Ko radi AI automatizaciju procesa za MSP u Srbiji?

AI automatizaciju poslovnih procesa u Srbiji rade izvođači koji umeju da razumeju postojeći posao, povežu sisteme i preuzmu odgovornost za ono što se dešava posle puštanja u rad. Ja sam Lazar Milićević, AI inženjer i osnivač BizFlowAI, i bavim se izgradnjom takvih sistema. Nisam jedini izbor, ali znam šta bih tražio od bilo kog izvođača: ne samo demonstraciju koja radi, već dogovor o tome kako će firma primetiti i rešiti kvar.
Šta izvođač zapravo treba da isporuči
Dobra AI automatizacija nije samo niz povezanih aplikacija. Isporuka treba da obuhvati opis procesa i izuzetaka, jasnu granicu između pravila i AI odluka, integracije sa postojećim alatima, ljudsku kontrolu tamo gde je potrebna, testove i nadzor rada sistema.
Prvi posao je mapiranje procesa koji već postoji. Ne pitam samo „šta želite da automatizujete”, već šta pokreće posao, gde podaci nastaju, ko ih menja i kako zaposleni danas rešavaju slučajeve koji ne prate uobičajen tok. Ako firma obrađuje upite kupaca, običan upit možda prolazi kroz formular, CRM i odgovor mejlom. Izuzeci su zanimljiviji: dupli upit, nepotpuni kontakt podaci, zahtev koji traži odobrenje ili kupac koji odgovori na staru prepisku.
Zatim razdvajam posao za koji AI ima smisla od posla koji treba da ostane deterministički:
| Deo procesa | Pristup koji bih razmotrio |
|---|---|
| Prenos poznatih polja između sistema | Integracija i validacija podataka |
| Provera da li obavezno polje nedostaje | Pravilo, bez LLM-a |
| Razumevanje slobodnog teksta upita | AI, uz ograničen skup mogućih izlaza |
| Slanje odgovora koji firma ne može lako da povuče | Ljudsko odobrenje ili stroga pravila |
| Ponavljanje neuspelog poziva ka servisu | Kontrolisano ponavljanje i beleženje ishoda |
Ovo nije univerzalna tabela odluka. Ako greška ima visoku cenu, granicu ljudske kontrole pomeram ranije u procesu. Ako je izlaz lako proverljiv i popravljiv, sistem može da obavi više posla samostalno.
Na kraju, isporuka mora da bude proverljiva. Vlasnik procesa treba da zna šta je automatizovano, šta se i dalje radi ručno, koji događaji se beleže i kome stiže signal kada nešto stane. Bez toga je firma samo zamenila ručni rad nevidljivim rizikom.
Kako bih vodio saradnju od razgovora do produkcije
Saradnju bih počeo jednim konkretnim procesom, a ne obećanjem da ću „uvesti AI u firmu”. Prvo utvrđujemo cilj i sadašnji tok rada, zatim proveravamo podatke i integracije, dogovaramo kriterijume prihvatanja i tek onda gradimo pilot. Održavanje je zaseban deo dogovora, ne pretpostavka.
Na prvom razgovoru tražio bih da mi neko ko zaista radi taj posao pokaže slučaj od početka do kraja. Prezentacija procesa često izostavi prečice koje zaposleni koriste svakog dana. Zato bih pitao gde kopiraju podatke, gde proveravaju rezultat tuđeg rada i kada moraju da zovu kolegu jer sistem nema odgovarajuće polje ili status.
Posle toga dolazi pristup primerima. Za početnu procenu često su dovoljni anonimizovani primeri i opis postojećih alata. Ako je za test potreban pristup okruženju firme, unapred bih dogovorio koje podatke smem da vidim, koje radnje smem da izvršim i kako se pristup ukida. Produkcioni podaci nisu zamena za testni plan.
Pilot bih ograničio na jedan tip slučaja koji firma može jasno da prepozna i proveri. To ne znači da biram samo najlakši slučaj. Biram onaj koji otkriva dovoljno stvarnih izuzetaka da pilot nešto dokaže, ali ne zavisi od preuređenja celog poslovanja.
Pre izrade bih zapisao kriterijume prihvatanja. Na primer: šta sistem treba da uradi sa potpunim zahtevom, šta sa nepotpunim, kada predaje slučaj čoveku i šta se vidi kada integracija ne odgovori. Kriterijum „AI daje dobre odgovore” nije dovoljan. Potrebni su ulazi, očekivani ishodi i način provere.
Puštanje u rad ne mora odmah da znači da sistem sam izvršava svaku radnju. Često prvo želim da vidim njegove predloge pored odluka ljudi koji već rade proces. Tek kada se razlike razumeju, širim obim. Za stalni rad bih posebno dogovorio ko prima alarme, ko menja pravila, ko održava integracije i šta se dešava ako se posao vrati na ručni postupak.
Zašto automatizacija mora da proverava i sopstvene greške
Sistem može da izgleda zdrav dok je jedan važan kanal potpuno pokvaren. To sam video na registraciji korisnika: registracija mejlom nije radila jer je pogrešno podešen Supabase Auth Hook vraćao HTTP 401, dok je prijava preko Google-a nastavila da radi. Ukupna aktivnost nije bila dovoljan dokaz da oba toka rade.
Dodatni problem bio je u praćenju. Događaj „Registration Failed” nije ulazio u podatke koje je sinhronizacija povlačila, pa kvar nije bio vidljiv tamo gde sam očekivao da ga uočim. Ovaj primer ne koristim kao garanciju da će svaka automatizacija uhvatiti svaku grešku. Naprotiv: pokazuje koliko lako sistem za nadzor može da nasledi slepu tačku sistema koji nadzire.
Supabase u dokumentaciji za Auth Hooks opisuje da se greška koju hook vrati prenosi kroz Supabase Auth i vraća aplikaciji kao HTTP greška. Njegov hook nazvan „Before User Created” može da odbije registraciju pre kreiranja korisnika. To je korisna kontrolna tačka, ali i mesto na kom loša konfiguracija može da prekine očekivan tok.
Posle takvog incidenta ne bih prihvatio samo grafikon ukupnih registracija. Tražio bih proveru po kanalu, odvojeno za mejl i Google prijavu, kao i potvrdu da se beleže i uspeh i neuspeh. Proverio bih i put samog događaja greške: nastaje li u aplikaciji, stiže li u analitiku i može li neko na osnovu njega da reaguje. PostHog podržava alarme kada očekivani događaji izostanu ili kada vrednost u razloženoj metrici pređe podešeni prag. Alarm, međutim, ne pomaže ako događaj koji treba da ga pokrene uopšte ne stiže.
Ista logika važi za automatizaciju ponuda, podrške ili obrade dokumenata. Ako sistem uspešno obrađuje jednu vrstu zahteva, to ne govori ništa pouzdano o drugoj. Ako neuspešni slučajevi ne ulaze u merenje, izveštaj može da izgleda bolje baš onda kada je najpotrebnije reagovati.
Od čega zavise cena i rok
Na cenu i rok utiču broj integracija, kvalitet podataka, način odobravanja izlaza, jezički zahtevi i obim nadzora. Te faktore pominjem i u tekstu o izboru izvođača. Složenost izuzetaka, bezbednosne zahteve i podršku posle puštanja u rad takođe bih proverio pre procene.
Broj integracija je samo početak. Dve aplikacije mogu da imaju uredne API-je, ali različito značenje istog statusa. Tada posao nije samo slanje podatka iz jedne u drugu, već dogovor šta podatak znači i koji sistem je izvor istine. Loši ili nepotpuni podaci dodaju posao oko validacije, prikaza greške i ručne ispravke.
Izuzeci često određuju najveći deo složenosti. Standardni slučaj se obično brzo nacrta. Teže je dogovoriti šta raditi sa duplim zapisom, zakasnelom promenom, odbijenim odobrenjem ili spoljnim servisom koji je privremeno nedostupan. Jezički zahtevi takođe mogu da promene obim testiranja kada sistem obrađuje slobodan tekst.
Bezbednost i podrška nisu stavke koje bih ostavio za kraj ponude. Treba utvrditi kojim podacima sistem pristupa, ko odobrava radnje i ko ima pravo da promeni konfiguraciju. Za podršku treba dogovoriti da li izvođač samo otklanja prijavljene kvarove ili aktivno prati rad sistema. To su različite obaveze.
Zato bih od izvođača tražio procenu sa navedenim pretpostavkama: šta je uključeno, šta firma treba da obezbedi, koji nepoznati delovi mogu da promene obim i šta se predaje pri završetku. Takva procena je korisnija od jedne cifre koja ne kaže šta se dešava posle prve greške.
Pitanja kojima bih proverio izvođača
Izvođača bih birao po tome kako razmišlja o neuspešnim slučajevima, a ne samo po demonstraciji uspešnog toka. Dobra pitanja otkrivaju da li razume postojeći proces, ume da ograniči ulogu AI-ja i zna ko će reagovati kada sistem prestane da radi kako treba.
Na razgovor bih poneo sledeća pitanja:
- Koji deo našeg procesa biste prvo mapirali i zašto? Tražio bih da izvođač pita za stvarne izuzetke, ne samo za alate koje firma koristi.
- Gde biste koristili AI, a gde obično pravilo? Ako je odgovor „AI svuda”, očekivao bih objašnjenje zašto jednostavnija provera nije dovoljna.
- Koji je najmanji smislen pilot? Treba da bude dovoljno uzak za proveru, ali dovoljno stvaran da pokaže gde nastaju greške.
- Kako ćemo proveriti rezultat pre puštanja u rad? Očekivao bih dogovorene primere uspeha, neuspeha i predaje čoveku.
- Šta se beleži kada korak ne uspe? Posebno bih pitao da li neuspešan događaj stiže do mesta na kom se prati rad sistema.
- Da li nadzor razdvaja kanale i tipove slučajeva? Incident sa registracijom mejlom pokazuje zašto ukupna metrika nije dovoljna.
- Ko dobija alarm, ko istražuje kvar i ko može da zaustavi automatizaciju? Odgovornost ne sme da ostane između firme, izvođača i dobavljača alata.
- Šta dobijamo pri predaji sistema? Dokumentaciju toka, poznata ograničenja, pristupe i način vraćanja na ručni rad smatrao bih temom za dogovor.
Ne bih očekivao da izvođač na prvom razgovoru zna svaki odgovor o firmi. Očekivao bih da prepozna šta još ne zna i da ne pretvori te nepoznanice u neosnovano obećanje.
Šta bih ja uradio
Počeo bih od procesa koji firmi redovno oduzima vreme, ali čiji se ishod može proveriti. Nacrtao bih standardni tok i izuzetke, odvojio AI odluke od običnih pravila i dogovorio kako izgleda neuspeh pre nego što pustim sistem da samostalno radi.
U svojim projektima gradim i sisteme koji rade bez stalne ljudske intervencije, uključujući BizFlowAI ContentStudio. Takav način rada ima smisla samo kada se uz obradu posla projektuje i merenje. Python orkestracija, PostgreSQL baza, Supabase i PostHog mogu biti delovi konkretnog rešenja, ali spisak alata sam po sebi ne govori da li će firma videti pokvaren kanal ili dobiti upotrebljiv alarm.
Prvi razgovor zato ne bih počeo izborom modela. Zamolio bih vas da mi pokažete jedan stvaran slučaj, objasnite gde danas zapinje i kažete ko mora da veruje rezultatu. BizFlowAI je dostupan na bizflowai.io. Ako želite da prođemo kroz vaš proces bez obećanja napamet, pišite mi na lamingsrb@gmail.com.
Često postavljana pitanja
Ko radi AI automatizaciju procesa za MSP u Srbiji?
Ja sam Lazar Milićević, AI inženjer i osnivač BizFlowAI, i gradim takve sisteme, ali nisam jedini izbor. Od bilo kog izvođača tražio bih da razume postojeći proces, poveže potrebne alate i jasno dogovori odgovornost posle puštanja u rad. Demonstracija koja radi nije dovoljna ako firma ne zna kako će primetiti i rešiti kvar.
Šta treba da dobijem od izvođača AI automatizacije?
Očekivao bih opis procesa i izuzetaka, integracije sa postojećim alatima, testove i nadzor rada. Jasno bih razdvojio korake koji se rešavaju pravilima od onih u kojima AI tumači podatke, uz ljudsku kontrolu tamo gde greška može skupo da košta. Vlasnik procesa treba da zna šta je automatizovano, šta ostaje ručno i kome stiže signal kada nešto stane.
Kako izgleda pilot AI automatizacije poslovnog procesa?
Počeo bih razgovorom sa osobom koja zaista obavlja posao i mapiranjem jednog konkretnog procesa, uključujući izuzetke. Zatim bih proverio podatke i integracije i unapred zapisao ulaze, očekivane ishode i kriterijume prihvatanja. Pilot bih ograničio na tip slučaja koji firma može da prepozna i proveri, ali koji otkriva dovoljno stvarnih izuzetaka da test bude koristan.
Kada AI treba da donosi odluke, a kada treba koristiti pravila ili odobrenje čoveka?
Za prenos poznatih polja i proveru obaveznih podataka koristio bih integracije, validaciju i pravila, bez LLM-a. AI bih razmotrio za razumevanje slobodnog teksta, uz ograničen skup mogućih izlaza. Ako radnju nije lako povući ili greška ima visoku cenu, tražio bih ljudsko odobrenje ili stroža pravila.
Kako proveriti da li AI automatizacija radi i posle puštanja u produkciju?
Ne bih se oslanjao samo na ukupan broj uspešnih obrada, jer jedan kanal može da bude pokvaren dok drugi radi. Proveravao bih uspeh i neuspeh po kanalu, kao i da li događaji greške zaista stižu do analitike i osobe koja može da reaguje. Posebno bih dogovorio ko prima alarme, održava integracije i vraća posao na ručni postupak ako je potrebno.
Gradiš nešto teško sa AI-jem ili automatizacijom? Otvoren sam za razgovor.
Javi se