AI iz laboratorija u knjige: pravi posao tek počinje

AI više nije tema za slajdove i demo sobe. U tvrtkama sada ulazi u proračune, u nabavne planove i u procjene rizika, što znači da se mora ponašati kao svaki drugi ozbiljan operativni sustav. MIT Technology Review opisuje upravo taj prijelaz: pilot-projekti gube prioritet, a produkcijski sustavi dobivaju zadatak dokazati da vraćaju novac, štede vrijeme ili smanjuju broj ručnih koraka. To je promjena iz laboratorijske znatiželje u poslovnu disciplinu.

Problem je što se trošak ne nalazi samo u modelu. Tvrtke koje uvode AI otkrivaju da im najveći račun stiže kroz čišćenje podataka, povezivanje starih baza, sigurnosne provjere i obuku ljudi koji taj sustav moraju koristiti svaki dan. BCG već godinama pokazuje da većina AI projekata ne padne zbog lošeg modela, nego zbog organizacijskog kaosa oko njega. Zato je priča o AI-u sve manje priča o algoritmu, a sve više o tome tko će održavati cijevi kroz koje taj algoritam prolazi.

U toj slici najviše pažnje dobiva agentički AI. DeepMind ga prikazuje kao sljedeći korak, a Adept AI ga prodaje kao alat koji može spajati zadatke i preskakati ručne korake. Ali agent bez jasnih pravila brzo postaje dodatni sloj odgovornosti, a ne uštede. Ako promaši rizik, tko popravlja štetu? Ako krivo pročita podatak, tko objašnjava rezultat? To su pitanja na koja marketinški materijali uglavnom šute.

Na terenu se zato mijenja i računica. SAP i Salesforce guraju AI u postojeće poslovne tokove, dok Hugging Face i modeli poput Llama i Mistral AI pomažu tvrtkama da fine-tunaju postojeće sustave umjesto da grade sve ispočetka. To je pametnije, ali i krhkije: čim se promijeni API, cijena ili licenca, cijeli niz procesa može stati. U tom smislu, AI postaje manje proizvod, a više ovisnost koju treba pažljivo održavati.

Zato je najbolji pokazatelj zrelosti AI-a upravo ono što se ne vidi u naslovima. Ne radi se o tome može li model odgovoriti na pitanje, nego može li se uklopiti u ERP, CRM ili logistički sustav bez novog sloja ručnog nadzora. Gartner godinama upozorava da projekti bez jasnih KPI-jeva i vlasništva nad procesom vrlo brzo završe kao skupi dokaz da je demo radio samo u idealnim uvjetima.

Zbog toga je i prva valjana usporedba ovdje industrijska, a ne tehnološka. U financijama AI može pomoći u otkrivanju prijevara, ali Erste i slične institucije i dalje ostavljaju konačnu odluku ljudima. U industriji, poput Končara, AI se koristi za održavanje i predviđanje kvarova, ali samo ako cijeli proces ostaje mjerljiv i nadziran. Drugim riječima, model nije bitan sam po sebi; bitno je koliko dobro podnosi stvarni radni dan.

To je i razlog zašto priča o “prelasku iz laboratorija u knjige” nije glamurozna, ali je važna. Tamo gdje su tvrtke do sada kupovale nadu, sada kupuju održivost. A održivost se ne mjeri kroz najavnu prezentaciju nego kroz to ostaje li sustav stabilan kad ga koriste ljudi koji nemaju vremena čekati da AI shvati što je trebao napraviti.