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

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

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

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

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

Gde kompanije greše

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

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

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

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

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

Vodič za optimizaciju broja zaposlenih

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

Redefinišite jedinicu rada.

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

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

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

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

Razvijte poslovnu strategiju, a ne AI strategiju.

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

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

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

Razumite šta AI može da uradi.

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

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

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

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

Razumite šta AI ne može da uradi.

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

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

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

Dizajniranje rada za reverzibilnost

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

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

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

. . .

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

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

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

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

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

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

Problem sa pretpostavkom da će veštačka inteligencija popraviti inovacije

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

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

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

Ideacija: Preterano fiksiranje na tipično.

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

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

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

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

Selekcija: Pristrasnost prema „doteranijim“ idejama jezičkih modela.

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

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

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

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

Uvid u potrošače: Brže istraživanje, manje autentični odgovori.

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

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

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

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

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

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

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

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

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

Glavni zaključci

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

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

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

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

. . .

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

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

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

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

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

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

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

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

Razlike između Lean startapa i preduzetništva obilja

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

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

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

Zašto sada: Rekonfiguracija ograničenja

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

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

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

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

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

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

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

Izazovi obilja

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

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

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

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

Stručnost je i dalje važna

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

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

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

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

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

Implikacije za preduzetnike i etablirane kompanije

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

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

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

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

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

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

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

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

Od generatora teksta do tržišnog simulatora

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

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

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

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

Ali postoje ograničenja — i ona su važna

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

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

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

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

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

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

Moć vlasničkih podataka

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

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

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

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

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

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

Troškovi, brzina i prošireni levak inovacija

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

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

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

Dopuna, a ne zamena

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

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

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

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

Budućnost istraživanja tržišta?

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

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

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

Generativna 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.

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

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

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

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

Taktičko naspram strateškog budžetiranja

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

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

Kako AI i ljudski menadžeri međusobno deluju

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

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

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

Nova saznanja

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

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

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

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

. . .

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

Generativna veštačka inteligencija 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.

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

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

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

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

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

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

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

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

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

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

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

2. Šta vas trenutno raduje izvan posla?

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

. . .

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