Uvod
Veštačka inteligencija je za kratko vreme postala jedna od najvažnijih tema u tehnološkim strategijama organizacija.
Pitanja se brzo pojavljuju:
- Koji AI alat treba koristiti?
- Da li treba razvijati sopstvena rešenja?
- Kako uvesti generativni AI?
- Koje procese automatizovati?
- Kako iskoristiti postojeće podatke?
To su relevantna pitanja.
Ali ona često dolaze prerano.
Pre izbora platforme, modela ili arhitekture postoji važnije pitanje:
koji konkretan poslovni problem pokušavamo da rešimo i kakvu vrednost očekujemo ako ga rešimo bolje nego danas?
Bez jasnog odgovora, AI inicijativa lako postaje eksperiment sa zanimljivom tehnologijom, ali bez jasnog poslovnog ishoda.
AI use case nije isto što i poslovna potreba
Organizacije danas relativno lako mogu da naprave listu mogućih AI use case-ova.
- Automatizacija dokumenata.
- Analiza korisničkih zahteva.
- Predikcija prodaje.
- Interni copilot.
- Generisanje sadržaja.
- Analiza ugovora.
- Podrška zaposlenima.
- Detekcija anomalija.
Ali činjenica da nešto može da se uradi pomoću AI ne znači da to treba uraditi.
Dobar AI use case počinje problemom koji već postoji.
- Proces je spor.
- Odluke se donose na osnovu nepotpunih informacija.
- Veliki deo vremena odlazi na ponavljajući rad.
- Postoji količina podataka koju ljudi više ne mogu efikasno da analiziraju.
- Korisničko iskustvo ima jasno prepoznatljivo ograničenje.
Tek tada dolazi sledeće pitanje:
da li je AI najbolji način da se taj problem reši?
Ponekad jeste.
Ali ponekad će jednostavnija automatizacija, bolji proces, kvalitetniji podaci ili promena postojećeg sistema dati veći rezultat uz manji rizik i trošak.
Podaci određuju granice AI ambicije
AI inicijative se često predstavljaju kao projekti modela i platformi.
U praksi su veoma često projekti podataka.
Kvalitet rezultata zavisi od kvaliteta informacija na kojima sistem radi.
Ako su podaci nepotpuni, nedosledni, zastareli ili teško dostupni, problem se ne rešava sofisticiranijim modelom.
Samo se brže proizvode rezultati zasnovani na slaboj osnovi.
Zato pre ozbiljne AI inicijative organizacija treba da razume:
- koje podatke poseduje;
- gde se oni nalaze;
- koliko su pouzdani;
- ko je za njih odgovoran;
- pod kojim uslovima mogu da se koriste;
- da li sadrže poverljive ili regulisane informacije.
To znači da data readiness često predstavlja važniji preduslov od samog izbora AI tehnologije.
Organizacija koja nema dovoljno zreo način upravljanja podacima može implementirati napredan AI sistem, ali će njegova praktična vrednost ostati ograničena.
Proof of Concept nije dokaz poslovne vrednosti
Jedna od prednosti savremenih AI tehnologija jeste mogućnost da se veoma brzo demonstrira rezultat.
Za nekoliko dana ili nedelja moguće je napraviti prototip koji izgleda impresivno.
- Dokument može biti sažet.
- Pitanje može dobiti odgovor.
- Slika može biti prepoznata.
- Model može dati preporuku.
Ali uspešan Proof of Concept odgovara samo na jedno pitanje:
da li je ideja tehnički moguća?
Ne odgovara nužno na pitanja:
- da li je dovoljno pouzdana;
- da li može da radi u realnom obimu;
- koliko će koštati;
- kako će se integrisati sa postojećim sistemima;
- ko će održavati rešenje;
- kako će se meriti kvalitet;
- šta se dešava kada model pogreši;
- ko snosi odgovornost za rezultat.
Razlika između demonstracije i produkcionog sistema je zato često mnogo veća nego što izgleda na početku.
AI pilot ima vrednost samo ako postoji jasan način da se nakon njega donese odluka:
nastaviti, promeniti pristup ili odustati.
AI greška nije ista u svakom poslovnom procesu
Nije svaki AI use case podjednako osetljiv na grešku.
Ako AI predloži nacrt internog teksta, rezultat može da proveri zaposleni pre korišćenja.
Ako sistem pogrešno klasifikuje kritičan poslovni događaj, posledice mogu biti mnogo ozbiljnije.
Ako AI utiče na finansijsku odluku, bezbednost, zapošljavanje, prava korisnika ili regulatorno osetljiv proces, tolerancija na grešku postaje još manja.
Zato nije dovoljno meriti samo tačnost modela.
Potrebno je razumeti:
šta se dešava kada sistem nije u pravu?
To pitanje određuje nivo potrebnih kontrola.
U nekim procesima biće dovoljan human review.
U drugim će biti potrebne formalne validacije, ograničenja korišćenja, audit trail, dodatne kontrole pristupa ili potpuno drugačiji dizajn procesa.
AI rizik zato nije samo karakteristika tehnologije.
On zavisi od konteksta u kojem se tehnologija koristi.
Governance ne treba da zaustavi AI, već da omogući njegovu kontrolisanu primenu
Kako AI postaje dostupniji zaposlenima, organizacije često reaguju na dva ekstremna načina.
Prvi je nekontrolisana adopcija.
Timovi samostalno koriste različite alate, unose poslovne informacije i razvijaju lokalna rešenja bez zajedničkih pravila.
Drugi je preterana restrikcija.
Zbog nejasnih rizika organizacija praktično blokira korišćenje AI tehnologija.
Ni jedan pristup nije dugoročno dobar.
Governance treba da napravi prostor između njih.
Potrebno je definisati:
- koje vrste AI rešenja su dozvoljene;
- koji podaci mogu da se koriste;
- ko odobrava rizičnije use case-ove;
- kako se procenjuju dobavljači i modeli;
- kako se meri kvalitet rezultata;
- kada je human oversight obavezan;
- kako se prati upotreba tokom vremena.
Cilj governance-a nije da uspori inovaciju.
Cilj je da organizacija može da eksperimentiše i primenjuje AI bez gubitka kontrole nad podacima, rizicima i odgovornošću.
Skaliranje je organizacioni problem koliko i tehnološki
Mnoge AI inicijative mogu uspešno da funkcionišu u malom obimu.
Pravi izazov nastaje kada organizacija pokuša da ih skalira.
Tada se pojavljuju pitanja koja tokom pilota možda nisu bila vidljiva.
Kako će se rešenje uklopiti u postojeće poslovne procese?
Ko će ga koristiti?
Da li zaposleni veruju rezultatu?
Da li su uloge i odgovornosti promenjene?
Kako će se upravljati promenama modela?
Koji će troškovi nastati kada broj korisnika značajno poraste?
Kako će se pratiti stvarni poslovni efekat?
AI rešenje koje nije prihvaćeno u procesu rada nema veliku vrednost, bez obzira na tehnički kvalitet.
Zato uspešna AI transformacija zahteva više od data science-a i tehnologije.
Zahteva promenu procesa, jasne odgovornosti, nove kompetencije i disciplinu upravljanja promenom.
AI strategija treba da pravi izbore
Kako broj mogućih AI inicijativa raste, organizacije će se suočiti sa istim problemom koji postoji i kod drugih tehnoloških investicija:
ne može se sve raditi istovremeno.
Neki use case-ovi će imati visok potencijal, ali slabu data readiness.
Drugi će biti jednostavni za implementaciju, ali sa ograničenom poslovnom vrednošću.
Neki će nositi značajan regulatorni ili reputacioni rizik.
Neki će zahtevati velike promene procesa.
Zato AI portfolio mora da se prioritizuje.
Relevantni kriterijumi mogu uključivati:
- očekivanu poslovnu vrednost;
- kvalitet i dostupnost podataka;
- tehničku izvodljivost;
- nivo rizika;
- složenost integracije;
- spremnost korisnika i procesa;
- trošak implementacije i rada.
Tek kombinacijom tih faktora moguće je razlikovati inicijativu koja je samo zanimljiva od one koja zaslužuje ozbiljnu investiciju.
AI vrednost nastaje kada tehnologija postane deo poslovne sposobnosti
Dugoročna vrednost AI ne nastaje onda kada organizacija kupi platformu ili implementira model.
Nastaje kada AI postane pouzdan deo načina na koji organizacija radi.
- Kada zaposleni donose kvalitetnije odluke.
- Kada proces traje kraće.
- Kada se smanji operativni rizik.
- Kada korisnik dobije bolju uslugu.
- Kada se informacije koriste na način koji ranije nije bio moguć.
To zahteva spoj poslovnog problema, kvalitetnih podataka, odgovarajuće tehnologije, jasnih kontrola i sposobnosti organizacije da promeni način rada.
Zato AI strategija ne treba da počne pitanjem:
„Koju AI tehnologiju treba da uvedemo?“
Bolje pitanje je:
„Gde AI može da promeni način na koji organizacija stvara vrednost — i da li imamo uslove da to uradimo pouzdano i odgovorno?“
Tek kada postoji odgovor na to pitanje, izbor tehnologije dobija pravi smisao.
