Naše najnovije priče, uvidi i saveti

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.

Ambiciozni preduzetnici se sve više okreću veštačkoj inteligenciji (AI) kako bi podstakli rast, inovacije i efikasnost. Koristili su AI da bi se takmičili sa velikim igračima, pokazujući da mali timovi mogu postići izvanredan uticaj. Preduzetnici koji nameravaju da zaposle više od 20 ljudi znatno češće smatraju AI ključnom za svoje poslovne modele. Uprkos entuzijazmu, izazovi kao što su troškovi, implementacija i privatnost podataka i dalje postoje. Ali postavljanje strateškog tempa, jačanje saradnje između ljudi i AI, i podsticanje eksperimentisanja koje vode zaposleni može pomoći.

Kada je tim u kompaniji Anysphere 2022. godine pokrenuo Cursor – AI asistenta za kodiranje – oni nisu bili dobro finansirani gigant. Bili su mala grupa programera koja je gradila pametniji način za pisanje koda. U roku od nekoliko meseci, takmičili su se sa alatima kompanija OpenAI i GitHub, dokazujući da čak i najmanji timovi mogu da postignu mnogo više nego što se od njih očekuje kada ih pokreće AI. Ova vrsta skalabilnog, inteligentnog dizajna više nije isključivi domen velikih firmi ili tehnoloških startapova. Iako su Anysphere i drugi slični njima još uvek na početku svog puta, oni pokazuju kako ambiciozni preduzetnici mogu da iskoriste AI za ubrzavanje donošenja odluka, otključavanje novih tržišta i optimizaciju poslovanja. Naše najnovije istraživanje Global Entrepreneurship Monitor (koje je obuhvatilo više od 2.300 američkih preduzetnika) pokazuje da preduzetnici sa ambicijama za rast – ambiciozni preduzetnici – mnogo češće smatraju AI ključnom za svoje poslovne modele i budući uspeh. Kako bismo vodili ove poduhvate, u nastavku predstavljamo praktičan okvir za rast uz pomoć AI.

Važnost ambicioznih preduzetnika

Mala preduzeća čine 99% svih firmi u SAD i skoro polovinu zaposlenih u privatnom sektoru, prema podacima američkog Biroa za statistiku rada (U.S. Bureau of Labor Statistics). Takođe, konstantno nadmašuju veće firme u otvaranju novih radnih mesta (U.S. Census Bureau). Ali mnogo manji podskup – ambiciozni preduzetnici – pokreće najtransformativnije promene. Podaci Global Entrepreneurship Monitora pokazuju da samo 18% američkih preduzetnika očekuje da će zaposliti 20 ili više ljudi u narednih pet godina. Ovi preduzetnici se ističu: imaju preko četiri puta veću verovatnoću da će uvesti nove proizvode ili usluge u poređenju sa onima koji ne predviđaju zapošljavanje, što ih pozicionira kao katalizatore i za otvaranje radnih mesta i za inovacije. Ovi ambiciozni preduzetnici ne teže samo rastu – oni teže da remete, skaliraju i vode. Oni vide AI kao ključnu za postizanje tih ciljeva. I postižući ih, oni nesrazmerno doprinose ekonomskoj obnovi.

Usvajanje AI u preduzetništvu

Lideri velikih firmi se uveliko slažu da AI transformiše industrije, remeti radne tokove i redefiniše poslovne modele sa neviđenom brzinom. U globalnoj anketi kompanije Deloitte, 78% rukovodilaca je izjavilo da planira da poveća svoja ulaganja u AI tokom naredne godine. Ali ovo nije samo priča o disruptivnim promenama na nivou preduzeća. Generativni AI alati demokratizuju sposobnosti koje su nekada bile rezervisane za velike timove i velike budžete.

Ipak, uprkos širenju dostupnih AI aplikacija, postoji relativno malo istraživanja o percepcijama usvajanja AI među malim i srednjim preduzećima. Jedna od retkih dostupnih anketa pokazala je da samo 21% malih preduzeća koristi AI ili planira da ga koristi u naredne dve godine. Međutim, naši GEM podaci otkrivaju jasniju sliku: ambiciozni preduzetnici – oni koji predviđaju zapošljavanje najmanje 20 novih radnika u narednih pet godina – stavljaju mnogo veći naglasak na AI. Preciznije, 87% njih predviđa da će AI biti ključna za njihov poslovni model i strategiju u naredne tri godine. Preko 90% očekuje pozitivne uticaje na prihod i rast, pri čemu većina navodi prednosti kao što su razvoj inovativnih proizvoda i usluga, poboljšana produktivnost i efikasnost, unapređena personalizacija za kupce i bolje upravljanje rizikom i usklađenošću.

Ovo nije samo teorija. Preduzetnici mogu izgledati bolje pozicionirani od velikih firmi za integraciju AI. Novi poduhvati mogu da grade procese vođene veštačkom inteligencijom od prvog dana, a etabliranija mala preduzeća često posluju sa manje od pet zaposlenih – dovoljno agilni da izbegnu birokratiju. Ali mala veličina takođe može biti ograničenje. Ograničeni finansijski i ljudski resursi, posebno za netehnološke firme koje ređe dobijaju rizični kapital, znače da je rast – a ne usvajanje tehnologije – često prioritet. U nedostatku značajnih internih tehničkih timova, mnogi osnivači se suočavaju sa stvarnim izazovima u usvajanju i upravljanju naprednom tehnologijom.

Čak i među ambicioznim preduzetnicima, entuzijazam za AI ne nadjačava zabrinutost. Glavne brige uključuju troškove i prepreke u implementaciji (84%), kao i otpor zaposlenih (72%) i/ili kupaca (81%). Osamdeset osam posto je navelo privatnost podataka kao ključnu brigu. Iako GEM podaci pokazuju da ambiciozni preduzetnici češće posluju u tehnološki intenzivnim sektorima – ili agresivno koriste tehnologiju u svom poslovanju – oni i dalje predstavljaju tek nešto više od 10% ambicioznih preduzetnika koje smo anketirali. To sugeriše da većina možda nema tehnološke veštine ili orijentaciju koja bi omogućila takva ulaganja. AI već dugo pomaže u unapređenju ljudskog rada.

Robotska automatizacija procesa obavlja ponavljajuće pozadinske zadatke, dok analitička AI podržava brže i tačnije donošenje odluka o predviđanju, određivanju cena i ciljanju kupaca. Generativna AI sada omogućava preduzetnicima da testiraju marketinške strategije ili poslovne modele za nekoliko dana umesto nedelja – i da kreiraju sadržaj, od prezentacija za investitore do koda, uz minimalan unos.

AI takođe transformiše industrije koje se tradicionalno ne smatraju tehnološki naprednim. Stuccco, kompanija za virtuelno uređenje nekretnina, sve više dodaje AI mogućnosti svojim renderima uređenih prostora. ImagineInteriors.ai, na primer, je proizvod obučen na dizajnima koje su stvorili ljudi, a koji će profesionalcima u nekretninama pružiti vizualizaciju proizvoda i virtuelno uređenje. Druga ponuda omogućava potrošačima da sami kreiraju uređenja sa proizvodima koji se mogu kupiti. Ono što je nekada zahtevalo nameštaj i nedelje priprema, sada će biti urađeno za nekoliko sati uz fotorealistične AI rendere – omogućavajući malim firmama da se takmiče sa luksuznim agencijama. Ovi alati ne zamenjuju ljudsko rasuđivanje – oni ga proširuju.

Nedavno je uspon agentivne AI – alata koji mogu samostalno obavljati digitalne zadatke – proširio ove mogućnosti. Preduzetnici sada mogu automatizovati izradu veb-sajtova, obradu transakcija, korisničku podršku i istraživanje tržišta. Iako je ljudski nadzor i dalje ključan, ovi agenti značajno povećavaju kapacitet. Ukratko, AI pomaže preduzetnicima da rastu pametnije, a ne samo veće.

Okvir za preduzetnike

Da bismo vodili preduzetnike – posebno one sa visokim ambicijama za rast – razvili smo praktičan, prilagodljiv okvir za usvajanje AI. Koristan je i za one koji podržavaju preduzetničke poduhvate, uključujući investitore, savetnike i partnere u ekosistemu. Ovaj okvir se mora primeniti uz razumevanje resursa, konteksta i težnji svakog poduhvata. Poduhvat sa dubokim tehničkim sposobnostima imaće drugačiji pristup od startapa sa ograničenim finansijskim ili tehničkim resursima. U svim slučajevima, međutim, važi jedan princip: usvajanje AI ne može biti isključivo odozgo-nadole.

Odredite pravac i tempo usvajanja AI.

Prvo pitanje koje preduzetnici moraju postaviti nije samo da li da usvoje AI – već kako i koliko brzo. Dok neke firme pokušavaju sa potpunom implementacijom, većina ima koristi od postepenog usvajanja zasnovanog na učenju iz eksperimentisanja. Kao što preduzetnici često razvijaju minimalno održive proizvode, tako mogu razviti i minimalno održive slučajeve upotrebe AI. Automatizacija ponavljajućih zadataka, bilo pomoću RPA ili sve više AI agenata, retko zahteva velike promene u procesima. Ove rane primene grade zamah i unutrašnju podršku.

Neka preduzeća daju prioritet prilikama visoke vrednosti koje donose prihod, kao što je korišćenje AI za efikasnije lansiranje novih proizvoda ili proširenje dosega do kupaca. Druga počinju sa laganim alatima za uštedu troškova koji su ugrađeni u postojeće sisteme.
I, preduzetnici ne moraju odmah da grade internu stručnost za AI. Mnogi počinju radeći sa kompanijama koje ugrađuju AI u alate dizajnirane za njihovu industriju. Netic, na primer, je dobavljač rešenja za HVAC, vodovodne i električarske poslove. Nudi AI za automatizaciju i predviđanje angažovanja kupaca, zakazivanja i marketinga. Optimizacijom ovih operativnih zadataka, Netic pomaže sebi i svojim klijentima, malim uslužnim firmama, da poboljšaju efikasnost bez dodavanja novih zaposlenih ili tehničke infrastrukture.
Alati poput ovih daju preduzetnicima niskorizičan način da potvrde potencijal AI. Preduzetnicima koji žongliraju sa više uloga, oni oslobađaju vreme da se fokusiraju na rast. Iako oslanjanje na spoljne dobavljače AI možda neće doneti trenutnu konkurentsku prednost, ono gradi organizaciono samopouzdanje i utire put za strateškije, interno eksperimentisanje u budućnosti.

Ojačajte komplementaran odnos sa AI.

Iako AI optimizuje radne tokove i automatizuje zadatke, ona nije potpuna zamena za ljudske veštine. Odlična je u obradi podataka, prepoznavanju obrazaca i izvršavanju ponavljajućih ili zadataka zasnovanih na pravilima. Ljudi donose kritičko razmišljanje, empatiju, rasuđivanje i prilagodljivost – veštine koje mašine ne mogu da repliciraju. Prilika leži u dizajniranju radnih tokova gde ljudi i mašine koriste svoje prednosti.

Razmotrite kako čak i uslužno orijentisana preduzeća unapređuju personalizaciju pomoću AI. Style DNA, na primer, počeo je kao usluga ličnog stilizovanja usmerena na pomaganje korisnicima da maksimalno iskoriste svoju postojeću garderobu. Da bi proširila svoj uticaj i poboljšala personalizaciju, kompanija je kasnije integrisala AI u svoju platformu – koristeći prepoznavanje slika i učenje o preferencijama kako bi predložila odabrane odevne kombinacije na osnovu fotografija koje korisnici postave i njihovih profila stila. Dok aplikacija generiše modne preporuke zasnovane na podacima, korisnici ostaju u kontroli, birajući konačni izgled koji odražava njihov ukus. Ovaj hibridni model spaja ljudsku kreativnost sa mašinskom inteligencijom i takođe podržava održivu modu podstičući ponovnu upotrebu umesto nove potrošnje.

U preduzetničkim poduhvatima gde zaposleni obavljaju mnogo različitih poslova, AI može preusmeriti članove tima sa ponavljajućih zadataka na kreativnije uloge okrenute klijentima. Ova tranzicija produbljuje angažovanje, poboljšava zadržavanje zaposlenih i povećava vrednost ponude kompanije. Preduzetnici bi trebalo da predstave usvajanje AI ne kao pretnju, već kao način za jačanje ljudskog potencijala.

Implementirajte kao inicijativu koju vode zaposleni, inspirisanu kolegama.

Za razliku od velikih firmi, većina preduzetničkih poduhvata ne može da zaposli posvećene AI timove. Ali i dalje mogu biti vodeći u usvajanju osnaživanjem „građana programera“ ili „vibe kodera“ – radoznalih, tehnološki pismenih zaposlenih koji su voljni da eksperimentišu, čak i bez formalne obuke za AI. Ovi članovi tima razumeju radne tokove i kulturu kompanije, što ih čini idealnim ranim usvajačima.

Gotovo svaki jezički model sada može da generiše kod. Postoje i specijalizovani alati koji mogu da koriste AI za kreiranje veb-stranica, prezentacija, poslovnih planova, istraživanja tržišta, dizajna proizvoda, logotipa i skoro svake druge digitalne komponente koja je potrebna malim preduzećima. Ovi alati su obično jeftini ili čak besplatni. U preduzetničkom okruženju, ovakva dostupnost je multiplikator snage.

Ovo usvajanje odozdo-nagore gradi poverenje, a GEM podaci pokazuju da su preduzetnici zabrinuti da se njihovi zaposleni plaše AI. Ali veća je verovatnoća da će oni prihvatiti tehnologiju kada je uvedu kolege, a ne kada je nametnuta sa vrha. Vremenom, ovi rani usvajači postaju interni šampioni koji modeliraju najbolje prakse i grade organizacionu AI pismenost. Preduzetnici bi trebalo da ojačaju ovaj zamah ciljanim razvojem, priznavanjem i jasnim podsticajima. Ako se uradi kako treba, usvajanje AI vođeno zaposlenima ne samo da povećava produktivnost, već i oblikuje agilniju i inovativniju kulturu.

. . .

Veštačka inteligencija više nije isključivi domen tehnoloških giganata. Sa alatima koji su dostupniji i troškovima implementacije nižim nego ikad, preduzetnici orijentisani na rast su u dobroj poziciji da predvode. Kada se primeni promišljeno, AI pomaže malim preduzećima da se brže razvijaju, posluju pametnije i usmere ljudski kapital na kreativnost, angažovanje kupaca i inovacije. Ali otključavanje ovih prednosti zahteva više od eksperimentisanja – zahteva promenu načina razmišljanja.

Najuspešniji preduzetnici će tretirati AI ne samo kao alat, već kao stratešku sposobnost ugrađenu u celo poslovanje. Sledeći talas poslovne transformacije neće doći samo iz upravnih odbora kompanija sa liste Fortune 500. Pokretaće ga odvažni preduzetnici koji kombinuju ambiciju sa pametnom primenom AI kako bi nadmašili, nadmudrili i nadjačali konkurenciju.

Šah se može igrati različitim brzinama, i kada vrhunski igrači posmatraju jedan potez izolovano, bez konteksta, teško im je da procene da li je taj potez pametan ili loš. Slično tome, u poslovanju je teško oceniti odluke menadžera i investitora, jer se one često sprovode u različitim vremenskim okvirima.

Neki investitori donose odluke u ekstremno kratkom roku, dok drugi planiraju na neograničen vremenski period. Vrste menadžerskih odluka koje su pametne za jednu grupu akcionara mogu biti potpuno pogrešne za drugu.

Šahovska dilema: Genijalnost ili greška?

Nedavno sam sa svojim bratom, velikim ljubiteljem šaha, gledao video-snimke u kojima iskusni velemajstori analiziraju poteze iz igre između dva „misteriozna“ igrača (čiji identitet im nije otkriven). Na osnovu prikazanih poteza, velemajstori su morali da odgovore na pitanje: Koji je rejting igrača?

Šah je igra veštine i strategije, gde nema mesta slučajnosti i sreći. Zato su velemajstori, koji su proučili hiljade partija, vešti u procenjivanju protivnika – dovoljno je da vide nekoliko poteza kako bi odredili nečiji šahovski rejting.

Međutim, u jednom od videa desilo se nešto iznenađujuće. Majstori su zastali kod jednog poteza i primetili: "Ovo je ili briljantan potez koji je smislio genije, ili slučajna greška nesposobnog igrača!"

Njihova poenta bila je da potez može odražavati izuzetnu veštinu, ako je deo promišljene strategije koja iskorišćava prednost. Ali isti potez može biti potpuno pogrešan, ako je napravljen bez plana i daljeg razmišljanja o sledećim potezima. Čak ni iskusni šahovski majstori ponekad ne mogu odmah da prepoznaju razliku bez praćenja daljeg toka igre.

Ako je to slučaj u šahu, igri sa jasnim pravilima i determinističkim strategijama, kako onda možemo pouzdano oceniti poslovne odluke, u svetu koji je mnogo nepredvidiviji i haotičniji?

Kako oceniti poslovne poteze?

U poslovnom svetu, „velemajstori“ su često članovi upravnih odbora, investitori, regruteri i analitičari. Oni ocenjuju menadžere i njihove odluke na osnovu poslovnih poteza koje donose. Međutim, kao i u šahu, potezi koji se nekima čine briljantnim, drugima mogu izgledati kao potpune greške.

Evo nekoliko primera:

Stiv Džobs je bio otpušten iz Apple-a jer je upravni odbor procenio da su njegove liderske sposobnosti neefikasne. Apple je gotovo bankrotirao u godinama koje su usledile. Kada se Džobs vratio, izgradio je kompaniju iznova, i to koristeći iste strategije zbog kojih je prvobitno bio otpušten.

Visoki rukovodioci sa Volstrita dobijali su rekordne bonuse pre 2007. godine zbog kreativnih finansijskih instrumenata zasnovanih na hipotekama. Samo nekoliko meseci kasnije, upravo te strategije su gotovo uništile američki finansijski sistem, izazivajući globalnu ekonomsku krizu.

Voren Bafet je 1999-2000. godine smatran „zastarelim investitorom“ jer nije ulagao u tehnološke kompanije. Kada je dot-kom balon pukao, Bafet je ponovo proglašen genijem, ne zato što je promenio strategiju, već zato što su tehnološke firme propale, dok je njegov konzistentan pristup vrednosnim investicijama ostao stabilan.

Elon Mask je često označen i kao genije i kao budala – čak i isti poslovni potez može istovremeno izazvati pohvale i kritike, zavisno od toga ko ga ocenjuje i u kom trenutku.

Ovi primeri pokazuju da poslovni genije danas može biti poslovni promašaj sutra – i obrnuto. To ne bi trebalo da nas previše iznenadi, iz dva razloga:

1. Liderstvo u biznisu je situaciono. Ono što funkcioniše u jednom kontekstu, ne mora raditi u drugom.
2. Menadžeri mogu kontrolisati samo odluke koje donose, ne i ishode tih odluka. Ishodi su često podložni sreći, promenama tržišta i nepredvidivim faktorima.

Zbog toga je razlikovanje veštine od puke sreće izuzetno teško.

Šah i poslovne strategije: Različite igre, različite veštine

Šah ima jedan krajnji cilj – matirati protivnika. Međutim, postoje različiti tipovi šahovskih partija: Blic šah traje samo nekoliko minuta i zahteva intuiciju, refleks i brzinu. Rapid šah traje do sat vremena i kombinuje brzinu sa analizom. Klasičan šah traje satima ili danima i oslanja se na strpljenje, disciplinu i dugoročnu strategiju.

Veštine potrebne za uspeh nisu iste u svakom formatu. Tako i u poslovanju – svi menadžeri imaju isti cilj: povećati vrednost za akcionare tako što će generisati povraćaj na kapital koji premašuje troškove ulaganja.

Ali pitanje je: Ko su akcionari? Kakav je njihov vremenski horizont?

Neki igraju "brzi biznis", fokusirajući se na kratkoročne dobitke i agresivne strategije. Drugi igraju "dugoročnu igru", ulažući u stabilan i postepen rast.

Ako se dva investitora igraju različite igre, isti poslovni potez može za jednog biti briljantna strategija, dok za drugog može biti ogromna greška.

Različite igre u poslovanju

Moje iskustvo u svetu investiranja ukazuje na to da je poslovni kontekst ključan za procenu odluka. Razmotrimo sledeće:

Hedge fondovi usmereni na trgovanje obično ne mare za to šta će se dogoditi za pet ili deset godina. Njihova strategija se uglavnom zasniva na kratkoročnim opkladama, tražeći kompanije koje mogu iznenaditi tržište objavom rezultata koji su značajno drugačiji od očekivanja.

Fondovi privatnog kapitala (private equity) oslanjaju se na višegodišnje poslovne planove, posebno one sa projekcijama novčanog toka koje omogućavaju otplatu dugova i povrat kapitala investitorima. Cilj je da se maksimalno poveća povrat na kapital korišćenjem finansijske poluge i da se pravovremeno izađe iz investicije, obično u roku od desetak godina. Šta se dešava posle toga, za njih je manje važno.

Fondovi rizičnog kapitala (venture capital) traže disruptivne biznise koji igraju na sve ili ništa, bez previše straha od neuspeha. Gubici su prihvatljivi, jer nekoliko uspešnih inicijalnih javnih ponuda (IPO) može nadoknaditi desetine neuspelih ulaganja.

"Trajni" kapital – poput kapitala iz fondacija, porodičnih investicionih kancelarija ili kompanija poput Berkshire Hathaway – prioritet daje zaštiti osnovnog kapitala. Oni ne mogu sebi priuštiti gubitke. Pod ovim uslovima, spremni su da strpljivo čekaju koliko god je potrebno da investicija donese vrednost. Kako Voren Bafet kaže za Berkshire: "Naš omiljeni vremenski period za držanje investicija je zauvek."

U zavisnosti od konteksta, svi gore navedeni entiteti mogu biti akcionari od kojih poslovni lideri zavise ili kojima odluče da stvaraju vrednost. Ali svaki od njih igra potpuno različitu igru, sa različitim vremenskim okvirima, kriterijumima uspeha i načinima donošenja odluka.

Potez koji je genijalan za jednog akcionara može biti potpuno pogrešan za drugog – i obrnuto.

Međutim, ova suptilnost se često zaboravlja, posebno u današnjem vremenu brzih presuda. Poslovne odluke su pod konstantnim nadzorom javnosti, što može stvoriti ogroman pritisak na menadžere. Ovaj pritisak može ih navesti na greške – zaboravljanje ili zanemarivanje onoga što je zaista važno za njihove najvažnije akcionare. U takvom scenariju, mogu ne samo uništiti vrednost za investitore već i ugroziti sopstvenu reputaciju, građenu godinama.

S obzirom na ove faktore, možda bi poslovni lideri i oni koji procenjuju njihove sposobnosti mogli da nauče nešto od šahovskih velemajstora.

Tri lekcije iz šaha za poslovni svet

1. Znajte koju igru igrate

Igranje blic šaha, gde se potezi prave u sekundama, nije isto što i igranje klasičnog šaha, koji traje satima ili danima.

Isto tako, stvaranje vrednosti za kratkoročne investitore (npr. dnevne trejdere) nije isto što i stvaranje vrednosti za dugoročne akcionare. Zbrka u vezi sa ovim razlikama gotovo sigurno vodi lošim ishodima.

Takođe, pokušaj igranja više igara istovremeno može biti opasan. Sve vrste poslovnih strategija mogu imati smisla u različitim kontekstima, ali svaka od njih zahteva različite veštine, vremenske okvire i merila uspeha.

Ukratko: fokus i prilagođenost kontekstu su presudni.

2. Znajte koje glasove treba da slušate

Bez obzira na to koliko mislimo da smo inteligentni, disciplinovani i otporni, uvek smo pod uticajem spoljašnjih mišljenja. Čitave industrije poput marketinga i odnosa s javnošću zasnivaju se na ovoj činjenici.

U šahu, sa njegovom rastućom popularnošću, milioni ljudi prate partije i komentarišu poteze igrača (npr. na YouTube-u ili u prenosima uživo). Međutim, velemajstori znaju da ne obraćaju pažnju na mišljenja onih koji im ne mogu pomoći da poboljšaju svoju igru.

U poslovanju je buka još intenzivnija. Imamo: Vorena Bafeta koji kroz godišnja pisma akcionarima propoveda strpljenje, disciplinu i dugoročno poverenje. Ilona Maska koji svakodnevno objavljuje provokativne izjave na društvenim mrežama. Sve između: TV analitičare, konsultante, finansijske izveštaje, LinkedIn postove, forume poput Reddita, čak i generativnu veštačku inteligenciju.

Pa, koga treba slušati?

Odgovor zavisi od igre koju igrate. Ključ je u ignorisanju nebitne buke u kontekstu vaše poslovne strategije.

Mnogi mislioci, poput Rumija, Vilijama Džejmsa i Nasima Nikolasa Taleba, istakli su važnost mudrog biranja šta ignorišemo.

3. Znajte kada ne znate

Vratimo se na šahovski video sa početka priče: još jedna fascinantna stvar koju sam primetio bila je spremnost poznatih velemajstora da javno priznaju "Ne znam" u određenim situacijama.

U poslovnom svetu, snaga, samopouzdanje i odlučnost često se smatraju ključnim osobinama lidera. S pravom.

Ali priznati da ne znate nešto važno ne znači slabost – već mudrost i promišljenost.

Tek kada priznamo da ne znamo nešto ključno, možemo sebi postaviti korisna pitanja:

Ako zaista još ne možemo da znamo, šta bi trebalo da uradimo?

Koje dodatne informacije su nam potrebne pre nego što donesemo odluku?

Ovakav način razmišljanja mnogo je korisniji od lažnog samopouzdanja, koje može dovesti do nepotrebnih, lako izbegnutih grešaka.

U poslovanju, kao i u šahu, postoje genijalni potezi i ogromne greške.

Međutim, nijedna odluka ne može se oceniti izolovano, bez razmatranja šireg konteksta i dugoročnih posledica. Nažalost, današnje poslovno okruženje često ne ostavlja prostor za takve nijanse – etikete "genije" ili "budala" lepe se prebrzo, samo da bi vreme pokazalo koliko su bile pogrešne.

Kako bismo smanjili ovakve greške u proceni, možda bi mudrost šahovskih velemajstora mogla pomoći poslovnim liderima, posebno onima koji se bave veoma izazovnim zadatkom procene menadžerskih sposobnosti.

Mnogi lideri danas pokušavaju da usklade želju da budu podrška sa realnošću u kojoj su preplavljeni sopstvenim obavezama. Ali kada dobronameran lider postane onaj koji uvek rešava tuđe probleme, cela organizacija snosi posledice. Ova dinamika stvara uska grla u odlučivanju, umanjuje osećaj odgovornosti tima i ubrzava sagorevanje menadžera. Kada vam se zaposleni obrati sa problemom, postavljanje jednog od sledećih pet pitanja može vam pomoći da ostanete dostupni, a da ih istovremeno podučavate samostalnom rešavanju problema. Pitanje „Šta si pokušao/pokušala?“ pokazuje da očekujete da su prethodno uloženi neki napori. Pitanje „Ko—ili šta—te sprečava da se uhvatiš u koštac sa ovim?“ pomaže da se otkrije suštinski uzrok prepreke. Pitanje „Kakvu podršku ti je potrebna?“ sugeriše da postoje i drugi izvori pomoći osim vas. Pitanje „Šta bi uradio/la da si na mom mestu?“ navodi ih da preuzmu deo odgovornosti u donošenju odluka. I pitanje „Da li postoji još nešto što bi trebalo da znam?“ omogućava da problem ostane u njihovoj nadležnosti, uz potvrdu da imaju vašu podršku.

Sven, rukovodilac prodaje, dobio je poziv od važnog klijenta koji je bio besan. Porudžbina je kasnila, proizvod je bio oštećen, a uz to i faktura nije sadržala količinski popust obećan u kvartalnom biltenu.

Sven nije bio siguran šta da radi. Morao bi da uključi i druge sektore kako bi rešio problem, ali postojala je ozbiljna organizaciona birokratija. Uz to, zbog nedavnih otpuštanja i ekonomske neizvesnosti, bio je paranoičan zbog mogućih grešaka. Sven je odlučio da problem iznese Lauri, svojoj šefici i glavnoj direktorki za prihode.
Laura je pažljivo slušala dok je Sven iznosio detalje. Pitala je: „Kakva podrška ti je potrebna od mene?“

„Možeš li da pozoveš klijenta?“ upitao je Sven.

Laura je znala da je Sven sposoban da reši problem, ali nije želela da se oseti nezaštićeno ili ignorisano. Zato je pristala, dodavši stavku broj 143 na svoju dnevnu listu zadataka.
U tom trenutku, oboje su osetili privremeno olakšanje: Sven jer će Laura rešiti problem, a Laura jer je Sven osetio podršku u teškom trenutku. Ipak, vremenom se dinamika ponavljala, a osećaj olakšanja je nestajao. Laura je brzo izgarala, Sven se osećao nemoćno pred sopstvenim klijentima, a rezultati su počeli da opadaju.

To je obrazac koji često viđam u praksi, a dobro je dokumentovan i u istraživanjima o naučenoj bespomoćnosti i kognitivnom zamoru. Ova dinamika stvara uska grla u donošenju odluka, umanjuje odgovornost tima i ubrzava sagorevanje menadžera.

Mnogi lideri danas pokušavaju da pronađu ravnotežu između želje da budu podrška i osećaja preopterećenosti. Ako uhvatite sebe kako priželjkujete da prestanu da vam dolaze sa problemima—iako vam je istinski stalo do tih ljudi—niste sami.

Odbacivanje saosećanja nije rešenje. Ne morate da zalupite vrata ili ponavljate (užasnu) poslovicu: „Ne dolazi mi sa problemom, već sa rešenjem!“

Tokom godina rada sa liderima koji se bore sa preopterećenošću i zavisnošću tima, izdvojila sam pet pitanja koja vam mogu pomoći da ostanete dostupni, a da podučite tim samostalnom rešavanju problema i sačuvate svoje vreme. Klijenti iz različitih industrija beleže slične rezultate: kada pređu sa rešavanja problema na postavljanje ovih pitanja, njihov tim se aktivira.

Šta si pokušao/pokušala?

Postavljanjem ovog pitanja ne sugerišete da niste dostupni da pomognete. Naprotiv, pokazujete da očekujete da je bar neki napor prethodno uložen, makar u vidu razmišljanja o mogućim rešenjima. Ovo je blag podsetnik zaposlenima da imaju ovlašćenje da deluju.

Prvi put kada postavite ovo pitanje, moguće je da će uslediti neprijatna tišina ili odgovor „Pa, još ništa.“ Nakon nekoliko puta, tim će početi da predviđa pitanje, razmišlja unapred i pauzira pre nego što prosledi problem vama.

Direktor tehničkih operacija, Tejlor, bio je frustriran jer su se njegovi 1-na-1 sastanci sa zaposlenima pretvorili u seanse žaljenja na disfunkcionalnost organizacije. Još gore, ti sastanci su završavali dugim spiskom zadataka koje bi Tejlor morao da rešava sam.

Kada je dosledno počeo da postavlja pitanje „Šta si pokušao/pokušala?“, ton sastanaka se promenio, a i ishodi su postali drugačiji. Za manje od mesec dana, tim je počeo da dolazi sa delimičnim rešenjima umesto sa „sirovim“ problemima. Razgovori su postali fokusiraniji, sprovođenje dogovora se poboljšalo, a tim je počeo da samostalno rešava manje probleme bez automatskog prebacivanja odgovornosti na Tejlora.

Ko—ili šta—te sprečava da se uhvatiš u koštac sa ovim?

Ako zaposleni nije uspeo da reši problem, trebalo bi barem da zna zašto. Bilo da je u pitanju budžet, vreme ili nečije odobrenje, dođite do korena onoga što ih zaustavlja. Uklanjanje prepreke je često efikasnije za vas kao lidera nego preuzimanje celog problema.

Ovo pitanje takođe pomaže da identifikujete obrasce problema koji vam dolaze. Da li se često radi o problemu sa odobravanjem? Ili o neodgovornom odeljenju, problematičnom dobavljaču? Prepoznavanjem ponavljajućih prepreka možete razviti održiva rešenja koja ne zavise od vašeg stalnog uključivanja.

Kakvu podršku ti je potrebna?

Tradicionalno pitanje „Kakva podrška ti je potrebna od mene?“—kao što je Laura pitala Svena—iskazuje dobru nameru, ali može nenamerno ograničiti broj potencijalnih izvora pomoći. Podrška je širok pojam. Ne mora dolaziti samo od vas kao lidera. Može doći i od drugog rukovodioca, kolege iz tima, susednog sektora ili čak spoljnog saradnika.

Kada se zaposleni osećaju slobodno da traže pomoć šire, problemi se rešavaju brže, a tim stvara povezanost koja ne zavisi od direktnog menadžerskog nadzora. Ohrabrite svoj tim da razmišlja šire o resursima kojima može da se osloni.

Šta bi uradio/la da si na mom mestu?

Kada rešavate probleme umesto tima, često ne vide sav trud koji ulažete—ostajanje nakon radnog vremena, dodatne mejlove, snalaženje u internoj politici, balansiranje između opcija. To rezultira:
• Nedostatkom zahvalnosti prema onome ko rešava problem
• Nedostatkom razvoja veština kod onoga ko je problem predao

Ovo pitanje navodi zaposlenog da preuzme deo intelektualnog tereta rešavanja problema. Tražite njegovo razmišljanje i uključujete ga u proces odlučivanja.

Nedavno sam radila sa liderkom korisničke podrške koja je bila potpuno zatrpana eskalacijama koje su dolazile svakog sata. Kada je počela da pita „Šta bi ti uradio/la da si na mom mestu?“, uvidela je brojne koristi: njen tim je počeo da iznosi promišljenije ideje, imali su više strpljenja kada rešavanje potraje, i prestali su da joj donose isti problem više puta. Videli su iz prve ruke šta sve ulazi u rešavanje problema i počeli da uče kako da to rade sami.

Jedna longitudinalna studija na više od 1.000 zaposlenih u 90 timova pokazala je da lideri koji uključuju tim u donošenje odluka i zajedničko rešavanje problema beleže značajan rast u timskoj efikasnosti i angažovanosti pojedinaca tokom vremena.

Da li postoji još nešto što bi trebalo da znam?

Ponekad je jedini razlog što vam je problem „sleteo“ na sto taj što zaposleni nije želeo da vas iznenadi.

Zahvalite mu, a zatim pitajte: „Da li postoji još nešto što bi trebalo da znam?“—to potvrđuje otvorenu komunikaciju, dok rešavanje ostaje u njegovoj nadležnosti. Mogu vas i dalje zamoliti za pomoć, ali na njima je da to jasno zatraže.

Razlikovanje između informisanosti o problemu i preuzimanja odgovornosti za rešavanje istog je ključno. Oduprite se porivu da odmah zaronite u detalje. Osim ako vas to eksplicitno ne zamole, ne podrazumevajte da vi treba nešto da preduzmete.

. . .

Ne postoji „to-do“ lista za brigu o sebi, meditacija ili mentalni trik koji će otkloniti hronično menadžersko preopterećenje. Da biste dali svoj maksimum u najvažnijim trenucima, broj zadataka mora da se smanji.

Što češće budete koristili ovih pet pitanja, to ćete ih ređe morati postavljati. Osnaživanje tima da preuzme odgovornost je poklon za sve. Samo kada imate prostora da dišete, možete biti zaista saosećajan lider. A samo kada se zaposleni osećaju osnaženo, mogu samostalno da donose rezultate.