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.

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.“

Startup ekosistem se menja usled uspona veštačke inteligencije. AI favorizuje veće kompanije, što zahteva promenu pristupa za startupe od poremećaja ka transformaciji. Iako će se startupi suočiti s izazovima u pristupu dovoljnim količinama podataka i računskoj snazi, i dalje imaju prilike za inovacije pružanjem usluga pokretanih veštačkom inteligencijom direktno potrošačima.

Silicijumska dolina je tokom otprilike 30 godina doživela izvanredno razdoblje. Američki preduzetnici su pioniri u inovativnim digitalnim poslovima koji su ometali sektor za sektorom privrede. Ti startupi su bili izuzetno profitabilni, stvarajući ogromne nove bogatstva i novu generaciju titana.

Ali to doba je prošlo. Novi faktori potkopavaju tradicionalnu ulogu koju su startupi igrali. Pad globalizacije, povratak geopolitike, završetak digitalizacije i uspon veštačke inteligencije vratili su ravnotežu u korist etabliranih aktera. AI sada dominiraju velike kompanije poput Microsofta, Googlea, Meta i Nvidije. To ne znači da su startupi osuđeni na propast. Umesto toga, oni i njihovi investitori moraju promeniti način na koji shvataju svoju ulogu. Stari cilj je bio ometati. Sada mora biti transformisati.

U prvoj eri inovacija pokretanih internetom — „dot com” bumu — kompanije su se isticale tako što su donosile usluge (uglavnom kupovinu) na mrežu. Iako je taj prvi bum propao, digitalna infrastruktura koju je stvorio nastavila je da se širi. Kako se širila, preduzetnici su mogli da pokreću poslovanje koje je digitalno na prvom mestu: nove banke, osiguravajuće kompanije, turističke kompanije i zdravstvene usluge. Drugi inovatori, u međuvremenu, pokrenuli su kompanije s ciljem da omoguće starim firmama da ostanu konkurentne u ovoj novoj digitalnoj stvarnosti — na primer, startupi za računarske oblak usluge poput Snowflake i Datadog.

Kada su startupi zaista ometali industriju, to je bilo zato što su otključavali prednost u softveru, ali i u poslovnom modelu. Kompanije koje su definisale kategorije, poput Airbnb-a (kompanija iz portfolija General Catalyst), Ubera i DoorDasha, napredovale su nudeći novi digitalni interfejs koji je takođe revolucionisao način na koji ljudi koriste usluge iz stvarnog sveta. Ali druge industrije su ostale fundamentalno netaknute: proteklih 30 godina inovacija nije, na primer, stvorilo pravog konkurenta J.P. Morganu ili State Farmu. Zapravo, u mnogim sektorima, etablirani akteri su samo ojačali tokom digitalne ere, ostajući imuni na ometanja koja su dolazila iz Silicijumske doline. Ipak, bilo je dovoljno ometača da kapital rizičnih ulaganja uživa izuzetne prinose.

Nisu samo američka ingenioznost i snalažljivost podstakli ovo doba; širi globalni trendovi su takođe pomogli. Sredinom 2000-ih rodio se istinski digitalni potrošač, dok je „uspon ostatka sveta” stvorio rastuće srednje klase širom planete. Globalni uspon Facebooka i pametnih telefona svedoči o ovom fenomenu. Ali globalizacija je dostizala vrhunac, s carinama koje su završile dug pad ka rekordno niskim stopama. Njen glavni korisnik, Kina, iskoristila je članstvo u STO i postala svetska fabrika. Živeći u ovom dobu, preduzetnici su usvojili mentalni model koji je bio post-historijski i post-geografski. Zahvaljujući globalnim lancima snabdevanja, rasprostranjenom pristupu internetu i pristupačnom računarstvu u oblaku, mogli su da služe potrošačima digitalno u svakoj industriji u svakoj zemlji.

Venture kapitalisti, sa svoje strane, usvojili su pobedničku strategiju: dokle god je kompanija imala proizvod koji je tržište želelo, cilj je bio brzo osvajanje tržišnog udela i postajanje dominantnim igračem u datoj kategoriji. Otuda i mantru „kreni brzo i lomi stvari” koja je generisala toliko novca i društvenih potresa tokom poslednje dve decenije — ne samo u novim industrijama kao što su društveni mediji već i u tradicionalnim, poput zdravstvene zaštite.

Kada je udarila Velika recesija, startupima je više pomogla nego što ih je povredila. Iako su patili kao i drugi sektori zbog trenutnog sloma, kasnije su profitirali jer je Fed povećao novčanu masu, podstičući novu eru jeftinog kapitala. (Od 2010. do 2014. godine, iznos sredstava koje je industrija rizičnog kapitala prikupila više se nego udvostručio.) Na sličan način, pandemija Covid-19 takođe je dala snažan impuls startupima. Nije bilo samo to što je još veći deo svakodnevnog života prešao online; investitori su iskoristili pakete vladinih stimulacija da ubrzaju nove poslove, sa svežim kapitalom koji je povećavao vrednosti akcija i proširivao količinu dostupnog kapitala.

Međutim, najvažniji efekat pandemije bio je da na površinu izbaci anti-globalizacijski zanos koji je godinama rastao. Do 2020. godine, carine su već bile ponovo popularne, zahvaljujući administraciji predsednika Trampa, a prema podacima Svetske banke, zemlje su potpisivale 60% manje trgovinskih sporazuma nego što su to činile pre dve decenije. Pandemija je ogolila rizik inherentan globalizaciji: zemlje koje nisu imale sposobnost da same proizvedu vakcine ili maske morale su da čekaju da dobiju ostatke. Zatim je došla ruska invazija na Ukrajinu 2022. godine, koja je pojačala fokus na bezbednost i samodovoljnost. Povećanje tenzija između SAD i Kine podiglo je perspektivu sveta podeljenog na dve ekonomske zone.

Ovi geopolitički vetrovi u leđa više su naškodili startupima nego etabliranim igračima. Kao prvo, dok vlade pokušavaju da osiguraju lance snabdevanja, okreću se stabilnim firmama, a ne startupima. Setite se firmi koje najviše profitiraju od Zakona o čipovima i nauci, koji pruža 52,7 milijardi dolara subvencija za istraživanje i razvoj i proizvodnju poluprovodnika. Nisu to nepoznati novi učesnici koji dobijaju novac. To su stabilne, dugogodišnje kompanije koje mogu da ponude sigurnost snabdevanja: Taiwan Semiconductor Manufacturing Company, Samsung, Micron Technology i Intel.

Pored toga, fragmentacija geopolitike učinila je da vladina politika ponovo postane relevantna. U prethodnoj eri, kompanije su mogle da rastu u relativno regulativno slobodnom okruženju. (Uber je, na primer, uglavnom odlučio da ignoriše propise koji regulišu taksi industriju, nadajući se — ispravno — da će njegova usluga biti toliko popularna da će zakon s vremenom sustići.) Ali poslednjih godina došlo je do naglog porasta novih trgovinskih ograničenja, domaćih subvencija i zakona o privatnosti koje kompanije moraju poštovati ili pokušati da promene. A kompanije koje su najveštije u tome su velike, etablirane firme. Prošle godine, Amazon i Meta su potrošili po gotovo 20 miliona dolara na svoje američke lobističke operacije, daleko više od bilo kog startupa.

Dodatno, digitalni startupi moraju da se bore s tržišnom zasićenošću. Na Zapadu su većina ljudi sada digitalni potrošači. Do sada su skoro sve kompanije digitalizovale svoje procese — posebno od početka pandemije. Na primer, više od 90% kompanija usvojilo je računarstvo u oblaku.

Kako AI fundamentalno menja prirodu startupa

Ali upravo kada je ovaj tehnološki trend dostigao svoj vrhunac, pojavio se novi, daleko disruptivniji trend: uspon veštačke inteligencije. Po prvi put od pojave interneta, svaki izvršni direktor u svakoj industriji u svakoj zemlji pokušava da shvati kako da usvoji tehnologiju u isto vreme. Ovoga puta, ambicije i nade su još veće. AI ne samo da nudi prevođenje postojećih procesa iz jednog domena u drugi, kao što je to činila digitalizacija, već i uči samostalno.

Ta ključna razlika znači da su produktivni dobici koje možemo očekivati ne jednokratna „korak promena,” već kontinuirano poboljšanje „nagib promene.” U svojoj srži, AI je tehnologija koja transformiše radnu snagu, oslobađajući ljudsku produktivnost stvaranjem paralelnog radnog fonda koji može da preuzme teret mnogih poslova koje ljudi radije ne bi radili. AI će postati izvor obilja, vršeći deflatorni pritisak kroz ekonomiju povećanjem ponude rada za negu, podučavanje, održavanje i više.

AI predstavlja mnogo veću priliku nego bilo šta s čim se tehnološki sektor ikada suočio. Ali to zahteva od startupova iz Silicijumske doline da promene način razmišljanja, da ne teže više ometanju i rušenju etabliranih firmi, već da ih transformišu. To je zato što su startupi na mnogo načina u nepovoljnom položaju sa ovom novom tehnologijom. Uspešno korišćenje AI zahteva dve stvari: puno podataka i mnogo skupe računske snage. Velike kompanije imaju pristup obema. Imaju podatke na kojima mogu da grade svoje modele, novac za plaćanje sve te računske snage potrebne za analizu i odnose sa klijentima da odmah unovče te skupe poduhvate.

Uzmimo za primer generisanje koda, osnovni zadatak svakog softverskog inženjeringa. Prva kompanija koja je dominirala ovim prostorom uz pomoć AI-a nije bio neki ambiciozni startup. Bio je to Microsoft, 49-godišnja kompanija sa tržišnom kapitalizacijom od 3 biliona dolara. Njegov GitHub Copilot, najpopularniji alat za dovršavanje koda pokretan veštačkom inteligencijom, sada ima preko 1,8 miliona pretplatnika koji plaćaju.

Nema razloga da verujemo da će trka u AI-u biti pobednik uzima sve; još uvek ima mesta za ambiciozne startupe da zauzmu deo tržišta, i zaista, mnogi obećavajući startupi se bave generisanjem koda. Ali biće teže nadmašiti velike kompanije u smislu kvaliteta njihove tehnologije i količine njihovih podataka i resursa.

To rečeno, s obzirom da je potražnja za inovacijama veća nego ikad, startupi će i dalje imati mnogo vrednosti koju mogu da dodaju. Nova prilika leži u tome da konačno obavljaju same usluge, umesto da samo omogućavaju rad drugih kompanija. Godinama je Silicijumska dolina bila opsednuta uvodjenjem dobitaka u efikasnosti softvera u svaku komercijalnu aktivnost — stvaranjem digitalnog interfejsa za naručivanje iz restorana, na primer. Ali u eri veštačke inteligencije, softver nije samo posrednik za uslugu; on je sama usluga.

Razmislite o korisničkom centru za podršku. U staroj eri, startupi su samo prodavali softver koji su zaposleni koristili u velikim korisničkim centrima. Sa AI-om, startup za korisničku podršku pruža samu uslugu — naime, chatbot s kojim korisnici razgovaraju. Ovo je nepoznata teritorija za softverske startupe, koji su navikli da posluju sa relativno malo imovine i uživaju profitne marže čak i do 80%, za razliku od mnogo nižih marži koje prevladavaju u sektoru usluga.

Ali AI će pomoći da se smanji jaz u profitnim maržama, a potencijalna veličina tržišta za startupe koji mogu napraviti ovu tranziciju je, zapravo, nekoliko puta veća, jer mogu ciljati ceo lanac vrednosti, dok u osnovi ostaju tehnološke kompanije. I zaista, uprkos sve hvalospevu o tehnološkom sektoru i njegovoj prisutnosti u američkom diskursu, on je odgovoran za samo oko desetinu američkog BDP-a. Ako tehnološki preduzetnici iskoriste nove prilike, pružajući usluge, a ne samo oblikujući tokove rada, taj udeo bi mogao postati mnogo veći.

Kako američki preduzetnici mogu iskoristiti novu prednost startupa? Startupi će morati mnogo bliže sarađivati s postojećim preduzećima ako žele pristup njihovim podacima, stručnosti i klijentima. Takođe će morati razviti novo razumevanje šta znači pružati usluge, čak i ako su one digitalne ili se izvode putem AI agenata. To znači kreiranje novih modela cena, pružanje korisničke podrške i dizajniranje proizvoda za krajnje korisnike, a ne samo za preduzeća koja deluju kao posrednici.

Možda najvažnije, moraće da ugrade koncept odgovorne inovacije u samu srž onoga što rade, stalno razmišljajući o efektima koje će njihova tehnologija imati na radnike u sektorima koje transformišu. Ako AI preuzme 25% posla jedne osobe, šta se dešava sa tim slobodnim kapacitetom? U zdravstvu, možete zamisliti da medicinske sestre koriste ovo dodatno vreme da pređu sa reaktivne na proaktivnu negu, potencijalno smanjujući buduće bolesti pacijenata. Ali za takvu promenu potrebni su snažni lideri spremni da investiraju u strateške odluke. Uvek će postojati kratkoročno iskušenje za smanjenje radne snage, ali podleganje tom iskušenju dovodi do dugoročnog gubitka: kompanije koje će na kraju pobediti biće one koje ponovo investiraju svoj talenat u aktivnosti veće vrednosti.

Startupi i dalje imaju mnoge prednosti koje velike kompanije nikada ne mogu sanjati da ostvare. Privlače talente sklone riziku. Deluju brzo. Inoviraju. Prilagođavaju se. Uprkos svim novim preprekama, te karakteristike bi trebalo da im dobro posluže dok navigiraju prelazak iz prethodne ere inovacija u sledeću.

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

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

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

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

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

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

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

Prestanite da razmišljate u okvirima kanala

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

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

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

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

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

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

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

Dajte svakoj fizičkoj tački kontakta jasan zadatak

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

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

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

Nemojte ravnomerno raspoređivati iskustvo

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

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

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

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

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

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

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

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

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

Organizujte se oko vrednosti za kupca

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

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

. . .

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

Napredna veštačka inteligencija (AI) omogućava prenos stručnosti od ljudi ka mašinama i nazad ljudima kao nikada ranije. Ovaj članak ispituje tri slučaja u kojima se to dogodilo i predlaže kako bi ovi tehnološki napreci mogli poboljšati efikasnost donošenja odluka i unaprediti konkurentnost. Kompanije uključuju firmu za rizični kapital koja želi da unapredi početnu procenu investicionih prilika, kompaniju za satelitsku analizu podataka koja procenjuje kreditne rizike malih poljoprivrednika, i istraživačko-razvojnu jedinicu australijske kompanije koja želi da unapredi veštine rešavanja problema svojih zaposlenih.

Možda niste čuli za stručne sisteme, ali oni su već u upotrebi u mnogim oblastima, uključujući dijagnostiku grešaka, finansije i medicinu. U veštačkoj inteligenciji (AI), stručni sistem je kompjuterski program koji oponaša sposobnosti donošenja odluka ljudskog stručnjaka. Ovi sistemi su razvijeni da rešavaju složene probleme zaključivanjem kroz opsežne baze znanja, koristeći uglavnom pravila tipa "ako-onda" umesto tradicionalnog proceduralnog programiranja.

Međutim, do nedavno nisu ostvarili širok uticaj na donošenje menadžerskih odluka. Jedan od razloga je što su menadžerski konteksti mnogo promenljiviji nego u drugim aplikacijama. Sada, zbog promena u tehnologiji i AI-u, stručni sistemi postaju sve moćniji. Oni mogu zabeležiti stvarnu ljudsku stručnost uz nivo fleksibilnosti i prilagodljivosti koji je potreban.

Ovde objašnjavamo kako napredna AI omogućava prenos stručnosti od ljudi ka mašinama i nazad ljudima kao nikada ranije. Ispitujemo tri slučaja u kojima se to dogodilo i predlažemo kako bi ovi tehnološki napreci mogli poboljšati efikasnost vašeg strateškog donošenja odluka i unaprediti konkurentnost.

Procena investicionih prilika sa visokim povratom

Jedna nemačka firma za rizični kapital, koju ćemo nazvati Bavaria Ventures, uvek traži finansijski atraktivne startape. Međutim, kako objašnjava Josef, jedan od poslovnih partnera, „Videli smo dvocifreni rast u broju prijava koje primamo po analitičaru.“ Ovo je stavilo pritisak na kompaniju jer proces donošenja odluka uključuje proveru svake prijave. „To je i vremenski zahtevno i složeno,“ nastavlja Josef, „potrebno je uzeti u obzir brojne kontekstualne faktore, a lično prosuđivanje zasnovano na iskustvu igra ogromnu ulogu. Ali ogroman broj prijava znači da moramo delegirati prvu procenu mlađim analitičarima.“

Šta je kompanija uradila: Bavaria Ventures je želela brže i tačnije procene startapa zasnovane na onome što su njihovi glavni partneri smatrali najperspektivnijim. Umesto da nastave obučavanje mlađih analitičara sa nadom da će preneti šablon donošenja odluka kompanije na tačne procene, Bavaria Ventures se okrenula stvaranju hibridnog stručnog sistema koji je nazvan AI-4-VC.

„Prvi korak,“ kaže Josef, „bio je da se obratimo univerzitetu za pomoć u razvoju rešenja koje bi olakšalo brže i tačnije rangiranje prijava startapa.“ Ovaj alat je dizajniran da oponaša način na koji je iskusni menadžerski partner Bavaria Ventures procenjivao privlačnost startapa u prvoj rundi.

Prema Josefu, alat je razvijen kombinacijom mašinskog učenja (specifično, algoritma „random forest“ koji koristi odluke zasnovane na drveću za pravljenje predikcija) i dubokog učenja u obliku obrade prirodnog jezika. On objašnjava kako funkcioniše: „Rešenje rangira prijave prema tome koliko se poklapaju sa onim što tražimo. Viši analitičar povremeno pregleda rezultate da vidi da li želi da poništi algoritam. Ako viši analitičar to učini, algoritam uzima u obzir promene i prilagođava težinu kriterijuma. Stručni sistem implementira bilo kakve promene u preferencijama među menadžerskim partnerima gotovo u stvarnom vremenu.“

Rezultati: Posle određenog vremena, AI-4-VC je zamenio neke od mlađih analitičara i minimizovao vreme provedeno na prijavama koje nisu bile u skladu s potrebama. Ovo je omogućilo Bavaria Ventures da brže odgovori na prijave startapa sa najvećim potencijalom. Takođe su otkrili da je njihov AI-4-VC alat bio tačan čak i sa relativno malim skupovima podataka prijava.

Kako to sami da uradite: Profesionalac sa osnovnim znanjem mašinskog učenja može sastaviti sistem poput ovog. Velike tehnološke kompanije sada nude platforme koje olakšavaju kombinovanje mašinskog učenja sa obradom prirodnog jezika (NLP) za izgradnju vlastitog stručnog sistema. Ako tražite fleksibilnost i skalabilnost, platforme poput Google Cloud AI Platform, Amazon SageMaker ili Azure Machine Learning su odlične opcije. Za brže prototipove ili ako se fokusirate na NLP, alati poput Hugging Face ili Colab su verovatno bolja opcija.

Suočavanje sa prekomernim zahtevima klijenata

Jedna indijska kompanija za satelitsku analizu podataka, koju ćemo nazvati Sat Vista Analytics, nudi „inteligenciju za donošenje odluka iz svemira.“ Kako Rohan, direktor tehnologije kompanije opisuje, „Mi pružamo rezultate za banke kako bi procenile moguće kredite malim poljoprivrednicima, razumevajući koliko svaki poljoprivrednik može da zaradi. Takođe pomažemo agribiznisima da uspostave ugovore i postave cene svojih proizvoda [kakao, pirinač, pšenica] na osnovu očekivanih prinosima useva.“

Međutim, Sat Vista Analytics se borila sa preopterećenjem od broja analiza koje su zahtevali njihovi klijenti. Ove analize su zahtevale od kompanije da njeni specijalisti za daljinsku detekciju podataka obavljaju brojne zadatke, od predobrade podataka i analize spektralnih potpisivanja do interpretacije indeksa vegetacije.

Šta je kompanija uradila: Izvršni tim kompanije je analizirao situaciju i odlučio da klasična automatizacija procesa zasnovana na fiksnim pravilima neće funkcionisati. Tako je, kako Rohan objašnjava, „odlučeno da kreiramo ‘analitičke avatare’“, koji su AI zasnovani klonovi njihovih najboljih stručnjaka. Ovo je uključivalo praćenje praksi analize podataka najboljih specijalista za daljinsku detekciju podataka i pretvaranje tih obrazaca ponašanja u skup pravila (algoritama).

Ali ključno je bilo da su algoritmi zasnovani na posmatranju odluka specijalista o obradi podataka, a ne na pravilima koje su specijalisti sami pružili. Rohan je objasnio kako ovo funkcioniše: „Umesto da pitamo svakog specijalistu o njihovim preferiranim načinima obrade, analize i interpretacije satelitskih podataka kako bi se napravio skup preporuka, mi smo pratili šta je svaki specijalista zapravo radio sa različitim skupovima podataka.“ Analitički avatar je počeo sa jednostavnim pristupom zasnovanim na mašinskom učenju i nastavio da postaje složeniji kako su prikupljani podaci o ponašanju specijalista.

Rezultati: Danas, analitički avatare mogu imitirati ponašanje specijalista pri obradi podataka najboljih stručnjaka na nivou preciznosti, podsećanja i tačnosti koji zadovoljavaju većinu jednostavnih zahteva. Ovo je omogućilo ljudskim specijalistima da se fokusiraju na nove ili složenije zadatke. Štaviše, neiskusni specijalisti koji su tek došli u kompaniju sa univerziteta mogu da nauče najbolje prakse kompanije bez ometanja ljudskih stručnjaka.

Kako to sami da uradite: Potražite postojeće AI platforme koje omogućavaju AI modelima da automatski zabeleže i repliciraju obrasce donošenja odluka stručnjaka kroz posmatranje. Vaša idealna platforma treba da podrži kontinuirano učenje i obrada podataka u realnom vremenu. Ovo će omogućiti vašem AI sistemu da se razvija kako se prikupljaju novi podaci, omogućavajući inteligentno donošenje odluka zasnovano na ponašanju stručnjaka bez oslanjanja na unapred definisana pravila.

Unapređenje R&D veština za konkurentsku prednost

Jedna australijska kompanija, koju ćemo nazvati Be Smarter, želela je da poboljša veštine rešavanja problema svojih R&D zaposlenih kako bi poboljšala konkurentnost. Razmatrali su razvijanje online trening kurseva za unapređenje veština svojih zaposlenih u oblasti istraživanja i razvoja i metodama rešavanja problema.

Šta je kompanija uradila: Be Smarter je primenila fleksibilniji pristup. Ovo je uključivalo AI agente, pri čemu je svaki agent predstavljao specifičnu vrstu stručnosti. Kako Leo, šef R&D, objašnjava, „Agenti mogu da interpretiraju i generišu ljudski tekst kako bi obavljali širok spektar funkcija, kao što su objašnjavanje koncepata, odgovaranje na pitanja ili davanje specifičnih preporuka.“ Agent je fleksibilan i može isporučivati module kada zaposleni to zatraži ili preskočiti sadržaj kada nije potreban.

R&D zaposleni mogu koristiti različite agente kao asistente kako bi im pomogli da na problem gledaju iz neobičnog ugla. Leo je naveo slučaj u kojem „R&D zaposleni koji se suočava sa tehnološkim izazovom može da izabere više AI agenata kako bi im pomogao sa tehničkim objašnjenjem, novim pogledom ili uputstvima o tome kako da reše problem iz drugog ugla.“

Rezultati: AI agenti su pomogli R&D zaposlenima da pristupe najpogodnijim tehnološkim ili metodološkim ekspertizama kada je to bilo potrebno. Ovo se zasniva na preporukama njihovih kolega koji su ocenili koji agenti su najkorisniji za koji tip problema – preporučivački sistem. Ovo je smanjilo lične troškove obuke i povećalo efikasnost ponuđene podrške.

Kako to sami da uradite: Ako želite da unapredite svoje sposobnosti rešavanja problema, razmislite o implementaciji AI agenata koji predstavljaju specifične oblasti stručnosti. Pregledajte sve veću ponudu AI platformi za kreiranje agentnih sistema koji mogu da obrade složene upite i interaguju sa korisnicima kao da ih vodi ljudski stručnjak. Fokusirajte se na kreiranje fleksibilnog sistema u kojem zaposleni mogu izabrati agente koji su prilagođeni njihovim trenutnim potrebama, omogućavajući personalizovano učenje i pomoć.

. . .

Danas možete integrisati naprednu AI tehnologiju kako biste transformisali način na koji se stručnost prenosi i koristi unutar vaše organizacije. AI agenti sada mogu podržati dinamične sisteme donošenja odluka koji se prilagođavaju gotovo u stvarnom vremenu, pružajući vam veću fleksibilnost i brzinu u strateškom donošenju odluka.

Umesto da se oslanjate na statične stručne sisteme, obezbedite da vaši algoritmi za podršku donošenju odluka budu dizajnirani da se kontinuirano ažuriraju kroz povratne informacije. Ovo vam omogućava da ostanete agilni i donosíte bolje informisane odluke kako se uslovi menjaju. Lepota napredne AI je njena fleksibilnost da uključi promene odmah.

Kako AI nastavlja da se razvija, trebate proaktivno istraživati kako se ovi napreci mogu integrisati u vaše procese strateškog donošenja odluka. Ovo će vam pomoći da podstaknete inovacije i obezbedite da vaš biznis ostane konkurentan u brzo promenljivom okruženju.

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 (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.

Tehnološki napredak omogućio je da se deepfake sadržaji — lažni audio, video i slike — lakše nego ikada kreiraju. Kao rezultat toga, 2024. godina je zabeležila porast phishing napada za gotovo 60%. Ovi napadi manipulišu našim percepcijama i sposobnošću da razlikujemo stvarnost od fikcije. Efikasni su zato što koriste načine na koje smo prirodno ranjivi. Da biste se zaštitili, potrebno je da naučite kako da preusmerite trenutne reakcije i misaone procese. To uključuje: 1) preusmeravanje pažnje kako biste se oduprli taktikama hitnosti, 2) regulisanje emocionalnih okidača usmerenih na saosećanje i 3) otpor automatskom poštovanju autoriteta.

Ranije ove godine, studentkinji jednog korejskog univerziteta svet se srušio kada je na njen telefon stigla poruka — seksualno eksplicitna slika nje same koju nikada nije snimila. Na slici je njeno lice bilo digitalno spojeno sa telom druge osobe.

Slike su bile deepfake — AI tehnologija trenirana na stvarnim fotografijama, video zapisima ili audio materijalima, osmišljena da obmanjuje i ponižava. Ali studentkinja nije sama u ovome. Danas se kriza deepfake sadržaja razvija u školama, na radnim mestima i u našim ličnim životima. Ova godina je zabeležila porast phishing napada za skoro 60%, delimično zbog AI deepfake-a. Još zabrinjavajuće je to što ovi napadi manipulišu našim percepcijama i sposobnošću da razlikujemo stvarnost od fikcije.

Ovaj porast deepfake i audio phishing napada može se povezati sa sve većom dostupnošću alata poput D-ID i ElevenLabs, koji olakšavaju kloniranje identiteta. U samo osam minuta, svako može kreirati uverljiv deepfake video. Kada je manipulacija postala tako jednostavna, ključni izazov leži u proveri autentičnosti. Da bismo razumeli zašto ove prevare obmanjuju sve — od rukovodilaca na najvišem nivou do zaposlenih na prvoj liniji — treba da se osvrnemo na principe ubeđivanja psihologa Roberta Cialdinija. Principi poput autoriteta, društvenog dokaza i hitnosti često se koriste u ovim prevarama, podstičući automatsko razmišljanje čak i kod najopreznijih među nama. Nije ni čudo što ljudska greška pokreće većinu sajber incidenata. Ove taktike iskorišćavaju naše kognitivne pristrasnosti, oslanjajući se na slepe tačke koje se javljaju zbog brzih, emocionalno vođenih odluka.

Kako provera digitalnog sadržaja postaje sve složenija, instinktivno se oslanjamo na tehnologiju za pomoć. Brojni „AI detektori” daju smela obećanja, ali s alatima koji mogu ukloniti AI vodene žigove sa slika i srednjoškolskim nastavnicima koji se bore da otkriju domaće zadatke generisane veštačkom inteligencijom, efektivna rešenja su retka. Automatska detekcija ostaje nedosledna i nepristupačna. Nije iznenađujuće da prevaranti koriste ovu prazninu.

Dok zaštitna tehnologija ne sustigne izazove, pojedinci su prepušteni sami sebi da donose odluke u realnom vremenu pod pritiskom, bez pouzdanih sigurnosnih mreža. Međutim, svest o našim kognitivnim pristrasnostima može značajno poboljšati tačnost donošenja odluka, posebno pod stresom. Razumevanjem i predviđanjem naših kognitivnih ranjivosti, možemo se opremiti za prepoznavanje i reagovanje na taktike manipulacije.

Kako zaobići manipulacije mozga

Nije stvar u ljudskoj grešci; naši umovi, programirani za efikasnost, bivaju manipulirani na načine na koje smo prirodno ranjivi. Počnimo sa tri kognitivne pristrasnosti koje utiču na sve nas — bilo u svakodnevnim ličnim izborima ili u donošenju važnih poslovnih odluka.

Razmotrite slučaj čoveka iz Čikaga koji je izgubio 50.000 dolara nakon što je pao na lažni email upozorenje koje se činilo kao da dolazi od PayPal-a, a u kojem je stajalo da će njegov račun biti kompromitovan zbog sumnjivih transakcija. U žurbi, bio je pozvan da klikne na priloženi link i ponovo unese podatke o bankovnom računu. U tom trenutku, postao je žrtva kognitivnog tunela: fokusiran samo na hitan zadatak, bio je zaslepljen nekim drugim pokazateljima prevare poput sumnjivog URL-a i email adrese pošiljaoca.

Ili, zamislite 72-godišnjeg muškarca iz Kerale, Indija, koji je primio video poziv od starog kolege, tražeći finansijsku pomoć za hitnu medicinsku pomoć. Obuzet brigom, prebacio je novac ne shvatajući da su emotivni vapaji zapravo delo prevaranta. Incident ilustruje još jednu čestu pristrasnost: afektivne heuristike, gde naše emocije nadjačavaju naše prosuđivanje.

Na kraju, uzmite primer radnika u finansijama koji je prisustvovao video pozivu s više viših rukovodilaca multinacionalne kompanije. Od njega je zatraženo da odmah prenese 25 miliona dolara. Njegovo poverenje u percipirane autoritete navelo ga je da pošalje novac — zanemarujući nedoslednosti koje je primetio. Ovo je jasan primer pristrasnosti prema autoritetu, gde instinktivno verujemo i pridajemo preteranu težinu rečima onih na pozicijama moći.

Preusmeravanje misaonih procesa

Izvršni direktori i lideri oduvek su bili primarne mete phishing prevara, ali deepfake sadržaji dodatno pojačavaju ove pretnje. Uz digitalne medije koji čine slike i video zapise lako dostupnima, kreiranje uverljivih napada nikada nije bilo jednostavnije. Dok sistemske odbrane protiv phishinga — od više faktora autentifikacije i AI detekcije do gamifikovane obuke i sajber osiguranja — nude vrednu zaštitu, one nisu dovoljne. U nastavku, nudimo praktične korake za trenutnu, ličnu budnost i detekciju — esencijalne elemente za negovanje otpornosti na sajber pretnje.

Preusmerite pažnju da biste se oduprli taktikama hitnosti

Phishing prevare se oslanjaju na hitnost ili strah kako bi nas omeli u proceni situacije. Istraživanja pokazuju da namerno preusmeravanje fokusa ka neutralnim signalima pomaže u upravljanju pristrasnostima pažnje. Uzmite primer višeg menadžera u kompaniji za sajber bezbednost kojeg je prevarant targetirao predstavljajući se kao njegov izvršni direktor putem uverljive WhatsApp poruke i audio snimka, pritiskajući ga za hitnu akciju u vezi sa poslovnim dogovorom.

Umesto da padne na trik, fokusirao se na znake koji nisu imali smisla — razgovor o osetljivim informacijama na neformalnoj aplikaciji i odbijanje dodatnog poziva. Umesto da se povinuje, zastao je, konsultovao mentalnu kontrolnu listu i prijavio incident IT timu. Razvijanje navike da se zastane, čak i na devet sekundi (minut ili dva je još bolje), može napraviti značajnu razliku. Ova pauza omogućava vreme za konsultaciju sa pripremljenom listom neutralnih koraka za verifikaciju: proverite detalje pošiljaoca, pređite mišem preko priloženih linkova ili napravite pauzu za šetnju kako biste se smirili. Ova akcijski orijentisana pauza pomaže da se povrati fokus na činjenice i upravlja kognitivnim preopterećenjem.

Regulišite emocionalne okidače usmerene na saosećanje

Napadi socijalnog inženjeringa prvenstveno ciljaju naše emocije. Ali kada naš odgovor odgovara intenzitetu njihove manipulacije, naše razmišljanje postaje reaktivno i ukočeno. Efikasnija strategija je afektivno označavanje — svesno imenovanje svojih emocija kako bismo ih videli kao prolazne podatke. Ova praksa pomaže da se prepozna šta je na kocki dok omogućava racionalniji odgovor.

Uzmimo primer Alana i Alicije, koji su primili zastrašujući poziv tvrdeći da su Alanovi roditelji oteti. U početku panični, Alan je odvojio trenutak da prizna njihov strah. Shvatio je da panika neće spasiti njegove roditelje i odlučio se za logičnu strategiju. Koristio je drugi telefon da ih direktno pozove i potvrdio da su bezbedni. Pauza kako bi označio svoje emocije pomogla mu je da povrati emocionalnu kontrolu i razmotri dugoročne posledice, a ne kratkoročne koristi. Time prelazimo sa automatskih odgovora na promišljenije, svesne reakcije.

Oduprite se automatskom poštovanju autoriteta

U većini incidenata, polovina bitke se gubi zbog našeg inherentnog poverenja u autoritet. Dobra praksa je koristiti zajedničko znanje kao alat za verifikaciju. Kada je jedan izvršni direktor Ferrarija primio poziv od generalnog direktora Benedetta Vignaa sa nepoznatog broja, isprva nije posumnjao. Ali kako je razgovor postao poverljiv, postao je sumnjičav. Umesto da veruje autoritetu pozivaoca, postavio je lično pitanje na koje je samo pravi direktor mogao odgovoriti. Pozivalac je ućutao i prekinuo vezu.

Još jedna strategija je aktivno traženje informacija koje izazivaju naše pretpostavke. Uključivanje u kolektivno donošenje odluka može pomoći da se odloži slepa vera u autoritet. Posavetujte se s kredibilnim izvorima pre nego što postupite po hitnim zahtevima. Većina prevara podrazumeva neobične zahteve. Jednostavno pitanje: „Zašto ovo deluje drugačije?” može pokrenuti našu svest i podstaći nas da proverimo kod pouzdanih izvora. Ova taktika provere kredibiliteta — pozivanjem preko pouzdanih ili verifikovanih kanala — drži dezinformacije pod kontrolom, smanjuje anksioznost, dvosmislenost i omogućava dodatna pitanja.

Uspostavljanje transparentnih komunikacionih kanala unutar organizacije omogućava zaposlenima da dovedu u pitanje sumnjive instrukcije ili izraze zabrinutost bez straha od odmazde. Kultura na radnom mestu koja podstiče postavljanje pitanja, verifikaciju i zajedničko rešavanje problema gradi otpornost.

Kognitivne pristrasnosti su suštinske za naše svakodnevno donošenje odluka i ne mogu se eliminisati. Ali moguće je upravljati njima. Vremenom, kognitivna otpornost, podržana podsticajnim radnim mestom i tehnologijom, može ojačati organizacije od temelja.

Kako se bliži kraj godine, to je savršena prilika za organizacije da preispitaju i unaprede svoje strategije sajber bezbednosti kako bi bolje zaštitile sebe i svoje zaposlene. Ali nikada nije loš trenutak za ponovno pokretanje razgovora o ulozi koju svako od nas ima u obezbeđivanju svoje bezbednosti. Većina napada često koristi jednostavnu strategiju ljudske eksploatacije. Prava kultura sajber bezbednosti počinje zaštitom ljudskog uma, čak i pre nego što pređe na sisteme oko nas. Da bismo izgradili otpornu bezbednosnu svest, prvo moramo savladati način na koji smo programirani.