Kako kupovina postaje sve digitalnija, uloga fizičkih prodavnica se pomera sa pukog obavljanja transakcija na rešavanje problema kupaca koje onlajn kanali ne mogu da reše. Istraživanje o multibrand maloprodavcima pokazuje da prodavnice stvaraju najveću vrednost kada lideri definišu jasnu svrhu za svaku lokaciju, selektivno investiraju u kategorije proizvoda gde su lična iskustva najvažnija i procenjuju učinak kroz celokupno putovanje kupca, a ne prema prodaji po pojedinačnim kanalima. Prodavnice usmerene na iskustvo mogu povećati ukupan prihod čak i dok smanjuju onlajn kupovinu, pod uslovom da prodube odnose sa kupcima, podstaknu češću kupovinu i dopunjuju digitalne kanale umesto da se takmiče sa njima. Najuspešniji maloprodavci organizuju fizička ulaganja oko vrednosti za kupca na nivou celog preduzeća, a ne oko učinka pojedinačnih kanala.

Moglo bi se oprostiti nekome ko zaključi da je fizička prodavnica u nepovratnom padu. Prazni izlozi ostaju uobičajen prizor u mnogim trgovačkim ulicama, a e-trgovina nastavlja da osvaja sve veći udeo u potrošnji potrošača. Ipak, neke od najbrže rastućih kompanija u maloprodaji se ne povlače iz fizičkih prodavnica. One ih otvaraju ubrzanim tempom.

Warby Parker, američki prodavac naočara nastao na internetu, završio je 2025. godinu sa 323 prodavnice i planira da otvori još 50 u 2026. Veliki etablirani maloprodavci takođe investiraju. Ulta Beauty je dodala 60 neto novih prodavnica u SAD tokom 2025. godine, proširivši svoju mrežu prodavnica za više od 4% na preko 1.500 lokacija — što je među najbržim stopama u maloprodaji. Isti kontratrend je vidljiv i u Holandiji, jednom od digitalno najzrelijih tržišta u Evropi i domu uspešnih tradicionalnih maloprodavaca kao što su Action i Rituals. Na primer, maloprodavac potrošačke elektronike primarno fokusiran na onlajn prodaju, Coolblue, porastao je sa 555 miliona evra godišnjeg prihoda i sedam prodavnica u 2015. godini na preko 2,5 milijardi evra i više od 40 lokacija danas, uključujući vodeću prodavnicu u Berlinu.

Ovi primeri sugerišu da najrelevantnije pitanje više nije da li fizička maloprodaja još uvek ima budućnost, već kako lideri treba da investiraju u nju. Koju stratešku ulogu fizička lokacija treba da igra u sve digitalnijem putovanju kupca? Kada firme treba da daju prioritet pogodnosti, a kada treba da investiraju u bogatiji format usmeren na iskustvo? Koji kupci, proizvodi i usluge opravdavaju oskudan prostor, zalihe i pažnju zaposlenih? I kako treba procenjivati uspeh kada nova lokacija može preusmeriti prihode među kanalima, a da istovremeno poveća ukupnu vrednost za kupca?

Taj izazov je posebno izražen kod multibrand maloprodavaca. Veliki deo dokaza o širenju prodavnica potiče od vertikalno integrisanih kompanija sa jednim brendom, kao što su Warby Parker i Bonobos, čije prodavnice prodaju ekskluzivne proizvode i mogu ojačati i brend i onlajn kanal. Većina velikih maloprodavaca suočava se sa težim problemom: oni prodaju brendove trećih strana koje kupci mogu kupiti i na drugim mestima. Prodavnica se stoga ne može osloniti na ekskluzivnost kako bi privukla posete i mora sprečiti da isključivo omogući konkurentsko razgledanje (showrooming), pri čemu kupci istražuju proizvode u prodavnici, ali na kraju kupuju na drugom mestu po nižoj ceni ili uz povoljniju dostavu.

Da bismo ispitali ovo zahtevnije okruženje, analizirali smo podatke o transakcijama tokom 26 meseci kod multibrand prodavca elektronike sa fokusom na onlajn poslovanje, obuhvatajući 2.388 područja poštanskih brojeva koja okružuju otvaranje tri prodavnice — dve velike prodavnice usmerene na iskustvo i jedne manje lokacije usmerene na pogodnost. Uporedili smo promene u obližnjim oblastima sa onima u pažljivo uparenim oblastima na drugim mestima, što nam je omogućilo da razlikujemo efekte otvaranja od osnovnih trendova prodaje. Takođe smo anketirali 450 potrošača kako bismo razumeli zašto su se efekti razlikovali po kategorijama, mereći relativnu vrednost prodavnica tokom pretrage informacija, ispunjenja porudžbine i povrata, i povezujući te percepcije sa uočenim efektima na prihod na nivou kategorija.

Kako izveštavamo u predstojećem članku u časopisu Production and Operations Management, uspešno fizičko investiranje zahteva povezan skup izbora: definisanje uloge lokacije, odabir pravog formata, identifikaciju kategorija koje imaju koristi od fizičke interakcije i usklađivanje prostora, zaliha, tehnologije i sposobnosti zaposlenih u skladu sa tim. Prodavnice ne bi trebalo ocenjivati izolovano — ili samo prema njihovom uticaju na onlajn prodaju — već prema ukupnoj vrednosti koju stvaraju kroz sve kanale i tokom celog putovanja kupca.

Prestanite da razmišljate u okvirima kanala

U našem radu sa maloprodavcima često se susrećemo sa odvojenim bilansima uspeha za prodavnice i e-trgovinu, što može podstaći svaku stranu da brani sopstveni prihod. Ovo iskrivljuje način na koji se procenjuju otvaranja prodavnica. Pad onlajn prodaje može izgledati kao signal neuspeha, dok snažna prodaja u prodavnici može delovati kao uspeh čak i kada su se kupovine samo premestile između kanala. Nasuprot tome, onlajn rast nakon otvaranja može se pogrešno protumačiti kao efekat prelivanja (halo effect), iako bi se deo toga svakako dogodio. Ono što je važno jeste promena koju je izazvala prodavnica — a ne samo ono što se desilo nakon toga.

Naši nalazi pokazuju zašto. U prva četiri meseca, sva tri otvaranja prodavnica smanjila su obližnji neto onlajn prihod — onlajn kupovine minus povrati — za otprilike 8% do 11%. Ipak, dve velike prodavnice usmerene na iskustvo više su nego nadoknadile te gubitke, povećavajući ukupan neto prihod kroz kanale za 21,7% i 23,2%; u prodavnici koju smo mogli da posmatramo tokom dužeg perioda, rast je na kraju dostigao 27,5%. Manja prodavnica usmerena na pogodnost kanibalizovala je onlajn prodaju u sličnom iznosu, ali nije generisala značajno povećanje ukupnog neto prihoda.

Moglo bi se posumnjati da je mala prodavnica ostvarila lošije rezultate zato što nije mogla da drži glomazne kategorije kao što su televizori i veš mašine. Ali kada smo ograničili poređenje na kategorije dostupne u oba formata, dobici velikih prodavnica su se jedva promenili, dok mala prodavnica i dalje nije proizvela nikakav značajan rast. Razlika nije bila samo u tome šta su prodavnice imale u asortimanu, već u tome šta su kupci mogli da rade unutar njih.

Izdvajaju se još tri obrasca. Velike prodavnice su generisale veći rast aktiviranjem postojećih kupaca nego privlačenjem novih, iako je i akvizicija značajno doprinela. Postojeći kupci su kupovali češće, umesto da troše više po porudžbini. Kanibalizacija je bila izrazito lokalnog karaktera: onlajn prodaja je najviše pala u blizini prodavnica, upravo tamo gde su dobici ukupnog prihoda bili najjači. Prodavnice stoga mogu biti u jednakoj meri mehanizam za aktivaciju koliko i kanal za akviziciju.

Šira pouka je da se fizička lokacija najbolje procenjuje prema tome da li širi poslovanje u celini, a ne prema tome gde se transakcija odvija. Lideri bi trebalo da se zapitaju da li nova lokacija uvećava bazu kupaca, produbljuje postojeće odnose ili povećava učestalost kupovine ili potrošnju u meri koja je dovoljna da nadoknadi supstituciju kanala.

Target ilustruje ovu međuzavisnost: njegove prodavnice istovremeno funkcionišu kao destinacije za kupovinu i centri za ispunjavanje porudžbina koje su započete digitalnim putem.

Lideri bi stoga trebalo da definišu zadatak fizičke tačke kontakta pre nego što odaberu njen format ili lokaciju. Ta svrha treba da usmerava dizajn, asortiman, zalihe, tehnologiju, raspodelu osoblja i, na kraju, evaluaciju učinka.

Dajte svakoj fizičkoj tački kontakta jasan zadatak

Fizičko ulaganje treba da započne sa jasnim problemom kupca: Šta je to što lokacija treba da reši, za koje proizvode, usluge i kupce? Prodavnica ne bi trebalo samo da reprodukuje ono što kupci već mogu da urade onlajn. Njena svrha treba da vodi izbor formata i lokacije, zajedno sa odlukama o asortimanu, zalihama, rasporedu, tehnologiji i sposobnostima zaposlenih. Kako je to formulisala glavna direktorka za maloprodaju kompanije Ulta Beauty, Ejmi Bajer-Tomas (Amiee Bayer-Thomas), maloprodavci se moraju „pojaviti za lokalnog gosta“ — što je termin koji Ulta koristi za kupca.

Naše istraživanje se fokusira na vrednost koju prodavnice mogu stvoriti u tri faze putovanja kupca. One mogu pomoći kupcima da razumeju i odluče kroz čulnu evaluaciju, poređenje i stručne savete; omogućiti trenutno ispunjenje porudžbine kada kupcima nešto treba odmah; i pojednostaviti povrate i rešavanje problema nakon kupovine.

Kupac televizora može posetiti prodavnicu da uporedi kvalitet slike i zvuka, dok nekome kome se pokvario laptop možda manje brine razgledanje, a više to da izađe sa zamenom istog dana.

Nemojte ravnomerno raspoređivati iskustvo

Lideri ne moraju da nagađaju koje pogodnosti u prodavnici su najvažnije. Za svaku kategoriju, naši ispitanici u anketi su procenili koliko vrednuju čulnu procenu, stručne savete, trenutni pristup i lakši povrat, kao i koliko bolje prodavnice pružaju te pogodnosti u poređenju sa onlajn kanalom.

Za destinacijske kategorije, kao što su televizori, laptopovi i mobilni telefoni, percepcija vrednosti u prodavnici tokom pretrage informacija i trenutnog ispunjenja blisko je odgovarala rastu prihoda; lakši povrati su bili znatno manje važni.

Za dodatnu opremu, te pogodnosti nisu objasnile učinak, što sugeriše da su dobici uglavnom nastali kroz unakrsnu prodaju sa destinacijskim proizvodima. Sposobnosti prodavnice bi stoga trebalo uskladiti sa potrebama kupaca kategoriju po kategoriju, a ne uniformno kroz ceo asortiman.

Davanje jasnog zadatka prodavnici ne znači pružanje istog iskustva za svaki proizvod ili potrebu kupca. Prostor, zalihe, tehnologija i stručnost zaposlenih su skupi, tako da lideri moraju da ih koncentrišu tamo gde stvaraju najveću vrednost.

Zbirni rezultati mogu prikriti značajne varijacije. Čak i unutar uspešne prodavnice, više od četiri od deset kategorija nije ostvarilo merljiv rast. Neke kategorije su se više nego udvostručile, dok su druge ostvarile rast uprkos tome što nisu nudile praktično iskustvo isprobavanja.

Princip alokacije je jednostavan: Uskladite fizičko ulaganje sa problemom kupca. Kategorije koje zahtevaju mnogo informacija iziskuju funkcionalne izložbene modele, mogućnosti poređenja i stručno osoblje. Proizvodi vođeni trenutnim ispunjenjem zahtevaju pouzdane lokalne zalihe i preuzimanje bez trenja. Dodatna oprema često ima više koristi od kontekstualnog postavljanja i pakovanja u pakete nego od samostalnih iskustava.

Coolblue primenjuje ovu logiku izlažući dodatnu opremu pored primarnih proizvoda ili je uklapajući u postavke konkretnih scenarija upotrebe, kao što su kompletne konfiguracije za kućnu kancelariju. U našoj studiji, maloprodavac koji je učestvovao na sličan način je pripisao rastući učinak nekoliko vrsta dodatne opreme uglavnom poboljšanoj unakrsnoj prodaji i učenju o tome kako da ih efikasno izloži.

Precizna alokacija će varirati u zavisnosti od maloprodavca, kategorije i tržišta. Ali princip se primenjuje i van maloprodaje — od koncentrisanja stručnosti u filijalama banaka na složene finansijske odluke do rezervisanja B2B demonstracionih centara za rešenja koja je teško proceniti na daljinu.

Cilj ne bi trebalo da bude maksimiziranje bogatstva svake fizičke interakcije. Trebalo bi da bude koncentrisanje ulaganja tamo gde fizičko prisustvo materijalno poboljšava odluku kupca, rešava hitnu potrebu ili jača šire rešenje.

Organizujte se oko vrednosti za kupca

Pretvaranje koncepta prodavnice u produktivnu investiciju zahteva koordinisane izbore. Lideri moraju uskladiti format, lokaciju, asortiman, zalihe, tehnologiju i osoblje oko problema kupca koji lokacija treba da reši. U suprotnom, funkcije mogu težiti suprotstavljenim ciljevima: sektor za nekretnine može preferirati manju površinu, operacije mogu minimizirati zalihe, a HR može ograničiti specijalizovano osoblje, čak i kada koncept zavisi od stručnih saveta i trenutne dostupnosti.

Viši rukovodilac ili međufunkcionalni tim bi stoga trebalo da upravlja celokupnom ponudom kroz putovanje kupca. Podaci o kupcima, vidljivost zaliha, budžeti i prava odlučivanja ne bi trebalo da ostanu podeljeni po kanalima. Učinak bi takođe trebalo procenjivati kroz sve kanale, koristeći mere kao što su ukupan neto prihod, akvizicija kupaca, učestalost kupovine, zadržavanje i povrati — a ne prodaja u prodavnici, onlajn rast ili poseta sami po sebi. Podsticaji bi trebalo da nagrađuju stvaranje vrednosti na nivou celog preduzeća, a ne zaštitu pojedinačnih kanala ili funkcionalnih budžeta.

. . .

Prodavnice koje stvaraju trajnu vrednost izgrađene su oko problema kupaca koje digitalni kanali ne mogu jednako dobro da reše. Ulaganje u fizička iskustva može izgledati kao odluka o kanalu, ali su njene posledice strateške. Cilj nije samo otvaranje više prodavnica. Cilj je pružiti kupcima uverljiv razlog za posetu — a organizaciji koherentan način da tu posetu učini vrednom truda.

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

Oblasti u kojima je AI već prevazišao ljudske sposobnosti

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

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

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

Oblasti gde ljudi i dalje imaju prednost nad AI

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

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

1. Emocije

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

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

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

2. Kompleksnost

Svet je i dalje previše složen za AI.

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

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

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

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

3. Fizička prisutnost

Gen AI ne može direktno da interaguje s fizičkim svetom.

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

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

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

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

4. Kreativnost

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

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

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

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

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

Kako ljudi i AI mogu međusobno da se dopunjuju

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

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

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

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

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

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

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

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

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

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

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

Zašto bi nabavka trebalo da predvodi agentsku revoluciju

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Zašto većina organizacija zaostaje

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

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

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

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

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

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

Put napred: Sedam koraka za lidere

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

1. Učinite nabavku vlasnikom, a ne samo korisnikom

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

2. Počnite tamo gde su problemi najveći

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

3. Tretirajte podatke kao infrastrukturu

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

4. Projektujte postepenu autonomiju

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

5. Gradite sposobnosti, a ne samo pojedinačne alate

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

6. Ugradite upravljanje od samog početka

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

7. Merite komercijalne ishode, a ne samo stepen usvajanja

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

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

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.

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

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

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

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

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

Mogućnosti AI pomoćnika

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

Analitičke sposobnosti

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

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

Verbalno-vizuelne sposobnosti

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

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

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

Integrisanje mogućnosti

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

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

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

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

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

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

Olakšavanje usvajanja i upotrebe

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

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

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

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

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

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

. . .

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

Izgrađena na temeljima informacionih tehnologija i digitalizacije, revolucija veštačke inteligencije (AI) prevazilazi ograničenja u najmanje tri ključne oblasti poslovanja: 1. Omogućava stalnu transformaciju preduzeća umesto povremenih promena; 2. Koristi inteligenciju u realnom vremenu umesto oslanjanja na povremeno ažurirane softvere; 3. Sintetiše različite tipove podataka umesto da bude ograničena na samo jedan format unosa, poput teksta ili slike. Danas vodeće kompanije koriste ove revolucionarne karakteristike AI kako bi izgradile strategije koje ih izdvajaju od konkurencije i redefinisale način na koji ljudi i mašine sarađuju.

Poznati pionir računarskih nauka, Daglas Engelbart, navodno je izjavio da je „digitalna revolucija daleko značajnija od izuma pisanja ili čak štampe.“ Takve revolucije nastaju kada nova tehnologija prevaziđe ograničenja prethodnih, kao što je štamparska presa zamenila ručno prepisivanje rukopisa. Digitalizacija je omogućila prikupljanje, analizu i komunikaciju ogromnih količina informacija, ubrzala poslovne procese i stvorila nove poslovne modele, dovodeći do umreženog globalnog tržišta. Sada, digitalnu revoluciju preuzima revolucija veštačke inteligencije, a njena brzina, obim i uticaj će daleko nadmašiti sve prethodne promene. Prema ekonomskim analizama, napredak u AI i IT sektoru stvoriće isto toliko vrednosti u narednih pet godina koliko je stvoreno u prethodnih deset, što ukazuje na široko rasprostranjene transformacije u različitim industrijama.

Tri ključne oblasti u kojima će AI promeniti poslovanje

Veštačka inteligencija menja pravila igre u najmanje tri ključne oblasti: 1. Omogućava stalnu prilagodljivost preduzeća, umesto povremenih promena; 2. Obezbeđuje inteligenciju u realnom vremenu, umesto oslanjanja na softvere koji se ažuriraju periodično; 3. Kombinuje različite vrste podataka, umesto da bude ograničena na samo jedan format, poput teksta ili slike. Danas najuspešnije kompanije koriste ove AI mogućnosti kako bi stekle konkurentsku prednost i redefinisale način na koji ljudi i mašine sarađuju.

Stalna transformacija preduzeća

Zbog brzih promena u potrošačkim preferencijama, geopolitici i globalnoj ekonomiji, statična priroda digitalne ere nalazi se pod velikim pritiskom. Kompanije više nemaju luksuz postepenih transformacija u skladu sa ciklusima ažuriranja softvera. Umesto toga, moraju dinamički da se prilagođavaju uslovima koji se mogu promeniti gotovo preko noći. Jedan od primera je Netflix, koji, uprkos velikoj konkurenciji, ostaje lider u industriji striminga koristeći AI za kontinuiranu evoluciju svog poslovanja i poboljšanje korisničkog iskustva.

Kako Netflix koristi veštačku inteligenciju?
• AI analizira istoriju gledanja, preferencije i čak doba dana kada korisnici gledaju sadržaj.
• Na osnovu tih podataka, AI generiše visoko personalizovane preporuke, zbog čega je korisničko iskustvo jedinstveno i prilagođeno svakom korisniku.
• Ova strategija je izuzetno uspešna, jer čak 80% sadržaja na Netflixu korisnici gledaju zahvaljujući AI preporukama.

AI se koristi i za generisanje personalizovanih sličica (thumbnails) za svaki naslov. Algoritmi analiziraju desetine hiljada kadrova iz filmova i serija i biraju one koji će najviše privući pažnju svakog pojedinačnog korisnika.

Ovaj nivo automatske personalizacije omogućava Netflixu da zadrži korisnike i održi konkurentsku prednost na tržištu. Dalja personalizacija postiže se adaptivnim strimovanjem sa prilagođenim protokom, pri čemu AI dinamički optimizuje kvalitet striminga u zavisnosti od brzine interneta i mogućnosti uređaja korisnika. Ovaj pristup smanjuje učitavanje sadržaja, obezbeđuje nesmetano gledanje koje je ključno za zadovoljstvo korisnika i smanjuje stopu otkazivanja pretplate.

AI takođe pomaže Netflixu da analizira obrasce gledanosti i povratne informacije kako bi identifikovao vrste sadržaja i teme koje su popularne među gledaocima. Međutim, korišćenje podataka zasnovanih na AI za kreiranje sadržaja koji uspeva kod raznolike publike zahteva iskustvo i kreativnost ljudi, koji donose konačne odluke o investicijama u sadržaj i marketinškim strategijama.

Tokom svojih 27 godina postojanja, Netflix se više puta iznova oblikovao. Godine 1997. započeo je kao servis za iznajmljivanje DVD-ova putem pošte, dve godine kasnije uveo je model mesečne pretplate, postao javno preduzeće 2002, pokrenuo svoju striming uslugu 2007, a 2013. počeo da proizvodi originalni sadržaj. Danas je Netflix jedan od vodećih igrača u industriji zabave sa više od 280 miliona pretplatnika širom sveta.

Nije iznenađenje što je osnivač Reed Hastings svoju knjigu iz 2020. godine, koju je napisao zajedno sa Erin Meyer, nazvao Bez pravila: Netflix i kultura reinvencije. Međutim, povremene transformacije koje su se dešavale svakih nekoliko godina sada su ustupile mesto stalnim promenama koje pokreće AI, omogućavajući reinvenciju na osnovu milijardi podataka i individualnih personalizacija u svakom trenutku, svakog dana.

Inteligencija u realnom vremenu

Tradicionalni sistemi za analizu podataka funkcionisali su sa vremenskim zakašnjenjem, bilo na kvartalnom, mesečnom ili čak dnevnom nivou. Nasuprot tome, veštačka inteligencija je stalno aktivna – sluša, uči i trenutno se prilagođava novim podacima. Kompanije sada mogu da odgovore na promenljive zahteve i očekivanja potrošača sa preciznošću i agilnošću kakva ranije nije bila moguća. Stari model, zasnovan na instrukcijama programera, jednostavno ne može da se meri sa AI-jem koji u realnom vremenu prilagođava inteligenciju individualnim potrebama korisnika.

Jedan od najinovativnijih primera korišćenja inteligencije u realnom vremenu je način na koji video platforma TikTok podstiče korisnike da provedu u proseku 34 sata mesečno na aplikaciji, nadmašujući sve druge društvene mreže. TikTokov algoritam preporuka, poznat kao „For You Page“ (FYP), koristi podatke u realnom vremenu za analizu interakcija korisnika, uključujući lajkove, deljenja, komentare i vreme provedeno na svakom video-sadržaju. Na osnovu ovih podataka, TikTok neprekidno ažurira i prilagođava sadržaj koji prikazuje svakom korisniku, stvarajući visoko personalizovano i angažovano iskustvo.

Istovremeno, AI sistemi u realnom vremenu rade zajedno sa ljudskim moderatorima kako bi pratili i filtrirali sadržaj u skladu sa smernicama zajednice i lokalnim kulturnim normama. Veštačka inteligencija analizira i trending teme i heštegove u realnom vremenu, identifikujući najrelevantniji i najpopularniji sadržaj, čime korisnike drži angažovanim kroz najnovije trendove i viralne izazove.

Pored toga, podaci u realnom vremenu koriste se za predviđanje ponašanja i preferencija korisnika, osiguravajući da korisnici ostanu angažovani, dok oglašivači postižu bolju preciznost ciljanog oglašavanja i bolji povrat investicije. Za kreatore sadržaja, TikTok nudi AI alatke koje rade u realnom vremenu, kao što su automatizovana video montaža, efekti proširene stvarnosti (AR) i sinhronizacija muzike. Ovi alati omogućavaju kreatorima da brzo i lako proizvode visokokvalitetne video-sadržaje, podstičući kreativnost i interakciju.

Korišćenje AI u realnom vremenu na TikToku predstavlja značajnu evoluciju u interakciji između ljudi i računara. Za razliku od ranijih tehnologija koje su se oslanjale na statične podatke, TikTokov sistem neprekidno uči i prilagođava se preferencijama korisnika – praktično sarađujući sa njima kako bi kreirao dinamična i angažujuća iskustva. Sami korisnici pomažu u obuci algoritma platforme, koji na osnovu njihovog ponašanja usavršava preporuke.

U TikTokovom hibridnom sistemu moderacije sadržaja, AI ne zamenjuje ljudske moderatore već ih podržava, omogućavajući rezultate koje ni ljudi ni mašine ne bi mogli postići samostalno.
Slično tome, AI alati koje TikTok pruža kreatorima kombinuju računarsku inteligenciju sa ljudskom kreativnošću kako bi unapredili ukupni kvalitet sadržaja na platformi.

Sintetizacija različitih tipova podataka

Digitalna era bila je fokusirana na bitove i bajtove, dok je revolucija veštačke inteligencije "multimodalna". To znači da AI sistemi sada mogu obrađivati informacije iz različitih izvora, uključujući tekst, slike, zvuk, video i druge senzorske ulaze.

Ljudi su oduvek bili multimodalni, jer u svakodnevnom životu istovremeno obrađujemo i integrišemo različite vrste informacija. Sada, zahvaljujući multimodalnoj veštačkoj inteligenciji, imamo tehnologiju koja oponaša našu sposobnost da interpretiramo i povezujemo širok spektar podataka.

Ova tehnologija omogućava AI sistemima da komuniciraju i interaguju s nama na način koji odgovara našim preferencijama, okruženju i namerama. Multimodalna inteligencija više nije isključivo ljudska osobina, već je koriste mnoge vodeće kompanije u različitim industrijama.

Upotreba multimodalne AI u različitim sektorima

Trgovina i maloprodaja

Velike maloprodajne kompanije koje kombinuju fizičke prodavnice i e-trgovinu koriste multimodalne AI sisteme, uključujući obradu prirodnog jezika (NLP) i robotiku, kako bi poboljšale korisničko iskustvo i optimizovale poslovanje.

• AI podržana korisnička podrška može razumeti i odgovarati na upite kupaca na prirodan način, ali i preduzimati radnje, kao što su pronalaženje porudžbina i upravljanje povratima.
• Samouslužni sistemi za naplatu koriste računarsku viziju i mašinsko učenje za prepoznavanje proizvoda i ubrzavanje procesa kupovine, smanjujući vreme čekanja i poboljšavajući efikasnost.
• Pametne korpe sa ugrađenim kamerama i senzorima prate nivoe zaliha na policama u realnom vremenu i obaveštavaju osoblje kada je potrebno dopuniti proizvode.
• U skladištima, roboti transportuju robu, smanjujući fizički napor zaposlenih i radeći zajedno s ljudima kako bi povećali produktivnost.
• Autonomni viljuškari u distribucionim centrima omogućavaju zaposlenima da se preusmere sa fizičkog utovara na upravljanje i koordinaciju efikasnijih procesa rukovanja robom.

Kombinovanjem multimodalne AI i saradnje između ljudi i mašina, maloprodajne kompanije istovremeno unapređuju korisničko iskustvo i optimizuju poslovne operacije.

Farmaceutska industrija i personalizovana medicina

Vodeće farmaceutske kompanije i istraživačke organizacije koriste multimodalne AI platforme kako bi ubrzale razvoj personalizovane medicine – tretmana prilagođenih individualnim karakteristikama pacijenata, uključujući simptome i genetske faktore.

• Cloud platforme omogućavaju analizu podataka iz kliničkih ispitivanja, medicinskih snimaka, patologije, radiologije, elektronskih zdravstvenih kartona (EHR), nosivih uređaja i genetskih podataka.
• Podaci iz EHR sistema obrađuju se za nekoliko minuta, dok se medicinske slike, koje su ranije zahtevale dane za analizu, sada sintetizuju za nekoliko sati.
• Ova tehnologija podržava 1.300 naučnika širom sveta, omogućavajući im da koriste analitiku podataka za:
- Poboljšanje istraživanja i razvoja (R&D).
- Optimizaciju dizajna kliničkih ispitivanja.
- Preciznije povezivanje pacijenata sa odgovarajućim terapijama.

Korišćenjem multimodalne AI, farmaceutska industrija postiže efikasnije istraživanje i preciznije medicinske tretmane.

Proizvodna industrija i pametna proizvodnja

Jedan od najvećih svetskih proizvođača, koji obuhvata proizvodnju kućnih aparata i napredne tehnologije, koristi multimodalnu AI za praćenje i optimizaciju svakog aspekta proizvodnog procesa.

• Audio signali, poput zvuka koji komponenta proizvodi tokom sklapanja, analiziraju se kako bi se otkrile nepravilnosti u radu.
• Senzori prikupljaju podatke o težini i temperaturi delova, osiguravajući da svaki element ispunjava precizne specifikacije.
• Obim podataka je ogroman – samo u jednoj fabrici generiše se količina podataka ekvivalentna više od 40 miliona stranica papira dnevno.
• Samopodešavajući algoritmi analiziraju i integrišu ove podatke kako bi omogućili:
- Praćenje stanja mašina u realnom vremenu.
- Prediktivno održavanje kako bi se smanjili zastoji u proizvodnji.
- Optimizaciju procesa s ciljem postizanja nulte stope grešaka.

Multimodalna AI omogućava inteligentnu analizu proizvodnih procesa i stvara efikasnija, prediktivna i automatizovana rešenja.

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

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

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

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

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

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

Pet načina razmišljanja menadžera koji oblikuju usvajanje

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

AI skeptik

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

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

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

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

Tradicionalista koji čeka i posmatra

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

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

Oprezni implementator

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

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

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

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

Entuzijastični eksperimentator

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

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

AI katalizator

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

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

Uskladite intervenciju sa menadžerom

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

Praktična dijagnostika počinje sa tri pitanja:

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

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

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

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

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

Pravi test korporativne veštačke inteligencije jeste menadžersko poverenje

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

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

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.