Prije samo nekoliko godina korištenje umjetne inteligencije unutar kompanija bilo je rezervirano uglavnom za najveće kompanije i velike tehnološke timove. Danas je situacija bitno drukčija.
Teško je danas pronaći kompaniju koja ne razmišlja o tome kako primijeniti AI unutar svojih poslovnih procesa, a još teže onu čiji zaposlenici već na neki način ne koriste ChatGPT, Claude ili neki drugi AI alat. E-mail koji je prije zahtijevao 15 minuta, danas se može napisati u nekoliko sekundi.
Korištenje i primjena
Izvještaj za koji je trebalo nekoliko dana može se pripremiti u pola dana. Dokument od stotine stranica moguće je analizirati u nekoliko minuta. Prezentacije, istraživanja, programiranje i cijeli niz svakodnevnih poslovnih zadataka postaju drastično brži. No, upravo zbog tako široke dostupnosti AI-ja, prednost koju donosi njegovo osnovno korištenje vrlo brzo postaje nešto što se podrazumijeva.
Slično je bilo i s računalima. Kompanija koja je među prvima informatizirala svoje poslovanje svojedobno je time ostvarivala veliku prednost. Danas, međutim, nijedna kompanija ne pridaje posebnu važnost činjenici da njezini zaposlenici koriste računala, a još manje to smatra prednošću. Računala jednostavno koriste svi, a razina produktivnosti i poslovnog učinka koju omogućuju odavno se podrazumijeva. Vrlo brzo isto će vrijediti i za široko dostupne generičke AI alate. Produktivnost koju zaposlenici ostvaruju njihovim korištenjem postupno će postati standard i ugraditi se u očekivanja kompanija. Pitanje više neće biti koristi li kompanija umjetnu inteligenciju, nego na koji je način tu novu, nesumnjivo revolucionarnu tehnologiju uspjela pretvoriti u konkretnu poslovnu vrijednost.
Tu dolazimo do važne razlike između korištenja umjetne inteligencije i njezine stvarne implementacije u poslovanje. Omogućiti zaposlenicima pristup generativnom AI alatu jedno je. Učiniti umjetnu inteligenciju sastavnim dijelom konkretnog poslovnog procesa i njezinom implementacijom ostvariti konretnu poslovnu vrijednost nešto je sasvim drugo.
Zamislimo distributera koji ima tisuće kupaca. Može svojim prodajnim predstavnicima dati generativni AI alat koji će im pomoći napisati e-mail, analizirati dokument ili pripremiti izvještaj. To će ih učiniti produktivnijima. Ali, može napraviti i nešto potpuno drukčije. Može povezati umjetnu inteligenciju sa svojim povijesnim podacima o narudžbama, ponašanju kupaca, posjetima prodajnih predstavnika i drugim relevantnim informacijama te pokušati prepoznati kupce kod kojih postoji povećana vjerojatnost da će u sljedećih nekoliko tjedana značajno smanjiti narudžbe ili potpuno prestati naručivati. Umjesto da prodajni predstavnik problem primijeti kada kupac već prestane kupovati, sustav ga može upozoriti ranije i predložiti gdje treba reagirati. U tom trenutku AI više nije koji zaposlenik koristi za svoju osobnu produktivnost i produktivnije pisanje e-mailova, AI postaje dio poslovnog procesa i poslovne infrastrukutre kompanije.
Ista logika može se primijeniti gotovo svugdje. Proizvodna kompanija može pokušati predvidjeti kvar stroja prije nego što se dogodi. Banka može automatizirati dio procesa otkrivanja sumnjivih transakcija. Osiguravatelj dio obrade šteta. Logistička kompanija može u stvarnom vremenu optimizirati rasporede i rute. Trgovački lanac može uz pomoć računalnog vida, koristeći postojeće kamere ili periodične fotografije, automatski prepoznavati prazne police, pogrešno pozicionirane proizvode i neusklađenosti. Istodobno, AI može analizirati prodaju, zalihe i potražnju te odlučivati što je potrebno naručiti i kako optimalno rasporediti robu između različitih lokacija – smanjujući nestašice, višak zaliha i količinu kapitala nepotrebno vezanog u robi.
U takvim slučajevima više ne govorimo o generičkom AI proizvodu koji sutra može kupiti svaki konkurent. Govorimo o sustavu koji kombinira umjetnu inteligenciju s vlastitim podacima, procesima, iskustvom i znanjem kompanije. Upravo tu AI počinje imati potencijal postati stvarna konkurentska prednost. Ali, tu stvari postaju i puno složenije.
Napravili smo AI koji radi. Što sada? Na papiru se sljedeći korak čini prilično jednostavnim. Pronađemo dovoljno vrijedan poslovni problem, pronađemo podatke potrebne za njegovo rješavanje, napravimo AI model i testiramo može li ostvariti željeni rezultat. Upravo je tako posljednjih godina nastao velik broj AI pilot-projekata i proof-of-concept rješenja. I to ima smisla. Umjetna inteligencija još je relativno nova tehnologija koja se iznimno brzo razvija. Nije uvijek moguće unaprijed sa sigurnošću znati kakav će rezultat određena implementacija ostvariti.
Kompanije, s druge strane, razumljivo žele ograničiti investicijski rizik i imati predvidiv trošak. Pilot je tu logičan kompromis. U kontroliranom okruženju definiramo konkretan cilj: možemo li predvidjeti određeni događaj s dovoljnom preciznošću? Možemo li automatizirati određeni zadatak? Možemo li iz velike količine podataka pouzdano izvući informaciju koja nam je potrebna i napraviti željenu akciju?
Nakon nekoliko tjedana ili mjeseci rezultat može biti vrlo dobar. Model radi. KPI koji smo postavili je ostvaren. Prezentacija menadžmentu kompanije izgleda odlično. Pilot je uspješan. I upravo tada često počinje teži dio projekta.
Model može davati odlične preporuke, ali ih zaposlenici ne razumiju i ne koriste ispravno. Može dati pravu informaciju u pogrešnom trenutku poslovnog procesa. Može odlično raditi na povijesnim podacima, a nekoliko mjeseci kasnije početi gubiti na kvaliteti jer se neki od bitnih parametara promijenio. Može automatizirati jedan korak procesa i nenamjerno stvoriti dodatni problem na drugom. A može se dogoditi i nešto puno jednostavnije: napravili smo tehnološki impresivno rješenje za problem koji kompaniji zapravo nije dovoljno vrijedan. Zato jedan od najvažnijih koraka ozbiljne AI implementacije dolazi prije nego što napišemo ijednu liniju koda: pravilno identificirati poslovne prilike u kojima primjena umjetne inteligencije može stvoriti dovoljno veliku konkretnu vrijednost.
Put do tehnologije
Tu se pojavljuje još jedan problem koji danas vidimo na tržištu. Kompanija koja želi pravilno i ozbiljno implementirati umjetnu inteligenciju ima mnogo potencijalnih dobavljača, ali relativno malo partnera koji ju mogu provesti kroz cijeli proces od početka do kraja.
Uobičajeni scenarij izgleda otprilike ovako. Kompanija najprije angažira konzultante koji analiziraju poslovanje, razgovaraju s upravom i zaposlenicima, identificiraju potencijalne prilike za primjenu umjetne inteligencije, izrađuju AI strategiju i definiraju plan implementacije. Na papiru sve izgleda dobro, no konzultantski angažman često završava upravo ondje gdje počinje tehnološka implementacija. Kompanija tada traži AI ili software development partnera koji definirano rješenje treba razviti, integrirati i dovesti do produkcije. Tek kada se uđe u detalje implementacije, počinju se pojavljivati problemi i ograničenja koja prilikom konziltinga nisu bila vidljiva.
Potrebni podaci možda ne postoje u očekivanom obliku ili kvaliteti. Postojeći sustavi možda ne omogućuju adekvatne integracije. Poslovni proces u praksi funkcionira drugačije nego što je dokumentirano, a tehnički trošak pojedinog dijela rješenja može se pokazati višestruko većim od poslovne vrijednosti koju bi trebao stvoriti. I tada počinju kompromisi. Mijenja se arhitektura, smanjuje opseg, prilagođavaju očekivanja i pokušava pronaći rješenje koje je stvarno moguće implementirati. Konačni proizvod pritom se postupno udaljava od poslovnog slučaja zbog kojeg je projekt pokrenut.
Glavna promjena
Nakon svega to rješenje treba pustiti u produkciju. Interni IT treba podržati integracije. Poslovni odjel mora prilagoditi proces. Zaposlenike treba educirati. Netko treba pratiti koriste li sustav i koriste li ga ispravno. Netko mora pratiti kvalitetu njegovih rezultata i reagirati kada ona počne padati. U tom trenutku projekt već uključuje konzultante, AI stručnjake, developere, interni IT, poslovne odjele i menadžment. Ako rezultat nije onakav kakav je očekivan, često počinje prebacivanje odgovornosti.
Konzultant smatra da implementacija nije napravljena prema definiranoj strategiji. Implementator smatra da početna definicija nije uzela u obzir tehnička ograničenja. IT upozorava na ograničenja postojećih sustava i infrastrukrutre. Poslovni odjel tvrdi da rješenje ne odgovara njihovom stvarnom načinu rada i brojnim rubnim slučajevima koji nisu bili uzeti u obzir. Paradoks je da svi mogu relativno uspješno isporučiti svoj dio projekta, a da kompanija na kraju ipak ne ostvari poslovni rezultat zbog kojeg je projekt pokrenut.
To nas dovodi do možda najvažnije razlike između tradicionalnog razvoja softvera i implementacije umjetne inteligencije. Kod klasičnog softvera puštanje u produkciju često je završetak najvećeg dijela implementacije. Sustav radi ono za što je programiran i, dok se zahtjevi i ulazni parametri ne promijene, možemo relativno precizno predvidjeti kako će se ponašati. Kod umjetne inteligencije stvari nisu tako jednostavne. AI sustavi po svojoj prirodi mogu biti nedeterministički, a istodobno moraju funkcionirati u poslovnom okruženju koje se neprestano mijenja. Mijenjaju se podaci, ponašanje korisnika, tržišni uvjeti i sami poslovni procesi, a s njima se može mijenjati i kvaliteta rezultata koje AI sustav proizvodi. Zato njegov rad, pouzdanost i stvarni poslovni učinak treba kontinuirano pratiti i, prema potrebi, prilagođavati i poboljšavati.
Ali, nije dovoljno pratiti samo tehnologiju. Treba pratiti i poslovni rezultat. Ako sustav predviđa pad narudžbi kupaca, nije dovoljno znati koliko je predikcija bilo točno. Treba znati jesu li zaposlenici na upozorenja reagirali, jesu li uspjeli zadržati kupce i koliku je financijsku vrijednost to stvorilo. Ako AI automatizira neki proces, nije dovoljno znati da automatizacija radi. Treba izmjeriti je li proces zaista brži, jeftiniji ili kvalitetniji. Zato kod klasičnog softvera produkcija često predstavlja završetak implementacije. Kod umjetne inteligencije produkcija je početak njezine druge polovice.
Upravo zbog toga vjerujem da će sljedeću fazu tržišta obilježiti end-to-end model implementacije umjetne inteligencije. Pritom end-to-end ne znači jednostavno da jedna kompanija nudi consulting, development i još nekoliko usluga. Ključna razlika je u kontinuitetu odgovornosti.
Isti partner koji sudjeluje u identificiranju poslovne prilike mora razumjeti i podatke potrebne za njezinu realizaciju. Ljudi koji definiraju rješenje moraju razumjeti tehnološka ograničenja njegove implementacije. Tim koji ga razvija mora znati koji poslovni rezultat pokušava postići. Odgovornost ne smije nestati onog trenutka kada rješenje ode u produkciju. Proces zato mora početi poslovnom prilikom, a ne tehnologijom. Prvo treba pronaći prilike kod kojih AI može stvoriti dovoljno veliku vrijednost i definirati kako ćemo tu vrijednost mjeriti.
Zatim dolaze podaci, arhitektura, razvoj AI-ja i potrebnog softvera, infrastruktura i integracije. Nakon toga rješenje treba uvesti u stvarni poslovni proces. Zaposlenike treba educirati ne samo kako ga koristiti, nego kada koristiti njegove preporuke, kada ih provjeriti i što napraviti kada AI pogriješi. A nakon implementacije treba kontinuirano pratiti i tehnologiju i poslovni rezultat te na temelju stvarnih podataka sustav poboljšavati.
Na kraju se uvijek moramo vratiti pitanju koje smo postavili na početku. Ako smo rekli da će AI uštedjeti 30 posto vremena u nekom procesu – je li to zaista tako? Ako je trebao povećati prodaju – koliko? Ako je trebao ranije prepoznati poslovni rizik – koliko je takvih situacija prepoznao i kakvu je vrijednost time stvorio? Najvažnija promjena koju end-to-end model donosi zato nije tehnološka. To je pomicanje odgovornosti s “isporučili smo ono što je dogovoreno” prema “ostvarili smo poslovni rezultat zbog kojeg smo ovo počeli raditi”.
Upravo smo zbog iskustava s takvim projektima u Marginsu posljednjih godina gradili naš model u tom smjeru. Naša temeljna kompetencija i specijalizacije i dalje je razvoj kompleksnih tehnoloških i AI rješenja. Ali, postalo nam je jasno da, želimo li biti odgovorni za njihov stvarni poslovni rezultat, ne možemo biti odgovorni samo za tehnološku implementaciju.
Zato smo oko te temeljne kompetencije proširili cijeli model – od identificiranja i evaluacije AI prilika te definiranja mjerljivih ciljeva, preko razvoja, infrastrukture i integracija, do implementacije u poslovne procese, edukacije zaposlenika, monitoringa i kontinuiranog poboljšavanja. S vremenom smo razvili i vlastite tehnološke proizvode i komponente kojima pojedine dijelove tog procesa možemo standardizirati i značajno ubrzati. Ideja pritom nije svaki put iznova graditi cijelu tehnološku infrastrukturu, nego što veći dio energije usmjeriti upravo na ono što je specifično za poslovanje pojedinog klijenta.
Strelovita transformacija
Ali, osnovni princip ostaje isti. Naš posao ne završava kada model postigne zadovoljavajuću preciznost, kada je aplikacija isporučena ili kada sustav ode u produkciju. Ako smo zajedno s klijentom na početku definirali poslovni rezultat koji želimo postići, na kraju moramo moći odgovoriti na ključno pitanje: je li taj rezultat zaista ostvaren?
Prva, rana faza primjene AI-ja u poslovanju bila je obilježena eksperimentiranjem. Danas ulazimo u fazu ozbiljnih implementacija, u kojoj AI postaje sastavni dio konkretnih poslovnih procesa. No, nakon toga slijedi još važnija faza – ona u kojoj kompanije umjetnu inteligenciju više neće implementirati samo radi povećanja produktivnosti ili automatizacije, nego će na njoj graditi vlastitu konkurentsku prednost.
Zato pitanje uskoro više neće biti koristi li kompanija umjetnu inteligenciju – jer će se to podrazumijevati. Pravo pitanje bit će – je li je uspjela pretvoriti u nešto što stvara značajnu poslovnu vrijednost, što je specifično upravo za njezino poslovanje i što konkurencija ne može jednostavno i brzo kupiti ili replicirati.
