Osnove umjetne inteligencije: nije samo chatbot, nego nov način rada

1. Uvod: zašto staro shvaćanje umjetne inteligencije više nije dovoljno

O umjetnoj inteligenciji i dalje se prečesto govori kao da je samo pametno tekstno polje. Napišeš pitanje. Dobiješ odgovor. Zatražiš ideju. Dobiješ popis. Zatražiš e-poruku. Dobiješ nacrt.

To je bilo prvo veliko iskustvo korištenja umjetne inteligencije. Učinilo ju je pristupačnom. No više nije dovoljno za opisivanje onoga u što se umjetna inteligencija razvija.

Umjetna inteligencija nije samo chatbot. Nije samo novi oblik tražilice. Nije samo stroj koji generira tekst. Razvija se u novi sloj rada: sustav koji može razumjeti cilj, tražiti informacije, upotrebljavati alate, pisati kod, izvršavati radne korake, pokretati automatizacije, tražiti odobrenje i učiti iz organizacijskih procesa.

To potpuno mijenja pitanje. Prije smo pitali: „Što mogu pitati umjetnu inteligenciju?” Sada bismo trebali pitati: „Koje radne korake umjetna inteligencija može izvršiti, kojim se sustavima smije koristiti i u kojem trenutku odluku donosi čovjek?”

To je golema promjena. Prema izvješću AI Index za 2025. instituta Stanford HAI, upotreba umjetne inteligencije u organizacijama znatno se ubrzala: 78 posto organizacija navelo je da se koristilo umjetnom inteligencijom u 2024., dok je godinu prije taj udio bio 55 posto. Istodobno su privatna ulaganja u generativnu umjetnu inteligenciju na svjetskoj razini dosegnula 33,9 milijardi dolara.^[1]

Više nije riječ o pojedinačnom alatu. Riječ je o reorganizaciji rada.

2. Što umjetna inteligencija znači u 2026. godini?

Umjetna inteligencija označava računalne sustave koji mogu obavljati zadatke za koje su prije bili potrebni ljudsko razmišljanje, jezik, zaključivanje, prepoznavanje, učenje, planiranje ili kreativnost. No ta je definicija danas preuska ako ostaje na razini „umjetna inteligencija daje odgovore”.

Suvremena umjetna inteligencija može raditi barem pet stvari:

• Može stvarati sadržaj: tekst, slike, kod, zvuk, videozapise, izvješća i prezentacije.
• Može analizirati informacije: dokumente, povratne informacije kupaca, tablice, slike, zapise, ugovore i podatke.
• Može upotrebljavati alate: baze podataka, kalendar, CRM, alate za upravljanje projektima, preglednik, uređivač koda, platforme za automatizaciju i API sučelja.
• Može izvršavati radne korake: pripremati nacrte, ispunjavati obrasce, otvarati zahtjeve za podršku, pisati kod, uspoređivati opcije i pripremati odluke.
• Može djelovati kao agent: planirati zadatak u više koraka, provjeravati napredak, upotrebljavati različite alate i u ključnim trenucima tražiti odobrenje čovjeka.

Tu leži ključna razlika. Staro je shvaćanje umjetne inteligencije bilo: AI odgovara. Novo je shvaćanje: AI obavlja dijelove posla.

3. Četiri uloge umjetne inteligencije: mislilac, stvaratelj, korisnik alata i izvršitelj

Umjetnu inteligenciju korisno je razumjeti kroz četiri uloge.

1. Umjetna inteligencija kao pomoć u razmišljanju

Ovo je najpoznatija razina. Umjetna inteligencija pomaže osmišljavati ideje, objašnjavati, sažimati, uspoređivati, preispitivati zamisli i razvijati argumente. Primjer: „Analiziraj ovu poslovnu ideju iz perspektive kupaca, konkurencije, cijena i rizika.” Ovdje umjetna inteligencija djeluje kao sugovornik u razmišljanju.

2. Umjetna inteligencija kao pomoć u stvaranju

Umjetna inteligencija stvara konkretne rezultate rada. Može izraditi prvu verziju izvješća, koda, kampanje, prezentacije, predloška ugovora, slike, scenarija za video ili poruke kupcu. Primjer: „Na temelju ove analize kupaca pripremi sažetak na tri slajda za upravu.” Ovdje umjetna inteligencija ne pomaže samo u razmišljanju — ona stvara materijal.

3. Umjetna inteligencija kao korisnik alata

Ovdje promjena postaje dublja. Umjetna inteligencija više ne djeluje izolirano, nego se koristi sustavima: dohvaća informacije iz CRM-a, čita dokumente, pretražuje baze podataka, provjerava kalendar, pregledava repozitorij koda ili analizira zadatke u sustavu za upravljanje projektima. Primjer: „Dohvati najnovije zahtjeve kupca za podršku, otvorene ponude i bilješke sa sastanaka. Predloži sljedeću poruku.” Za to umjetnoj inteligenciji treba pristup stvarnim podacima tvrtke.

4. Umjetna inteligencija kao izvršitelj, odnosno agent

To je sljedeći veliki val. Agent ne odgovara samo na pitanja, nego izvršava zadatak korak po korak. Primjer: „Pripremi sastanak s kupcem za sljedeći tjedan. Prikupi pozadinske informacije, provjeri otvorena pitanja, sastavi dnevni red, pripremi nacrt poruke i zatraži moje odobrenje prije slanja.” Ovdje je umjetna inteligencija već digitalni zaposlenik — ne samostalan donositelj odluka, nego aktivan izvršitelj radnih koraka.

4. Generativna umjetna inteligencija tek je prvi sloj

Generativna umjetna inteligencija označava sustave koji stvaraju nov sadržaj: tekst, slike, zvuk, video, kod ili njihove kombinacije. Ona je omogućila proboj umjetne inteligencije na masovno tržište. No ako ostanemo na tome, razumjet ćemo samo njezinu vidljivu površinu.

Generativna umjetna inteligencija nalikuje elektromotoru. Moćna je komponenta, ali prava promjena nastaje tek kada se poveže sa strojevima, procesima, proizvodnim linijama i poslovnim modelima.

Isto vrijedi i za umjetnu inteligenciju. Samostalan generator teksta koristan je. No umjetna inteligencija povezana s podacima, procesima, alatima, ovlastima, nadzorom i donošenjem odluka u tvrtki nešto je sasvim drugo.

Tada AI više nije „pomoćnik sa strane”. Postaje dio radne infrastrukture.

5. Agenti: kada umjetna inteligencija počne izvršavati radne korake

Agent je sustav umjetne inteligencije koji može izvršavati zadatke u više koraka na temelju zadanog cilja. Primjerice, može protumačiti zadatak, podijeliti ga na dijelove, pronaći informacije, odabrati odgovarajući alat, izvršiti radnju, provjeriti rezultat, prijeći na sljedeći korak, zatražiti odobrenje čovjeka i zabilježiti obavljeni posao.

To je velika razlika u odnosu na običan chatbot. Chatbot odgovara na pitanje. Agent pomiče proces naprijed.

Primjerice, u financijskom poslovanju agent bi mogao:

1. dohvatiti otvorene račune
2. prepoznati odstupanja
3. usporediti ih s ugovorima
4. sastaviti popis nejasnih slučajeva
5. predložiti mjere
6. zatražiti odobrenje čovjeka
7. zabilježiti odluke u sustavu

To više nije samo smišljanje ideja. To je rad. McKinseyjevo istraživanje State of AI za 2025. ističe upravo taj prijelaz: organizacije više ne eksperimentiraju samo s umjetnom inteligencijom, nego počinju mijenjati radne procese, imenovati odgovorne osobe za upravljanje umjetnom inteligencijom i razvijati načine za ostvarivanje poslovne koristi.^↗[2]

Širenje agenata čini umjetnu inteligenciju praktičnijom — ali i rizičnijom. Što AI smije više raditi, to je važnije definirati što ne smije.

6. Orkestracija: kako se posao s umjetnom inteligencijom dijeli između modela, agenata i ljudi

Orkestracija je jedan od najvažnijih pojmova u budućem radu s umjetnom inteligencijom. Označava upravljanje cjelinom: koji model radi što, koji agent upotrebljava koji alat, u kojoj fazi sudjeluje čovjek i kako se provjerava konačan rezultat.

Dobra je usporedba orkestar. Pojedinačni jezični model nalikuje vještom glazbeniku. No ako tvrtka ima desetke alata, više modela, različite izvore podataka, korisnike i razine rizika, potreban joj je dirigent.

Orkestracija, primjerice, odgovara na ova pitanja:

• Koji zadatak treba dodijeliti brzom i jeftinijem modelu?
• Koji zadatak zahtijeva snažniji model za zaključivanje?
• Kada se upotrebljava RAG za pretraživanje dokumenata tvrtke?
• Kada agent smije upotrijebiti MCP vezu sa sustavom?
• Kada je potrebno odobrenje čovjeka?
• Kako se otkrivaju pogreške?
• Kako se troškovi drže pod kontrolom?
• Kako se dokumentira konačan rezultat?

To je važno jer rješenje umjetne inteligencije u budućnosti neće biti samo jedan bot. Često će to biti cijeli lanac radnih koraka. Primjerice, orkestracija umjetne inteligencije u korisničkoj podršci mogla bi izgledati ovako:

1. mali model razvrstava poruku
2. RAG dohvaća upute i podatke o kupcu
3. jezični model sastavlja nacrt odgovora
4. agent provjerava narudžbu u sustavu
5. mehanizam pravila procjenjuje rizik
6. čovjek odobrava iznimne slučajeve
7. sustav bilježi događaj u CRM-u

To je novi osnovni oblik upotrebe umjetne inteligencije. Ne jedan upit. Ne jedan odgovor. Nego orkestriran radni proces.

7. Farma agenata: digitalna radna snaga budućnosti

Farma agenata skupina je specijaliziranih agenata umjetne inteligencije, od kojih svaki ima vlastiti zadatak. Jedan agent prati povratne informacije kupaca. Drugi priprema prodajne materijale. Treći provjerava kod. Četvrti prati konkurenciju. Peti analizira financijske podatke. Šesti nadzire rokove ugovora. Sedmi pomaže u pripremi zapošljavanja.

To zvuči futuristički, ali smjer je već vidljiv. U tvrtkama se počelo govoriti i o pojavi zvanoj „agent sprawl”, odnosno nekontroliranom širenju agenata. Prema izvještavanju Wall Street Journala, tvrtke se već suočavaju s time da različiti timovi stvaraju vlastite AI agente, čime rastu rizici za informacijsku sigurnost, upravljanje i troškove.^[3]

Farma agenata može donijeti golem skok produktivnosti. Ali samo ako se njome upravlja. U suprotnom u tvrtki nastaje novi oblik IT-a u sjeni: AI u sjeni. Zaposlenici grade vlastite agente. Timovi upotrebljavaju vlastite alate. Nije jasno kako se podaci kreću. Nitko ne zna koji je agent što napravio, s kojim ovlastima i uz koji trošak.

Zato farmi agenata trebaju tri stvari:

1. Registar — koji agenti postoje u organizaciji?
2. Odgovorna osoba — tko odgovara za rad, kvalitetu i rizike agenta?
3. Nadzor — što agent radi, koliko košta i kakve pogreške proizvodi?

Uz dobro upravljanje farma agenata postaje novi proizvodni sustav. Uz loše upravljanje postaje skup i rizičan kaos.

8. RAG: kako povezati umjetnu inteligenciju s vlastitim podacima tvrtke

RAG je kratica za Retrieval-Augmented Generation, odnosno generiranje potpomognuto dohvatom podataka. Ideja je jednostavna. Umjesto da odgovara samo na temelju općeg znanja stečenog treniranjem, umjetna inteligencija prvo pronalazi relevantne informacije u dokumentima, bazama podataka ili drugim izvorima tvrtke. Zatim oblikuje odgovor na temelju dohvaćenih informacija.

RAG rješava jedan od najvećih problema umjetne inteligencije: odvojenost od stvarnog konteksta. Bez vlastitog konteksta tvrtke AI može davati općenite savjete. Uz RAG može odgovoriti na stvarnu situaciju u tvrtki.

Primjerice: „Koji su najvažniji zahtjevi naše politike informacijske sigurnosti za podizvođače?” Bez RAG-a umjetna inteligencija može dati općenit odgovor. Uz RAG pronalazi odgovarajuće dijelove politike informacijske sigurnosti tvrtke i sažima ih.

To je osobito važno u korisničkoj podršci, pravnim odjelima, ljudskim resursima, prodaji, tehničkoj podršci, dokumentaciji proizvoda, internom pretraživanju informacija, edukaciji i pripremi odluka.

No RAG nije čarobno rješenje. Njegova kvaliteta ovisi o kvaliteti podataka tvrtke. Ako su dokumenti zastarjeli, proturječni ili loše imenovani, umjetna inteligencija brzo i uvjerljivo dohvaća loše informacije.

Zato je projekt RAG-a često i projekt upravljanja informacijama. Umjetna inteligencija otkriva u koliko su dobrom ili lošem stanju interne informacije tvrtke.

9. MCP: kontrolirana veza umjetne inteligencije sa sustavima tvrtke

MCP, odnosno Model Context Protocol, otvoreni je standard koji aplikacijama umjetne inteligencije omogućuje kontrolirano povezivanje s vanjskim alatima, izvorima podataka i sustavima. Anthropic je predstavio MCP u studenome 2024. kao otvoreni standard čiji je cilj stvaranje sigurnih dvosmjernih veza između AI alata i izvora podataka.^[4]

MCP se može zamisliti kao USB-C priključak umjetne inteligencije. No za poslovnu upotrebu možda je bolja ova usporedba: MCP je ormarić s alatima za umjetnu inteligenciju kojem se može kontrolirati pristup. Govori joj koji su alati dostupni, koje podatke smije čitati, koje radnje smije izvršavati, s kojim ovlastima, u ime kojeg korisnika i kada je potrebno odobrenje.

To mijenja ulogu umjetne inteligencije:

• AI bez integracija opći je pomoćnik.
• AI s podacima tvrtke stručnjak je koji razumije kontekst.
• AI s alatima izvršava radne korake.
• AI s ovlastima, zapisima aktivnosti i odobrenjima kontroliran je digitalni izvršitelj.

Za tvrtku najvažnije pitanje o MCP-u nije tehničko. To je pitanje upravljanja: čemu umjetna inteligencija smije pristupiti? Smije li čitati podatke o kupcima? Smije li ažurirati CRM? Smije li slati poruke? Smije li izvršavati upite nad bazom podataka? Smije li otvarati zahtjeve za podršku? Smije li mijenjati produkcijski kod? Smije li pokrenuti plaćanje?

Svaki potvrdan odgovor povećava korist. A istodobno i odgovornost.

10. Pristup temeljen na vještinama: koje vještine umjetna inteligencija donosi organizaciji?

O umjetnoj inteligenciji prečesto se govori kao o alatu. Bolje je govoriti o sposobnostima, odnosno vještinama. Tvrtka se ne bi trebala pitati samo „Upotrebljavamo li umjetnu inteligenciju?”, nego i „Koje nove vještine umjetna inteligencija donosi našoj organizaciji?”

Primjerice, umjetna inteligencija može donijeti vještine čitanja dugih dokumenata, sažimanja bitnog, pronalaženja proturječnosti, pisanja prve verzije, prevođenja za različite publike, analiziranja povratnih informacija kupaca, prepoznavanja odstupanja u podacima, izrade SQL upita, pisanja i testiranja koda, stvaranja slika i videozapisa, sastavljanja prodajnih poruka, pripremanja ponuda, praćenja konkurencije i rokova ugovora, otvaranja zahtjeva za podršku, ažuriranja sustava, provjere kvalitete i predlaganja sljedećih koraka.

Pristup temeljen na vještinama čini umjetnu inteligenciju konkretnom. Premješta razgovor s neodređene „AI transformacije” na stvarne dijelove posla. Primjerice, popis AI vještina marketinškog tima mogao bi izgledati ovako:

1. osmišljavanje ideja za kampanje
2. analiza ciljne skupine
3. izrada varijanti teksta
4. osmišljavanje vizualnih koncepata
5. planiranje A/B testova
6. analiza podataka o kampanjama
7. priprema nacrta izvješća za upravu

To je mnogo praktičnije od rečenice „Upotrebljavamo umjetnu inteligenciju u marketingu.”

11. Programiranje: zašto se razvoj softvera promijenio prvi

Razvoj softvera jedno je od najvećih područja primjene umjetne inteligencije. Tri su razloga za to. Prvo, kod je jezik — jezični modeli dobro ga obrađuju. Drugo, u razvoju softvera rezultat se može testirati: kod radi ili ne radi. Treće, programeri su navikli na alate, dokumentaciju, upravljanje verzijama i automatizaciju, pa se AI prirodno uklapa u njihov radni proces.

U razvoju softvera umjetna inteligencija može pisati funkcije, objašnjavati postojeći kod, tražiti pogreške, predlagati arhitekturu, pisati testove, refaktorirati kod, stvarati dokumentaciju, analizirati zapise pogrešaka, graditi prototipove, pomagati pri uvođenju nove biblioteke, generirati nacrte korisničkog sučelja i obavljati migracije.

To ne znači da umjetna inteligencija zamjenjuje dobre programere. Znači da dobar programer može napraviti više. A još je zanimljivije to što osnivač bez tehničkog znanja može izraditi prve prototipove na način koji je prije bio mnogo teži.

To izravno utječe na svijet startupova. Prije je tehnička izvedba često bila usko grlo. Sada se prva verzija može izraditi brže, jeftinije i s manjim timom.

No postoji i opasnost od tehničkog duga. AI može brzo generirati kod koji nitko u potpunosti ne razumije. Može izraditi prototip koji izgleda dobro, ali se ne može skalirati. Može uvesti sigurnosne propuste, ovisnosti i nejasnu arhitekturu.

Zato umjetna inteligencija u programiranju ne uklanja potrebu za znanjem. Čini ga još vrjednijim.

12. Pristup AI-first: procese treba osmisliti iznova

AI-first ne znači da umjetnu inteligenciju treba gurati posvuda. Znači da se procesi od početka osmišljavaju uz pitanje: „Kako bismo obavili ovaj posao kada bi umjetna inteligencija bila prirodan dio procesa?”

To je sasvim drukčije od chatbota naknadno dodanog postojećem procesu. Stari način: čovjek obavlja posao, AI pomaže napisati tekst, proces ostaje isti. Pristup AI-first:

1. definira se cilj
2. prepoznaju se ponavljajući radni koraci
3. posao se dijeli između ljudi, umjetne inteligencije i automatizacije
4. AI se povezuje s odgovarajućim izvorima podataka
5. uvode se točke odobravanja
6. mjere se kvaliteta, vrijeme, troškovi i rizici
7. proces se kontinuirano poboljšava

Primjerice, AI-first u zapošljavanju ne znači da umjetna inteligencija odabire ljude. Može značiti da piše nacrt oglasa za posao, provjerava je li jezik nediskriminirajući, strukturira prijave, ističe iskustvo u odnosu na kriterije, priprema pitanja za razgovor, sažima bilješke s razgovora i podsjeća na rizike pri odlučivanju. No odluke donosi čovjek.

AI-first ne znači uklanjanje čovjeka iz procesa. Znači usmjeravanje njegova vremena na vrjedniji dio procesa.

13. Poslovna perspektiva: umjetna inteligencija u proračunu, upravljanju i praćenju

Tvrtke više ne bi trebale tretirati umjetnu inteligenciju samo kao eksperimentalan trošak. Trebala bi biti dio redovitih ulaganja u produktivnost. Baš kao što tvrtka planira troškove softverskih licenci, opreme, edukacija i radnih alata, trebala bi planirati i troškove upotrebe umjetne inteligencije: licence za AI alate, tokene, API-je, platforme za automatizaciju, informacijsku sigurnost, edukaciju, integracije, nadzor, praćenje kvalitete i interni razvoj.

Tokeni su osnovna obračunska jedinica troškova upotrebe AI modela. U praksi su to dijelovi teksta, podataka ili drugih ulaznih sadržaja na temelju kojih se određuje cijena upotrebe modela. Što više umjetna inteligencija čita, piše i obrađuje, to više tokena troši.

To zvuči tehnički, ali s upravljačkog je stajališta pitanje jednostavno: koliko je tvrtka spremna uložiti u povećanje produktivnosti zaposlenika? Sasvim je prirodno razmotriti treba li, primjerice, 1–5 posto troškova plaća usmjeriti u umjetnu inteligenciju ako ona ubrzava rad stručnjaka, poboljšava kvalitetu i smanjuje rutinski rad. Točan postotak ovisi o djelatnosti, prirodi posla, zrelosti podataka i razini rizika — ali načelo je važno.

U proračunu za umjetnu inteligenciju korisno je razlikovati četiri razine:

1. Proračun za upotrebu — licence, tokeni, troškovi API-ja i alati.
2. Proračun za razvoj sposobnosti — edukacija, interne smjernice, zbirke upita, pregled vještina i najbolje prakse.
3. Proračun za integracije — MCP, RAG, izvori podataka, automatizacije, informacijska sigurnost i povezivanje sustava.
4. Proračun za promjene — preoblikovanje procesa, upravljanje promjenama, praćenje i modeli upravljanja.

Važno je i pratiti upotrebu umjetne inteligencije — ne radi nadziranja ljudi, nego zato što tvrtka mora razumjeti gdje AI doista donosi korist, gdje stvara pogreške, koliko upotreba košta, kome treba dodatna edukacija, koji timovi prednjače, koje procese treba sljedeće automatizirati i gdje nastaju rizici.

Praćenje umjetne inteligencije novo je područje upravljanja. Bez praćenja njezina se upotreba lako svodi na dojam: „Dosta se koristimo umjetnom inteligencijom.” To nije dovoljno. Treba znati što ona mijenja.

14. Perspektiva startupova: manji tim, veća sposobnost

Za startupove umjetna inteligencija predstavlja iznimnu priliku. Mali tim može raditi stvari za koje je prije trebalo mnogo više ljudi: graditi prototipove, pisati kod, pripremati strukturu istraživanja korisnika, analizirati intervjue, stvarati marketinške materijale, testirati cijene, sastavljati prodajne popise, pripremati nacrte materijala za ulagače, pružati prvu razinu korisničke podrške i automatizirati interne radne korake.

To startup ne čini automatski dobrim. No mijenja logiku brzine. Prije je konkurentska prednost često proizlazila iz toga tko ima najviše resursa. Sada može proizaći iz toga tko zna stvoriti najučinkovitiju kombinaciju ljudi i umjetne inteligencije.

Startup izgrađen na umjetnoj inteligenciji ne pita se „Gdje ćemo dodati AI značajku?” Pita se: „Kada bismo danas od početka gradili ovu tvrtku uz umjetnu inteligenciju, kako bi izgledali procesi?”

No startupu prijeti i AI magla. Sve izgleda moguće. Sve djeluje brzo. Nastaje mnogo demonstracija, ali malo održivog poslovanja. Zato startup mora strogo preispitati: koji je stvarni problem kupca? Što AI radi bolje od starog načina? Koja je naša prednost u podacima? Koja je naša prednost u distribuciji? Što je teško kopirati? Kako osiguravamo kvalitetu? Kako troškovi rastu s opsegom poslovanja?

AI olakšava razvoj. Ne olakšava tržišnu utakmicu.

15. Upravljanje promjenama: zašto AI ne uspijeva ako ljudi ostanu izvan procesa

Uvođenje umjetne inteligencije nije samo tehnološki projekt. To je projekt upravljanja promjenama. Ako uprava kupi alat, ali ne promijeni način rada, AI ostaje izdvojen. Ako zaposlenici strahuju da se umjetna inteligencija upotrebljava samo za uštede, neće dijeliti najbolje načine primjene. Ako srednji menadžment ne razumije mogućnosti AI-ja, neće znati promijeniti procese. Ako se informacijska sigurnost uključi tek na kraju, projekt usporava ili staje.

Dobro upravljanje promjenama počinje iskrenom porukom: umjetna inteligencija mijenja rad. Neće se sve automatizirati. Ne treba sve automatizirati. Ali svi moraju naučiti pametno je upotrebljavati.

Organizacija bi promjenu uz umjetnu inteligenciju trebala graditi na četiri razine:

1. Razumijevanje — što umjetna inteligencija jest, a što nije?
2. Vještina upotrebe — kako zaposlenik upotrebljava umjetnu inteligenciju u svojem radu?
3. Promjena procesa — kako se mijenjaju radni procesi tima?
4. Promjena upravljanja — kako se AI odražava na ciljeve, proračun, pokazatelje, upravljanje rizicima i donošenje odluka?

Važno je pronaći interne predvodnike. Najbolji načini upotrebe umjetne inteligencije često ne nastaju na strateškim prezentacijama, nego u svakodnevnom radu: prodavač pronalazi način za pripremu sastanka s kupcem, pravnik gradi proces provjere ugovora, programer automatizira testove, tim za ljudske resurse ubrzava uvođenje novih zaposlenika. Zadatak uprave jest učiniti te prakse vidljivima, proširiti ih i osigurati njihovu sigurnost.

16. Rizici: podaci, ovlasti, halucinacije, troškovi i odgovornost

Što više umjetna inteligencija radi, to rizici postaju ozbiljniji. Kad AI samo piše nacrt, pogrešku je obično lako ispraviti. Kada upotrebljava sustave, dohvaća podatke, unosi promjene ili šalje poruke, pogreška može imati izravne posljedice.

Ovo su ključni rizici.

1. Halucinacije

Umjetna inteligencija može izmisliti informacije ili izvesti pogrešne zaključke. To je osobito opasno kada odgovor izgleda uredno i uvjerljivo.

2. Pogrešan kontekst

AI može upotrijebiti zastarjeli dokument, pogrešne podatke o kupcu ili nepotpune podatke. RAG ne pomaže ako su dohvaćene informacije loše.

3. Preširoke ovlasti

Ako agent dobije pristup svemu, može učiniti previše. Načelo bi trebalo biti isto kao i općenito u informacijskoj sigurnosti: načelo najmanjih ovlasti. AI dobiva samo one ovlasti koje su mu potrebne.

4. Umetanje zlonamjernih uputa

Vanjski dokument, web-stranica ili sadržaj dohvaćen iz sustava može sadržavati upute kojima se pokušava manipulirati umjetnom inteligencijom. To postaje ozbiljnije kada AI ima pristup alatima.

5. Izmicanje troškova kontroli

Tokeni koštaju. Agenti troše tokene. RAG pretraživanja koštaju. Orkestracija više modela košta. Agenti za programiranje mogu izvršavati duge nizove radnji. Ako se upotreba ne prati, troškovi AI-ja mogu neprimjetno rasti.

6. Nejasna odgovornost

„AI je to napravio” nije izjava koja oslobađa odgovornosti. Tvrtka i dalje odgovara kupcu. Uprava i dalje odgovara za odluke. Zaposlenik i dalje odgovara za kvalitetu svojeg rada. NIST-ov profil upravljanja rizicima generativne umjetne inteligencije ističe da organizacije moraju prepoznati i upravljati njezinim posebnim rizicima kao dijelom šireg upravljanja rizicima umjetne inteligencije.^[5]

Odgovorna upotreba umjetne inteligencije ne znači kočenje. Znači postavljanje zaštitnih ograda prije nego što se brzina poveća.

17. Budućnost: prema operacijskom sustavu umjetne inteligencije

Budućnost umjetne inteligencije nije jedna aplikacija. To je sloj između aplikacija, podataka, procesa i ljudi. U radu budućnosti umjetna inteligencija može djelovati poput operacijskog sustava: razumije korisnikov cilj, dohvaća pravi kontekst, odabire alate, dijeli zadatak agentima, koristi se podacima tvrtke, prati napredak, traži odobrenje, uči iz pokazatelja procesa i s vremenom poboljšava radni proces.

To se neće dogoditi preko noći. Niti jednakom brzinom u svim djelatnostima. No smjer je jasan. Umjetna inteligencija prelazi:

• s teksta na djelovanje
• s razgovora na radni proces
• s upita na proces
• s pojedinačnog modela na sustav agenata
• s eksperimentiranja na upravljanje

Tvrtke koje to rano shvate neće samo „upotrebljavati umjetnu inteligenciju”. Iznova će organizirati rad oko nje.

18. Zaključci

Osnove umjetne inteligencije više ne znače samo znati napisati dobar upit. Znače razumjeti novu logiku rada.

Umjetna inteligencija može sudjelovati u razmišljanju, stvarati materijale, upotrebljavati alate, dohvaćati podatke tvrtke, pisati kod, izvršavati radne korake, djelovati kao agent, automatizirati procese, povećavati produktivnost zaposlenika, mijenjati strukturu troškova tvrtke i podići zahtjeve za upravljanje na novu razinu.

No umjetna inteligencija ne uklanja ljudsku odgovornost. Upravo suprotno. Kada AI radi više, čovjek mora bolje upravljati. Tvrtka mora znati što umjetna inteligencija radi, zašto to radi, s kojim ovlastima, koliko to košta i kada je čovjek treba zaustaviti.

Najvažnija je spoznaja ova: umjetna inteligencija nije samo alat za ubrzavanje rada. Ona je nov način organiziranja rada.

Tvrtke koje to razumiju više ne pitaju „Kako upotrebljavamo umjetnu inteligenciju?” Pitaju: „Kako bismo izgradili ovu tvrtku kada bi umjetna inteligencija bila dostupna u svakom radnom koraku u kojem ima smisla?” Tu počinje prava promjena.

19. Praktični modeli i radni predlošci

1. Mapa procesa AI-first

Odaberi jedan proces i prođi kroz njega ovako:

1. Koji je cilj procesa?
2. Koji se koraci ponavljaju?
3. Gdje je potrebna ljudska prosudba?
4. Gdje su potrebni podaci tvrtke?
5. Gdje bi AI mogao izraditi nacrt?
6. Gdje bi AI mogao tražiti informacije?
7. Gdje bi AI mogao upotrijebiti alat?
8. Što bi AI mogao obaviti automatski?
9. Gdje je potrebno odobrenje?
10. Kako se mjeri rezultat?

Dobar prvi kandidat je proces koji se ponavlja, oduzima vrijeme i nosi dovoljno nizak rizik.

2. Model četiriju razina umjetne inteligencije

Procijeni svaki slučaj primjene AI-ja prema ovom modelu:

Što je razina viša, potrebno je više ovlasti, nadzora i odobrenja.

3. Pregled AI vještina za tim

Ispuni zajedno s timom:

• Što radimo svaki tjedan? Navedite 20 radnih koraka koji se ponavljaju.
• U čemu bi AI mogao pomoći? Svaki radni korak označite kao: osmišljavanje ideja, izrada nacrta, analiza, pretraživanje, automatizacija ili podrška odlučivanju.
• Koje su nam vještine potrebne? Na primjer: sažimanje dokumenata, analiza podataka o klijentima, generiranje koda, izvještavanje, izrada slika.
• Što treba integrirati? Dokumente, CRM, upravljanje projektima, bazu podataka, kalendar, e-poštu.
• Što se ne smije automatizirati? Odluke koje utječu na ljude, novac, zdravlje, sigurnost, pravna pitanja ili ugled bez odobrenja.

4. Kontrolni popis spremnosti za RAG

Prije izrade RAG rješenja postavite si sljedeća pitanja:

• Gdje se informacije nalaze?
• Jesu li informacije ažurne?
• Tko je vlasnik informacija?
• Jesu li informacije proturječne?
• Kako funkcioniraju prava pristupa?
• Kako se izvori prikazuju korisniku?
• Kako se otkrivaju netočni odgovori?
• Kako se uklanjaju zastarjele informacije?
• Kako se mjeri kvaliteta?

RAG ne ispravlja loše upravljanje informacijama. On ga razotkriva.

5. Model uvođenja MCP-a

Počni ovako:

1. Odaberi jedan sustav.
2. U početku dopusti samo čitanje.
3. Ograniči skupinu korisnika.
4. Bilježi svako korištenje.
5. Odredi korake koji zahtijevaju odobrenje.
6. Testiraj scenarije zloupotrebe.
7. Proširi primjenu tek kada su koristi i rizici jasni.

Nemoj početi od najkritičnijih sustava. Počni tamo gdje je korist jasna, a rizik pod kontrolom.

6. Model upravljanja farmama agenata

Za svakog agenta treba odrediti: naziv, svrhu, vlasnika, alate koje koristi, izvore podataka, ovlasti, ograničenje troškova, bilježenje aktivnosti, pokazatelj kvalitete, korake koji zahtijevaju odobrenje i mehanizam isključivanja.

Agent bez vlasnika ne bi smio biti pušten u produkciju.

7. Osnovni model proračuna za AI

Uprava bi ulaganje u AI trebala procijeniti u odnosu na troškove plaća. Ako želi povećati produktivnost stručnog rada, smisleno je razmotriti koji udio troškova plaća uložiti u umjetnu inteligenciju.

8. Pokazatelji za praćenje umjetne inteligencije

Pratite barem sljedeće: aktivne korisnike, korištene alate, potrošnju tokena, trošak po timu, ušteđeno vrijeme, broj izrađenih nacrta, broj odobrenih rezultata AI-ja, broj pogrešaka, zadovoljstvo korisnika, trajanje procesa, utjecaj na klijente, rizične incidente i stupanj automatizacije.

Nije najvažnije mjeriti sve. Najvažnije je vidjeti gdje umjetna inteligencija doista poboljšava rad.

9. Pitanja za rukovoditelje

Za svaki proces pitaj:

1. Što ovdje oduzima najviše vremena?
2. Što se ponavlja?
3. Za što su potrebni podaci?
4. Što zahtijeva ljudsku prosudbu?
5. Može li AI izraditi prvu verziju?
6. Može li AI dohvatiti potrebne informacije?
7. Može li AI koristiti alat?
8. Koji rizici nastaju ako AI pogriješi?
9. Gdje je potrebno odobrenje?
10. Kako mjerimo poboljšanje?

10. Praktičan savjet u jednoj rečenici

Nemoj početi pitanjem što bi mogao pitati umjetnu inteligenciju. Počni pitanjem:

„Koji bi radni korak u ovom procesu trebalo prepustiti umjetnoj inteligenciji, o čemu bi trebao odlučiti čovjek, a što bi sustav trebao obaviti automatski?”

U tome je srž osnova moderne umjetne inteligencije.

Izvori

1. The 2025 AI Index Report — Stanford HAI
2. The State of AI: How organizations are rewiring to capture value — McKinsey
3. Companies Have a New AI Problem: Too Many Agents — Wall Street Journal
4. Introducing the Model Context Protocol — Anthropic
5. AI Risk Management Framework — NIST