Funkcionalni slojevi umjetne inteligencije: zašto vrijednost ne stvara jedan model, nego cijeli sustav

O umjetnoj inteligenciji često se govori preusko. Jedni govore o chatbotovima, drugi o jezičnim modelima, treći o agentima. Četvrti govore o podatkovnim centrima, čipovima i Nvidiji. Peti o promjenama u radu, automatizaciji i tome kako poduzeća mogu postići više s manjim timovima.

Svi su djelomično u pravu. No nijedna od tih perspektiva sama po sebi nije dovoljna.

Suvremena umjetna inteligencija nije jedna aplikacija, jedan model ili jedna tehnologija. Obuhvaća cijeli niz slojeva, od energije i podatkovnih centara do poslovnih procesa, agenata, robotike, upravljanja i odgovornosti. Zato ju je korisno promatrati kao skup povezanih slojeva, i to šire od samog tehnološkog sklopa. Prikladniji je naziv funkcionalni slojevi. Oni opisuju kako se računalna obrada pretvara u praktičan rad.

Ovaj se članak temelji na razmišljanjima izvršnog direktora Nvidije Jensena Huanga o slojevitoj strukturi umjetne inteligencije.

1. Zašto umjetnu inteligenciju treba promatrati kroz funkcionalne slojeve?

U raspravama o umjetnoj inteligenciji stalno se ponavlja isti problem: prečesto gledamo samo vidljivu površinu. Korisnik vidi chatbot. Uprava trošak licence. Razvojni inženjer API. Ulagač tvrtku koja razvija modele. Infrastrukturna tvrtka podatkovni centar. Zaposlenik novi alat koji mu olakšava svakodnevicu ili djeluje kao još jedan sustav u nizu.

Stvarni učinak umjetne inteligencije nastaje tek povezivanjem tih perspektiva. Promatranje funkcionalnih slojeva pomaže razumjeti tri stvari.

Prvo, pokazuje da umjetna inteligencija nije izdvojen softver. Potrebni su joj fizički i digitalni temelji: energija, računalna obrada, mreže, pohrana i čipovi.

Drugo, pokazuje da sam model nije dovoljan. Jezični model može biti impresivan, ali bez odgovarajućih podataka, konteksta, integracija i radnih tijekova često ostaje tek opći pomoćnik.

Treće, pokazuje da uvođenje umjetne inteligencije nije samo tehnološki projekt. To je i projekt upravljanja, raspodjele odgovornosti, razvoja vještina, mjerenja i upravljanja promjenama.

Kada poduzeće pita „Koji bismo alat umjetne inteligencije trebali uvesti?”, često gleda samo aplikacijski sloj. Kada pita „Kako izgraditi funkcionalne slojeve umjetne inteligencije da podupiru poslovanje?”, počinje sagledavati cijeli sustav. Upravo se tu stvara konkurentska prednost.

2. Umjetna inteligencija kao proizvodni lanac

Umjetnu inteligenciju možemo usporediti s električnom energijom. Struja nije promijenila svijet samim time što je postojala. Promjena je nastala kada smo je povezali s tvornicama, rasvjetom, domovima, prometom, komunikacijom, uređajima i novim načinima rada.

Isto vrijedi za umjetnu inteligenciju. Jezični je model važan, ali samo je dio cjeline. Stvarna promjena nastaje kada ga povežemo s podacima, alatima, softverom, procesima i ljudskim odlučivanjem.

Pojednostavljeno, proizvodni lanac umjetne inteligencije izgleda ovako:

• energija omogućuje rad podatkovnih centara
• podatkovni centri omogućuju računalnu obradu
• čipovi omogućuju treniranje i uporabu modela
• oblak i mreže omogućuju distribuciju koja se može skalirati
• temeljni modeli donose jezične, vizualne i logičke sposobnosti
• optimizacija ubrzava i pojeftinjuje uporabu
• podaci i RAG donose vlastiti kontekst poduzeća
• MCP i integracije omogućuju pristup alatima
• orkestracija raspoređuje zadatke modelima, agentima i ljudima
• aplikacije omogućuju praktičnu uporabu umjetne inteligencije
• procesi pretvaraju umjetnu inteligenciju u poslovnu korist
• fizička umjetna inteligencija prenosi je u robotiku i stvarni svijet
• upravljanje, nadzor i odgovornost čine cjelinu održivom

Taj je lanac važan jer svaki sloj utječe na sljedeći. Skupa infrastruktura povećava trošak uporabe. Spor model narušava korisničko iskustvo. Loši podaci daju nepouzdane odgovore. Bez integracija umjetna inteligencija ne može obavljati posao. Bez orkestracije agenti djeluju neusklađeno. Bez upravljanja rastu rizici.

Zato umjetna inteligencija nije samo tehnologija. Ona je nov proizvodni lanac za razmišljanje, informacije, softver i rad.

3. Sloj 1: energija i podatkovni centri

Umjetna inteligencija počinje električnom energijom. Zvuči obično, ali to je jedna od najvažnijih spoznaja o preobrazbi koju donosi. Ona nije čarobna sila koja lebdi u oblaku. Radi u podatkovnim centrima kojima trebaju struja, hlađenje, prostor, mrežne veze, oprema i stalno održavanje.

Kada korisnik zatraži analizu, sliku, kod ili zadatak koji izvršava agent, u pozadini se odvija golema količina računalne obrade. Što je uporaba veća, potrebno je više kapaciteta. Energija tako postaje strateško pitanje.

Poduzeća, države i tehnološke tvrtke moraju razmotriti odakle dolazi potrebna energija, gdje smjestiti podatkovne centre, kako ih hladiti i kako rast računalne obrade uskladiti s klimatskim ciljevima i odgovornim poslovanjem.

U sloju energije i podatkovnih centara potrebna su znanja koja ne nalikuju uobičajenim vještinama za rad s umjetnom inteligencijom, ali su neizostavna:

• energetsko planiranje
• poznavanje električne mreže
• arhitektura podatkovnih centara
• rješenja za hlađenje
• planiranje prostora i kapaciteta
• upravljanje opskrbnim lancima
• procjena održivosti
• upravljanje rizicima

Ovaj nas sloj podsjeća da se budućnost umjetne inteligencije ne odlučuje samo za stolovima razvojnih inženjera. Odlučuje se i u energetskim mrežama, halama podatkovnih centara i odlukama o infrastrukturi. Ako umjetna inteligencija postane nova proizvodna tehnologija gospodarstva, energija će biti njezino gorivo.

4. Sloj 2: čipovi i računalna infrastruktura

Sljedeći je sloj računalna infrastruktura: čipovi, poslužitelji, akceleratori, memorijska rješenja i arhitektura sustava. U tom je sloju Nvidia postala simbol ere umjetne inteligencije.

Suvremenim modelima treba golema količina paralelne obrade. Grafički procesori, odnosno GPU-ovi, za to su prikladni jer mogu istodobno izvoditi velik broj računskih operacija. No ne radi se samo o pojedinom čipu. Računalna infrastruktura umjetne inteligencije cjelina je u kojoj zajedno djeluju čipovi, memorija, mreže, poslužitelji, softverske biblioteke i alati za optimizaciju.

U tom se sloju, među ostalim, određuje:

• koliko brzo modeli odgovaraju
• koliko stoji stvaranje jednog odgovora
• koliko korisnika sustav može podržati
• koliko se dobro agentski sustavi skaliraju
• može li se umjetna inteligencija izvršavati u oblaku, vlastitom okruženju ili na rubnim uređajima
• kako optimizirati obradu za različite namjene

Taj je sloj posebno važan u eri agenata. Jedan odgovor chatbota može zahtijevati jedan poziv modela. Agent tijekom jednog zadatka može uputiti desetke ili stotine poziva: tražiti podatke, procjenjivati mogućnosti, koristiti alat, provjeriti rezultat, napisati sažetak i zatražiti odobrenje.

Kada umjetna inteligencija prijeđe s pojedinačnih odgovora na rad u više koraka, potreba za računalnom obradom ne mora se smanjiti čak ni ako modeli postanu učinkovitiji. Može i porasti. Zato je računalna infrastruktura jedan od strateški najvažnijih funkcionalnih slojeva umjetne inteligencije.

5. Sloj 3: oblak, mreže i pohrana

Oblak, mreže i pohrana čine distribucijski sloj umjetne inteligencije. Omogućuju da ona ne ostane sposobnost jednog računala ili laboratorija, nego postane skalabilna usluga dostupna organizacijama, aplikacijama i globalnim radnim tijekovima.

Oblak fleksibilno pruža računalne resurse i usluge. Mreže povezuju korisnike, sustave i izvore podataka. Pohrana omogućuje da podaci, modeli, zapisnici, dokumenti i informacije o uporabi budu dostupni u pravom trenutku.

Korisniku je taj sloj često nevidljiv, ali poduzeću je presudan. Spore mreže narušavaju iskustvo uporabe. Uz raspršena rješenja za pohranu RAG ne nalazi prave podatke. Skupa arhitektura oblaka brzo povećava troškove tokena i poziva modela. Slaba sigurnost zaustavlja širenje primjene.

U tom sloju treba donijeti i važnu odluku: koristiti javni oblak, vlastito okruženje, hibridno rješenje ili zatvoreno okruženje za određenu djelatnost? Javni je oblak brz i skalabilan. Vlastito okruženje može pružiti više kontrole. Hibrid može spojiti oboje. U reguliranim djelatnostima, poput zdravstva, financija ili javne uprave, lokacija podataka i upravljanje njima mogu biti presudni.

Umjetna inteligencija pretvara arhitekturu oblaka i podataka u poslovno pitanje. Više nije dovoljno da sustavi samo rade. Moraju omogućiti pametan, siguran i troškovno učinkovit rad.

6. Sloj 4: temeljni i jezični modeli

Temeljni i jezični modeli najvidljiviji su sloj inteligencije. Sustavima omogućuju razumijevanje jezika, stvaranje teksta, tumačenje slika, pisanje koda, sažimanje, zaključivanje, klasifikaciju, razgovor i sve češće istodobnu obradu različitih oblika podataka.

Jezični model ipak ne „razmišlja” poput čovjeka. Odgovore stvara na temelju podataka za treniranje, konteksta koji daje korisnik i dostupnih alata. Njegov praktičan učinak unatoč tome može biti golem jer obrađuje jezik, ključno sučelje ljudskog rada.

Za poduzeća nije dovoljno pitati „Koji je model najbolji?” Korisnije je pitanje: Koji model odgovara kojem zadatku? Jedan može biti dobar za brzu klasifikaciju. Drugi za dubinsku analizu. Treći za programiranje. Četvrti obrađuje slike. Peti je jeftin i brz za interne rutinske zadatke. Šesti je dovoljno siguran za regulirano okruženje.

U budućoj arhitekturi umjetne inteligencije poduzeće možda neće koristiti jedan model za sve, nego skup različitih modela. Njihova procjena time postaje nova ključna sposobnost: organizacija mora razumjeti kako ih testirati, uspoređivati, procjenjivati troškove i birati za različite namjene.

Temeljni model snažan je motor. No sam motor još nije gotovo vozilo.

7. Sloj 5: optimizacija modela i inferencija

Inferencija znači primjenu modela: trenutak u kojem on stvara odgovor, analizu, sliku, kod, zaključak ili sljedeći radni korak. Treniranje privlači mnogo pozornosti, ali u svakodnevnom poslovanju inferencija je često važnija. Tu nastaju troškovi, kašnjenja, korisničko iskustvo i pitanja skalabilnosti.

Pri maloj uporabi troškovi mogu djelovati neznatno. No kada se umjetna inteligencija ugradi u korisničku podršku, prodaju, razvoj proizvoda, analitiku, programiranje, izvješćivanje i agentske sustave, uporaba može brzo porasti. Svaki poziv modela troši resurse, a svaki međukorak agenta može ih potrošiti još više.

Optimizacija je zato presudan sloj. Može obuhvaćati, primjerice:

• uporabu manjeg modela za jednostavan zadatak
• uporabu snažnijeg modela samo za teške dijelove
• spremanje odgovora u predmemoriju
• sažimanje promptova
• poboljšavanje dohvata u RAG-u
• kvantizaciju modela, odnosno smanjivanje njihovih zahtjeva za resursima
• premještanje izvršavanja u povoljnije okruženje
• raspodjelu zadataka među više modela
• postavljanje ograničenja troškova agentima

Tu postaje vidljiva ekonomska strana umjetne inteligencije. Ona nije besplatan čarobni stroj. To je računalna obrada, a obrada stoji. Poduzeće mora naučiti upravljati troškovima tokena, pozivima modela, kašnjenjima i kvalitetom kao što upravlja drugim resursima.

Dobro rješenje umjetne inteligencije nije samo pametno. Mora biti i dovoljno brzo, povoljno, pouzdano te dovoljno snažno ondje gdje je to potrebno.

8. Sloj 6: podaci, RAG i kontekst

Podaci su sloj u kojem umjetna inteligencija od opće sposobnosti postaje vlastiti alat organizacije. Bez podataka poduzeća može davati opće odgovore, objašnjavati, nuditi ideje i pripremati nacrte. No ne zna što je upravo u tom poduzeću dogovoreno, što je obećano kupcu, koji projekt kasni ili koja je verzija proizvoda u uporabi.

RAG, odnosno Retrieval-Augmented Generation, znači generiranje potpomognuto dohvatom podataka. U praksi umjetna inteligencija najprije pronalazi relevantne informacije u dokumentima, bazama podataka ili drugim izvorima poduzeća, a zatim na temelju njih oblikuje odgovor. To je velika promjena: RAG joj omogućuje da bolje uvaži konkretan kontekst.

Može pomoći, primjerice, u sljedećem:

• pronalaženju pravih uputa u internoj dokumentaciji
• sažimanju povijesti odnosa s kupcem
• usporedbi ugovora s uvjetima poduzeća
• odgovaranju na pitanje tehničkoj podršci
• pronalaženju odgovarajućeg odlomka u dokumentaciji proizvoda
• analizi stanja projekta
• pripremi pregleda stanja za upravu

No RAG nije čarobno rješenje. Dobar je samo onoliko koliko su dobre informacije na kojima počiva. Ako su dokumenti zastarjeli, pronaći će zastarjele podatke. Ako su prava pristupa nejasna, umjetna inteligencija može vidjeti previše ili premalo. Ako su dokumenti loše strukturirani, dohvat neće uspjeti. Ako izvori nisu prikazani, korisnik ne može procijeniti odgovor.

Sloj podataka i RAG-a zato je i sloj upravljanja informacijama. Umjetna inteligencija prisiljava poduzeća da pitaju: gdje su naši podaci? Tko je za njih odgovoran? Jesu li ažurni? Tko ih smije koristiti? Kako se provjeravaju izvori? Kako se uklanjaju zastarjeli podaci? Kako se rješavaju proturječja?

Uz umjetnu inteligenciju mnoge organizacije otkrivaju neugodnu istinu: problem nije u njoj, nego u vlastitom upravljanju informacijama. To je dobra vijest ako počnu rješavati problem.

9. Sloj 7: MCP, integracije i povezivanje s alatima

Ako podaci umjetnoj inteligenciji daju memoriju, integracije joj daju ruke. MCP, odnosno Model Context Protocol, otvoreni je standard koji aplikacijama umjetne inteligencije omogućuje kontrolirano povezivanje s vanjskim alatima, izvorima podataka i sustavima. Možemo ga zamisliti kao priključak: zajedničko sučelje putem kojeg umjetna inteligencija može koristiti dokumente, baze podataka, kalendar, sustave za upravljanje projektima, CRM ili razvojne alate.

Taj je sloj presudan u eri agenata. Bez pristupa alatima umjetna inteligencija uglavnom može predlagati. S pristupom alatima može i djelovati. Može:

• dohvatiti podatke o kupcu iz CRM-a
• stvoriti zadatak u sustavu za upravljanje projektima
• provjeriti kalendar
• čitati repozitorij koda
• pokretati testove
• otvoriti zahtjev za podršku
• ažurirati dokument
• izvršiti upit nad bazom podataka
• pokrenuti automatizaciju
• pripremiti izvješće i spremiti ga na odgovarajuće mjesto

Upravo zato taj sloj nosi i rizike. Što više prava umjetna inteligencija dobije, to pažljivije treba odrediti granice. Poduzeće mora definirati što smije čitati, mijenjati, slati i brisati, kada treba ljudsko odobrenje, s kojom korisničkom ulogom radi, kako se sve bilježi i kako se rad može zaustaviti.

Integracije čine umjetnu inteligenciju korisnom. Upravljanje je čini sigurnom. Bez obojega nastaje ili neučinkovit pomoćnik ili opasna automatizacija.

10. Sloj 8: orkestracija i agentski sustavi

Orkestracija je sloj koji upravlja radom umjetne inteligencije. Kada sudjeluje više modela, izvora podataka, alata, agenata i ljudi, treba koordinirati cjelinu. Orkestracija određuje tko što radi, kojim redoslijedom, s kojim ovlastima i uz koje provjere.

Jednostavnom chatbotu ne treba mnogo orkestracije. Agentskom sustavu treba. Agent može planirati zadatak, dohvaćati podatke, koristiti alate, provjeravati rezultate i nastavljati na sljedeći korak. Ako organizacija koristi više agenata, potrebna je jasna struktura. Primjerice, agentski sustav korisničke podrške mogao bi raditi ovako:

1. agent za klasifikaciju prepoznaje temu upita
2. RAG agent dohvaća upute i povijest odnosa s kupcem
3. agent za odgovore priprema nacrt rješenja
4. model za procjenu rizika provjerava smije li se odgovor poslati
5. integracijski agent ažurira CRM
6. čovjek provjerava iznimne slučajeve
7. agent za praćenje mjeri kvalitetu

To više nije jedan odgovor umjetne inteligencije, nego radni tijek. Orkestracija odgovara na pitanja poput ovih: koji model odabrati za zadatak? Kada koristiti podatke poduzeća? Kada agent smije koristiti alat? Kada odobrava čovjek? Što učiniti ako je odgovor nesiguran? Kako ograničiti troškove, otkriti pogreške i dokumentirati rad?

Tu nastaje i zamisao farme agenata. To je skup specijaliziranih agenata za različite zadatke: jedan prati konkurenciju, drugi analizira povratne informacije kupaca, treći priprema prodajne aktivnosti, četvrti provjerava kod, a peti izrađuje izvješća.

Farma agenata može donijeti velik skok produktivnosti. No bez orkestracije može prerasti u kaos.

11. Sloj 9: softver i aplikacije

Korisnik umjetnu inteligenciju naposljetku doživljava kroz softver i aplikacije. U tom sloju tehnologija postaje korisničko iskustvo. No umjetna inteligencija mijenja i logiku aplikacija.

Tradicionalni softver oslanjao se na to da korisnik sve radi sam: klikne, popuni, filtrira, kopira, zalijepi, spremi i pošalje. Softver s umjetnom inteligencijom sve se više usmjerava na ciljeve. Korisnik možda neće reći „Izvezi ovu CSV datoteku, filtriraj stupac B, napravi zaokretnu tablicu i grafikon”, nego „Analiziraj prodaju prošlog mjeseca, pronađi odstupanja i pripremi sažetak u tri točke za upravu.”

To mijenja oblikovanje aplikacija. Dobra aplikacija umjetne inteligencije nije samo stari softver s dodanim prozorom za razgovor. Ona razumije korisnikov cilj, dohvaća odgovarajući kontekst, koristi prikladne alate, prikazuje neizvjesnosti, traži odobrenje i omogućuje jednostavnu provjeru rezultata.

To je velika prilika za SaaS tvrtke, odnosno pružatelje softvera u oblaku. Moraju iznova promisliti proizvod: što korisnik želi postići? Koje korake može obaviti umjetna inteligencija? Koji su podaci potrebni? Koje alate smije koristiti? Gdje mora odlučiti korisnik? Kako prikazati rezultat i izgraditi povjerenje?

Umjetna inteligencija ne ukida softver. Pretvara ga iz pasivnih alata u aktivna radna okruženja.

12. Sloj 10: poslovni procesi i radni tijekovi

U tom sloju nastaje stvarna poslovna vrijednost umjetne inteligencije. U procesu, a ne samo u modelu ili sučelju.

Poslovni proces može biti prodaja, korisnička podrška, fakturiranje, zapošljavanje, izvješćivanje, razvoj proizvoda, nabava, kontrola kvalitete ili upravljanje projektima. Umjetna inteligencija postaje vrijedna tek kada promijeni brzinu, kvalitetu, trošak ili korisničko iskustvo tih procesa.

U prodaji, primjerice, može prikupiti podatke o kupcu, analizirati prethodne razgovore, prepoznati signale za kupnju, predložiti sljedeću poruku, pripremiti ponudu, ažurirati CRM i podsjetiti na daljnje aktivnosti.

U korisničkoj podršci može prepoznati temu, dohvatiti upute, provjeriti stanje kupca, predložiti odgovor, riješiti rutinski slučaj, preusmjeriti složen problem čovjeku i zabilježiti ishod.

U razvoju proizvoda može analizirati povratne informacije korisnika, pisati specifikacije, generirati kod, pisati testove, tražiti pogreške, dokumentirati promjene i pripremati bilješke o izdanju.

Tu je važan pristup AI-first. Ne znači koristiti umjetnu inteligenciju svugdje, nego oblikovati proces uz pitanje: Kako bi ovaj radni tijek izgledao kada bismo ga danas izgradili uz umjetnu inteligenciju, podatke, agente i automatizaciju? To pitanje brzo otkriva gdje je stari način rada samo stvar navike.

13. Sloj 11: fizička umjetna inteligencija i robotika

Umjetna inteligencija ne ostaje samo na zaslonu. Fizička umjetna inteligencija djeluje u fizičkom svijetu: u robotima, vozilima, tvornicama, skladištima, laboratorijima, bolnicama, poljoprivredi i gradskim okruženjima.

U tom sloju umjetna inteligencija postaje opipljiva na nov način. Digitalni agent može pogrešno napisati izvješće. To je problem, ali često popravljiv. Fizički robot može pogrešno pomaknuti predmet, sudariti se, oštetiti uređaj ili ugroziti sigurnost. Zahtjevi za fizičku umjetnu inteligenciju zato su stroži.

Fizičkoj umjetnoj inteligenciji potrebni su:

• senzori
• kamere
• robotika
• simulacije
• odlučivanje u stvarnom vremenu
• sigurnosni sustavi
• mehatronika
• rubno računalstvo
• interakcija čovjeka i stroja
• poznavanje propisa

To je ujedno velika prilika. U industriji umjetna inteligencija može optimizirati proizvodnju. U skladištima može usmjeravati robote. U zdravstvu može pomoći pri snimanju, logistici i laboratorijskoj automatizaciji. U poljoprivredi može poduprijeti precizniji uzgoj. U prometu može unaprijediti planiranje ruta i autonomne sustave.

Fizička umjetna inteligencija vraća nas materijalnom svijetu. Podsjeća da nije riječ samo o jeziku i kodu. Može i pomicati, mjeriti, opažati i djelovati.

14. Sloj 12: upravljanje, nadzor i odgovornost

Posljednji je sloj možda i najvažniji. Upravljanje, nadzor i odgovornost odlučuju hoće li umjetna inteligencija organizaciji donijeti konkurentsku prednost ili nekontroliran rizik.

Kada umjetna inteligencija samo piše nacrte, upravljanje može biti jednostavnije. Kada počne koristiti alate, obrađivati podatke o kupcima, ažurirati sustave, predlagati odluke i izvršavati radne korake, potrebna su jasna pravila. Poduzeće mora znati:

• gdje se umjetna inteligencija koristi
• tko je koristi
• koji se podaci koriste
• koji se modeli koriste
• koji su agenti u uporabi
• koje ovlasti imaju agenti
• koliko uporaba stoji
• kako se mjeri kvaliteta
• kako se ispravljaju pogreške
• tko odgovara za rezultat

To je novo područje upravljanja. AI governance, odnosno okvir upravljanja umjetnom inteligencijom, ne smije ostati samo pravnički dokument ili popis sigurnosnih zabrana. Mora biti praktičan način da se omogući sigurna uporaba.

Dobro upravljanje ne zaustavlja razvoj, nego omogućuje njegovo skaliranje. Bez njega umjetna inteligencija lako ostaje na razini pokusa pojedinih zaposlenika. Još je gore ako nastane uporaba u sjeni: nitko ne zna koji se alati koriste, kamo se unose podaci i što agenti rade.

Zadaća je vodstva postaviti zaštitne ograde za umjetnu inteligenciju. Njihova svrha nije usporavanje. Svrha je omogućiti sigurno ubrzanje.

15. Sposobnosti koje prožimaju slojeve: što je potrebno u svakom od njih?

Te su sposobnosti iznimno važne jer ne pripadaju samo jednom sloju. Prožimaju ih sve.

Informacijska sigurnost i privatnost

Umjetna inteligencija može obrađivati osjetljive podatke, podatke o kupcima, osobne podatke, ugovore, izvorni kod i poslovne tajne. Sigurnost zato nije dodatak, nego temeljni zahtjev.

Upravljanje kvalitetom

Odgovor umjetne inteligencije može zvučati dobro, a ipak biti pogrešan. Upravljanje kvalitetom podrazumijeva testiranje, procjenu, usporedbu, povratne informacije, provjeru izvora i praćenje pogrešaka.

Upravljanje troškovima

Tokeni, pozivi API-ja, međukoraci agenata, RAG dohvat i računalna obrada imaju cijenu. Ako se troškovi ne prate, umjetna inteligencija može djelovati produktivno, a postati skupa.

Praćenje i uvid u rad sustava

Opservabilnost znači mogućnost uvida u ono što se događa u sustavu. U umjetnoj inteligenciji to, primjerice, znači vidjeti što je model odgovorio, koje je izvore koristio, koje je alate agent pozivao, gdje se dogodila pogreška i koliko je to stajalo.

Znanje i organizacijska kultura

Umjetna inteligencija ne donosi korist ako je ljudi ne znaju koristiti ili ako kultura sprječava eksperimentiranje. Potrebni su obuka, primjeri, interne prakse i poticaj.

Upravljanje promjenama

Umjetna inteligencija mijenja uloge, procese i podjelu rada. Ako se promjena prepusti pojedincima, rezultati će biti neujednačeni.

Etika i propisi

Što umjetna inteligencija više utječe na ljude, odluke i društvo, to je važnije promišljati pravednost, transparentnost, odgovornost i propise.

Te su sposobnosti poput nosive konstrukcije zgrade. Ne mogu se na kraju dodati kao ukras.

16. Poslovna perspektiva: kako funkcionalni slojevi mijenjaju strategiju?

Funkcionalni slojevi umjetne inteligencije poduzeću daju praktičnu kartu. Pomažu razumjeti zašto neki projekti ne uspijevaju, a drugi uspijevaju.

Neuspješan projekt često se usredotoči samo na jedan sloj. Kupi se aplikacija, ali podaci su loši. Izgradi se agent, ali nedostaju integracije. Odabere se snažan model, ali proces ostane isti. Provede se pilot-projekt, ali troškovi se ne mjere. Zaposlenici se educiraju, ali upravljanje se ne mijenja.

Uspješan projekt promatra cijeli lanac rada. Pita: koji poslovni problem rješavamo? Koji proces mijenjamo? Koji su podaci potrebni? Koji model koristimo? Koje alate umjetna inteligencija smije koristiti? Gdje odobrava čovjek? Kako mjerimo kvalitetu? Kako pratimo troškove? Tko je odgovoran za rješenje? Kako ga skalirati?

To mijenja i planiranje proračuna. Umjetna inteligencija nije samo softverska licenca. Obuhvaća licence, troškove tokena, integracije, sigurnost, obuku, provedbu promjena i praćenje.

Poduzeća trebaju umjetnu inteligenciju početi promatrati kao ulaganje u produktivnost. Ako plaće stručnih radnika čine znatan dio troškova, prirodno je razmotriti koji bi iznos u odnosu na taj trošak trebalo uložiti u umjetnu inteligenciju radi veće produktivnosti, kvalitete i brzine rada zaposlenika. To ne znači nepromišljeno trošenje. Znači učiniti troškove umjetne inteligencije vidljivima i upravljati njima.

17. Perspektiva startupova: gdje nastaje nova konkurentska prednost?

Startupovima funkcionalni slojevi umjetne inteligencije predstavljaju i priliku i upozorenje. Priliku zato što mali tim može izgraditi više nego ikad prije. Umjetna inteligencija može pomoći u programiranju, marketingu, analizi, korisničkoj podršci, dokumentaciji, prodaji i internim procesima. Upozorenje zato što sama tvrdnja „imamo umjetnu inteligenciju” više nije konkurentska prednost.

Kada su modeli široko dostupni, vrijednost nastaje drugdje:

• u boljim podacima
• u boljem radnom tijeku
• u poznavanju djelatnosti
• u distribuciji
• u korisničkom sučelju
• u povjerenju
• u integracijama
• u orkestraciji agenata
• u troškovnoj učinkovitosti
• u sposobnosti rješavanja stvarnog problema

Startup kojem je umjetna inteligencija temelj ne razvija stari proizvod s dodanom funkcijom umjetne inteligencije. Pita: Kako bi ova djelatnost izgledala da je od početka izgrađena oko umjetne inteligencije, agenata, automatizacije i podataka?

U pravnoj tehnologiji takav proizvod nije samo chatbot koji odgovara na pravna pitanja. Može biti radni tijek koji čita ugovore, prepoznaje rizike, uspoređuje ih s pravilima poduzeća, predlaže izmjene, traži odobrenje pravnika i ažurira bazu ugovora. U zdravstvu takvo rješenje nije samo upitnik o simptomima, nego sustav koji stručnjaku pomaže prikupiti podatke, analizirati slike, pripremiti upute pacijentima i koordinirati put liječenja. U B2B prodaji to nije samo generator e-pošte, nego agentski sustav koji prati signale, obogaćuje podatke o kupcima, predlaže kontaktiranje, priprema materijale i ažurira CRM.

Konkurentska prednost startupova zato proizlazi iz toga koliko dobro povezuju slojeve. Ne iz same činjenice da koriste umjetnu inteligenciju.

18. Promjene u radu: što će ljudi trebati znati?

Funkcionalni slojevi umjetne inteligencije mijenjaju i potrebna znanja. Ne moraju svi znati graditi modele, razumjeti arhitekturu čipova ili tehnički poznavati MCP. No sve više ljudi mora razumjeti gdje se njihov posao nalazi u cjelini.

Stručnjak mora razumjeti kako mu umjetna inteligencija može pomoći u radnom tijeku. Rukovoditelj kako utječe na procese i troškove. Razvojni inženjer kako povezati modele, podatke i alate. Stručnjaci za sigurnost moraju razumjeti ovlasti agenata. Ljudski resursi promjene u potrebnim vještinama. Financijsko vodstvo tokene i troškove. Voditelji proizvoda moraju razumjeti kako aplikacija poprima agentske funkcije.

U budućem radu posebno će se isticati ove vještine:

• definiranje problema
• raščlanjivanje procesa
• prepoznavanje mogućnosti umjetne inteligencije
• procjena kvalitete podataka
• kritičko vrednovanje izvora
• provjera kvalitete
• podjela rada između čovjeka i umjetne inteligencije
• razumijevanje granica automatizacije
• svijest o troškovima
• etičko prosuđivanje
• prilagodljivost promjenama

Jedna od najvažnijih vještina jest razlikovati što se isplati automatizirati, a što ne. Nije svaki ponavljajući zadatak automatski prikladan za automatizaciju. Ako radni korak utječe na ljudska prava, sigurnost, zdravlje, novac ili ugled, potreban je pažljiviji nadzor.

Umjetna inteligencija ne uklanja potrebu za prosuđivanjem. Čini ga važnijim.

19. Rizici i zamke

Promatranje funkcionalnih slojeva pomaže i preciznije uočiti rizike. Nije jedini rizik pogrešan odgovor. Rizici nastaju u svakom sloju.

Infrastrukturni rizik

Troškovi podatkovnih centara, potrošnja energije, manjak kapaciteta i geopolitičke ovisnosti mogu utjecati na dostupnost i cijenu umjetne inteligencije.

Rizik modela

Model može halucinirati, biti pristran, pogrešno razumjeti zadatak ili dati uvjerljiv, ali netočan odgovor.

Rizik podataka

Informacije poduzeća mogu biti zastarjele, proturječne, nepotpune ili zaštićene neodgovarajućim pravima pristupa.

Integracijski rizik

Umjetna inteligencija može dobiti preširoke ovlasti ili pogrešno koristiti alat. Napadi ubacivanjem zlonamjernih uputa u prompt mogu pokušati navesti agenta da učini nešto što ne bi smio.

Rizik agenta

Agent može nastaviti zadatak u pogrešnom smjeru, izvesti previše međukoraka, povećati troškove ili nizati pogreške.

Rizik aplikacije

Korisnik može previše vjerovati odgovoru ako sučelje ne prikazuje neizvjesnost, izvore ili potrebu za odobrenjem.

Rizik procesa

Stari se proces može automatizirati bez promjena iako je već loš. Umjetna inteligencija tada samo ubrzava loš način rada.

Upravljački rizik

Ako nitko nije odgovoran za cjelinu, organizacija dobiva uporabu umjetne inteligencije u sjeni, alate koji se preklapaju, nejasne odgovornosti i nekontrolirane troškove.

Dobra je vijest da se tim rizicima može upravljati. No samo ako ih prepoznamo u svakom sloju.

20. Budućnost: umjetna inteligencija postaje infrastruktura rada

Sljedeća faza umjetne inteligencije nije samo bolji chatbot. To je infrastruktura rada. U budućnosti može biti prisutna gotovo u svim fazama rada s informacijama: pronalaženju podataka, analizi, pripremi odluka, programiranju, radu s kupcima, izvješćivanju, edukaciji, planiranju i automatizaciji. Istodobno ulazi u fizički svijet: robote, vozila, laboratorije, industriju i logistiku.

To ne znači da će se sve promijeniti preko noći. Vjerojatniji je razvoj po slojevima:

1. Najprije umjetna inteligencija pomaže pojedinim zaposlenicima.
2. Zatim se ugrađuje u aplikacije.
3. Potom se povezuje s podacima poduzeća.
4. Nakon toga dobiva ograničen pristup alatima.
5. Zatim nastaju agenti.
6. Potom se agenti orkestracijom povezuju u procese.
7. Naposljetku se počinje mijenjati način poslovanja poduzeća.

Najveća je razlika u odnosu na sadašnjost to što umjetna inteligencija neće ostati izdvojen alat. Uklopit će se u sustave, procese i odlučivanje. Tada pitanje više neće biti „Koristimo li umjetnu inteligenciju?”, nego: „Kako je umjetna inteligencija ugrađena u naš način rada?”

21. Zaključci

Funkcionalni slojevi daju kartu preobrazbe koju donosi umjetna inteligencija. Pokazuju da nije riječ samo o chatbotu, jezičnom modelu ili pojedinoj aplikaciji. Riječ je o cijelom sustavu koji povezuje energiju, podatkovne centre, čipove, oblak, modele, optimizaciju, podatke, integracije, agente, softver, procese, robotiku i upravljanje.

Najvažniji je uvid sljedeći: Vrijednost umjetne inteligencije nastaje zajedničkim djelovanjem slojeva. Nije dovoljan samo snažan model, samo podaci, samo integracija, samo agent ili samo aplikacija. Potrebna je cjelina.

Za poduzeća to znači da strategija umjetne inteligencije mora biti više od popisa alata. Mora opisati veze s infrastrukturom, podacima, procesima, ljudima, troškovima, rizicima i upravljanjem. Za startupove znači da konkurentska prednost sve češće nastaje povezivanjem slojeva: boljim objedinjavanjem modela, podataka, radnih tijekova, integracija i korisničkog iskustva. Za pojedince znači da pismenost u području umjetne inteligencije više nije samo pisanje promptova. To je sposobnost razumijevanja gdje umjetna inteligencija djeluje u lancu rada, što joj je potrebno za uspjeh i gdje čovjek mora usmjeravati, procjenjivati i preuzeti odgovornost.

Budućnost umjetne inteligencije nije jedan superinteligentan gumb. To je novo radno okruženje. U njemu će uspjeti oni koji razumiju cjelinu.

22. Praktični modeli i radni predlošci

1. Kontrolni popis funkcionalnih slojeva umjetne inteligencije

Koristite ga pri procjeni rješenja umjetne inteligencije ili planiranju novog načina primjene.

Infrastruktura i računalna obrada

• Gdje se rješenje izvršava?
• Koji su mu računalni resursi potrebni?
• Kako troškovi rastu s opsegom uporabe?
• Je li kašnjenje prihvatljivo?
• Ovisi li rješenje o jednom dobavljaču?

Modeli

• Koji se model koristi?
• Zašto baš taj model?
• Je li zadatak jednostavan ili zahtijeva napredno zaključivanje?
• Je li model testiran na vlastitim materijalima?
• Kako se prati kvaliteta modela?

Podaci i kontekst

• Koji su podaci potrebni?
• Jesu li podaci ažurni?
• Tko je odgovoran za podatke?
• Kako funkcioniraju prava pristupa?
• Prikazuju li se izvori korisniku?

Integracije i alati

• Kojim sustavima umjetna inteligencija smije pristupiti?
• Smije li samo čitati ili i mijenjati?
• Kada je potrebno odobrenje?
• Kako se uporaba bilježi?
• Kako su ovlasti ograničene?

Agenti i orkestracija

• Radi li se o jednom odgovoru ili zadatku s više koraka?
• Koje korake obavlja umjetna inteligencija?
• Koje korake obavlja čovjek?
• Što se događa u slučaju pogreške?
• Ima li agent ograničenje troška?

Aplikacija i korisničko iskustvo

• Kako korisnik može razumjeti što je umjetna inteligencija učinila?
• Jesu li vidljivi izvori, neizvjesnosti i sljedeći koraci?
• Može li se rezultat lako provjeriti?
• Može li korisnik ispraviti ili odbaciti prijedlog?

Proces i poslovanje

• Koji se proces poboljšava?
• Koji se pokazatelj mijenja?
• Štedi li se vrijeme?
• Poboljšava li se kvaliteta?
• Ubrzava li se korisnička podrška?
• Smanjuje li se ručni rad?

Upravljanje i odgovornost

• Tko je odgovoran za rješenje?
• Tko odgovara za pogreške?
• Kako se prati uporaba?
• Kako se izvješćuje o troškovima?
• Kako se provodi revizija rješenja?

2. Model procesa s pristupom AI-first

Odaberite jedan poslovni proces i prođite ga uz sljedeća pitanja:

1. Koji je cilj procesa?
2. Koji se koraci ponavljaju?
3. Gdje su potrebne informacije?
4. Gdje je potrebna ljudska prosudba?
5. Gdje umjetna inteligencija može pripremiti prvu verziju?
6. Gdje može dohvatiti podatke?
7. Gdje može koristiti alat?
8. Gdje može automatski izvršiti korak?
9. Gdje je potrebno odobrenje?
10. Kako se mjeri rezultat?

Cilj ovog modela nije automatizirati sve, nego pronaći odgovarajuću podjelu rada između ljudi, umjetne inteligencije i sustava.

3. Model odgovornosti po slojevima

Za svaki sloj treba imenovati odgovornu osobu ili tim.

4. Osnovni model uvođenja agenta

Prije nego što agent počne obavljati stvarni posao, definirajte njegovu svrhu, izvore podataka, alate, ovlasti, zabranjene radnje, točke odobravanja, ograničenje troška, bilježenje aktivnosti, pokazatelje kvalitete, odgovornu osobu i mehanizam zaustavljanja.

Agent bez vlasnika ne bi smio biti pušten u produkciju.

5. Pitanja za vodstvo

Uprava treba redovito pitati:

1. U kojim procesima umjetna inteligencija već donosi mjerljivu korist?
2. Gdje je još samo pokus?
3. Koji su joj podaci potrebni, a još ih ne dobiva?
4. Koje bi integracije donijele najveću korist?
5. Gdje bi agenti mogli sigurno obavljati posao?
6. Gdje je ljudsko odobrenje neizostavno?
7. Koliko umjetna inteligencija stoji mjesečno?
8. Kako se kreću troškovi tokena?
9. Koje pogreške umjetna inteligencija radi?
10. Tko odgovara za njezinu kvalitetu i rizike?
11. Koja znanja nedostaju organizaciji?
12. Koji proces danas više ne bismo gradili na stari način?

6. Praktičan savjet

Kada procjenjujete rješenje umjetne inteligencije, nemojte gledati samo sučelje ili naziv modela. Ispitajte cijeli lanac rada:

„Koja mu je infrastruktura potrebna, koje podatke koristi, kojim sustavima smije pristupiti, koje radne korake može obaviti, tko nadzire rad i kako se mjere korist, kvaliteta, troškovi i rizici?”

Upravo se tu vidi razlika između pokusa s umjetnom inteligencijom i stvarne sposobnosti njezine primjene.

Izvori

1. Intervju s izvršnim direktorom Nvidije Jensenom Huangom o slojevitoj strukturi umjetne inteligencije (YouTube)