Šest grešaka pri uvođenju AI automatizacije u SMB

Poslednjih nekoliko godina gledam isti obrazac. Firma od dvadeset ljudi kupi licencu, neko napravi impresivan demo, svi klimnu glavom, i tri meseca kasnije niko ne zna da kaže da li je išta uštedeno. Tehnologija je ređe problem nego što se misli. Greške se gotovo uvek prave pre prve linije koda.

1. Počinje se od alata, a ne od procesa koji boli

Najčešća greška je odluka "uvodimo AI" bez odgovora na pitanje koji se konkretan posao danas radi ručno, koliko traje i ko ga radi. Alat bez tog odgovora postaje igračka za entuzijaste, a ostatak tima ga ignoriše.

Pre bilo kakvog izbora modela ili platforme radim jednostavnu stvar: tabelu od pet kolona koju popuni neko ko taj posao stvarno radi, ne direktor.

Iz ove tabele obično odmah vidim gde je pravi kandidat. Prvi red je dobar (visoka frekvencija, kratak posao, greška je popravljiva). Treći je loš kandidat za početak, jer je retko, pa se ušteda teško dokazuje.

Na sličnom principu sam radio automatizaciju koja je štedela više od 73 sata mesečno kroz četiri povezana sistema (192% ROI u prvoj godini). Nijedan od ta četiri sistema nije bio spektakularan. Svaki je bio izabran zato što je tabela pokazala da boli.

2. Ne meri se ništa, pa se ne zna da li je uspelo

Bez definisanih KPI-jeva pre starta, svaki projekat se na kraju svede na utisak. Utisak je nepouzdan, a budžet za sledeći kvartal se ne odobrava na osnovu utiska.

Ovo nije samo moje iskustvo. U McKinsey analizi "The state of AI" praćenje jasno definisanih KPI-jeva za gen AI rešenja izdvojeno je kao praksa sa najvećim uticajem na EBIT, a manje od jedne petine ispitanika kaže da njihova organizacija to zaista radi (https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai-how-organizations-are-rewiring-to-capture-value). Drugim rečima, najvrednija navika je ujedno i najređa.

Moj minimum pre početka:

1. Baseline. Dve nedelje izmeri kako stvari rade sada: vreme po zadatku, broj grešaka, broj zadataka.
2. Jedna primarna metrika. Ne pet. Jedna, na primer "minuta od dolaska upita do prvog odgovora".
3. Prag uspeha unapred. "Ako ne smanjimo vreme za bar trećinu u 60 dana, stajemo ili menjamo pristup." Brojku biraš sam, važno je da je zapisana pre starta.
4. Vlasnik metrike. Jedna osoba, sa imenom.

Isti princip sam primenio kod serverless integracije AWS + Zendesk koja je firmi donela prvu usklađenost sa SLA ugovorom. Metrika je bila jasna od prvog dana (vreme odgovora naspram ugovorenog), pa nije bilo rasprave da li je uspelo.

3. Pilot se pretvori u večni pilot

Mala firma ima manje prostora za eksperimente, a ipak se najduže zadržava u fazi eksperimenta. McKinsey navodi da je među firmama sa prihodom iznad 5 mlrd USD skoro polovina u fazi skaliranja AI-ja, a među firmama sa prihodom ispod 100 mil USD to važi za 29% (https://www.mckinsey.com/capabilities/growth-marketing-and-sales/our-insights/the-state-of-ai-2025). Manje firme dakle ređe pređu sa probe na stvarnu upotrebu.

Razlog je banalan: pilot koji radi "na tvom laptopu" nema vlasnika, nema monitoring i nema plan za slučaj da padne. Ljudi se vrate starom načinu rada čim demo ne uspe jednom.

Šta radim drugačije, od prvog dana:

• Pilot koristi stvarne podatke i stvarne korisnike, makar u malom obimu. Demo na izmišljenim primerima ne dokazuje ništa.
• Rad u senci (shadow mode). Sistem predlaže, čovek odlučuje, a ja logujem koliko se slažu. Kad se slaganje stabilizuje na nivou koji je firma unapred odredila, pušta se veći deo posla.
• Unapred je napisano šta znači "gotovo". Pilot ima datum završetka i dve moguće ishode: ide u produkciju ili se gasi. Treća opcija, "nastavimo da vidimo", nije ishod.

Najskuplji pilot je onaj koji se nikad ne završi, jer troši pažnju tima, a ne donosi ni uštedu ni jasnu odluku.

4. Greške se tretiraju kao izuzetak, a ne kao očekivano stanje

LLM će pogrešiti, i to ponekad uverljivo. Sistem u kome nema plana za tu grešku nije automatizacija, nego kocka. Ovo je razlika koju mali timovi najčešće shvate tek posle prvog incidenta.

Tri stvari koje ugrađujem u svaki sistem koji radi bez nadzora:

• Prag poverenja i eskalacija na čoveka. Ako model nije siguran ili ulaz izgleda neobično, zadatak ide u red za ručnu proveru umesto da se "nekako" obradi.
• Validacija izlaza van modela. Ako se očekuje datum, iznos ili ID, proverava se običnim kodom da li je u validnom formatu i opsegu. Ne verujem modelu da sam proveri sebe.
• Kill switch i dnevnik. Mogućnost da se sistem zaustavi jednim potezom i da se za svaku odluku vidi šta je ušlo, šta je izašlo i zašto.

Kratak primer validacije, jer je ona najjeftinija i najčešće preskočena:

def prihvati_iznos(izlaz_modela: dict) -> float | None:
    try:
        iznos = float(izlaz_modela["iznos"])
    except (KeyError, ValueError, TypeError):
        return None  # ide u ručnu proveru
    if not (0 < iznos < 1_000_000):
        return None  # sumnjivo, ide u ručnu proveru
    return iznos

Nije elegantno, ali ovakva provera hvata većinu loših slučajeva pre nego što dođu do računovodstva. Opseg biraš prema svom poslu.

O tome sam detaljnije pisao u tekstu o tome zašto prompt radi u testu, a pada uživo. Kratko: test podaci su uvek čistiji od stvarnih.

5. "Agent" se kupuje kao rešenje, a često je preimenovan chatbot

Prodavci su naučili da reč "agent" prodaje bolje od reči "chatbot", pa se stari proizvodi preimenuju. Gartner je u saopštenju od 25. juna 2025. opisao taj fenomen kao "agent washing" i procenio da je samo oko 130 od hiljada "agentic" vendora stvarno. Isto saopštenje predviđa da će preko 40% agentic AI projekata biti otkazano do kraja 2027, zbog rastućih troškova, nejasne poslovne vrednosti ili nedovoljne kontrole rizika (https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027). Podsećam da je to predviđanje, ne merenje.

Kako ja filtriram marketing, kroz pet pitanja:

1. Koje alate agent sme da pozove i ko je to odobrio?
2. Šta se desi kad alat vrati grešku usred toka?
3. Gde se vidi puna istorija odluka jednog izvršenja?
4. Kako se agent zaustavlja i ko to sme?
5. Koliko košta jedno izvršenje, i šta se desi sa računom kad se obim udesetostruči?

Ako prodavac ne može jasno da odgovori na bar tri, to je skriptovani tok sa lepim interfejsom. To nije nužno loše, nekad je to tačno ono što ti treba i jeftinije je. Ali ne treba plaćati cenu agenta za cenu automatizacije.

Razliku između pravih agenata i marketinga razradio sam u tekstu o AI agentima i agentic workflowima.

6. Regulativa se ignoriše dok ne postane hitna

Mala firma u Srbiji često misli da je EU regulativa daleka tema, a u praksi se dotiče svakoga ko radi sa evropskim klijentima ili tržištem. Ne moraš da budeš pravnik, ali moraš znati okvir.

Šta je trenutno poznato (proveravaj kod nadležnog izvora, jer se stvari menjaju):

• Digital Omnibus za AI je Uredba (EU) 2026/1744, na snazi od 27. jula 2026. Rok za samostalne visokorizične sisteme iz Aneksa III pomeren je na 2. decembar 2027 (https://usercentrics.com/knowledge-hub/eu-ai-act-high-risk-delay-article-50-transparency-consent/). Sistemi ugrađeni u proizvode iz Aneksa I imaju rok do 2. avgusta 2028 (https://fpf.org/blog/the-ai-act-implementation-timeline-what-changes-under-the-ai-omnibus/).
• Transparentnost iz člana 50 (na primer, obaveštavanje korisnika da komunicira sa AI-jem) važi od 2. avgusta 2026. i nije pomerena. Izuzetak je mašinski čitljivo označavanje generisanog sadržaja: sistemi na tržištu pre tog datuma imaju odlaganje do 2. decembra 2026 (https://www.aiacto.eu/en/blog/digital-omnibus-ai-act-report-2027). Ako imaš chatbot na sajtu, ovo te se tiče već sada.
• HR automatizacija je osetljiva. AI Act kao visokorizične klasifikuje sisteme za regrutaciju, izbor kandidata, ocenu učinka, raspodelu zadataka i odluke o unapređenju ili otkazu (https://knowledge.dlapiper.com/dlapiperknowledge/globalemploymentlatestdevelopments/2026/The-Digital-AI-Omnibus-Proposed-deferral-of-high-risk-AI-obligations-under-the-AI-Act). Ako ti neko nudi "AI koji filtrira CV-jeve", pitaj ga kako izgleda usklađenost.
• AI pismenost (član 4) važi od 2. februara 2025, a Omnibus je obavezu ublažio, pa se od organizacija sada očekuje da je "podrže" (https://www.technology.org/2026/10/13/eu-ai-act-deadlines-after-the-digital-omnibus-what-applies-from-december-2026-to-august-2028/). Tačnu formulaciju u usvojenom tekstu proveri direktno.
• Srbija priprema prvi sveobuhvatni Zakon o veštačkoj inteligenciji, najavljen za decembar 2026, a u trenutku pisanja nisam našao potvrdu da je usvojen (https://digitaldot.com/rs/zakon-o-vestackoj-inteligenciji-u-srbiji-sta-treba-da-zna-svaki-marketing-tim/). Prema dostupnim izvorima, predviđene su četiri kategorije rizika i velika sličnost sa evropskim AI Act-om (https://biznis.rs/vesti/srbija/srbija-do-kraja-godine-dobija-prvi-zakon-o-vestackoj-inteligenciji/). Pošto status nije potpuno jasan, ovo ne tretiram kao gotovu činjenicu.

Praktičan zaključak: dizajniraj sistem tako da se kasnije može dokumentovati. Dnevnik odluka, jasna granica gde odlučuje čovek, i lista šta AI radi a šta ne. To je dobra inženjerska praksa i bez zakona, a kad zakon stigne, već si pola puta.

Šta bih ja uradio

Da danas krećem u firmi od 10 do 50 ljudi, redosled bi bio ovaj:

1. Jedan proces, ne pet. Izaberi onaj sa najvišom frekvencijom i najjeftinijom greškom. Ručno razvrstavanje, prepisivanje podataka, prvi nacrt odgovora.
2. Dve nedelje baseline merenja pre bilo kakve izgradnje. Ako to ne možeš da izmeriš, nemaš šta da poboljšavaš.
3. Čovek u petlji od prvog dana, sa logovanjem slaganja. Autonomiju povećavaj tek kad brojevi to opravdaju.
4. Jednostavan alat pre složenog. Ako problem rešava običan skript sa jednim LLM pozivom, ne gradi multi-agent arhitekturu. Složenost je trošak koji plaćaš svaki mesec.
5. Rok i kriterijum za gašenje. Ako za 60 dana nema pomaka na primarnoj metrici, stani, nauči šta nije radilo i odluči svesno.
6. Dokumentuj od početka. Šta sistem radi, na kojim podacima, ko ga nadgleda. Biće ti potrebno i za regulativu i za sledećeg inženjera.

Ne verujem u transformacione projekte za male firme. Verujem u niz malih, izmerenih pobeda koje se sabiraju.

Zatvaranje

Većina grešaka koje sam opisao nije tehnička, i zato se mogu izbeći bez velikog budžeta. Ako razmišljaš o prvom (ili o trećem, posle neuspelog) AI projektu u svojoj firmi i želiš da neko iskusan pogleda plan pre nego što se potroši novac, javi se na lazar-milicevic.com/#contact. Razgovor o tome da li nešto uopšte ima smisla automatizovati je često najkorisniji deo posla.