i otpor zaposlenih (72%) i/ili kupaca (81%). Osamdeset osam posto je navelo privatnost podataka kao ključnu brigu. Iako GEM podaci pokazuju da ambiciozni preduzetnici češće posluju u tehnološki intenzivnim sektorima – ili agresivno koriste tehnologiju u svom poslovanju – oni i dalje predstavljaju tek nešto više od 10% ambicioznih preduzetnika koje smo anketirali. To sugeriše da većina možda nema tehnološke veštine ili orijentaciju koja bi omogućila takva ulaganja. AI već dugo pomaže u unapređenju ljudskog rada.

Robotska automatizacija procesa obavlja ponavljajuće pozadinske zadatke, dok analitička AI podržava brže i tačnije donošenje odluka o predviđanju, određivanju cena i ciljanju kupaca. Generativna AI sada omogućava preduzetnicima da testiraju marketinške strategije ili poslovne modele za nekoliko dana umesto nedelja – i da kreiraju sadržaj, od prezentacija za investitore do koda, uz minimalan unos.

AI takođe transformiše industrije koje se tradicionalno ne smatraju tehnološki naprednim. Stuccco, kompanija za virtuelno uređenje nekretnina, sve više dodaje AI mogućnosti svojim renderima uređenih prostora. ImagineInteriors.ai, na primer, je proizvod obučen na dizajnima koje su stvorili ljudi, a koji će profesionalcima u nekretninama pružiti vizualizaciju proizvoda i virtuelno uređenje. Druga ponuda omogućava potrošačima da sami kreiraju uređenja sa proizvodima koji se mogu kupiti. Ono što je nekada zahtevalo nameštaj i nedelje priprema, sada će biti urađeno za nekoliko sati uz fotorealistične AI rendere – omogućavajući malim firmama da se takmiče sa luksuznim agencijama. Ovi alati ne zamenjuju ljudsko rasuđivanje – oni ga proširuju.

Nedavno je uspon agentivne AI – alata koji mogu samostalno obavljati digitalne zadatke – proširio ove mogućnosti. Preduzetnici sada mogu automatizovati izradu veb-sajtova, obradu transakcija, korisničku podršku i istraživanje tržišta. Iako je ljudski nadzor i dalje ključan, ovi agenti značajno povećavaju kapacitet. Ukratko, AI pomaže preduzetnicima da rastu pametnije, a ne samo veće.

Okvir za preduzetnike

Da bismo vodili preduzetnike – posebno one sa visokim ambicijama za rast – razvili smo praktičan, prilagodljiv okvir za usvajanje AI. Koristan je i za one koji podržavaju preduzetničke poduhvate, uključujući investitore, savetnike i partnere u ekosistemu. Ovaj okvir se mora primeniti uz razumevanje resursa, konteksta i težnji svakog poduhvata. Poduhvat sa dubokim tehničkim sposobnostima imaće drugačiji pristup od startapa sa ograničenim finansijskim ili tehničkim resursima. U svim slučajevima, međutim, važi jedan princip: usvajanje AI ne može biti isključivo odozgo-nadole.

Odredite pravac i tempo usvajanja AI.

Prvo pitanje koje preduzetnici moraju postaviti nije samo da li da usvoje AI – već kako i koliko brzo. Dok neke firme pokušavaju sa potpunom implementacijom, većina ima koristi od postepenog usvajanja zasnovanog na učenju iz eksperimentisanja. Kao što preduzetnici često razvijaju minimalno održive proizvode, tako mogu razviti i minimalno održive slučajeve upotrebe AI. Automatizacija ponavljajućih zadataka, bilo pomoću RPA ili sve više AI agenata, retko zahteva velike promene u procesima. Ove rane primene grade zamah i unutrašnju podršku.

Neka preduzeća daju prioritet prilikama visoke vrednosti koje donose prihod, kao što je korišćenje AI za efikasnije lansiranje novih proizvoda ili proširenje dosega do kupaca. Druga počinju sa laganim alatima za uštedu troškova koji su ugrađeni u postojeće sisteme.
I, preduzetnici ne moraju odmah da grade internu stručnost za AI. Mnogi počinju radeći sa kompanijama koje ugrađuju AI u alate dizajnirane za njihovu industriju. Netic, na primer, je dobavljač rešenja za HVAC, vodovodne i električarske poslove. Nudi AI za automatizaciju i predviđanje angažovanja kupaca, zakazivanja i marketinga. Optimizacijom ovih operativnih zadataka, Netic pomaže sebi i svojim klijentima, malim uslužnim firmama, da poboljšaju efikasnost bez dodavanja novih zaposlenih ili tehničke infrastrukture.
Alati poput ovih daju preduzetnicima niskorizičan način da potvrde potencijal AI. Preduzetnicima koji žongliraju sa više uloga, oni oslobađaju vreme da se fokusiraju na rast. Iako oslanjanje na spoljne dobavljače AI možda neće doneti trenutnu konkurentsku prednost, ono gradi organizaciono samopouzdanje i utire put za strateškije, interno eksperimentisanje u budućnosti.

Ojačajte komplementaran odnos sa AI.

Iako AI optimizuje radne tokove i automatizuje zadatke, ona nije potpuna zamena za ljudske veštine. Odlična je u obradi podataka, prepoznavanju obrazaca i izvršavanju ponavljajućih ili zadataka zasnovanih na pravilima. Ljudi donose kritičko razmišljanje, empatiju, rasuđivanje i prilagodljivost – veštine koje mašine ne mogu da repliciraju. Prilika leži u dizajniranju radnih tokova gde ljudi i mašine koriste svoje prednosti.

Razmotrite kako čak i uslužno orijentisana preduzeća unapređuju personalizaciju pomoću AI. Style DNA, na primer, počeo je kao usluga ličnog stilizovanja usmerena na pomaganje korisnicima da maksimalno iskoriste svoju postojeću garderobu. Da bi proširila svoj uticaj i poboljšala personalizaciju, kompanija je kasnije integrisala AI u svoju platformu – koristeći prepoznavanje slika i učenje o preferencijama kako bi predložila odabrane odevne kombinacije na osnovu fotografija koje korisnici postave i njihovih profila stila. Dok aplikacija generiše modne preporuke zasnovane na podacima, korisnici ostaju u kontroli, birajući konačni izgled koji odražava njihov ukus. Ovaj hibridni model spaja ljudsku kreativnost sa mašinskom inteligencijom i takođe podržava održivu modu podstičući ponovnu upotrebu umesto nove potrošnje.

U preduzetničkim poduhvatima gde zaposleni obavljaju mnogo različitih poslova, AI može preusmeriti članove tima sa ponavljajućih zadataka na kreativnije uloge okrenute klijentima. Ova tranzicija produbljuje angažovanje, poboljšava zadržavanje zaposlenih i povećava vrednost ponude kompanije. Preduzetnici bi trebalo da predstave usvajanje AI ne kao pretnju, već kao način za jačanje ljudskog potencijala.

Implementirajte kao inicijativu koju vode zaposleni, inspirisanu kolegama.

Za razliku od velikih firmi, većina preduzetničkih poduhvata ne može da zaposli posvećene AI timove. Ali i dalje mogu biti vodeći u usvajanju osnaživanjem „građana programera“ ili „vibe kodera“ – radoznalih, tehnološki pismenih zaposlenih koji su voljni da eksperimentišu, čak i bez formalne obuke za AI. Ovi članovi tima razumeju radne tokove i kulturu kompanije, što ih čini idealnim ranim usvajačima.

Gotovo svaki jezički model sada može da generiše kod. Postoje i specijalizovani alati koji mogu da koriste AI za kreiranje veb-stranica, prezentacija, poslovnih planova, istraživanja tržišta, dizajna proizvoda, logotipa i skoro svake druge digitalne komponente koja je potrebna malim preduzećima. Ovi alati su obično jeftini ili čak besplatni. U preduzetničkom okruženju, ovakva dostupnost je multiplikator snage.

Ovo usvajanje odozdo-nagore gradi poverenje, a GEM podaci pokazuju da su preduzetnici zabrinuti da se njihovi zaposleni plaše AI. Ali veća je verovatnoća da će oni prihvatiti tehnologiju kada je uvedu kolege, a ne kada je nametnuta sa vrha. Vremenom, ovi rani usvajači postaju interni šampioni koji modeliraju najbolje prakse i grade organizacionu AI pismenost. Preduzetnici bi trebalo da ojačaju ovaj zamah ciljanim razvojem, priznavanjem i jasnim podsticajima. Ako se uradi kako treba, usvajanje AI vođeno zaposlenima ne samo da povećava produktivnost, već i oblikuje agilniju i inovativniju kulturu.

. . .

Veštačka inteligencija više nije isključivi domen tehnoloških giganata. Sa alatima koji su dostupniji i troškovima implementacije nižim nego ikad, preduzetnici orijentisani na rast su u dobroj poziciji da predvode. Kada se primeni promišljeno, AI pomaže malim preduzećima da se brže razvijaju, posluju pametnije i usmere ljudski kapital na kreativnost, angažovanje kupaca i inovacije. Ali otključavanje ovih prednosti zahteva više od eksperimentisanja – zahteva promenu načina razmišljanja.

Najuspešniji preduzetnici će tretirati AI ne samo kao alat, već kao stratešku sposobnost ugrađenu u celo poslovanje. Sledeći talas poslovne transformacije neće doći samo iz upravnih odbora kompanija sa liste Fortune 500. Pokretaće ga odvažni preduzetnici koji kombinuju ambiciju sa pametnom primenom AI kako bi nadmašili, nadmudrili i nadjačali konkurenciju.

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.

Iako se ne može obećati izvesnost u vezi sa budućnošću, lideri mogu pružiti okvir za upravljanje anksioznošću tima koja okružuje transformaciju putem veštačke inteligencije (AI). Važno je da i lider i tim podjednako učestvuju u transparentnosti i otvorenom dijalogu kako bi se održala kohezija tima i psihološka sigurnost tokom perioda potencijalno remetilačkih promena. Lideri moraju neprestano ostavljati prostor za refleksiju, prepoznajući da se anksioznost zbog AI ne može rešiti u jednom razgovoru, tako što će prihvatiti strahove zaposlenih, kreirati sigurne prostore za razgovor, preduzimati posvećene akcije i ponavljati ovaj proces iznova i iznova.

Tokom pandemije, lideri su naučili da moraju da smisle kako da održe svoje timove povezanim čak i kada nisu imali pojma šta će se, do đavola, dešavati iz dana u dan. I mnogi od nas su shvatili nešto prelepo: da je pokazivanje malo više ranjivosti i otvorenosti prema „sivim zonama” bilo upravo ono što je našim ljudima trebalo. Na kratak trenutak, liderima je bilo dozvoljeno da pričaju o onome što ne znaju.

Iako AI (hvala bogu) ne predstavlja pretnju našoj smrtnosti, većina Amerikanaca strahuje od njenog uticaja, i niko ne može dovesti u pitanje poremećaj koji je već donela. Zato je, nakon što lideri razviju svest o sopstvenim emocijama, sledeći korak vođenje njihovih timova kroz anksioznost zbog AI. To zahteva priznavanje teške istine: ne možete obećati stabilnost. Ne možete obećati da će uloge, zadaci ili strukture ostati nepromenjeni. Ne možete obećati da će AI poštedeti vašu funkciju ili industriju. Ali možete obećati jasnost, transparentnost i otvoren dijalog o uticaju promena.

Anksioznost, potisnute emocije i strah mogu negativno uticati na učinak i moral tima. Dok vremena ogromne neizvesnosti zahtevaju mnogo različitih liderskih veština, istraživanja pokazuju da lideri koji naglašavaju čestu, iterativnu, transparentnu komunikaciju, koji su otvoreni u vezi sa onim što znaju i ne znaju, i koji dele vesti čak i kada nisu sjajne, mogu pomoći u ublažavanju negativnih osećanja. Kreiranje psihološke sigurnosti počinje sposobnošću tima da otvoreno govori bez straha od osude ili sramote i da o izazovnim temama diskutuje na produktivan način.

Evo četiri koraka za upravljanje anksioznošću vašeg tima zbog AI, čak i kada ne možete da obećate da će sve ispasti dobro.

Osetite strah i uradite to uprkos njemu

Niko ne zna tačno kuda ide transformacija putem AI, kako će izgledati radno mesto ili da li ćemo i dalje imati svoje poslove za jednu ili pet godina. Međutim, za vaš tim je snažno da vidi kako prihvatate sopstvenu anksioznost i neizvesnost, dok se krećete od straha ka akciji. To normalizuje njihova sopstvena osećanja i povećava poverenje u vas kao njihovog lidera. Ovo nije tako teško kao što se čini; kroz anksioznost možemo proći samo kada prihvatimo njeno prisustvo.

Istraživanje Randžaja Gulatija sa Poslovne škole Harvard pokazuje da naš unutrašnji narativ — ili mentalni sklop — pomaže u određivanju naše sposobnosti da se sa neizvesnošću suočimo hrabro. Veliki lideri nikada nisu poricali svoj strah. Oni priznaju da su anksiozni, razumeju zašto su anksiozni i odlučuju da ipak krenu napred. Budućnost je neizvesna. Ljudi su uplašeni. I to je u redu reći naglas. Decenije istraživanja o psihološkoj sigurnosti potvrđuju da iskreni, transparentni razgovori grade poverenje i stvaraju osećaj zajedničke svrhe. Priznavanje timu nečeg poput: „Vau, čini se da AI postaje pametnija svakim danom” ili „ChatGPT me plaši”, podstiče povezanost i zajedničku otpornost govoreći: „Nisi jedini”.

Kreirajte „kontejner” i vodite dobre razgovore

Aktivnim ispitivanjem pitanja koja okružuju implementaciju AI, dobijamo više moći delovanja. U kompaniji za liderstvo i koučing BetterUp, direktor AI transformacije Li Gonzales koristi metaforu prelaska sa uloge „putnika” u AI — ili nekoga ko pasivno posmatra tehnologiju — na ulogu „pilota” AI, koji aktivno upravlja načinom na koji se ovi alati koriste. A postajanje pilotom počinje razgovorom o našim osećanjima u vezi sa AI. Moramo razgovarati o AI ako želimo da je koristimo dobro.

Ekspert za poremećaje na tržištu i AI Šarlin Li preporučuje slušanje „pitanja iza pitanja” kada razgovaramo o AI. Ona piše: „Iza svakog ’Kako ovo funkcioniše?’ krije se ranjivije pitanje. Vaši zaposleni se možda pitaju da li su i dalje potrebni, koja je njihova svrha ako AI zameni ključne zadatke i koliku vrednost imaju za vašu organizaciju.” Posao lidera je da izvuče ova pitanja od zaposlenih, uvaži ih i pokuša da na njih odgovori najbolje što može, čak i ako nema sve odgovore.

Razgovor je moćna akcija kojoj se lideri moraju posvetiti. Na primer, Lije va sugeriše započinjanje dijaloga sa članovima tima o identitetu, svrsi i vrednosti u svetu potpomognutom veštačkom inteligencijom nakon sesija obuke za AI. Teško je razgovarati o emocijama i AI usred užurbanog sastanka ili prenatrpanih konsultacija. Ovi razgovori se mogu dešavati u svakodnevnom kontekstu, ali im treba posvetiti vreme i pažnju.

Ono što im je zaista potrebno je „kontejner”. U psihologiji, „kontejner” je okruženje, sastanak ili razgovor koji bezbedno drži snažne emocije. Ideja je da ljudi mogu doneti teške stvari u kontejner, jer je sam kontejner određeno okruženje koje može podržati iskrene razgovore bez spoljnih posledica ili osuđivanja nazad „u stvarnom svetu”. Svaki kontejner treba fasilitatora, nekoga ko će namerno kreirati prostor gde se ljudi osećaju sigurno da kažu ono što misle i istraže ideje i emocije. To ste vi kao lider. Možete kreirati kontejner na redovnim sastancima, ili možete kreirati posebne sastanke ili razgovore 1 na 1 koji pomažu ljudima da prođu kroz svoju neizvesnost, anksioznost ili bes na siguran i konstruktivan način.

Evo kako da počnete:

1. Uokvirite rad. Možete postaviti nameru za razgovor, kao što je: „Uvodimo velike promene sa AI. To može doneti složene emocije — ja ih svakako imam. Mislim da ćemo, ako budemo iskreni o osećanjima koja AI budi u nama, biti jači kao tim.” Odredite posebno vreme i ohrabrite ljude da budu prisutni u razgovoru. Ovo nije razgovor o kreiranju akcionih koraka ili konkretnih zadataka, iako to može doći kasnije.

2. Uspostavite pravila igre za razgovor. Ohrabrite različita gledišta i priznajte da, iako ovo može biti emocionalna tema, ljudima se neće suditi zbog njihovih osećanja. Zamolite svoj tim da produktivno odgovara na komentare i da ne ućutkuje druge; koristite „ja” izjave. (Za odličan uvod u to kako voditi psihološki siguran razgovor na poslu, pogledajte ovaj članak.)

3. Budite iskreni o sopstvenim osećanjima u vezi sa AI, uključujući i ona anksiozna. Ovaj pristup neguje povezanost i zajedničku otpornost govoreći: „Nisi jedini, ali možemo ovo zajedno da shvatimo.”

Evo nekoliko pitanja koja možete postaviti sebi kada kreirate kontejner:
• Da li sam dovoljno pribran da vodim ovaj razgovor i ako nisam, kako mogu da se priberem?
• Koji nivo ranjivosti će pomoći timu da se otvori, a da se ljudi ne osećaju neprijatno?
• Šta mogu da kažem svojim ljudima a da je istina?
• Šta ne mogu da im kažem jer ne znam, ili zato što je ono što znam poverljivo?
• Kako mogu da napravim prostor za ono što je neizvesno?
• Kako mogu da ohrabrim različita gledišta i omogućim drugima da se čuju?
• Šta želim da dobijemo iz ovog razgovora? Šta će ga učiniti uspešnim?

Kreiranje kontejnera je jednostavno, ali nikada lako. Vi niste terapeut svom timu, ali možete voditi razgovore koji pomažu vašem timu da prođe kroz anksioznost zbog AI — ili, alternativno, možete dovesti stručnjaka poput kouča ili nekoga veštog u profesionalnom razvoju.

Preduzmite posvećenu akciju

Naravno, nije dovoljno otkriti emocije oko transformacije putem AI i ne uraditi ništa. Vaši ljudi možda ne očekuju da im obećate posao doživotno, ali očekuju da im čuvate leđa usred promena. Preduzimanje akcije i pokazivanje radoznalosti su dva najbolja načina za upravljanje anksioznošću zbog AI.

Zato ponudite jasan sledeći korak. AI se u mnogim organizacijama implementira nasumično na način koji slabi poverenje, što je snažna vrednost za mnoge od nas. Kao lideri, možemo pomoći u jačanju poverenja čak i kada imamo malo kontrole nad makro odlukama. Ilustrujte kako ćete zajedno dokučiti tu stvar sa AI. Možda kroz zajedničke sesije učenja, hakatone ili zajedničko vreme samo za postavljanje ranjivih pitanja i raščišćavanje stvari. Možda je to postavljanje sistema za praćenje, merenje i deljenje načina na koje AI čini rad boljim, kao i načina na koje frustrira.

Učenje se zasniva na radoznalosti. Ako situacija to nalaže, možete osposobiti ljude da nauče nove veštine. U svom kontejneru budite iskreni o potencijalnim posledicama i intervenišite rano kako biste svojim ljudima dali alate koji bi im mogli zatrebati da ostanu zaposleni. HR ekspert Enrike Rubio kaže: „Ono što me brine je to što neke kompanije već znaju koji će poslovi verovatno nestati, ali ništa ne govore. Ne daju ljudima vremena da se pripreme ili istraže druge opcije. Ne nude podršku za izgradnju veština, pa čak ni upozorenje.” Umesto toga, kaže Rubio, oni čekaju do poslednjeg mogućeg trenutka da saopšte loše vesti.

Ta vrsta tišine nanosi štetu. Ona nagriza poverenje. To što neko napušta vašu kompaniju da bi potražio novu priliku je teško. Ali to je daleko bolja opcija za njih nego da im se kaže da će njihova uloga biti zamenjena veštačkom inteligencijom bez ikakvih alternativa.

Nakon diskusije o vrednostima, budite jasni o tome kako preduzeti akciju koja podržava vaše vrednosti ako je nešto neprihvatljivo. Znajući da sveprisutnost generativne AI može biti u sukobu sa našim vrednostima profesionalizma i zanata, na primer, timovi mogu uspostaviti zajedničke norme oko zaštitnih ograda za upotrebu AI u svojim poslovima. Oni mogu izgraditi nadzor i odgovornost kako bi osigurali da ljudi donose konačne odluke. Rubio sugeriše: „Recite svojim menadžerima za šta mogu da koriste AI, ali utvrdite da su oni ultimativno odgovorni za odluke i radni proizvod. AI ne može donositi konačne odluke.”

Nastavite da pravite prostor i ponavljajte proces, iznova i iznova

Anksioznost zbog AI ne može se rešiti u jednom razgovoru, i vaš tim će nastaviti da ima snažna osećanja u vezi sa tim. Podstičem vas da dosledno i smisleno odvajate vreme za ove razgovore. Ovo bi mogao biti dar ne samo vašem timu, već i vama samima. Na kraju krajeva, kada ste poslednji put osećali da imate prostora za svoje misli? Prostora za pravi razgovor? Saradnica Poslovne škole Saïd, Megan Rajc, i istraživač Džon Higins pišu da najbolji lideri dozvoljavaju sebi i svojim kolegama da borave u „prostranom režimu”, „u kojem ljudi obraćaju pažnju ekspanzivnije, bez žurbe, čineći ih prijemčivijim za odnose, međuzavisnosti i mogućnosti... Prostrani režim vodi do ključnih prednosti na radnom mestu, kao što su sticanje uvida u izazove, strateško razmišljanje, uočavanje prilika, izgradnja odnosa i podsticanje radosti i motivacije.”

Sprint ka tome da se „pobedi u AI” preokupira naše vlade, naše kompanije i naše liderske mandate i OKR-ove (ciljeve i ključne rezultate). Malo ko odvaja vreme da zastane i razmisli. Dominacija u AI može biti trka, ali znamo da se najbolji takmičari brinu o svom umu i telu dok se takmiče — oni reflektuju, analiziraju svoj učinak i usporavaju. Razumite emocije koje AI izvlači na površinu, identifikujte vrednosti koje leže ispod vaših emocija i odaberite akcije koje su usklađene sa tim vrednostima.

Počnite od sebe, a zatim kreirajte kontejnere u kojima ljudi mogu iskreno razgovarati, postavljati ranjiva pitanja i zajedno preduzimati posvećene akcije: prekvalifikaciju, postavljanje normi i mapiranje onoga što znate o budućnosti. Budite transparentni u vezi sa onim što znate i onim što ne znate, držite ljude odgovornim za odluke i pomozite ljudima da pređu iz uloge putnika u AI u ulogu pilota AI. Najviše od svega, pravite prostor i ponavljajte proces, kako biste normalizovali početne reakcije, izgradili poverenje i održali zajedničku svrhu kroz tekuće poremećaje.

Ako je ikada postojala promena kojoj su bili potrebni dobri, otvoreni razgovori, to je transformacija putem AI. Kao lideri, imamo moć da usporimo samo na kratko i napravimo prostor, za neprijatne emocije i anksioznosti, da, ali i da zastanemo i razmotrimo šta je moguće za bolju budućnost.

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

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

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

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

Kupci očekuju dosledna iskustva

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

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

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

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

AI pruža argumente za integraciju

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

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

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

Kako se vodeće organizacije prilagođavaju

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

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

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

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

Kada se realizacija spaja, vlasništvo postaje jasnije

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

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

Model zatvorene petlje

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

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

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

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

Vizija i rezultati:

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

Podaci i sistemi:

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

Organizacija i sposobnosti:

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

. . .

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

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

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

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

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

Osam timova, stvarni problemi, jedan dan

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

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

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

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

Definisanje problema i dizajn rešenja

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

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

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

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

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

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

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

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

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

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

Timovi imaju najviše koristi od deljenog radnog okruženja

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

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

Saradnja i konkurentska prednost pomeraju se uzvodno

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

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

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

Tri stvari koje menadžeri moraju raditi drugačije

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

1. Stavite snažan fokus na definisanje problema

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

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

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

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

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

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

2. Koristite prototipe za preciziranje problema

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

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

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

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

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

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

3. Organizujte timove prema perspektivama, a ne veštinama

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

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

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

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.