Može se sa sigurnošću pretpostaviti da će ubrzane promene ostati. U srži današnjih čestih poremećaja je neizvesnost: situacije u kojima su dostupne informacije nepotpune, kontradiktorne ili se stalno menjaju, a jasni odgovori su nemogući. Snalaženje u neizvesnosti zahteva novi skup veština – onaj koji se oslanja na našu ljudskost, umesto da je zaobilazi. Za razliku od mašina, mi donosimo biološki odgovor na promenu. A taj odgovor, ako se razume i iskoristi, može postati moćna prednost.

Živimo u eri ubrzanih promena, a lideri to osećaju svakog dana. Za pet godina, iskusili smo uticaj Kovida i kako je on resetovao norme koje smo uzimali zdravo za gotovo u načinu na koji radimo; pojavu generativne veštačke inteligencije (gen AI) i suočavanje sa njenim ogromnim uticajem na uobičajeno poslovanje; i visoku geopolitičku nestabilnost i njene parališuće efekte na poslovne odluke.

U srži ovih poremećaja je neizvesnost: situacije u kojima su dostupne informacije nepotpune, kontradiktorne ili se stalno menjaju, a jasni odgovori su nemogući. Nismo znali kako će izgledati posao kada se kancelarije ponovo otvore. Ne znamo koje će poslove veštačka inteligencija automatizovati. Ne znamo sa kojim zemljama ćemo sutra moći da trgujemo bez prohibitivnih carina.

Zašto je ovo važno? Zato što neizvesna vremena zahtevaju drugačiju vrstu liderstva od stabilnih vremena. Snalaženje u neizvesnosti zahteva novi skup veština – onaj koji se oslanja na našu ljudskost, umesto da je zaobilazi. Za razliku od mašina, mi donosimo biološki odgovor na promenu. A taj odgovor, ako se razume i iskoristi, može postati moćna prednost.

Oslanjajući se na naše kolektivne decenije rada sa liderima, kao i na istraživanja na raskrsnici design thinking-a i ljudske fiziologije, identifikovali smo tri biološke realnosti koje oblikuju kako se ljudi snalaze u stalnim promenama i neizvesnosti. Svaka od njih dolazi sa praktičnim strategijama koje možete koristiti da povratite kontrolu.

Pretvorite probleme u prilike

Biološka realnost

Ljudi prirodno teže da smanje neizvesnost. U neizvesnim situacijama, prva reakcija tela obično nije kreativnost ili rešavanje problema – to je preživljavanje. Kada se susretnemo sa nečim novim ili nesigurnim, naš nervni sistem aktivira stresni odgovor, često opisan kao „bori se, beži ili zamrzni se“. Mozak detektuje potencijalne pretnje, aktivira amigdalu i oslobađa kortizol i adrenalin. Ove hemikalije izoštravaju fokus i pripremaju telo da brzo reaguje, ali takođe sužavaju pažnju i potiskuju više misaone procese. Zato se u trenucima poremećaja – poput reorganizacije ili iznenadne promene tržišnih uslova – lideri mogu osećati defanzivno, anksiozno ili paralisano, umesto otvoreno i inovativno.

Osim biologije, naša korporativna kultura nas može zadržati u tom stanju. Akcionari ne žele da čuju da ne znamo šta je sledeće. Zaposleni žele odgovore. Oni – i tržište – zahtevaju samopouzdanje i sigurnost, čak i kada su uslovi nejasni.

Dizajnerski odgovor

Tamo gde nas biologija gura ka pretnji, dizajneri su obučeni da vide promenu kao mogućnost. U kompaniji IDEO, gde je Ejmi provela skoro deceniju, prvi korak u rešavanju bilo kog problema klijenta bio je da se on preformuliše kao „dizajnerski izazov“. Umesto fokusiranja na nedostatke – npr. „učešće birača je opalo“ ili „prodaja poljoprivredne opreme je niska“ – postavili bismo optimistično pitanje: „Kako bismo mogli da stvorimo zabavno i pristupačno iskustvo glasanja?“ ili „Kako bismo mogli da pomognemo poljoprivrednicima da razviju svoje poslovanje?“

Ta jednostavna promena perspektive u jeziku oslobađala je energiju i kreativnost. Kada je izazov uokviren kao prilika i ljudska potreba, ideje su tekle prirodno, a usledili su zabava i zamah.

Istraživanja pokazuju da uz vežbu, lideri mogu preći iz „stanja pretnje“, gde stres deluje preplavljujuće, u „stanje izazova“, gde ista fiziološka uzbuđenost postaje energična i motivišuća. Strategije kao što su razvijanje „načina razmišljanja o stresu“ (fokusiranje na podsticajnu stranu stresa), kognitivno preispitivanje (preoblikovanje iskustva ka onome što je dobro), pa čak i namerne pauze daju korteksu – centru mozga za donošenje odluka i generisanje ideja – vremena da se ponovo angažuje.

Prvo, morate osujetiti tu početnu reakciju na pretnju stvaranjem prostora da odgovorite, umesto da reagujete. To može uključivati jednostavno odvajanje trenutka za disanje, što može smiriti reakciju na pretnju, do stvaranja vremena i prostora za ponovno razmatranje izazova koji je pred vama.

Na primer, kada je Ejmi radila sa jednom od poslednjih štampanih verzija Žutih strana, koja je morala brzo da pređe na digitalno, lideri su pitali: Kako bismo mogli bolje da služimo našim klijentima sada nego pre? I kako da istovremeno unapredimo veštine naših timova za digitalnu eru? Rezultat ovog preoblikovanja (i kasnijih promena koje je omogućilo) bio je da su zaposleni počeli da se ponašaju kao vlasnici, dok su novi procesi razvoja proizvoda donosili rezultate i rast broja kupaca.

Kako da pomognete sebi da preformulišete

Uzmite oblast neizvesnosti i koristite ove podsticaje da je sagledate drugačije. Na primer:
• Za šta je ova neizvesnost stvorila više prostora?
• Koje su to nezadovoljene potrebe kupaca ili zaposlenih kojima bismo sada mogli da se pozabavimo?

Stvorite prostor za inspiraciju

Biološka realnost

Kreativnost pati pod stresom i kognitivnim opterećenjem. Kada je vaš mozak preopterećen, prefrontalni korteks – deo odgovoran za planiranje, stvaranje ideja i inovacije – biva „otet“ od strane limbičkog sistema, vašeg emocionalnog centra i centra za preživljavanje. To znači manje novih ideja, smanjen uvid i reaktivnije ponašanje.

Dizajnerski odgovor

Neizvesnost nije greška; to je odlika života. U vremenima neizvesnosti možete povući najveće, najsmelije poteze – tada se može roditi revolucionarno razmišljanje. Trik? Morate se osećati prijatno boraveći u prostoru neizvesnosti. Jedan način da to uradite je da se uzbudite zbog mogućnosti koje ona pruža. Dizajneri uživaju u neizvesnosti počinjući sa inspiracijom, a ne sa stvaranjem ideja. Lepota pauze za inspiraciju je u tome što vas prodrma, skreće vam misli sa neizvesnosti i pomaže vam da se angažujete sa svežom perspektivom. Ona aktivira taj kreativni deo vašeg mozga.

U kompaniji IDEO, nikada nismo odmah prelazili na rešavanje problema. Umesto toga, počinjali smo namernim traženjem inspiracije – kroz terensko istraživanje, posmatranje ili ono što smo zvali analogna iskustva: izlazak izvan domena problema da bismo pronašli iznenađujuće paralele i emocionalne istine na drugim mestima. Analogna inspiracija razbija vaš mentalni model.

Uzmite ovaj primer: Kada su radili sa kompanijom Old Navy na osmišljavanju njihove ponude za veće veličine (plus-size), Ejmi i njen tim nisu počeli sa rasporedom u prodavnici ili marketinškim kampanjama. Prvo su otišli u karaoke barove. Zašto? Zato što je tim shvatio da se za mnoge žene koje nose veličinu 16+, iskustvo kupovine u odvojenim „plus odeljenjima“ osećalo kao da su stavljene na scenu – posmatrane, osuđivane, izložene. Karaoke su postale analogija za to emocionalno stanje. Ta neočekivana paralela navela je tim da pređe sa dizajna odvojenosti na integraciju u prodajnom prostoru i u pripovedanju priče o brendu.

Kako da pomognete sebi da prikupite uvide

Uzmite oblast neizvesnosti i pretvorite je u potragu. Na primer:
• Upravo ste završili reorganizaciju kompanije? Pomozite svom timu da se ponovo fokusira tako što ćete ih podstaći da izvedu petoro novih kolega na kafu i zamoliti ih da podele priču za koju misle da najbolje oslikava kulturu kompanije.
• Niste sigurni kako da podstaknete uključivanje veštačke inteligencije u procese? Umesto da odmah prelazite na rešenja, organizujte mesec inspiracije. Podstaknite zaposlene da podele priče o drugim kompanijama koje koriste veštačku inteligenciju, kako uspešno tako i neuspešno.

Eksperimentišite na svom putu napred

Biološka realnost

Preveliki koraci nas mogu paralisati. Kada ulozi deluju visoko ili je put nejasan, nervni sistem može ući u povišeno stanje pripravnosti. To aktivira simpatički nervni sistem (bori se ili beži), što može poremetiti povezanost u mozgu – prekidajući pristup korteksu i povećavajući emocionalnu reaktivnost iz limbičkog sistema. Rezultat? Odugovlačimo. Odvlačimo sebi pažnju. Izbegavamo preduzimanje akcije, ne zato što nam nije stalo, već zato što akcija deluje previše neizvesno, previše rizično, previše. Ponekad je to zato što se naše telo doslovno „zamrzlo“, čineći akciju nemogućom.

Dizajnerski odgovor

Sačuvali smo najbolje za kraj. Ovo je Ejmina omiljena stvar i jedan od najmoćnijih alata – tajni sastojak – u dizajnerskom setu alata. Akcija stvara jasnoću, a ne obrnuto. Dakle, eksperimentisanje je način na koji pametne kompanije i pojedinci idu napred kada jasnoća nedostaje. Umesto da čekaju savršen odgovor, dizajneri isprobavaju male, namerne eksperimente niskog rizika kako bi naučili šta funkcioniše. Imajte na umu da eksperimenti nisu pilot-projekti. Cilj je da se uči, a ne da se dokazuje.

Na primer, kada je jedna banka u Australiji želela da uvede proizvod koji bi pomogao roditeljima da nauče decu pametnom ponašanju sa kreditnim karticama, tim IDEO je kreirao proizvod „nalik na pravi“ od pripejd debitne kartice. U kratkom, jednomesečnom eksperimentu, roditelji su mogli da daju deci limite potrošnje, prate kupovine i daju povratne informacije o tome šta bi takav proizvod mogao da ponudi. Kada je banka krenula da dizajnira i pravi proizvod, radila je to na osnovu informacija iz stvarnog sveta, a ne na osnovu nagađanja o ponašanju kupaca.

U vremenima neizvesnosti, eksperimentisanje nam omogućava da zaobiđemo paralizu velikih odluka fokusiranjem na male korake koji deluju dovoljno bezbedno da se isprobaju. Važno je napomenuti da eksperimenti ne moraju da uspeju da bi bili korisni. Oni samo treba da nas nauče nečemu novom. Uspeh nije „uključili smo veštačku inteligenciju u nekoliko procesa“ ili „posao sada teče glatko nakon reorganizacije“. Uspeh je „naučili smo nešto što unapređuje naše razumevanje“.

Kako da pomognete sebi i svom timu da eksperimentišete

Uzmite oblast u kojoj ste vi ili vaš tim zaglavljeni i niste sigurni kako da krenete napred, a zatim oljuštite slojeve do najmanjeg mogućeg koraka. Na primer:

• Pokušavate da uključite veštačku inteligenciju, ali se suočavate sa strepnjom ili otporom? Šta ako biste organizovali seriju „ručak i učenje“, gde bi se zaposleni obavezali da se igraju sa alatom veštačke inteligencije, podele iskustva na jednoj sesiji i pridruže se trima drugim sesijama da dobiju inspiraciju? Neka njihovi podsticaji ne budu vezani za posao kako bi delovalo lagano i pristupačno.
• Suočavate se sa smanjenjem finansiranja kao lider neprofitne organizacije? Šta ako biste organizovali „poziv za inspiraciju o finansiranju“ za kolege lidere neprofitnih organizacija i podelili svoje omiljene modele prihoda iz drugih preduzeća, a zatim zajedno razmišljali o novim izvorima prihoda? Ako postoji interesovanje, mogli biste to pretvoriti u redovni klub za eksperimentisanje gde svaka organizacija isprobava različite metode finansiranja i deli naučeno.

Svaki mali eksperiment vam daje podatke. Ti podaci vam daju samopouzdanje. A to samopouzdanje smanjuje neizvesnost – ne zato što ste magično sve shvatili, već zato što se krećete.

...

Može se sa sigurnošću pretpostaviti da će ubrzane promene ostati. Pametan potez je naučiti kako da jašete na tom talasu, pa čak i da uživate u njemu. Ovi dizajnerski saveti – i biološke realnosti kojima se bave – mogu pružiti veštine i perspektivu da to i učinite.

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.

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

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

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

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

Procena investicionih prilika sa visokim povratom

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

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

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

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

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

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

Suočavanje sa prekomernim zahtevima klijenata

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

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

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

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

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

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

Unapređenje R&D veština za konkurentsku prednost

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

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

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

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

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

. . .

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

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

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

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

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

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

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

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

Gde kompanije greše

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

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

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

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

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

Vodič za optimizaciju broja zaposlenih

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

Redefinišite jedinicu rada.

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

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

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

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

Razvijte poslovnu strategiju, a ne AI strategiju.

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

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

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

Razumite šta AI može da uradi.

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

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

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

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

Razumite šta AI ne može da uradi.

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

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

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

Dizajniranje rada za reverzibilnost

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

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

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

. . .

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

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.

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

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

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

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

Kupci očekuju dosledna iskustva

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

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

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

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

AI pruža argumente za integraciju

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

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

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

Kako se vodeće organizacije prilagođavaju

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

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

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

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

Kada se realizacija spaja, vlasništvo postaje jasnije

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

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

Model zatvorene petlje

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

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

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

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

Vizija i rezultati:

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

Podaci i sistemi:

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

Organizacija i sposobnosti:

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

. . .

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

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

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

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

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

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

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

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

Prestanite da razmišljate u okvirima kanala

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

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

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

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

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

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

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

Dajte svakoj fizičkoj tački kontakta jasan zadatak

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

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

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

Nemojte ravnomerno raspoređivati iskustvo

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

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

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

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

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

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

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

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

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

Organizujte se oko vrednosti za kupca

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

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

. . .

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

Generativna 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.