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

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

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

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

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

Mogućnosti AI pomoćnika

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

Analitičke sposobnosti

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

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

Verbalno-vizuelne sposobnosti

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

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

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

Integrisanje mogućnosti

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

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

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

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

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

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

Olakšavanje usvajanja i upotrebe

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

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

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

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

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

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

. . .

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

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

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

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

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

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

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

Pet načina razmišljanja menadžera koji oblikuju usvajanje

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

AI skeptik

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

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

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

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

Tradicionalista koji čeka i posmatra

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

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

Oprezni implementator

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

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

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

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

Entuzijastični eksperimentator

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

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

AI katalizator

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

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

Uskladite intervenciju sa menadžerom

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

Praktična dijagnostika počinje sa tri pitanja:

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

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

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

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

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

Pravi test korporativne veštačke inteligencije jeste menadžersko poverenje

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

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

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.

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.

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.

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

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

Tri ključne oblasti u kojima će AI promeniti poslovanje

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

Stalna transformacija preduzeća

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

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

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

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

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

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

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

Inteligencija u realnom vremenu

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

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

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

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

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

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

Sintetizacija različitih tipova podataka

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

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

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

Upotreba multimodalne AI u različitim sektorima

Trgovina i maloprodaja

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

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

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

Farmaceutska industrija i personalizovana medicina

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

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

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

Proizvodna industrija i pametna proizvodnja

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

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

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

Kompanije ulažu ogromna sredstva u veštačku inteligenciju, ali mnoge i dalje ulažu napor da ta ulaganja pretoče u merljive poslovne rezultate. Jedan od razloga jeste to što zanemaruju „srednju kancelariju” (middle office), gde poslovi poput pregleda ugovora, usklađenosti s propisima, upravljanja rizicima i obrade obaveza prema dobavljačima i dalje zahtevaju visok nivo ljudskog rasuđivanja. Istraživanja kompanija Accenture i Google ukazuju na to da se upravo tu kriju neke od najvećih kratkoročnih prilika. Kompanije ih mogu iskoristiti tako što će identifikovati procese u kojima se teški slučajevi i dalje prebacuju stručnjacima, izgraditi AI sisteme koji uče od tih stručnjaka tokom samog rada i meriti da li veštačka inteligencija zaista smanjuje broj takvih eskalacija. Poslednji korak jeste da se osigura da se ušteđeno vreme pametno iskoristi, omogućavajući stručnjacima da se posvete kompleksnim odlukama, odnosima s klijentima i poslovima veće vrednosti.

Nedavni podaci o primeni veštačke inteligencije otkrili su otrežnjujući paradoks. Ekonomisti koji su povezali opsežne ankete o primeni tehnologije sa zvaničnim evidencijama o platama otkrili su da, iako je većina poslodavaca uvela AI alate u oblastima gde bi uticaj trebalo da bude najveći, efekat na zarade i radne sate nakon dve godine statistički se nije razlikovao od nule. Uprkos sposobnoj tehnologiji i tvrdnjama zaposlenih o rastu produktivnosti, obećane koristi nisu se odrazile na finansijski rezultat.

Zašto? Istraživači su ustanovili da je vreme koje su alati uštedeli „pojeo” rad neophodan za njihovo funkcionisanje. Zaposleni su svoje „oslobođeno” vreme provodili reagujući na izlazne rezultate modela i ručno ih povezujući sa postojećim sistemima i odlukama. Dobici se nikada nisu manifestovali kroz profit ili vraćene radne sate zato što modeli nisu bili istinski integrisani. Kompanijama je nedostajala integracija koja alate pretvara u konkretne rezultate.

Na osnovu analiza sprovedenih kroz različite industrije i strukturisanih eksperimenata u realnim operacijama tokom protekle godine, timovi kompanija Accenture i Google identifikovali su četiri koraka koje vodeće kompanije preduzimaju kako bi premostile jaz između implementacije i koristi, te transformisale poslove srednje kancelarije. Ovaj jaz između usvajanja i stvarne koristi najširi je i najskuplji upravo u srednjoj kancelariji – domenu koji se često previđa, a nalazi se između funkcija direktno okrenutih klijentima (front office) i rutinske administracije u pozadini (back office). Tu kompanije rešavaju nestandardne zadatke s velikim brojem izuzetaka, kao što su revizija ugovora, upravljanje rizikom i usklađenost poslovanja. Odluke se često oslanjaju na ljudsko prosuđivanje kako bi se razrešile nejasnoće usled promena poslovnih okolnosti. S obzirom na to da srednja kancelarija obuhvata više od četiri od deset radnih sati kroz 18 industrija, ona predstavlja najveći pojedinačni sloj rada u preduzeću i jedan od najvećih neiskorišćenih izvora vrednosti za primenu veštačke inteligencije.

Ipak, većina strategija za primenu veštačke inteligencije preskače sa pozadinske administracije, gde je automatizacija već zrela a marginalni dobici sve manji, direktno na ambiciozne projekte u prodaji i radu sa klijentima, kao što su dinamičko određivanje cena ili sklapanje poslova uz pomoć AI-ja – čija isplativost uvek deluje bar godinu dana daleko. Srednja kancelarija, koja nosi najveći deo posla i nudi najbrže krupne povrate, biva zapostavljena.

To je greška. Ključ za prevazilaženje jaza između usvajanja i koristi leži u unapređenju integracije inteligencije: poslu pretvaranja sposobnog modela u profitabilan model kroz njegovo direktno ugrađivanje u način na koji se odluke zapravo donose. Rezultati mogu biti impresivni. Na primer, u eksperimentu uživo koji smo sproveli, poboljšanje integracije inteligencije u tipičnom toku posla srednje kancelarije podiglo je opštu uspešnost sa 42 na 80 procenata. Rešavanje najtežih slučajeva poraslo je sa 36 na 99 procenata, dok su stručnjaci oslobođeni za poslove veće vrednosti. Da bi vaša organizacija postigla bolje performanse procesa i omogućila ljudima da se posvete zadacima veće vrednosti, preporučujemo sledeća četiri koraka.

1. Otkrijte procese koji su automatizovani samo na papiru

Takvi procesi besprekorno obrađuju jednostavne slučajeve, dok svaki težak problem prosleđuju vašim stručnjacima. Postavite sebi sledeće pitanje: kada se AI susretne sa izuzetkom koji je regulisan nepisanim pravilom, da li uspeva da ga reši ili ga eskalira čoveku? Ako ga eskalira, nalazite se na samom početku transformacije srednje kancelarije, bez obzira na to koliko ste pozadinskih procesa prethodno automatizovali.

Kroz takvo preispitivanje procesa možete izraditi sopstvenu mapu izuzetaka. Ocenite procese prema učestalosti izuzetaka i ceni njihove eskalacije, a ne samo prema obimu transakcija. Fokusirajte se na procese u kojima se izuzeci gomilaju i gde svaki od njih završava na stolu viših rukovodilaca ili eksperata. Istraživanje pokazuje da se gotovo četvrtina odluka u srednjoj kancelariji oslanja na rasuđivanje koje nijedan pisani pravilnik ne obuhvata u potpunosti. Upravo te odluke koče AI, ali u njima leži i vrednost koju vredi povratiti.

2. Izaberite jedan proces i izgradite sistem koji uči u realnom vremenu

Oduprite se potrebi da započnete glamurozan projekat u front office-u. Umesto toga, iskoristite kriterijume iz prvog koraka da izaberete jedan proces sa jasnim signalima upozorenja: visok nivo izuzetaka, skupa eskalacija i logika odlučivanja koja postoji samo u glavama zaposlenih. Zatim gradite sistem koji uči tokom samog rada, a ne samo pre puštanja u rad.

Mehanizam je ovde presudan. Kada je naš pilot sistem naišao na fakturu koju nije mogao samostalno da obradi, zabeležio je sve prateće okolnosti i uputio iskusnom menadžeru precizno pitanje, umesto da tiho zakaže ili jednostavno prosledi ceo slučaj. Odgovor stručnjaka pretočen je u pravilo za višekratnu upotrebu i primenjen na svaki naredni sličan slučaj. To nazivamo „učenjem na primeru jednog slučaja”. Jedna jedina ispravka, umesto hiljada označenih primera koje zahteva konvencionalno mašinsko učenje, bila je dovoljna da se generalizuje cela klasa izuzetaka.

Razmotrite uticaj ovog pristupa na realnu odluku. U jednom analiziranom slučaju stigle su dve gotovo identične fakture za istu narudžbenicu. Jedna je bila legitimna, pozivajući se na važeće odobrenje rukovodstva da matična kompanija fakturiše na osnovu ugovora zavisnog preduzeća. Druga je bila greška: isti iznosi, iste stavke, ali je u ovlašćenju naveden pogrešan pravni subjekt. Čak i iskusan revizor pod pritiskom obima posla može da previdi takve razlike, dok ih klasična automatizacija, koja prati poklapanje polja, redovno propušta. Nakon samo jednog objašnjenja stručnjaka, sistem je naučio da razlikuje ove dve situacije i primenio to razlikovanje na hiljade budućih slučajeva.

Isti princip se potvrdio u praksi jedne velike azijske banke. Ona je zamenila sistem za praćenje pranja novca zasnovan na krutim pravilima, koji je proizvodio ogroman broj lažnih uzbuna, sistemom koji uči iz sopstvenih podataka. Taj sistem sada prepoznaje dva do četiri puta više stvarnih finansijskih malverzacija, dok je broj lažnih upozorenja smanjen za oko 60 procenata, što omogućava istražiteljima da se posvete slučajevima koji su zaista važni. Stručnjaci prestaju da budu kontrolori koji pregledaju svaki izlazni podatak i postaju predavači koji nepisana pravila definišu samo jednom.

3. Primenite metrike koje dokazuju stvaran povrat ulaganja

Ne možete znati da li ste uspeli ako merite isključivo sirovu stopu automatizacije. Definišite uspeh kroz stopu rešavanja izuzetaka i smanjenje broja eskalacija, i utvrdite polaznu osnovu pre implementacije kako bi napredak bio merljiv. Takođe pratite radne sate iskusnih stručnjaka koje je sistem oslobodio i da li su oni zaista preusmereni na zadatke više vrednosti. Merenje samo brzine jeste merenje tek polovine onoga što integracija inteligencije donosi. Čuvajte se brzine koja prikriva lošiji kvalitet odluka.

Pogledajmo obradu obaveza prema dobavljačima, proces srednje kancelarije koji smo detaljno proučavali. Anketa sprovedena među više od 200 direktora finansija pokazala je da tipičnoj B2B organizaciji treba 17,4 dana i 12,88 dolara za odobrenje jedne fakture – usko grlo koje može narušiti odnose sa dobavljačima i ugroziti uvid u tokove gotovine u realnom vremenu. Nasuprot tome, vodeće organizacije koje koriste napredni AI istu fakturu obrađuju za 3,1 dan po ceni od 2,78 dolara, što predstavlja smanjenje vremena za 82 procenta i troškova za 78 procenata. Stopa izuzetaka pri obradi faktura pala je sa 22 na 9 procenata. Brzina i tačnost su rasle zajedno, bez međusobnog kompromisa.

Da bi nova sposobnost sistema bila dugoročna, zahtevajte poreklo pravila: svako pravilo mora biti sledljivo do interakcije sa stručnjakom koja ga je stvorila. Pre puštanja u rad, testirajte svako novo pravilo na poznatom ispravnom i poznatom neispravnom primeru. Pomenuta banka je izgradila sistem za otkrivanje pranja novca koji pruža objašnjive ocene rizika podložne reviziji, što je neophodan nivo transparentnosti za procese visokog rizika.

4. Usmerite stručnjake na zadatke koje AI ne može da obavi

Unapređena integracija inteligencije vraća dragoceno vreme vašim najskupljim kadrovima. Svesno odlučite gde će to vreme biti usmereno, inače će se tiho rasuti na sporedne poslove, čime gubite jednu od najvećih prednosti.

Uzmimo primer velikog hipotekarnog poverioca. Ta kompanija mesečno obradi preko 1,5 miliona dokumenata. Do skora su procenitelji kredita veći deo radnog vremena provodili sortirajući ih i pregledajući. Danas AI platforma automatski prepoznaje gotovo 70 procenata tih dokumenata i izdvaja podatke, štedeći proceniteljima više od 5.000 sati mesečno, uz još 4.000 sati ušteđenih na ručnom unosu.

Međutim, još veći dobitak proistekao je iz preusmeravanja pažnje procenitelja na znatno vrednije poslove. Umesto klasifikovanja platnih listića i prepisivanja podataka iz bankarskih izvoda, oni se sada fokusiraju na zahteve koji zaista traže ljudsku procenu: usklađivanje neujednačenih prihoda preduzetnika, vaganje neuobičajene kreditne istorije i rešavanje slučajeva koje šablonski upitnik ne može da obuhvati. Nekada im je sortiranje dokumentacije oduzimalo dane, a upravo je rešavanje teških predmeta prostor gde njihovo znanje stvara stvarnu vrednost.

Na primer, jedna evropska energetska kompanija obezbedila je svom pravnom timu AI asistenta za bazu ugovora i sudsku praksu, integrisanog u alate koje pravnici već koriste, a prihvatilo ga je čak 96 procenata odeljenja. Dok su nekada provodili sate u pretraživanju ugovora i izradi rutinskih nacrta, pravnici sada taj deo poveravaju asistentu, a sopstveno vreme ulažu u pregovaračke strategije i procene rizika koje jedino čovek može valjano da donese.

Nedavna studija instituta MIT pokazala je da kada automatizacija preuzme rutinske segmente posla, preostali zadaci se koncentrišu oko ekspertize koju je teže zameniti, pri čemu njena ekonomska vrednost raste. Kada je softver preuzeo osnovna računanja u knjigovodstvu, profesija je postala znatno bolje plaćena, sa realnim rastom zarada od skoro 40 procenata tokom proteklih decenija. Oslobođeni pregledanja izuzetaka, vaši stručnjaci prelaze na kompleksne poslove zasnovane na građenju odnosa – oblasti u kojima je veštačka inteligencija danas najmanje delotvorna.

Izgradite budućnost u središtu poslovanja

Lideri koji su nezadovoljni povratom ulaganja u veštačku inteligenciju traže odgovore na pogrešnim mestima. Srednja kancelarija je daleko od dosadnog međuprostora; ona nosi najveće dostižne prinose u ovom trenutku i predstavlja poligon gde gradite sposobnost rešavanja izuzetaka, što je preduslov za sve ambicije u direktnom radu s klijentima.

Put do stvarne vrednosti AI-ja vodi kroz srednju kancelariju. Ukoliko zanemarite njene složene radne tokove, vaš sledeći transformativni projekat naslediće slabosti umesto snage. Nasuprot tome, fokus na ovu zapostavljenu sferu može doneti masivne i trenutne rezultate. Pobednička primena jeste ona u kojoj se povrat investicije zaista materijalizuje, a organizacija na naredne projekte stupa oslanjajući se na sopstvene, proverene temelje, sa stručnjacima koji vode proces i čije znanje raste umesto da bledi.