Razbijanje mitova

AI asistenti i veliki jezički modeli (LLM) postali su deo razgovora o savremenom poslovanju, ali oko njihovih mogućnosti i dalje postoje dve suprotne vrste zabluda. Jedna ih svodi na obične programe za nekoliko jednostavnih odgovora. Druga od njih očekuje potpunu tačnost, sigurnost i samostalnost bez kontrole ljudi. Nijedna krajnost nije dobar temelj za poslovnu odluku. Korisnije je razumeti šta AI zaista može da uradi, gde greši i pod kojim uslovima može pouzdano da podrži konkretan proces.

Urednička napomena (oktobar 2026): Ovo je obnovljeno i prošireno izdanje Positive članka „Razbijanje mitova“, objavljenog 26. decembra 2024. u kategoriji Veštačka inteligencija. Originalni tekst, potpisan kao Positive, izdvaja šest mitova: ograničenost asistenata na osnovne zadatke, njihovu nepouzdanost, zamenu ljudi, svođenje LLM-ova na tekst, složenost implementacije i nesigurnost AI alata. Svi mitovi i izvorni poslovni primeri sačuvani su po smislu. Dodatna objašnjenja iz 2026. razlikuju mogućnosti od garancija. Izvorna tvrdnja da Positive asistenti „ne dele podatke sa trećim stranama“ i garantuju maksimalnu privatnost ovde se ne ponavlja kao univerzalno potvrđena činjenica: svaka primena zahteva proveru ugovora, toka podataka, pristupa i bezbednosnih kontrola.

Zašto se mitovi o AI-u lako šire

Veštačka inteligencija obuhvata različite tehnologije, a veliki jezički model samo je jedan njihov deo. Generativni asistenti mogu razumeti korisničke upite, sastaviti tekst, sažeti dokument, pomoći pri analizi i, kada imaju odgovarajuće integracije, predložiti radnju u poslovnoj aplikaciji. Međutim, način rada jednog javnog chatbota ne opisuje automatski sve sisteme koji koriste AI.

Zablude nastaju kada se demonstracija poistoveti sa trajnom funkcionalnošću. Uspešan primer iz kontrolisanih uslova ne govori mnogo o ponašanju asistenta kada je dokumentacija nepotpuna, korisnik postavi neočekivano pitanje ili integracija izgubi vezu. Podjednako je pogrešno odbaciti svaku primenu zato što jedan model ponekad daje netačan odgovor.

Za poslovnu upotrebu presudno je razlikovati odgovor, preporuku i izvršenu radnju. Svaki od tih koraka zahteva drugačiju proveru, odgovornost i merila uspeha. Tako se rasprava o mitu pretvara u konkretno pitanje o procesu.

Mit 1: AI asistenti mogu raditi samo osnovne zadatke

Prvi mit izvornog Positive članka glasio je da su AI asistenti ograničeni na jednostavna pitanja. U stvarnosti, asistenti zasnovani na velikim jezičkim modelima mogu obrađivati složenije formulacije, sumirati opsežnu dokumentaciju, praviti nacrte izveštaja, pomagati pri organizaciji sastanaka i predlagati sledeće korake. Uz strukturirane podatke i odobrene alate mogu podržati i višestepene poslovne tokove.

Originalni primeri obuhvatali su analizu podataka, generisanje dokumenata, prilagođavanje odgovora korisnicima i automatizaciju dela prodajnog procesa. Važno je, međutim, da pristup konkretnim podacima i mogućnost izmene CRM-a ne proizlaze samo iz postojanja modela. Neophodni su konektori, dozvole, validacija izlaza i postupak u slučaju greške.

Napredniji zadatak ne mora biti potpuno automatizovan. Asistent može zaposlenom pripremiti kvalitetan predlog i time skratiti vreme rada, dok konačnu odluku donosi osoba koja poznaje poslovni kontekst. To je često razumniji prvi korak od samostalnog izvršavanja procesa.

Mit 2: AI alati su nepouzdani i često greše

Drugi mit iz 2024. predstavljan je kao tvrdnja da se AI sistemima ne može verovati zbog mogućih grešaka. Izvorni tekst s pravom je isticao kvalitet podataka, instrukcije i praćenje performansi, ali se njihova uloga mora precizno opisati. Dobar prompt ili pristup boljoj dokumentaciji može smanjiti neke vrste grešaka, ali ne uklanja mogućnost da model iznese pogrešan ili izmišljen odgovor.

Pouzdanost se ne može oceniti samo subjektivnim utiskom da odgovor zvuči uverljivo. Za asistenta koji odgovara na pitanja kupaca mogu se pripremiti skupovi realnih pitanja i provereni odgovori, a zatim pratiti tačnost, relevantnost, učestalost eskalacije i slučajevi u kojima model treba da kaže da nema dovoljno informacija.

U procesima sa većim posledicama, kao što su finansije, zdravstvo ili kontrola pristupa, potrebne su dodatne provere i nadzor stručne osobe. Cilj nije dokazati da AI nikada ne greši, već razumeti vrste grešaka, ograničiti njihov uticaj i napraviti pouzdan način ispravke.

Mit 3: AI asistenti su zamena za ljude

Treći mit originalnog članka odnosio se na strah da će AI potpuno zameniti zaposlene. Positive je naglašavao podršku zaposlenima kroz oslobađanje od ponavljajućih zadataka i više prostora za kreativne i strateške aktivnosti. Takav cilj je smislen, ali ne treba iz njega izvoditi univerzalnu tvrdnju da AI nikada neće promeniti broj ili vrstu radnih mesta.

Tehnologija može preuzeti određene korake, promeniti raspodelu zadataka ili stvoriti potrebu za novim kompetencijama. Efekat zavisi od sektora, poslovne odluke i načina uvođenja. U podršci klijentima, na primer, asistent može preuzeti jednostavna pitanja, dok zaposleni rešava složene slučajeve, reklamacije i situacije koje zahtevaju procenu.

Kompanija bi zato trebalo da planira obuku, jasno raspodeli odgovornosti i prati iskustvo zaposlenih. Kada se automatizacija uvodi bez razgovora i stvarnog merenja kvaliteta, otpor ne mora biti posledica nerazumevanja tehnologije već opravdane zabrinutosti o promeni posla.

Mit 4: Veliki jezički modeli su samo alat za tekst

Četvrti mit svodio je LLM na generisanje rečenica. Izvorni članak pominjao je primene u analitici, edukaciji i kreativnim industrijama. Danas je još važnije razdvojiti sam jezički model od šireg sistema u koji je ugrađen. Model može pomoći u interpretaciji nalaza i pripremi objašnjenja, dok proračun ili provera često dolaze iz posebnih alata i baza podataka.

Mnogi savremeni AI sistemi podržavaju i slike, govor ili druge vrste ulaza. Ipak, multimodalna mogućnost nije osobina svakog LLM-a, niti svaka implementacija ima dozvolu da obradi ili sačuva određeni tip podatka. Pre izbora rešenja potrebno je proveriti model, aplikaciju i bezbednosne uslove.

Za poslovanje je korisnije pitati kakav rezultat zaposleni treba da dobije nego fokusirati se na etiketu proizvoda. Nekom timu je dovoljan sažetak dokumenta, drugom pretraga znanja, trećem klasifikacija zahteva uz prebacivanje u tiket sistem.

Mit 5: AI i LLM-ovi su previše komplikovani za implementaciju

Peti mit govori da je AI rezervisan samo za velike kompanije sa posebnim istraživačkim timovima. Originalni Positive tekst isticao je pristupačnost postojećih alata i ulogu partnera u proceni potreba, razvoju rešenja i edukaciji. Za ograničen slučaj upotrebe, kao što je odgovaranje na pitanja o javno dostupnim uslugama, pilot zaista može biti razumno jednostavan.

Međutim, složenost raste kada se traži pristup internim dokumentima, integracija sa više sistema, promena poslovnih evidencija ili obrada osetljivih podataka. Tada je potrebno definisati vlasništvo nad podacima, prava pristupa, ugovorne uslove, testove i način održavanja.

Uvođenje nije jednokratna instalacija. Dokumentacija se menja, korisnici postavljaju nova pitanja, a aplikacije dobijaju drugačije interfejse. Zbog toga plan treba da obuhvati i dugoročno uređivanje znanja, nadzor rezultata i odgovornu osobu za proces.

Mit 6: AI alati nisu sigurni

Šesti mit iz originala bio je da su AI alati nužno nesigurni. Odgovor nije jednostavno „bezbedni su“ ili „nisu bezbedni“. Enkripcija, izolacija podataka, provera identiteta i pravila pristupa mogu smanjiti rizik, ali njihovo postojanje ne dokazuje da je svaka aplikacija adekvatna za svaku vrstu poslovnog podatka.

Izvorni članak navodio je da Positive asistenti čuvaju podatke na bezbednim serverima i ne dele ih sa trećim stranama. Bez provere pojedinačne implementacije, ugovora sa dobavljačima i stvarnog toka podataka, takva tvrdnja ne sme se uzeti kao garancija za sve proizvode. Treba jasno utvrditi koji provajderi obrađuju podatke, gde se čuvaju i da li se koriste za dodatnu obradu.

Posebni rizici uključuju otkrivanje poverljivih informacija, nebezbedne izlaze i prompt injection — pokušaj da zlonameran tekst u dokumentu ili poruci navede asistenta da zanemari pravila. Bezbednost zato zahteva testiranje i kontrolu pristupa, ne samo marketinško obećanje.

Šta znači da je AI asistent pouzdan u praksi

Pouzdan asistent ima jasno ograničenu namenu. Korisnik zna u čemu sistem može da pomogne, koje informacije koristi i kako stiže do čoveka kada odgovor nije dovoljan. Kada se oslanja na dokumentaciju, korisno je da navede izvor ili bar omogući proveru porekla informacije.

Dobro je pripremiti realne scenarije koji uključuju ispravna pitanja, nejasne zahteve, pogrešne pretpostavke i pokušaje pristupa tuđim informacijama. Rezultati treba da pokazuju koliko često je asistent zaista pomogao, a koliko puta je morao da odbije odgovor ili prosledi zahtev.

Važna je i sposobnost prijavljivanja greške. Ako se dokument promeni, sistem treba da ima postupak ažuriranja znanja. Ako integracija nije dostupna, treba da kaže da radnja nije izvršena. Pouzdanost obuhvata i iskreno prikazivanje sopstvenih ograničenja.

Kada je potreban čovek u procesu

Nisu svi poslovni zadaci istog rizika. Asistent može pripremiti nacrt odgovora o radnom vremenu sa minimalnim posledicama, ali promena podataka o klijentu, odobravanje plaćanja ili brisanje poslovnog dokumenta zahteva strožu proveru i ovlašćenje.

Human-in-the-loop pristup znači da odgovorna osoba pregleda ili potvrđuje određeni korak pre izvršavanja. To nije nužno znak da tehnologija ne uspeva, već način da se rizik raspodeli u skladu sa posledicama greške.

Kompanija treba da zna koji procesi moraju ostati pod neposrednom ljudskom kontrolom i ko odgovara kada dođe do nesporazuma. Automatizacija postaje vrednija kada takva pravila ne zavise od improvizacije.

Kako odabrati prvi AI pilot za kompaniju

Prvi korak je izbor problema koji se često ponavlja i za koji postoje proverljivi odgovori. To mogu biti pitanja o uslugama, pronalaženje interne procedure ili pomoć pri klasifikaciji zahteva. Zatim treba odrediti koje izvore asistent sme koristiti i koja pitanja moraju biti prosleđena zaposlenom.

Pre puštanja u rad pripremite testni skup. Uporedite rezultate sa početnim stanjem: koliko je sada potrebno vremena za odgovor, koliko je grešaka i kada je potrebna pomoć druge osobe. Planirajte i povratne informacije korisnika, kao i troškove održavanja.

Pilot ne treba da bude samo demonstracija koja lepo izgleda na sastanku. Uspešan probni sistem daje podatke o tome gde se posao stvarno ubrzao, gde nije i da li je rizik ostao prihvatljiv.

Koje pokazatelje uspeha vredi pratiti

Broj razgovora ili poruka sam po sebi ne pokazuje poslovnu korist. Korisnije je posmatrati procenat tačnih i korisnih odgovora, udeo stvarno rešenih zahteva, kvalitet eskalacije, zadovoljstvo korisnika i vreme koje zaposleni štede na ponavljajućem poslu.

Istovremeno treba pratiti negativne pokazatelje: izmišljene informacije, neovlašćene pokušaje pristupa, neuspešne integracije i situacije u kojima korisnik odustane pre nego što dobije pomoć. Rezultate tumačite u kontekstu složenosti zahteva.

Za složeniji AI sistem koristan je okvir kao što je NIST AI Risk Management Framework, uz testiranje prema relevantnim smernicama za bezbednost LLM aplikacija. Okvir ne zamenjuje poslovnu odgovornost, već pomaže da se rizici sistematski prepoznaju i smanjuju.

Zaključak: od mitova do razumne primene

Izvorni Positive članak iz decembra 2024. prošao je kroz šest čestih tvrdnji: AI radi samo osnovno, često greši, zamenjuje ljude, služi samo tekstu, teško se uvodi i nije siguran. Svaka tvrdnja postaje jasnija kada se razdvoje potencijal tehnologije, konkretna implementacija i posledice greške.

AI asistenti mogu biti korisni u korisničkoj podršci, upravljanju znanjem, administraciji i analizi podataka, ali nije dovoljno obećati produktivnost ili apsolutnu sigurnost. Počnite od jasnog poslovnog problema, proverite podatke i prava, testirajte realne scenarije i merite rezultate. Tako se mitovi zamenjuju dokazima iz stvarnog načina rada kompanije.