# В И Ј У Г Е
> Pišemo o veštačkoj inteligenciji u poslu i u životu. Prvo uključite vijuge, pa tek onda uključite AI.
Public Ghost content for AI and LLM tooling. This file includes a bounded export of public pages first, then recent public posts.
Append `.md` to any post or page URL to get the content in Markdown (for example, `/example-post.md`).
## Pages
### О нама - ко стоји иза Вијуга?
URL: https://www.vijuge.rs/o-nama/
Last updated: 2026-02-16T08:43:03.000Z
### Спој искуства и технологије

Зовем се Вук Вујовић. Више од двадесет година радим на руководећим позицијама у српским компанијама, у окружењима где одлуке имају јасне последице по људе, резултате и одговорност коју носи функција.

Паралелно са радом у бизнису, већ десет година предајем у средњој школи и на факултету. Овај спој праксе и наставе ме је научио једној ствари: знање има вредност само ако може да се примени у реалним условима и са ограничењима са којима се сусрећемо у послу и у животу.

Пре три године постало је очигледно да у наш живот, управљање, стратегију и организацију улази нови фактор који више није питање избора, већ нужности - генеративна вештачка интелигенција ([GenAI](https://www.vijuge.rs/genai-2/)).

Нисам желео да AI посматрам кроз површне интерпретације из часописа и разних садржаја са интернета. Желео сам да разумем принципе и логику на којима ова технологија почива, да бих јасно сагледао њене границе и могућности. Зато сам последње три године посветио систематском усавршавању кроз специјализоване програме за примену AI у пословању на MIT-у, Harvard Business School-у и Универзитету Тексас у Остину, као и кроз европски програм AI Academy.

### Зашто „Вијуге“?

Вијуге су настале из разговора са пријатељима, колегама, директорима, предузетницима и руководиоцима који осећају исти притисак: AI „мора“ да се користи, али није јасно где, како и под чијом контролом.

Технолошки екосистем нуди готова решења и обећања о аутоматизацији. Моје искуство из управљања организацијама говори да се одрживи резултати не постижу праволинијским решењима. Пословање је контекстуално. Одлуке су нијансиране. Одговорност не може бити пренета на технологију.

Вијуге су оквир који повезује технолошки потенцијал AI-ја са људским расуђивањем. Не питамо „шта алат може“, већ шта у свом послу и животу заиста треба да препустимо AI алгоритму, а шта мора остати под нашом, људском, контролом.

### Моја намера

Циљ Вијуга није само да вас научи како да користите AI алате.  
Циљ је да вам помогне да:

- поставите структуре у којима AI има јасну улогу,
- дефинишете процесе које AI подржава, а не замењује,
- задржите контролу над одлукама које носе стратешку и етичку тежину.

Садржај је намењен онима који доносе одлуке: руководиоцима који граде и оптимизују системе, али и појединцима који преузимају одговорност за сопствени развој. Намењен је свима који желе да разумеју последице технологије пре него што јој препусте део свог посла и живота.

Овде нећете наћи теоријске моделе без упоришта у пракси, већ примену AI-ја виђену очима онога ко доноси одлуке које одређују резултат и будући смер организације.

Моје искуство показује да ни компанијама ни појединцима данас не недостаје технологија, већ јасан оквир за одлучивање. Вијуге су настале управо као одговор на тај недостатак - као синтеза праксе, образовања и реалних потреба оних који преузимају одговорност за своје изборе.

Вијуге су и простор за размишљање и алат за стварање. Место где технологију користимо као инструмент напретка, јасно свесни њених граница и без заблуде да вештачка интелигенција може да замени људску одговорност за крајњи резултат.

Принцип је једноставан.

### Прво укључите вијуге, па тек онда укључите AI.
### КАКО ЧИТАТИ „ВИЈУГЕ”
URL: https://www.vijuge.rs/kako-citati-vijuge/
Last updated: 2026-02-15T20:51:01.000Z
**Три брзине у свету бесконачне буке**

Ако отворите било који пословни портал, Линкдин или своје е-сандуче, затрпани сте „решењима”. Наслови се нижу, обећавају пет корака до веће продуктивности или савршен промпт који мења све. Информациони простор је постао непрегледна пијаца рецепата за успех, где се претпоставља да је ваш једини проблем то што нисте пронашли право упутство.

Навикли смо да читамо да бисмо нешто „сазнали”, тражимо податак, чињеницу, пречицу. Та навика потиче из времена када је информација била скупа и тешко доступна. Данас, када вештачка интелигенција генерише бесконачне количине уверљивих података у секунди, вредност саме информације стрмоглаво пада. Оно што постаје луксуз су време и фокус.

„Вијуге” не служе да вам дају још једну информацију коју ћете меморисати. Оне су дизајниране да поштују ваш ментални капацитет. Зато садржај на овом порталу није организован по темама, већ по времену које имате и дубини проблема који решавате.

Не приступате сваком проблему са истом пажњом. Некада вам треба брза оријентација, некада алат да „угасите пожар”, а некада тишина да промислите о свему што вас чека.

Због тога сам „Вијуге” поделило на три нивоа.

---

**Ниво 1: РАДАР (3 до 5 минута)**

**Функција: Скенирање и оријентација**

Ово је ваша прва линија одбране. *Радар* служи да скенира околину, детектује сигнале и одвоји их од шума. Овде не преносимо само вести, већ дефинишемо појмове, разбијамо митове и палимо лампице упозорења.

- **Обећање:** Објашњавамо шта стоји иза вести, преводимо АИ појмове на јасан језик и показујемо које технологије покрећу промене које долазе.
- **Формат:** Кратко, јасно и „у главу”. Без сувишних увода.
- **Када читати:** Уз јутарњу кафу или између два састанка. Када желите да разумете шта се дешава, а не само да читате наслове.

**Ниво 2: АЛАТНИЦА (5 до 10 минута)**

**Функција: Оперативна примена**

Ово је простор где се прелази са речи на дела. Када завршите са скенирањем и имате конкретан проблем који треба решити данас, улазите у *Алатницу*. Овде не теоретишемо о будућности рада; овде радимо. Овај ниво нуди упутства, конкретне водиче и проверене промптове.

- **Обећање:** Добићете алат да решите проблем данас.
- **Формат:** Корак-по-корак упутства и *Copy-Paste* решења која смо ми већ тестирали, да ви не бисте морали.
- **Када читати:** Када сте у оперативном моду, испред рачунара, када је екран подељен на два дела и када вам треба решење, а не филозофирање.

**Ниво 3: КАБИНЕТ (15+ минута)**

**Функција: Стратегија и дубинско промишљање**

Ово је срце „Вијуга”. *Кабинет* је простор у који се повлачите када треба да донесете одлуке које не важе само данас, одлуке које ће обликовати вашу организацију и ваш живот у наредним годинама. Овде застајемо. Анализирамо трендове, етичке дилеме и дугорочне последице технологије.

- **Обећање:** Помоћ у формирању става и доношењу одлука за наредну годину.
- **Формат:** Дуга форма, есеји, студије случаја и аналитички тон.
- **Када читати:** Викендом, увече или у време резервисано за стратешко размишљање. Ово захтева тишину.

---

**Како користити овај портал?**

Пре него што кликнете на неки наслов, погледајте категорију и запитајте се: **Колико времена сада имам и шта ми заиста треба?**

Ако осећате да вам нешто промиче и да сви причају о нечему што не разумете - погледајте у **Радар**.

Ако имате рок и задатак који вас мучи - потражите решење у **Алатници**.

Ако сте доносилац одлука који осећа терет одговорности и зна да брза решења више не раде посао - уђите у **Кабинет**.

Данас, када AI генерише садржај брже него што ико може да га прочита, једина права предност је селекција. Не читајте све. Читајте оно што одговара вашем тренутном менталном режиму.
### Принципи „Вијуга”
URL: https://www.vijuge.rs/principi-vijuga/
Last updated: 2026-06-04T19:45:05.000Z
**Технологија се променила. Одговорност није.**

„Вијуге” су настале из једног једноставног, али упорног питања које нас све чешће прати, како у животу, тако и у послу: шта данас значи доносити добре одлуке? У свету у ком вештачка интелигенција постаје све моћнија, а време за квалитетно размишљање све краће, одговор више није тако очигледан.

Ми смо „Вијуге”, јер ниједна важна одлука не иде правом линијом. Док алгоритам увек тражи најкраћи математички пут, људски ум прави кривине, вијуга, зауставља се, враћа корак назад како би сагледао ширу слику. Баш у том вијугању налази се оно што алгоритам пропушта: контекст, нијанса, и она здрава сумња која води до правог питања. У садашњем окружењу које награђује тренутне одговоре, ми бранимо право на размишљање и право на оклевање.

Доминантни тржишни наратив покушава да вам прода другачију причу. Било да сте директор, предузетник или појединац који преузима одговорност за своје изборе, са свих страна вас бомбардују заводљивим обећањем „праве линије”: усвојите AI, аутоматизујте процесе, кликните једном и сви ваши проблеми ће нестати брже, јефтиније и ефикасније. Оклевање се у тој прилици представља као луксуз који не можете приуштити, а свако преиспитивање технологије као знак слабости. Императив је јасан: ако не реагујете одмах, онда заостајете.

Портал „Вијуге” настао је као интелектуална одбрана од те буке, јер овде не јуримо трендове, већ стајемо да бисмо их разумели. Не нудимо вам илузију правих линија, већ вам нудимо вијуге.

Одбијамо да прихватимо идеју да је AI „решење за све” које ће мислити уместо нас, јер је то опасна илузија која може скупо да нас кошта. Ако је наша стратегија - пословна или животна - у основи шупља, напредна технологија ће нас само брже довести до погрешног резултата. Ако нисмо сигурни шта је циљ наше организације или нашег личног развоја, никакав дигитални асистент неће тај пут учинити смисленијом.

AI има податке. Човек има контекст.

AI има брзину. Човек има вијуге.

AI даје опције. Човек доноси одлуке.

„Вијуге” су простор за људе који носе терет крајње одговорности: за тешке одлуке, за своју будућност, за пословне резултате и за друге људе. Наш циљ није само да вас научимо како да притиснете дугме, већ да истражимо како да размишљате *заједно* са машином, уместо да јој се препустите и дозволите да она размишљала *уместо* вас.

Због тога је садржај на „Вијугама” организован тако да прати логику ваше пажње и расположивог времена. Он служи да разјаснимо шта нешто заиста јесте, како о томе промишљати, шта се дешава када ствари разложимо и како све то изгледа у стварности.

Не тежимо томе да вас одушевимо технологијом. Желимо да вас оспособимо да њоме владате и да је користите паметно, самостално и одговорно. Градимо окружење у којем технологија служи нама и нашој визији, а не ми њој. 

Оно што остаје - способност да се постављају права питања, анализирају одговори, процењују опције, донесе одлука и понесе њен терет - то је оно што „Вијуге“ чувају.

**Укључите вијуге, па онда укључите AI.**
### Ауторски интегритет
URL: https://www.vijuge.rs/autorski-integritet/
Last updated: 2026-02-15T20:59:35.000Z
**Наш став о употреби вештачке интелигенције**

Транспарентност је темељ поверења. У складу са нашим принципима, верујемо да технологија треба да служи нама, а не ми њој. Зато је наша хијерархија јасна: Ми смо аутори, AI је алат.

Ево прецизног разграничења како настаје садржај на „Вијугама”:

**Шта AI ради на овом порталу:**

- Илустрација: Све слике су генерисане помоћу AI алата, вођени нашим инструкцијама и естетским критеријумима.
- Истраживање: Користимо AI за брзу претрагу интернета, обраду података и брзу проверу чињеница (које потом увек ручно верификујемо), штедећи време за оно што је битно - размишљање.
- Техничка подршка: AI нам служи као „спаринг партнер” за тестирање логике и аргумената пре него што почнемо да пишемо, и као лектор кад смо текст написали.

**Шта гарантујемо:**

- Ми пишемо: Свака реченица на овом порталу је резултат људског размишљања и писања. Не објављујемо текстове које је генерисао AI.
- Ми закључујемо: Сви стратешки увиди, процене и савети на целом порталу су 100% резултат људског ума, заснован на искуству. AI нема право гласа у доношењу закључака.
- Ми одговарамо: За сваку реч, савет или анализу на овом сајту одговара аутор именом и презименом.
## Posts
### Вештина која нам заправо недостаје
URL: https://www.vijuge.rs/ljudska-procena-u-doba-ai/
Last updated: 2026-08-05T07:00:31.000Z
Многи људи са којима разговарам већ су превазишли прву фазу коришћења вештачке интелигенције на послу. Знају како да извуку сажетак из ChatGPT-ја, да направе прву радну верзију, излистају ризике или изгланцају текст који су већ написали. Оно што их сада мучи јесте: која је следећа вештина коју треба да савладају?

Пре пар недеља то ме је директно питао један колега. Ради у струци осам година. Водио је различите тимове инжењера, прошао је кроз три реорганизације фирми у којима је радио, довео је до успешне реализације неколико грађевинских пројеката, доноси важне одлуке скоро сваке седмице. Има довољно искуства да је могао да види десетине савршених планова који су пали у воду, и да зна да ствари не могу да се покрену саме од себе само зато што је тако писало на слајду једне од презентација руководству фирме.

Питао ме је: „Знам да треба да покажем како добро користим AI. Али немам појма шта то заправо значи. Да ли сад треба да постанем стручњак за вештачку интелигенцију? Да ли на томе да градим биографију? Шта уопште да радим следеће седмице на послу?“

Рекао сам му да вештина на којој треба да ради јесте процена.

### **Зашто вам је процена одједном толико потребна?**

Процена је онај тренутак када погледате неки нацрт који је избацио AI и када знате чему можете да верујете, шта треба да промените, шта да избаците, а шта никако не смете да препустите машини да одлучи уместо вас.

Разлог зашто је то одједном толико важно је прост. Вештачка интелигенција драстично повећава количину послова који на први поглед изгледају завршено.

То може да буде нацрт понуде који делује завршено пре него што сте одлучили шта заправо нудите. Или извештај за управу који звучи убедљиво пре него што сте проверили да ли одговара тренутном стању. Може да буде и препорука која има смисла док се не запитате да ли баш одговара вашем клијенту, вашој фирми, ономе што сви знају, а нико није убацио у промпт.

То је права мука. Уз AI данас ћете прилично лако доћи до солидног резултата. Проблем је што такав резултат више није поуздан доказ знања, способности, самосталности и уложеног труда као што је некада био.

### **Циклус учења**

Процену је тешко изградити ако на њу гледате као на употребу свог инстинкта. Требаће вам поуздан начин да је свесно вежбате. Рутина коју стално користим је једноставна: донесете одлуку, запишете шта очекујете да ће се због ње десити, па се касније вратите да видите где се стварност поклопила с вашом проценом, а где није.

У свакој одлуци се скоро увек крије неко очекивање, чак и ако га никад не изговорите наглас. Баш то очекивање треба забележити, јер вас сама одлука не може много научити.

Реченица „Тражио сам од продајног тима да директно позове клијенте“ је само запис. А реченица „Тражио сам од продајног тима да директно позове клијенте јер очекујем да ће порука од некога кога лично познају остварити бољи ефекат од још једног општег мејла“ је став који стварност може да потврди или оповргне.

И ту је поента. Директно обраћање ће можда заиста повећати број одговора. Али ти одговори могу да открију да препрека никад није била персонализација. Можда је проблем била цена, рок, нејасни услови или нешто сасвим четврто што мејл није ни дотакао. Резултат се поправио, а ваше првобитно објашњење је било погрешно. Ту се, углавном, најчешће крије права поука.

### **Два промпта која вежбају процену**

Трудим се да никад не користим AI да донесе одлуку уместо мене, јер ћу тако прескочити целу вежбу. Користим га да ме задржи у сопственом размишљању мало дуже него што бих сам издржао. Већина нас има навику да пребрзо пређе преко свог расуђивања чим добије довољно добар одговор да може да настави даље.

Пошто донесете неку одлуку на послу, убаците ово у ChatGPT или Claude:

Kopiraj 

Помози ми да једну данашњу одлуку претворим у вежбу за процену. Немој да ми говориш 
шта је требало да урадим. Интервјуиши ме тако да одлуку дефинишем довољно прецизно 
да могу касније да је проверим. 
Питај ме једно по једно питање: 
Какву сам одлуку донео? 
Зашто? 
Шта очекујем да ће се десити? 
На основу чега бих касније закључио да сам погрешио, или да сам био у праву али из другог разлога? 
Када треба да се вратим и проверим? 
Ако је мој одговор неодређен, постави једно потпитање да га учиниш конкретнијим. 
На крају ми направи кратак подсетник: одлука, разлог, очекивање, шта би ми променило мишљење, 
датум провере. Немој још да извлачиш поуку.

Добићете белешку о процени. Сачувајте је негде и заборавите на њу док одлука не покаже резултате у пракси. Тада белешку вратите у разговор и напишите ово:

Kopiraj 

Враћам се на одлуку коју сам раније донео. Ево белешке о процени: [убаци белешку]. 
Интервјуиши ме о томе шта се заправо десило и помози ми да упоредим очекивања са стварношћу. 
Немој да ми дозволиш да резултат сведем на „успело је“ или „није успело“. 
Раздвоји исход од разлога зашто се десио. Реци ми да ли сам био у праву из разлога који 
сам очекивао, из неког другог разлога, да ли је моја грешка заправо била корисна, 
или је још рано за закључак. На крају ми помози да напишем једну реченицу на шта да пазим следећи пут.

Ово је једини облик вештачке интелигенције, којем, барем за сада, могу да верујем у овом послу. Не треба ми машина која „зна“ све и ради уместо мене, него саговорник који поставља досадна потпитања.

### **Пробајте ово**

Сетите се једне одлуке коју сте донели у последњих 7 дана. Било које. Којег кандидата за посао сте одабрали, који слајд да избаците из презентације, да ли је пројекат вредан вашег времена и труда, зашто сте вашем најважнијем клијенту послали такав мејл.

Отворите ChatGPT или Claude, залепите први промпт одозго и одговарајте на питања једно по једно. За пет минута имате белешку о процени за једну стварну одлуку. Ставите у календар подсетник за две недеље да се вратите на њу. То је цела вежба.

### **Шта смо данас научили?**

AI може да вам прикаже лошу процену тако да изгледа прихватљиво. Може да направи да предлог делује завршено пре него што је одлука уопште донета. Зато вештина која данас фали јесте способност да знате шта да прихватите, шта да одбијете, шта да преформулишете и на шта да пазите пошто одлучите. Ту вештину нећете добити тако што ћете чекати да вам „дође с искуством“. Моје искуство говори да се она гради постепено, тако што сваку одлуку, макар на тренутак, упоредимо са оним што смо од ње очекивали.
### Ваш CV више не чита само човек
URL: https://www.vijuge.rs/vas-cv-vise-ne-cita-covek-ai-sistemi/
Last updated: 2026-07-25T07:00:11.000Z
Позвао сам недавно пријатељицу која води сектор људских ресурса у једној великој београдској фирми да је питам зна ли неког доброг књиговођу кога би могла да ми препоручи. Рекла ми је да је доброг књиговођу данас изузетно тешко наћи и да им се, када распишу оглас, обично јави свега десетак кандидата.

Уместо препоруке, добио сам поређење са сасвим другом позицијом. Наиме, на оглас за место администратора стигло им је 417 пријава за десет дана. „Да свакој посветим само три минута, то је више од двадесет радних сати. Одакле ми толико времена?”, рекла ми је. Када сам је питао како онда уопште изабере кандидате за разговор, ноншалантно је одговорила: „Софтвер прво исфилтрира, па ја читам оних тридесетак који прођу.“

Изговорила је то онако успут, као најобичнију ствар на свету. А у тој реченици налази се одговор на питање које мучи све вас који сте у последње две године слали пријаве за посао и уместо одговора наишли сте на зид ћутања. Сигурно сте се запитали да ли је ико прочитао вашу пријаву. Прочитао је. Само то није био човек.

Софтвер о којем говоримо зове се ATS (Applicant Tracking System), систем за праћење пријава. Он постоји већ двадесетак година и користи га готово свака велика компанија на свету, укључујући и највеће глобалне корпорације. До пре три године је функционисао прилично једноставно: тражио је кључне речи. Ако у огласу пише „искуство са фактурисањем”, а ви сте написали „обрада рачуна”, за софтвер те две ствари нису имале никакве везе. Новија генерација ових система користи вештачку интелигенцију, односно велике језичке моделе ([LLM](https://www.vijuge.rs/sta-je-zapravo-llm/)), па уме да повеже синониме, да „прочита” целу биографију, да сваког кандидата оцени на основу услова конкурса и да од свих пријава направи ранг-листу. 

Да ово није само далеки, корпоративни тренд, показује и наша свакодневица. Домаћа платформа Инфостуд већ увелико нуди послодавцима систем који уз помоћ вештачке интелигенције анализира и рангира пристигле биографије. Алгоритам више не тражи проста поклапања речи, већ покушава да разуме целокупан контекст, упоређујући искуство кандидата са специфичним захтевима огласа. На основу те анализе, систем рангира пријаве и за сваку аутоматски генерише кратак сажетак, нудећи HR сектору готове аргументе зашто је баш тај профил релевантан. Званичан став платформе је да алат служи искључиво као подршка за брже филтрирање, те да коначну одлуку увек доноси човек. Ипак, када се сетимо пријатељице са почетка приче, која своју пажњу посвећује само оном уском кругу кандидата које јој је софтвер пропустио, постаје јасно да та њена коначна одлука постоји искључиво унутар граница које јој је машина већ исцртала. Она можда и бира, али то чини само из табеле коју јој је саставио алгоритам.

Оних 417 пријава, узгред, јесте велики број, али он није случајно тако велик. Исти AI алати који данас читају биографије, уједно их и пишу: кандидат пошаље упит алату, да му овај среди и дотера CV, а онда и да га пријави на 10 огласа одједном, јер зашто би се зауставио на једном конкурсу? Неки тај поступак већ препуштају AI агентима, док други и даље сваку пријаву шаљу сами. Послодавци се све више жале да су се пријаве умножиле преко сваке мере, па пооштравају филтере за преглед. Кандидати онда то примете, па повећавају коришћење AI алата. И тако укруг. На једној страни машина саставља CV, на другој га машина процењује, док се двоје људи због којих читав поступак постоји, онај који тражи посао и онај који тражи запосленог, сусрећу тек на крају, ако се уопште и сусретну.

### **Портир са списком**

Људи замишљају да њихову биографију чита особа из HR-а која само овлаш погледа текст и одложи пријаву на гомилу. Та слика је застарела читаву деценију. Данашњу пријаву прво дочека нешто налик портиру на улазу у зграду: он вас не познаје и не занима га каква сте особа, он само проверава да ли се на вашем папиру налазе речи са списка који су му дали. Ако имате те речи, ући ћете. Ако немате, онда довиђења. С том разликом што вам портир бар каже довиђења.

Око тог портира израсла је читава индустрија савета. На интернету ћете наћи стотине текстова о томе како да „преварите ATS”, а најпознатији трик из те школе јесте бели текст на белој позадини: кандидат у дно биографије залепи педесет кључних речи у белој боји, невидљивих људском оку, а видљивих машини. Некада је то чак и радило. Данашњи системи такве пријаве препознају и аутоматски одбацују, а понеки послодавац их и запамти. Са машином која проверава боље него што ви варате, стари трикови постају најбржи пут до црне листе.

Ранг-листа има још једну незгодну особину: негде мора да се подвуче црта. Ако пријатељица чита првих тридесет пријава, кандидат на тридесет првом месту практично не постоји. А разлика између тридесетог и тридесет првог места уме да буде ситница: једна реч која недостаје или назив радног места који машина није умела да упари са огласом. Нико то никада неће сазнати, ни кандидат, ни фирма. Док су биографије још читали људи, особа из HR-а могла је да застане над кандидатом који не испуњава баш све услове, јер јој је нешто у његовој биографији привукло пажњу. Машина неће застати.

Ево једне занимљиве информације коју послодавци нерадо помињу. Harvard Business School је објавио истраживање („Hidden Workers”, 2021) у којем је преко 90% анкетираних послодаваца потврдило да користи овакве системе за филтрирање или рангирање пријава, а 88% њих је признало да им софтвер одбацује и кандидате који су сасвим квалификовани за посао. Прочитајте ову реченицу још једном. Девет од десет фирми зна да им алгоритам аутоматски елиминише квалитетан кадар, па га свеједно користи. Ипак, изгледа да је уштеда од двадесет радних сати превише примамљива.

Уз то иде и старија, такође поучна прича. Amazon је још 2018\. године престао да користи свој интерни алат за оцењивање кандидата када се испоставило да систематски одбија пријаве у којима се појављује реч „женски”, на пример „председница женског шаховског клуба”. Систем, наравно, није био злонамеран. Учио је на биографијама људи које је фирма запошљавала претходних десет година, а то су претежно били мушкарци, па је закључио оно што су му подаци показали. Машина нема предрасуде, осим ако их није наследила од нас.

### **Шта се мења 2\. августа?**

Овај поднаслов нас наводи да ће нешто ускоро постати забрањено, па да раскрстимо шта тачно. Иако нас је пракса научила да се овакве регулативе у почетку често третирају као мртво слово на папиру, Европски закон о вештачкој интелигенцији (EU AI Act) сврстао је системе за запошљавање, тј. алате који циљано оглашавају радна места, филтрирају пријаве, рангирају и оцењују кандидате, у категорију високог ризика.

Од 2\. августа 2026\. године за њих важе пуна правила. Послодавац који такав систем користи мораће да:

- Обезбеди стварни људски надзор над одлукама.
- Води евиденцију о томе како систем ради и на основу чега одлучује.
- Обавести кандидата да га процењује вештачка интелигенција.
- Оспособи људе који систем надгледају за ту улогу.

Казне за непоштовање иду до 15 милиона евра или 3% глобалног годишњег промета. А једна ствар је забрањена још од фебруара 2025: софтвер који на разговору за посао „чита” емоције кандидата са лица или из гласа. За то следи казна до 35 милиона евра или 7% промета.

Дакле, неће бити забрањено да машина прочита ваш CV. Биће забрањене одлуке донете иза затворених врата: ако вас одбије алгоритам за који нико не одговара, о коме нисте обавештени, за који не знају како ради или на чију одлуку не можете да се пожалите ниједном човеку.

Обратите пажњу на прво правило у Закону: реч „стварни” која се појављује поред људског надзора, јер ће се ту ломити копља. Ако човек само потврђује оно што је машина већ одлучила, онда он није коректив система, већ његов потписник. Регулатор тражи да особа која надгледа систем разуме како он ради, да уме да препозна када је погрешио и да има стварну моћ да промени одлуку машине. То ће бити далеко скупље и далеко ређе од онога што данас постоји у фирмама.

Да ли све ово важи за Србију? Формално не, јер нисмо у Европској Унији. Али свака домаћа фирма која регрутује кандидате за клијенте из ЕУ, свака ћерка немачке или италијанске компаније у Србији, свака агенција која запошљава људе за европско тржиште, мораће да примени иста правила и овде, исто онако како се GDPR одомаћио код нас. А постоји и домаћи адут за који мало ко зна: наш Закон о заштити података о личности у члану 38\. прописује да имате право да се на вас не примени одлука донета искључиво аутоматизованом обрадом. То право постоји овде и данас. Скоро нико га не користи, јер скоро нико не зна да је одлука о његовој пријави за посао уопште била аутоматизована.

### **Шта да радите?**

Ако тражите посао, пишите биографију тако да је прво разуме машина. Узмите формулације из самог огласа, оне тачне речи које је послодавац употребио, и уградите их тамо где су истините. Избегавајте табеле, графиконе, декоративне шаблоне и фотографије, јер старији системи од тога направе брљотину коју после не умеју да прочитају. Најобичнији документ са јасним насловима проћи ће боље код машине него неко дизајнерско чудо. И немојте лагати: машину ћете можда преварити, али иза ње ипак седи пријатељица из приче, а она тих тридесетак пријава чита пажљиво.

Од августа ћете, бар код послодаваца који послују на европском тржишту, у огласима почети да виђате и нову врсту напомене: обавештење да у процесу селекције учествује вештачка интелигенција. Кад је први пут будете прочитали, немојте је прескочити. Та реченица значи да имате право да питате како вас је систем оценио и да тражите да вашу пријаву погледа човек.

Ако сте у процесу запошљавања нових радника, почните да пописујете већ сада шта од софтвера учествује у вашој регрутацији, укључујући и оно што HR користи на своју руку, без питања. Читаоци текста о [Shadow AI](https://www.vijuge.rs/shadow-ai/)\-ју већ знају где се крије највеће изненађење: у алатима за које нико није питао да их користи на свом послу. Од августа ће реченица: „Нисмо знали да се то користи у фирми”, бити веома скупа.

Пријатељица из приче ће и даље читати својих тридесетак пријава и ту се ништа неће променити. Промениће се нешто друго. До сада је на питање одбијеног кандидата: „Зашто ја нисам ушао у ужи круг?”, могла да ћути. Од августа на то питање мораће да постоји одговор, и то записан у евиденцији, са именом човека који иза њега стоји. Тишина престаје да буде одговор.
### Једна реченица коју додам на крај сваког промпта
URL: https://www.vijuge.rs/jedna-recenica-za-bolje-ai-promptove/
Last updated: 2026-07-19T08:00:39.000Z
Разлика у одговору је огромна. А већина људи је никад не напише.

AI најчешће даје лош одговор зато што му нисмо рекли шта да ради са нашим захтевом.

Ту сам грешку правио и сам.

Напишем промпт. Дам контекст. Објасним шта ми треба. Добијем пристојан одговор. Није погрешан, али није ни довољно добар. Има структуру. Има тон. Има оне реченице које звуче као да нешто значе, али када их прочитате други пут, видите да немају тежину.

Онда сам почео да додајем једну реченицу на крај скоро сваког промпта.

Kopiraj 

Пре него што одговориш, провери да ли ти недостаје нека важна информација,
укажи на слабе тачке мог захтева и предложи бољи начин да се задатак постави.

Та реченица мења однос са AI-јем.

Без ње, AI углавном покушава да вам удовољи. Са њом, добијате нешто корисније: проверу сопственог начина размишљања.

### **Проблем није само у одговору**

Већина људи користи ChatGPT као брзог извршиоца.

„Напиши ми мејл.“

„Направи ми план.“

„Скрати овај текст.“

„Предложи ми идеје.“

То је легитимно, али је недовољно. AI тада ради само оно што сте му рекли, а проблем је што често ни ви нисте довољно добро формулисали шта вам треба.

Рецимо да напишете:

> *Напиши ми понуду за клијента који тражи обуку запослених за коришћење AI алата.*

Добићете понуду. Биће пристојна. Вероватно ће имати увод, опис услуге, циљеве, програм, цену и позив на сарадњу.

Али AI не зна ко је клијент. Не зна да ли је у питању банка, школа, производна фирма или мала агенција. Не зна да ли продајете једнодневну радионицу или тромесечни програм. Не зна шта клијента мучи. Не зна да ли треба да звучите као консултант, професор, партнер или продавац.

Ипак ће написати понуду.

То је проблем. AI ретко стане да каже да захтев није довољно прецизан. Напротив, већина модела је подешена да вам одмах помогне. Ако му дате непотпун захтев, он ће попунити празнине. Често ће то бити самоуверено, а често и погрешно.

Зато му на крају треба додати задатак који није извршење, него провера.

### **Из режима извршиоца у режим сарадника**

Пробајте овај додатак:

> *Пре него што одговориш, провери да ли ти недостаје нека важна информација, укажи на слабе тачке мог захтева и предложи бољи начин да се задатак постави.*

Ова реченица ће натерати модел да не крене одмах да пише одговор.

То је најважнија промена.

Када AI-ју дате ову реченицу, он обично уради три ствари.

Прво, каже шта му недостаје: циљна публика, формат, дужина, тон, ограничења, рок, критеријум успеха.

Друго, покаже где је ваш захтев слаб. Не увек савршено, али довољно често да вам отвори очи.

Треће, понудиће бољу верзију промпта. То је најкориснији део, јер нећете добити само одговор. Добићете боље питање.

А боље питање често завршава пола посла.

### **Како изгледа разлика**

Лошији промпт:

> *Напиши ми LinkedIn пост о томе како AI помаже менаџерима.*

Типичан одговор ће бити углађен и превише општи. Нешто о бржем доношењу одлука, анализи података, продуктивности и конкурентности. Све ће бити тачно. Али ништа што ће се памтити.

Бољи промпт са додатом реченицом:

Kopiraj 

Напиши ми LinkedIn пост о томе како AI помаже менаџерима. Публика су директори и власници малих и средњих предузећа у Србији. 
Тон треба да буде практичан, без технолошког одушевљења. Не желим листу предности, већ један јасан увид. 
Пре него што одговориш, провери да ли ти недостаје нека важна информација, укажи на слабе тачке мог захтева и предложи бољи начин да се задатак постави.

Сада се дешава нешто друго.

AI више не пише одмах. Прво може да каже: недостаје пример из пословања, није јасно да ли пост треба да продаје услугу или да гради ауторитет, није дефинисан став аутора. Затим ће предложити прецизнији промпт.

Ви у том тренутку поправљате своју намеру.

### **Три верзије за три ситуације**

Основна реченица покрива већину случајева, али можете је прилагодити.

Када радите важан текст, додајте:

> *Пре него што одговориш, провери да ли је мој захтев довољно прецизан. Ако није, немој одмах писати коначан текст, већ ми прво предложи бољу структуру захтева.*

Ово је корисно за мејлове, понуде, предавања, CV, јавне наступе.

Када радите анализу, додајте:

> *Пре него што даш закључак, наведи шта би могло да буде погрешно у мом полазном питању и које претпоставке треба проверити.*

Ово је корисно када тражите процену тржишта, анализу пословне одлуке, стратегију, финансијску процену или план пројекта.

Када радите са осетљивом темом, додајте:

> *Пре одговора, раздвој оно што се може поуздано тврдити од онога што је претпоставка.*

Ово је корисно код правних питања, питања о здрављу, финансија, политике, образовања и свега где самоуверен одговор може да направи штету.

### **Шта се стварно мења?**

Ова реченица није важна зато што ће AI „боље да разуме“. Он не може да разуме као човек. Он и даље рачуна највероватнију реч за наставак текста.

Али му ви мењате задатак.

Уместо да кажете: „Дај ми одговор“, кажете: „Провери и мој захтев, пре него што ми даш одговор.“

Већина људи прескаче тај корак јер жели брзину. Али брзина без провере често само брже даје просечан материјал, који после морате да читате, исправљате, бришете, преписујете и нервирате се што је све „некако добро“, али није употребљиво.

Ова реченица на крају промпта ће врло често спречити тај зачарани круг.

### **Пробајте ово**

Отворите последњи промпт који сте послали ChatGPT-ју. Немојте писати нови. Само га копирајте и на крај додајте реченицу са почетка овог текста.

Погледајте шта ће се десити.

Ако вам модел ипак одмах да коначан одговор, зауставите га и напишите:

> *Не желим још коначан одговор. Прво анализирај мој промпт.*

Ту ће почети користан рад. Не у тексту који AI прикаже из првог покушаја, него у тренутку када вам покаже да сте и сами били нејасни.

### **Шта смо научили?**

Добар промпт не даје само одговор. Добар промпт даје и проверу самог захтева.

Једна реченица на крају може да промени улогу AI-ја: од брзог текстописца до алата који вам помаже да прецизније искажете своју мисао и намеру.

Треба га користити тако да прво открије рупе у задатку, па тек онда да напише текст, план, стратегију или анализу.

AI је најкориснији када га питате да вам покаже где у свом захтеву нисте довољно јасни.
### Када купац више није човек
URL: https://www.vijuge.rs/kada-kupac-vise-nije-covek/
Last updated: 2026-07-15T19:00:37.000Z
Пре неки дан сам резервисао лет за Пекинг. Датуми су били фиксни, а требало је наћи најбољу комбинацију летова без више преседања, јер је буџет за карту био ограничен. Раније бих отворио десетак картица у прегледачу и следећих пола сата прелазио с једне понуде на другу. Овога пута сам само написао шта ми треба и пустио GROK-ове агенте да траже уместо мене.

Док су они проверавали опције, пало ми је на памет нешто што нема много везе са самим путовањем.

Авио-компаније годинама троше огроман новац да нас убеде како је баш њихова услуга најбоља, поуздана, да ће вам лет бити удобан, и да је баш зато њихова авио карта вредна тих пар стотина евра разлике. Међутим, у тренутку када сам избор препустио агентима, добар део те приче као да је нестао.

Агент нема никакво сећање на претходни лет. Није му се допала боја седишта из рекламе. Кад је прочитао слоган, није осетио ништа. Гледао је датуме, цену, трајање лета, услове за карту и погодности које већ имам, па је то упоредио са задатком који сам му дао.

Тада ми је постало јасно да вештачка интелигенција можда неће променити само начин на који купујемо.

До сада смо потрошача и купца замишљали као исту особу. Човек нешто пожели, почне да тражи понуде, упоређује их и на крају доноси одлуку. Маркетинг га прати целим тим путем: покушава да привуче његову пажњу, да пробуди интересовање, да створи неку емоцију и да му, производ или услуга, остане у сећању довољно дуго да га одабере.

Са AI агентима те две улоге почињу да се раздвајају.

У тој новој подели, потрошач је и даље човек. Он и даље има потребу, жељу, страх, укус и новац. Али купац, онај који претражује тржиште, прикупља податке, пореди услове и обавља куповину, све чешће може бити његов дигитални агент. Човек ће рећи шта жели, а машина ће одлучивати које понуде уопште заслужују да буду приказане.

Чини ми се да је ово много већа промена него што делује на први поглед. Годинама је главни задатак маркетинга био да придобије човека. Сада мора да прође и проверу посредника који нема емоције према бренду, не губи стрпљење док пореди тридесет понуда, не умара се и не осећа никакву нелагоду када вас замени конкуренцијом.

Прва последица види се већ у начину на који нешто проналазимо. Све ређе тражимо списак сајтова које би требало сами да отворимо. Тражимо брз одговор. Који телефон одговара мојим потребама? Који хотел прима кућне љубимце? Која авионска карта даје најбољи однос цене и трајања путовања? Где је најближа водинсталатерска радња? AI прикупља информације, сажима их и издваја неколико могућности. Корисник често не види десетине сајтова које је машина прошла. Види само њен одговор.

За фирме које своје услуге нуде преко интернета то мења основну концепцију претраге. Да ли је и даље битно да се страница добро рангира на претраживачу? Или је, можда, важније да се име компаније појави у одговору који агент пружи?

Замислите малу акредитовану лабораторију за еталонирање мерне опреме. Годинама ради за озбиљне производне фирме, поуздана је, резултате испоручује на време, а клијенти јој се стално враћају. Ипак, њен сајт изгледа као да је направљен пре десет година, а о искуству клијената готово да нема јавног трага. Када менаџер набавке затражи од свог AI агента да пронађе лабораторију која испуњава одређени стандард и може да заврши посао у задатом року, агент је можда уопште неће узети у разматрање.

Лабораторија постоји, поседује знање, људе, опрему и потребне акредитације. За машину која треба да је пронађе и упореди са другима, као да је нема.

Друга последица настаје у тренутку куповине. Када агент добије прецизно постављен задатак, добар део понуде може свести на поређење проверљивих података: цена, доступност, рок, услови плаћања, гаранција, искуства претходних корисника. У таквом избору лепа прича о бренду лако може изгубити предност пред понудом која боље одговара задатим критеријумима.

Ово је тренутак који би сваком власнику бренда требало да привуче пажњу. Шта се догађа са годинама уложеним у имиџ када куповину обавља неко ко ништа не осећа?

Не мислим да ће бренд због тога нестати, али ће се његова улога највероватније променити.

Снажан бренд и даље може да делује на човека пре него што агент уопште крене да претражује. Ако знам шта желим, нећу рећи „нађи ми најбољи телефон“. Рећи ћу „купи ми тај и тај модел телефона“. У том случају бренд је већ обавио посао. Спречио је поређење пре него што је оно и почело.

Али када човек није унапред опредељен, а то је већина случајева, бренд ће морати да прође кроз много хладнокрвнију проверу. Неће бити довољно само да буде познат. Мораће да буде добро описан и поткрепљен подацима које агент може да верификује. Обећање из рекламе мораће негде да добије потврду: у искуствима корисника, поузданим изворима, јасним условима или доследном присуству у јавном простору.

Компаније ће морати истовремено да буду пожељне човеку и читљиве машини. То су два различита посла и траже две различите врсте труда.

Овде почиње проблем маркетиншких агенција, и мислим да га већина још није ни приметила. Њихов модел почива на претпоставци да постоји човек који ће видети објаву, кликнути на оглас, отворити страницу и ту донети одлуку. Агент цео тај пут прескочи за неколико секунди, и није видео кампању, нити мора да прође кроз продајни левак који је неки маркетиншки тим цртао три недеље.

Агенције ће морати да осмисле маркетинг процес и за агенте, где ће „остављати трагове“ које машина може да пронађе и провери. Мораће и да објасне понуду агенту: шта компанија тачно ради, за кога, под којим условима и како и где се њени резултати могу проверити. После година рада на емоцијама и слоганима, агенције неће више смети да заобиђу овај нови процес.

Промениће се и начин на који меримо успех. Биће важно да ли се бренд појављује у AI одговорима, у каквом се контексту помиње, да ли су информације о њему тачне и колико често улази у ужи избор. То још нема уредне показатеље на какве је маркетинг навикао.

И даље ће бити потребне добре кампање. И даље ће бити важно шта људи осећају према компанији. Само што између тог осећања и коначне куповине сада улази нови посредник. Он не може да буде заведен причом, али може да региструје њене последице. Ако је добра маркетинг кампања годинама стварала задовољство и поверење, агент ће пронаћи њихове трагове. Бренд тако стиже до машине посредно, кроз оно што су људи о њему оставили у коментарима и текстовима на интернету.

Зато познати брендови могу добити још једну предност. О њима већ постоји више текстова и рецензија од мање познатих. Машине их много лакше проналазе и чешће укључују у одговоре. Свака нова препорука затим производи још искустава и нових помињања. Они који су видљиви могу постајати још видљивији, док ће се непознате компаније борити чак и да уђу у разматрање.

И ту се враћам на лет за Пекинг. Ја сам и даље био потрошач. Имао сам разлог за путовање, ограничен буџет, тачне датуме и сопствене жеље. Али купац више нисам био само ја. Део те улоге преузели су агенти који су тражили, упоређивали и одбацивали понуде пре него што сам их ја уопште видео.

Компаније ће ускоро морати да се изборе за оба гласа. За потрошача и човеково: „Желим баш њих.“ И за купца са машинским гласом: „Они најбоље одговарају постављеним условима.“

Мени је занимљивији трећи глас: онај који ће нам рећи ком агенту да поверимо избор куповине. Јер ако машина бира уместо нас, а ми бирамо машину, следећа битка водиће се за то чији ће нам агент стајати на располагању. Тај рат још није ни почео.
### Тендер од сто страна: где новац уложен у вештачку интелигенцију престаје да доноси резултате
URL: https://www.vijuge.rs/tender-sa-ai/
Last updated: 2026-07-14T07:00:06.000Z
#### Садржај

Последња три месеца радим на развоју система вештачке интелигенције који треба да чита тендере заједно са мојим инжењерима и правницом. Успут сам научио да свака прича о „тимовима агената“ може да успе или да пропадне на тачно два места, и да ниједно од њих није тамо где маркетинг и продавци AI алата показују прстом.

Тендер који ми је прошлог месеца стигао на сто изгледа овако: књига услова на сто страна, техничка документација у пет свезака, нацрт уговора на још педесет страна. Негде у том материјалу пише који су нам атести потребни, које референце морамо да докажемо, који члан уговора пребацује ризик поскупљења материјала на извођача и која позиција у предмеру крије ставку због које ће понуда бити или добијена или неисплатива. Да бисмо уопште одлучили да ли можемо да учествујемо, неко све то мора да прочита. И то врло пажљиво. Два инжењера из техничке припреме, можда комерцијалиста и сигурно правница, морају да читају документацију неколико радних дана, у недељи у којој сви они имају и свој редован посао.

Кад тендер има петнаест страна, не треба нам никаква вештачка интелигенција. Правница га прочита уз кафу, подвуче две или три ствари, и одлука је брза и јасна. Проблем почиње тамо где обим документације прерасте радну недељу тима, а рок остане исти. Зато развијам систем који би тај посао преузео: да из услова тендера извуче захтеване референце и упореди их са нашом архивом; да прочешља уговор и означи чланове који одступају од уобичајених; да позиције из предмера повеже са нашом базом цена. На крају, овај AI алат треба да одговори на једино питање које ме заиста занима: можемо ли ми да учествујемо на овом тендеру, и под којим условима.

И ту, на самом почетку, појављује се питање које ниједан продавац „агентских решења“ није поменуо ни на једној презентацији којој сам присуствовао. Како ћу знати да је AI агент све прочитао? Да није прескочио свеску три? Да ли је зачкољицу из члана о пеналима уопште приметио? Да ли је цену из базе доделио правој позицији, а не оној која слично звучи? Јер ако то не знам, добићу машину за генерисање самоуверених грешака, а њих умем да правим и сам, и то бесплатно.

Одговори на ова питања постоје, и долазе из истраживања која се ретко цитирају до краја, и из мог сопственог, повремено скупог, искуства.

### Куповина размишљања

Прва половина приче гласи овако: куповина додатног „размишљања“ стварно функционише, и то је лако мерљиво.

Тим истраживача са Стенфорда је 2024\. године објавио рад са мојим омиљеним насловом у машинском учењу, *Large Language Monkeys* (LLM, алузија на теорему о мајмунима и писаћим машинама). Узели су јефтин модел за програмирање компаније DeepSeek и дали су му по један покушај да реши сваку грешку из стандардног теста који се користи за исправке грешака у стварном софтверу. Решио је 15,9 одсто. Практично, резултат без употребне вредности. Онда су истом јефтином моделу дали по 250 покушаја за исправку сваке грешке, при чему је аутоматски валидатор одлучивао који покушај се рачуна.

Резултат: 56 одсто.

Како бисмо направили поређење са најскупљим моделима у то време, најбољи резултат из једног покушаја на том тесту, био је 43 одсто. Двеста педесет покушаја јефтиног модела надмашило је један покушај врхунског. И то није био случајан резултат једног теста: побољшање је пратило глатку, предвидиву криву. Више покушаја увек је давало више решених проблема. Ово је била академска верзија проблема.

Пример из праксе долази из инжењерског извештаја компаније Anthropic о сопственом систему у коме више агената заједно ради истраживачке задатке. Кад су анализирали шта раздваја добра извршавања од лоших, формулација самог промпта је једва доприносила бољем резултату. Највећи део разлике у резултатима, око 80 одсто, објашњавао је број потрошених [токена](https://www.vijuge.rs/token/), односно количина рачунарског рада уложеног у решавање задатка. Систем са више агената био је за 90,2 одсто успешнији од најбољег модела који је радио сам. Више агената је, једноставно, могло да потроши више токена, испроба више путева ка решењима и распореди рад у више одвојених контекстуалних прозора. Део онога што је изгледало као колективна интелигенција био је, заправо, већи буџет за покушаје проналажења решења.

Ево још два значајна податка пре него што решите да упослите агенте. По рачуници компаније Anthropic, једно извршавање са више агената кошта отприлике петнаест пута више токена него обичан разговор (chat). А истраживања објављена ове године додају и друго упозорење: потрошња на идентичном задатку варира и до тридесет пута од извршавања до извршавања, а тачност понекад достигне врхунац на средњој потрошњи токена, да би после тога стајала у месту. Буџетирати агенте не значи само одредити колико токена смеју да потроше, већ и када морају да стану, шта морају да провере, колико покушаја им је дозвољено и под којим условима вреди наставити рад.

Да већа потрошња поуздано значи бољи одговор, овај текст би имао само једну реченицу: трошите више. Али нема је, и то због оног дела студије који ретко ко помиње.

### Део студије који нико не помиње

Исти задатак и исти тај јефтин модел су искоришћени поново али са другим параметрима: систем је одрадио хиљаду покушаја, а затим и десет хиљада, док су истраживачи одвојено пратили две различите ствари.

Прво питање је било: да ли тачан одговор уопште постоји негде у тој огромној гомили произведених покушаја? Тај проценат је наставио да расте и прешао је 95 одсто код десет хиљада узорака. Дакле, тачан одговор је скоро увек био ту, негде у гомили.

Друго, суштинско питање је: може ли ико заправо да га пронађе?

Тамо где је постојало неумољиво сито – јасан, механички филтер или тест који може тренутно да оцени сваки покушај – стварање веће гомиле директно је доносило решење. Међутим, тамо где таквог филтера није било, истраживачи су испробали све познате методе да из те гомиле извуку најбољи одговор, од већинског гласања до коришћења сложених модела за оцењивање. И све је остало на истом већ око стотог покушаја. Машина је савршено умела да направи пласт сена у којем се гарантовано налази игла, али без јасног магнета, нико није могао да је извуче.

Упамтите овај проблем, јер се он директно одражава на цену „памети“. Тачан одговор можда постоји, а можда га је систем већ и произвео, али нико не уме поуздано да га препозна међу осталима. После одређене тачке, сваки додатни динар купује само нове покушаје, без начина да утврдимо да ли је неки од њих бољи. Када не постоји јефтина и поуздана провера, више новца не купује више знања, већ само већу гомилу неоцењених одговора.

![](https://storage.ghost.io/c/2d/c9/2dc983e7-62c6-4b30-b450-feb5e80e95da/content/images/2026/07/image.png)

Постоји строга граница до које новац може да побољша рад једног агента, јер систем гомила све што је прочитао и урадио у једном [контекстуалном прозору](https://www.vijuge.rs/kontekstualni-prozor/). Како се прозор пуни, квалитет пада: модел губи из вида план који је направио на почетку. Уз то, његов рад је строго линеаран. Кораци обраде иду редом, па посао од педесет корака тражи педесет циклуса. Један агент, један прозор, и ограничење које постоји, без обзира колико сте новца спремни да уложите.

Запишите ова два примера као пар, јер заједно сортирају сваку понуду „тима агената“ коју ћете икада чути. Новац престаје да делује на тачно два места: кад независтан субјект не може да провери одговоре, и кад један агент мора да држи у „глави“ цео посао. Сваки дизајн са више агената који стварно функционише јесте одговор на један од ова два проблема. За све остало вам просто треба више агената.

А „више агената“ није баш безазлена опција која се подразумева. Студија MIT-а и Google-а из децембра 2025\. документовала је конфигурације у којима је додавање агената чинило систем горим, са стварним падом резултата. Поставке са више агената у окружењима богатим алатима трошиле су два до шест пута више токена да би достигле оно што је један агент већ дао као резултат. Прави индустријски промашај је изградња агентских тимова за послове којима тимови никад нису ни требали.

### Ревизор који води књиге

Постоји један уобичајени разлог за поделу посла који бољи модели никада неће избрисати, и старији је од софтвера. То је капацитет особе која обавља посао, и он има два лица: вештине и време.

Хајде да видимо прво вештине. Фирма која увози опрему потписује сложен уговор са добављачем из Европске уније. На том уговору ради њих четворо. Правник чита ограничење одговорности и клаузуле за раскид. Комерцијалиста проверава цене, рабатне скале и рокове испоруке. Финансијер гледа валутну клаузулу, динамику плаћања и банкарске гаранције. Шпедитер проверава паритет испоруке: до које тачке ризик носи продавац, од које купац, и ко плаћа царинско посредовање. Нико од њих четворо не уме да провери цео уговор, и то није ничији недостатак: то су четири заната. Уговор се дели зато што једна глава нема све четири вештине, и та подела кошта. Свака примопредаја између њих четворо је прилика да се нешто изгуби: правник не зна да је комерцијалиста већ попустио на року испоруке, шпедитер сазна за паритет кад је цена већ договорена као да транспорт не постоји.

Време је друго лице проблема. Иста фирма добије захтев регулатора да у року од тридесет дана прегледа неколико хиљада досијеа клијената према новом пропису. Сваки досије је једноставан, али проблем је количина. Посао се дели на десет људи из простог разлога: један човек физички не може да стигне да га уради. И опет се плаћа цена поделе: десет људи прегледа досијеа са десет различитих аршина и својих тумачења, и онда на крају, неко мора да их уједначи.

И сад оно што сви данас гледамо уживо: обе ове поделе полако нестају. AI алат који чита уговор све чешће познаје правничку, комерцијалну, финансијску и логистичку проблематику истовремено, а неколико хиљада досијеа може да прегледа за једно поподне, и то једним аршином. Пре само осамнаест месеци било је изузетно тешко натерати вештачку интелигенцију да направи употребљиву Excel табелу. Данас је то готово рутински задатак. Исто важи и за агенте: оно што данас делује као импресивна способност једног агента, ускоро ће постати стандард. Зато је подела посла на више агената, када је заснована искључиво на ограниченом капацитету једног агента, само привремено решење. Свака одлука о увођењу „тима агената“ која почива само на том разлогу има ограничен рок трајања.

Неки послови морају бити подељени између различитих људи или улога, јер једна улога може нарушити независност друге. Проблем није у знању или способности. Ревизор који истовремено води књиге фирме коју треба да контролише није лош ревизор, али у таквом односу више не може бити независан ревизор. Научна рецензија има смисла управо зато што рецензент није аутор рада. Из истог разлога, банка не дозвољава да иста особа и унесе и одобри плаћање, и то не зато што полази од тога да су запослени непоштени, већ зато што добро уређен систем не зависи само од нечије савести.

Агенти овој старој подели улога додају могућност коју раније нисмо имали. Човек не може намерно да заборави оно што већ зна. Када сте сопствену понуду прочитали сто пута, више не можете да је видите онако како је види члан комисије који је први пут отвара. Са агентима, међутим, можете да укључите посебног „читаоца“ који понуду раније није видео и који јој приступа без претходних претпоставки. Тако први пут добијамо свеж и независан поглед на захтев, брзо и уз занемарљив трошак.

А има и нечег нашег у овој причи. У српској пословној култури провера се лако прочита као увреда. „Зар ми не верујеш?“ је реченица која је зауставила више контролних механизама него било који трошковник; посао се деценијама водио на реч и на образ, и то је у кафанској економији поверења често и функционисало. Тендерска комисија, међутим, не може да „прочита“ образ. Она одлучује на основу онога што је приложено и доказано. Зато систем у коме један агент издваја услове тендера, други проверава да ли су испуњени, а трећи саставља извештај, претвара проверу у јасан и обавезан поступак. То је нешто што код нас често избегавамо јер делује неумесно, а чије одсуство касније скупо плаћамо.

Овде ипак треба поставити једно ограничење, на основу лекције коју сам већ скупо платио. Немојте сваку рутинску проверу квалитета поверавати другом агенту. Идеја да један језички модел пише, а други тражи грешке звучи разумно, али у пракси често производи само нове циклусе обраде. Агенти један другом враћају задатак, различито тумаче јасне критеријуме и троше токене на расправу о стварима које се могу проверити једноставним правилом. Нећете добити квалитетнији резултат, а сигурно ћете имати већи трошак и спорији процес.

За рутинску проверу тачности најбоље су скрипте. Скрипта је мали програм, написан да аутоматски изврши тачно одређен низ провера или радњи. Она доследно примењује унапред задата правила. Проверава да ли је број на одговарајућем месту, да ли је формат исправан, да ли су сва обавезна поља попуњена и да ли се вредности уклапају у дозвољене границе. Тест затим или прође или не, у делићу секунде, без додатних тумачења и непотребног трошења токена.

Други „ум“ (додатни агент) резервисан је искључиво за ситуације где постоји стварни сукоб интереса или потреба за радикално другачијом перспективом. Његово место је у анализи онога што захтева процену и вагање: тумачење скривених ризика у уговору, преиспитивање инжењерског нацрта или проналажење слабих тачака у пословном плану. У таквим ситуацијама агент преузима улогу „ђавољег адвоката“, коју би иначе морао да одигра други човек како би систем био довољно заштићен.

### Тест од једног минута, на мом тендеру

Два наведена налаза истраживача са Стенфорда и из Anthropic-а, и један стари трик заједно дају четири процене које можете да направите за било који посао који вас чека, користећи своје вијуге, и то за мање од 5 минута. Ниједна не тражи стручност. Провуците свој процес размишљања и анализе кроз следеће четири процене, користећи мој тендер од сто страна као пример:

**Величина:** *Да ли је посао већи од онога што један агент може да држи у „глави“ (контекстуални прозор), и то у пуном квалитету?* Величина се процењује по томе колико модел мора да памти док ради (план са почетка разговора, дефиниције, дотадашње закључке, додатне анализе), а не по броју страна које му прилажете за обраду. Тендер од петнаест страна заузме веома мали део контекстуалног прозора и зато је, у том случају, довољан обичан разговор. Књига услова тендера, пет свезака пројекта и уговор нису мали залогај за модел, и ту не помаже ни навелико рекламирани „милионски прозор“: квалитет пада знатно пре него што се прозор напуни. Симптоми прекорачења контекста препознају се одмах. Модел у другој половини посла заборави упутство из прве половине. Противречи сопственом закључку који је пре 20 питања дао као одговор. А кораци обраде иду секвенцијално, тј. иду редом, па ако треба да обради велики број података, то значи и дуго чекање на одговор. Кад видите ове симптоме, бољи промпт вам неће помоћи; такав посао тражи поделу.

**Независност:** *Може ли се посао поделити на више делова, а да један извршилац не зна шта је други урадио?* Овде имате практичан тест: да ли би два дела посла могла да раде два човека који се уопште не познају и да резултате предају трећем, без иједног телефонског позива у међувремену? Моја AI анализа тендера овде пролази, јер су то четири различита агента: један читач вади захтеване референце и атесте, други чешља уговор члан по члан, трећи везује позиције предмера, четврти повлачи цене из базе. Не морају да разговарају до самог краја. Већина послова не пролази ову процену, а поготово програмирање и писање кода, јер се свака измена у коду ослања на претходну, па трошак координације поједе оно што је подела уштедела. Управо такве поставке документовала је она студија MIT-а и Google-а: подељено је оно што не треба да се дели, и рачун је стигао у токенима. Ово је процена коју људи најчешће прескоче, па је то најбржи пут да потрошите више и добијете мање.

**Раздвајање:** *Да ли има делова које морају радити различити агенти, зато што би знање и претпоставке једне улоге агента утицале на улогу другог?* Ово питање се управо тиче сукоба улога, па контролу квалитета треба оставити скриптама. У мом систему то подразумева три правила. Завршни извештај пише агент који није прочитао ниједну свеску: добија само налазе са адресама, па не може да „запамти утисак“ уместо стварног податка. Агент који има приступ бази цена не пише закључке о томе да ли испуњавамо услове тендера, из истог разлога из ког банка раздваја унос и одобрење плаћања. А сваки налаз агената појављује се у извештају искључиво са референцом: број свеске, број стране, члан. Без референце, налаз не може да буде валидан и одбацује се. Постоји и четврта корист, а то је свежина погледа. Када је нацрт понуде завршен, чита га агент који раније није видео ни понуду ни процес њене израде. Он јој зато приступа без знања о томе како је настала и шта је аутор желео да каже, приближно онако како ће јој приступити члан тендерске комисије када је први пут отвори. Таква провера не открива само грешке. Она показује и где се аутор ослонио на сопствено предзнање, па му је текст јасан само зато што већ зна шта је њиме хтео да каже.

**Проверљивост:** Она је пресудна. Она раздваја послове код којих више покушаја повећава вероватноћу доброг резултата од оних код којих само производи све већу гомилу одговора које неко на крају мора ручно да прегледа. Зато је кључно питање: *која је најједноставнија и најјефтинија механичка провера којом се може оценити сваки добијени одговор*? То може бити тест који се или прође или не прође, то је упит у базу података, поређење са архивом или излазни код скрипте. Ако је једина расположива провера: „нека човек прочита и процени“, онда систем нема довољну проверљивост. У том случају додатни покушаји не смањују људски рад, већ га гомилају, и онај станфордски застој на крају чека управо вас*.* На примеру нашег тендера провера ради савршено: референца или постоји у нашој архиви или не постоји; цена или показује на конкретан унос у бази или не показује; члан уговора или стоји на наведеној страни или извештај лаже, што се утврђује за десет секунди. Кад је овакав вид провере скоро па бесплатан, сваки додатни покушај заслужује своје место, и моћ великих бројева ради за вас уместо против вас.

Коначне одлуке природно произилазе из ове четири процене, и своде се на четири могућа сценарија:

**Обично ћаскање (Chat):** Ако је задатак мали и нема делова који траже „други ум“ за проверу, тендер од петнаест страна остаје оно што је увек и био – документ који човек, заједно са AI-јем, прочита уз кафу.

**Један агент:** Ако задатак стаје у један контекстуални прозор и модел може лако да провери свој сопствени рад, довољан вам је један наменски агент. Он има јасан циљ, користан је, брз и потрошан.

**Тим агената:** Ако је посао већи од онога што једна „глава“ може да обухвати, или ако има делове који неминовно захтевају сучељавање различитих умова – а одговори се и даље могу јефтино и аутоматски проверити – тек тада вам треба тим.

**Граница исплативости:** Међутим, ако проверљивост падне (односно, провера тачности вас кошта колико и сам рад), додавање новца и агената ту не може ништа да промени. То је пресуда коју људи најређе желе да чују, и њој ћемо посветити пажњу на самом крају.

Ове четири процене одређују какво техничко решење има смисла направити. Ипак, коначну одлуку одредиће учесталост појављивања истог проблема и његова пословна вредност. Дакле, питања за вас су: колико често се овај проблем понавља и колико новца вреди бољи одговор сваки пут када се појави? Ако се проблем јавља ретко или је разлика између просечног и бољег решења мала, сложен систем се вероватно не исплати. Тендери нам стижу сваког месеца, а само једна ухваћена зачкољица о преносу ризика или скривеним трошковима платиће године рада оваквог система. Насупрот томе, немојте градити сложен тим агената само да би вам пронашао коју машину за прање судова да купите. Облик задатка је технички исти, али временски оквир није, јер проблем куповине решавате једном у 10 година. Пад цена развоја оваквих технологија ове године је значајно померио праг исплативости на доле, али није уклоњен.

Мој пример је из грађевине, али појавни облик није. Узмите, рецимо, примопредају посла. Из фирме вам одлази човек који је пет година водио најважнијег купца; све што он зна налази се у мејловима, у белешкама са састанака, у преписци у интерном чету и у полу-завршеном документу који је „ускоро“ требао да буде готов. Његова замена ће вероватно изгубити недеље копајући по овој документацији, и опет неће знати шта не зна. Хајде да провучемо овај пример кроз четири процене. Године преписке: веће су од једног контекстуалног прозора. Подела се може урадити врло прецизно: мејлове може да чита једна особа, белешке чита друга, документи се дају трећој, а историја наруџбина четвртој особи, и оне уопште не морају да комуницирају међусобно. Раздвајање? Да. Сажетак за новог комерцијалисту пише неко (или нешто) ко изворе није ни читао. Да ли је проверљиво? Јесте. Свака тврдња или треба да покаже на конкретан мејл са датумом или неће ући у сажетак. Проблем се често и понавља, јер људи одлазе и долазе у фирму сваке године. Ето свих услова за AI решење.

Кад се сви ови послови ставе на исти графикон, добијамо распоред који вреди запамтити:

![](https://storage.ghost.io/c/2d/c9/2dc983e7-62c6-4b30-b450-feb5e80e95da/content/images/2026/07/image-1.png)

### Извештај који сме да одћути

Кад услови тендера траже доказ о изведеним објектима одређене намене и квадратуре, а наша архива тај доказ нема или га има у облику који комисија неће признати, извештај на том месту приказује: „референца није пронађена у архиви“. Не измишља и не пише уверљив одговор који потврђује да имамо тражену референцу. Измишљен податак који се провуче кроз извештај и заврши у понуди јесте стварни начин на који вештачка интелигенција може да упропасти посао, и то је страх који људи с правом имају.

Мислим да ће се управо ту одлучивати које послове ћемо поверити људима, а које машинама. У српским фирмама ћемо инжењеру, који на колегијуму каже: „Нисам стигао да проверим свеску број четири“, и даље вероватно замерити што посао није завршио. Од машине, међутим, тек учимо да ценимо управо такво признање: да нешто није проверила, да нема довољно података или да у свој одговор није сигурна. Код човека то често тумачимо као слабост; код машине би требало да га препознамо као важну меру поузданости.

Треба да знате и ово. AI систем који развијам никада неће одговорити на суштинска питања: да ли да идемо на овај тендер, са којом маржом, да ли овом инвеститору да верујемо кад каже да ће плаћање бити редовно, и да ли ћемо са постојећим ресурсима завршити посао у року. Одговори на ова питања на крају се своде на процену, а једина поуздана провера те процене често је сама одлука, и оно што после ње уследи.
### AI не долази по ваше радно место, већ по навике на које сте се ослањали
URL: https://www.vijuge.rs/ai-dolazi-po-vas-posao/
Last updated: 2026-07-01T18:00:06.000Z
Свако ко данас има посао, било да је запослен или да има свој бизнис, бар једном недељно чује исту реченицу: вештачка интелигенција ће преузети послове. Неко то каже на састанку, неко у пролазу, неко можда чује на конференцији о овој теми, а неко проследи текст на друштвеној мрежи са коментаром: „Прочитај ово.“

И готово увек се у глави јави иста слика: човек данас седи за својим столом, а већ сутра га тамо нема. Као да ћете једног јутра доћи на посао и на вратима затећи обавештење да су вас заменили.

Ова слика вас, међутим, води у погрешном смеру. Вештачка интелигенција озбиљно мења тржиште рада, али не тако што једног човека замењује једном машином, као кад вам се поквари фрижидер па купите нов. Промена се дешава много тише и зато је теже примећујете.

Оно што AI заправо ради јесте да помера тежиште унутар посла који већ обављате. Зато вреди себи поставити следеће питање: „Који део мог посла више неће вредети послодавцу као раније?“ Ту почиње стварни расплет, јер одговор често не погађа радно место у целини, већ управо онај сегмент на који сте се годинама ослањали.

Узмимо конкретан пример. Десет година сте запослени на радном месту које подразумева неку врсту управљачке улоге: пројект-менаџер, руководилац сектора, једном речју: човек који држи све конце у рукама. Каријеру сте градили на прецизности у раду, поштовању рокова, одлучном реаговању у прави час и на томе што тачно знате ко шта треба да заврши и до када. Онда се појави алат који све то ради брже и тачније, 24 сата дневно, без паузе и без годишњег одмора.

Да ли ћете због тога остати без посла? Нећете одмах. Али оно на чему сте градили репутацију: тачност, праћење и координација, одједном вреди мање. 

Овде прича постаје занимљивија. Док сте радили свој посао и пратили рокове, ви сте научили и нешто друго. Знате када неко у тиму има проблем који неће саопштити наглас. Знате да када клијент, оним својим тоном, каже „све је у реду“, често баш ништа није у реду. Осећате када треба нешто прећутати, а када је тренутак да се одлучно лупи шаком о сто.

То знање нисте стекли на курсу нити сте га научили из књиге. Стекли сте га тако што сте десет година седели на састанцима, погрешно процењивали људе, били у праву када вам нико није веровао и грешили када сте били потпуно сигурни у себе. У теорији се то зове прећутно знање (*tacit knowledge*). Генеративна вештачка интелигенција то не може да симулира нити да генерише, јер нема сопствену историју. Иза ње стоји само изузетно сложен статистички механизам.

Забуна настаје када рутински део посла и онај део који тражи процену, искуство и односе са људима, спакујете под исти назив радног места. Када кажете „ја сам пројект-менаџер“, у ту реченицу стане све: рокови, табеле, подсетници, људи, притисци, клијенти, процене, разговори. И онда, када чујете да AI прети том послу, лако помислите да је угрожено баш све.

Али угрожен је само један део. Проблем је што сте се баш на тај део навикли. Он је био мерљив, видљив и лак за објашњавање на интервјуу за посао. Могли сте да кажете: водим рачуна о роковима, пратим задатке, координирам тим, контролишем реализацију. Ово је свима јасно. Само што сада добар део тога може да преузме софтвер.

### **Ударац у професионални идентитет**

Овде многи од вас могу да осете неправду. Годинама сте радили оно што су фирме тражиле од вас: били сте педантни, поуздани, брзи и увек доступни. Сада одједном чујете да баш та педантност и поузданост више нису довољне. А то директно погађа професионални идентитет, а не само у опис посла.

Постоји још једна забуна, можда и чешћа од прве. Верујете да ћете бити безбедни ако научите да користите вештачку интелигенцију. Завршите курс, испробате ChatGPT, напишете неколико промптова и кажете себи: спреман сам. Ту, међутим, треба бити обазрив. Једно је знати како се користи одређени AI алат, али је сасвим друго питање шта ћете урадити са временом које вам он ослободи.

Ако вам алат скрати припрему извештаја са три сата на двадесет минута, кључно питање је шта ћете урадити са преосталим временом? Ако то време потрошите на још већи број истих таквих извештаја, добит коју сте остварили је занемарљива. Ако га, пак, искористите за разговор са људима, процену ситуације, проверу претпоставки и за доношење боље одлуке, тек тада алат суштински мења вашу вредност.

У академским круговима често ћете чути аналогију са језиком: вештачка интелигенција личи на нов језик. Нећете га савладати само учећи граматику, већ тако што га користите, грешите и пролазите кроз нелагоду док не проговорите. Из стручне перспективе долази још једно корисно упутство: не можете научити да пливате ако седите поред базена. Морате ући у воду.

И баш ту почиње изазов за људе који су на средини своје каријере. Навикли сте да будете компетентни. Годинама сте били особа која зна одговор, држи ситуацију под контролом и другима објашњава шта треба да раде. А сада би требало поново да будете почетник, и то у области која се мења брже него што можете да испратите.

Овај осећај је непријатан на посебан начин. Овде не може да вам помогне само памет, а искуство које имате помаже вам мање него што бисте хтели. Овде вам је потребна радозналост. А радозналост не долази природно, посебно не када сте годинама били онај који све зна.

Сада долазимо до питања да ли уопште има простора за грешку. Учење подразумева грешке, то знамо сви. Али ако вас фирма мери истим мерилима као пре (јер ви сте и даље експерт у свом домену), а истовремено очекује од вас да савладате нешто ново, велика је шанса да ви то нећете радити. Нико разуман неће угрозити резултат свог рада због експеримента чији исход не може да претпостави. А експериментисање са AI алатима је једини начин да било шта заиста научите.

### **Луксуз експеримента у окружењу које се плаши грешке**

У Србији ово посебно погађа у мету. Системи често једва функционишу, марже су прилично мале, а навика да „не забрљамо“ дубоко је усађена у свест запослених. У таквом окружењу експериментисање делује као луксуз који се не може приуштити. Без права на грешку, учење остаје само мртво слово на папиру.

Зато фирме које озбиљно размишљају о увођењу вештачке интелигенције у своје пословање, морају да направе одређени простор за пробу. Један мали део пословног процеса у коме можете да тестирате алате, да погрешите, упоредите резултат и извучете потребан закључак. Без тога ће људи само симулирати да уче, док ће у стварности чекати да неко други направи прву грешку.

Постоји још једно питање које сви механички понављамо: када нам вештачка интелигенција предложи одлуку, ко ће да одговара ако је човек спроведе? Софтвер? Наравно да не. То ћемо увек бити ми. То „ја преузимам, ја стојим иза овога” не можемо да пребацимо на алгоритам. Одговорност тражи човека који разуме последице и прихвата да се носи с њима. Колико год то звучало конзервативно, то и даље припада човеку. Машина може да предложи, али ви стављате свој потпис испод одлуке и своју репутацију иза ње.

Ово ће постајати све важније како AI алати буду бивали бољи и убедљивији у својим одговорима. Што боље AI буде писао, сажимао, предлагао и објашњавао, лакше ћете заборавити да он заправо не расуђује. Он само производи статистички генерисан одговор који личи на расуђивање. Ту ће вам требати професионална сумња. Не она сумња која све кочи, већ сумња која од вас тражи проверу пре него што ставите свој потпис.

Знам да бисте вероватно желели да вам дам јасан план како даље: пет корака, најбољи AI алат, прави смер, поуздана мапа пута. Али мапе нема. Нема је ни за вас, ни за људе који о вештачкој интелигенцији говоре на конференцијама, ни за оне који је стварају. Савремени теоретичари менаџмента често праве занимљиву разлику између људи који траже утабан пут (*pathfinders*) и људи који умеју да се снађу када пута нема (*wayfinders*). Данас више вреди бити ово друго.

То значи да не треба да чекате савршена упутства. Крећете се, посматрате шта се дешава, мењате правац када наиђете на нешто неочекивано и отворени сте за нове ствари. Док ово читате на екрану, концепт звучи привлачно. Међутим, у пракси то уме да буде врло незгодно, јер тражи од вас да напустите навику да прво све разумете, па тек онда делате. Морепловци из претходног миленијума нису имали GPS. Имали су Сунце, звезде, осећај за ветар и радознали ум. И тако су стизали до обала које нико пре њих није уцртао.

Неке ствари се, ипак, могу видети и без мапе. Рутински задаци убрзано губе на вредности. С друге стране, процена ситуације, односи са људима и оно тихо знање које сте годинама стицали добијају на тежини. Сам алат вас неће заштитити. И нико, баш нико, не може са сигурношћу да каже како ће све ово изгледати за три године.

Не морате да разумете све да бисте почели да се крећете. Довољно је да препознате шта се мења, шта губи вредност и на шта више не можете да се ослањате као раније.

Када то препознате, више не морате да чекате да вам неко нацрта цео пут. Можете да направите први, опрезан корак. У овом тренутку, то је можда најразумнија стратегија коју имате.
### Промпт који користим за сажимање дугачких докумената
URL: https://www.vijuge.rs/sazimanje/
Last updated: 2026-06-27T13:31:01.000Z
Ако сте икада тражили од вештачке интелигенције да вам сажме транскрипт неког састанка или дугачак документ, па је добијени сажетак звучао уверљиво, али је изоставио баш оно што вам је најважније, онда је овај текст за вас.

Сажимање текста је најчешћи начин на који људи у пракси користе вештачку интелигенцију, али и најлакше место да се провуку непримећене халуцинације. Што је изворни текст дужи, то је мања вероватноћа да ће неко заиста отворити оригинал и проверити податке да би био сигуран у одговор модела.

Промпт који желим данас да вам покажем користим како бих навео модел да упореди свој сажетак са изворним текстом пре него што му поверујем. То приморава модел да поново прође кроз сопствени рад, имајући изворни материјал пред собом, и да означи места у која није сигуран.

Промпт је дуг само три реда. Ево га:

Kopiraj 

[ВАШ ЗАХТЕВ ЗА АНАЛИЗУ]
Након што пружиш почетну анализу, изврши следеће кораке провере:
1. Наведи три конкретна начина на која би твоја анализа могла бити непотпуна, заваравајућа или погрешна.
2. За сваки потенцијални проблем наведи конкретне доказе из [ДОКУМЕНТ/ПОДАЦИ] који или потврђују или демантују ту сумњу.
3. Напиши ревидирану анализу која узима у обзир потврђене сумње и указује на преостале неизвесности.
    
У прве угласте заграде уносите своје питање (Сажми документ у прилогу. Анализирај документ у прилогу. Шта је најбитније у овом уговору?). У другим угластим заградама упућујете модел на документ или податке које треба да обради (можете да их закачите за промпт на знак +, или да налепите директно у промпт). Ако немате конкретан документ на који бисте га упутили, промените то у „свој почетни одговор” и модел ће проверити сопствени одговор у односу на оно што је првобитно написао.

Додавањем овог блока мења се сам задатак који модел обавља. У првом кораку, он покушава да вам да одговор. У другом кораку, подстакнут фазама провере, покушава да пронађе грешке у сопственом одговору.

Лоша страна је што овај други круг анализе траје дуже, а ревидирани одговор бива знатно опрезнији од првобитног. Зато овај промпт чувам за важније задатке: правне документе које сажимам пре него што донесем неку одлуку, медицинске анализе клиничке слике или полисе осигурања где детаљи утичу на мој избор, финансијске анализе које треба да пренесем другима, или сажетке научних радова које користим за моја истраживања.

### Тест са бумбарима

Нашао сам један научни рад који тврди да бумбари (Bombus terrestris) испољавају понашање које испуњава критеријуме за игру. Рад нуди јасан закључак погодан за новинске наслове, али је сама суштина приче далеко компликованија, што га чини одличним примером за тестирање овог промпта. Ако исти рад дате истом моделу са два различита промпта, приметићете да ћете добити две различите верзије „истине”.

[2022\_Dobumblebeesplay\_GalpayageDonaetal.Можете скинути овај рад како бисте проверили како раде промптови2022\_Dobumblebeesplay\_GalpayageDonaetal..pdf2 MBdownload-circle](https://www.vijuge.rs/content/files/2026/06/2022%5FDobumblebeesplay%5FGalpayageDonaetal.-1.pdf "Download")

Први промпт је онај који би већина људи написала без пуно размишљања: *Сажми кључне закључке овог документа.*

Други промпт је исти тај захтев, али са три додатна реда на крају:

Kopiraj 

Сажми кључне закључке овог документа. Издвој три/четири најзанимљивија закључка, заједно са бројкама и контекстом истраживања. 
Након почетне анализе, наведи три/четири конкретна начина на која би твоја анализа могла бити непотпуна, заваравајућа или погрешна. 
За сваку ставку наведи доказе из научног рада који потврђују или демантују ту сумњу. Затим напиши ревидирану анализу.

Модел ће вам на почетку и даље дати уверљив сажетак, али самопровера коју сте тражили износи на видело ствари које су у првом кругу остале непоменуте. Тако је модел признао да су резултати добијени у лабораторијским условима који не морају одражавати природно понашање, што је веома важан податак за једно истраживање, а који првобитни сажетак уопште није поменуо.

Такође модел истиче да котрљање куглица од стране бумбара може бити индиректна вежба моторике за руковање цветовима, а да сама дефиниција „игре“ код инсеката остаје делимично субјективна. Сам рад то наводи на месту које бисте лако прескочили ако само на брзину прелећете преко текста и не читате га детаљно.

![](https://storage.ghost.io/c/2d/c9/2dc983e7-62c6-4b30-b450-feb5e80e95da/content/images/2026/06/image-1.png)

Ево како изгледа закључак промпта *са* додате три реченице.

![](https://storage.ghost.io/c/2d/c9/2dc983e7-62c6-4b30-b450-feb5e80e95da/content/images/2026/06/image-2.png)

**Најважнија поука:** Нема потребе да користите паметнији модел, који ће вам брже „појести“ токене. Довољно је да моделу дате додатни задатак. Први пролаз модела у давању одговора је осмишљен тако да звучи тачно. Други пролаз, када га затражите, служи томе да пронађе пропусте у првом. У томе лежи главна разлика између одговора на који се можете поуздано ослонити и оног на који не можете.

*Извор*: [https://doi.org/10.1016/j.anbehav.2022.08.013](https://doi.org/10.1016/j.anbehav.2022.08.013?ref=vijuge.rs)
### Феномен Grok
URL: https://www.vijuge.rs/grok/
Last updated: 2026-06-25T20:12:45.000Z
### **Еволуција и информациона предност у реалном времену**

Пре две године, *Grok* је био шала. Дословно: чет-бот уграђен у тадашњи *Twitter*, замишљен да одговара „са мало духа“ и помало бунтовно, више је личио на играчку него на озбиљан алат. Многи су га тада испробали и заборавили. Данас је *Grok* један од водећих модела вештачке интелигенције. Компанија *xAI*, коју је 2023\. године основао Илон Маск након разлаза са компанијом *OpenAI*, успева да објављује нове верзије темпом који прати *OpenAI* и *Anthropic*, нуди врло конкурентне цене и улази у системе који се користе и у Пентагону. Они који су *Grok* отписали 2024\. године, у 2026\. години посматрају сасвим другачији производ.

Име „*Grok*“ потиче из научне фантастике: писац Роберт Хејнлејн је смислио тај израз како би означио дубоко, интуитивно разумевање нечега. Ипак, порекло имена је мање важно од филозофије самог производа. Док *Anthropic* развија *Claude* око идеје безбедности, а *OpenAI* усмерава [*ChatGPT*](https://www.vijuge.rs/chatgpt/) ка широкој употребљивости, *xAI* је *Grok* намерно обликовао као модел са израженим карактером, спреман да одговори на питања која други заобилазе и, како сама компанија наводи, „без идеолошких ограничења“. Он је дубоко интегрисан у платформу *X*, а употребљава се и у возилима *Tesla*. Овде је реч о свесној стратешкој одлуци: мање филтера и више провокације треба да буде препознатљива особина производа. За једне, то је потребна непосредност у комуникацији; за друге, то постаје извор озбиљних проблема.

Ако *Grok* има један стварни адут, то је приступ најновијим информацијама. Већина великих AI модела ослања се на „замрзнуто“ знање, односно на оно што су научили током тренирања до одређеног датума. Када их питате шта се дешава данас, они често нагађају, заобилазе одговор, отворено признају да не знају или почну са претрагом интернета. *Grok* функционише другачије. Кроз функције *DeepSearch* и претрагу у реалном времену, он током разговора чита јавне објаве на платформи *X* и самостално претражује веб. Када га питате шта се управо дешава са вешћу која се тек појавила, он може да понуди актуелну слику, а не пресек стар неколико дана. Ниједан конкурент за сада не нуди исту меру непосредности, углавном због одсуства власништва над сличним друштвеним екосистемом, као што је платформа *X*. Ово се може посматрати као значајна структурна предност, мада се поставља питање у којој мери сирови подаци са друштвених мрежа, без дубинске филтрације, заиста гарантују аналитички квалитет. За маркетинг, PR струку, новинаре и аналитичаре који зависе од актуелних трендова, ово је реалан разлог да им *Grok* буде при руци.

### **Архитектура, цене и питање економске одрживости**

*Grok* припада широј породици AI модела, где тренутну линију предводи *Grok 4.3* \- најспособнији и најбржи модел у овој серији, са [контекстуалним прозором](https://www.vijuge.rs/kontekstualni-prozor/) до милион [токена](https://www.vijuge.rs/token/). За најзахтевније задатке намењен је *Grok 4 Heavy*, који користи више паралелних агената како би проблем сагледао из различитих углова, док посебну линију чини *Grok Imagine*, намењен генерисању слика и кратких видео-клипова. Оно што *Grok* додатно издваја јесте ниска улазна баријера. Доступан је бесплатно свим корисницима платформе *X*, уз ограничење од око десет упита на свака два сата. За озбиљнију употребу постоје плаћени планови: *SuperGrok Lite* по цени од 10 долара месечно, *SuperGrok* за 30 долара и *SuperGrok Heavy* за 300 долара месечно, где 12 AI агената ради одједном, намењен професионалцима којима квалитет резоновања директно доноси вредност.

За оне који развијају сопствене апликације путем API-ја, цене су још приступачније. *Grok 4.3* кошта око 1,25 долара за милион улазних токена и 2,50 долара за милион излазних токена. Поређења ради, најјачи *Anthropic* модел кошта 5,00/25,00, док је водећи *OpenAI* модел на 1,75/14,00 долара. Ипак, овде се појављује прва противречност коју треба имати у виду. Према анализи медијске куће *Axios*, компанија *xAI* троши око милијарду долара месечно, углавном на AI инфраструктуру. Овакав ценовни модел покреће питање дугорочне одрживости, остављајући отвореном дилему да ли је реч о трајној економској стратегији или само о привременом субвенционисању тржишног удела Масковим капиталом, што позива на опрез свакога ко планира дугорочну интеграцију овог алата у своје свакодневне пословне процесе.

### **Репутациони ризици, безбедност и приватни подаци**

Иста филозофија „мање филтера“, која неким корисницима делује освежавајуће, довела је и до озбиљних инцидената. Крајем 2025\. године избио је скандал када се показало да *Grok*\-ов алат за слике омогућава корисницима да незаконито мењају фотографије људи, укључујући и малолетнике, приказујући их у неприкладном контексту на основу једноставних текстуалних команди. Последице су обухватиле забране приступа, правне истраге у више држава и оштре критике законодаваца широм света. То није био изолован случај, јер је модел и раније био предмет критика због преношења и навођења теорија завере и упитних вредносних образаца у одговорима.

Алат са лабавијим заштитним механизмима може произвести садржај који не желите да буде повезан са вашим именом. Оног тренутка када резултате делите јавно или на њима градите комерцијални производ, репутација алата постаје део ваше личне или корпоративне репутације. За фирме, нарочито у сектору корисничке подршке или људских ресурса, то представља стварни ризик за бренд и усклађеност са регулативом.

Уз репутацију, важан фактор је и техничка поузданост. Током увођења нових верзија бележени су вишедневни прекиди рада сервиса, што показује да брз ритам иновација често долази на уштрб стабилности система. На крају, ту је и питање приватности. На бесплатним и потрошачким нивоима, ваши разговори се могу користити за тренирање будућих модела. Тек пословни планови, као што су *Grok Business* (око 30 долара по кориснику) и *Enterprise*, то експлицитно онемогућавају кроз SOC 2 сертификацију и управљање сопственим кључевима за шифровање. Занимљив куриозитет је и то што *xAI* наплаћује симболичну накнаду за сваки захтев којим корисник покуша да прекрши правила коришћења. 

> Практичан савет зато остаје непромењен: за осетљиве, личне или поверљиве комерцијалне податке, не користите јавне и бесплатне верзије модела и обавезно проверите подешавања дељења података унутар налога.

### **Закључак: Место у арсеналу AI алата**

*Grok* је AI алат са јасно дефинисаним, али поларизујућим профилом. Најкориснији је у ситуацијама у којима његове предности долазе до изражаја, а ризичан је онда када његова ограничења постају ваша директна одговорност. Сврсисходно га је користити када су вам потребне кључне информације у реалном времену, када већ послујете унутар *X* екосистема или када се бавите креативним радом у којем крути безбедносни филтери конкуренције више ограничавају него што помажу.

Са друге стране, код осетљивих тема, развоја стабилних софтверских архитектура или садржаја који иде директно пред јавност, зрелији и строго модерирани конкуренти за сада представљају сигурнији избор. Његов стварни адут (информације у реалном времену) и његов стварни терет (слабији заштитни механизми) међусобно се не поништавају, већ заједно одређују његову специфичну намену. Будућност овог модела зависиће од тога да ли *xAI* може постићи финансијску одрживост и обуздати репутационе скандале који прате готово свако ново издање AI модела. До тада, *Grok* остаје одличан секундарни алат у AI арсеналу ваших алата: моћан, ценовно доступан и јединствен по својој непосредности, али и даље сувише непредвидив да би био једини на који се ослањате.
### Ваш први сусрет са вештачком интелигенцијом: План за 7 дана
URL: https://www.vijuge.rs/plan-za-7-dana/
Last updated: 2026-06-15T16:46:57.000Z
---

### **Пре него што почнете**

Ово упутство је намењено свима, без обзира на то да ли радите на факултету, у школи, у фирми или код куће. Не морате у потпуности разумети како AI функционише, мада ако читате Вијуге већ сте међу 5% светске популације која је упозната са механизмом рада технологије која покреће AI. За почетак је сасвим довољна намера да оптимизујете своје време.

Циљ овог плана је да за седам дана стекнете навику да вам AI постане помоћник за свакодневне задатке, баш као што су то већ постали имејл, веб претраживач или паметни телефон.

Сваки дан ћете урадити један конкретан задатак. То ће вам одузети између 15 и 30 минута дневно. Ништа компликовано. Само свакодневни задаци које већ радите.

**Шта вам је потребно**

Потребан вам је приступ бар једном од ових бесплатних алата (пожељно је да имате бар један плаћени модел):

- **ChatGPT** (chat.openai.com) - најпопуларнији AI асистент, одличан за писање и разговор
- **Claude** (claude.ai) - AI асистент компаније Anthropic, посебно добар за дуже текстове и анализу докумената
- **Gemini** (gemini.google.com) - AI асистент компаније Google одличан за истраживање и анализу структурираних података
- **Perplexity** (perplexity.ai) - AI претраживач који даје одговоре са референцама на изворе података.

Изаберите било који од њих и почните. Можете их мењати и комбиновати како вам одговара. Сви раде на сличан начин: ви укуцате питање или дате задатак (то се зове „промпт“), а AI вам одговори.

**Како разговарати са AI-јем**

Ево неколико једноставних правила:

- Будите конкретни. Уместо „Напиши ми нешто“, реците „Напиши ми имејл клијенту којим га обавештавам да каснимо са испоруком три дана, у пристојном али директном тону.“
- Дајте контекст. Реците ко сте, коме се обраћате и шта желите да постигнете.
- Разговарајте. Ако вам се први одговор не свиђа, реците шта бисте променили. AI памти ток разговора и може да се прилагоди.
- Гласовни унос. Сви модели имају опцију да поставите питање тако што причате уместо да куцате текст (иконица микрофона одмах поред поља за унос текста). Искористите ту опцију јер је куцање текста на тастатури три пута спорије од говора.

---

### **Дан 1: Преправите једну поруку**

**Шта ћете научити:** AI може да вам помогне да се изразите јасније, професионалније или једноставно боље, без потребе да мењате суштину онога што желите да кажете.

**Како то изгледа у пракси:**

Замислите да треба да одговорите на имејл колеге, али нисте сигурни да ли сте погодили прави тон обраћања. Или треба да пошаљете поруку клијенту, а текст вам делује превише опуштено. Или превише круто. Уместо да се мучите са преправљањем, једноставно копирајте своју поруку и замолите AI да је преобликује.

**Промпт који можете користити:**

Напиши поново следећу поруку тако да звучи професионално и самоуверено, али пријатељски. Избаци све непотребне речи и фразе. Ево оригинала: \[овде налепите своју поруку\]

**Пример:**

Рецимо да сте написали овако:

„Здраво, хтео сам само да проверим да ли сте стигли да погледате оно што сам вам послао прошле недеље, био би ми јако потребан одговор јер ми треба за даљи рад, хвала унапред.“

AI би могао да вам предложи нешто овако:

„Здраво, проверавам да ли сте имали прилике да погледате материјал који сам послао прошле недеље. Ваш одговор ми је потребан да бих наставио са радом на пројекту. Хвала!“

**Где ово можете применити:** имејл, Вибер порука, одговор на LinkedIn-у, позив за састанак, СМС клијенту.

**Савет за овај дан:** Немојте да AI пише поруку уместо вас од нуле. Напишите ви шта желите да кажете (макар и неуредно), па онда замолите AI да то уобличи. Тако чувате свој глас, а добијате бољу форму.

---

### **Дан 2: Сажмите неки дугачак текст**

**Шта ћете научити:** Уместо да читате документ од десет страница или имејл од три екрана, можете замолити AI да вам издвоји суштину за два минута.

**Како то изгледа у пракси:**

Замислите да сте добили записник са састанка на коме нисте били. Или је колега поделио документ од 3.000 речи. Или имате имејл преписку од 15 порука и желите да знате „о чему се заправо ради“. Уместо да све читате од почетка до краја, налепите текст у AI алат и тражите сажетак.

**Промпт који можете користити:**

Сажми следећи текст у три кратка пасуса. Затим направи листу од 5 најважнијих тачака. Посебно истакни ако постоје неки ризици, отворена питања или ствари које захтевају моју пажњу или одлуку. Ево текста: \[налепите текст\]

**Пример примене:**

- Записник са састанка управног одбора - добијате кључне одлуке и задужења уместо 5 страница
- Дугачак чланак из струке - разумете суштину без 20 минута читања
- Преписка са клијентом - видите где је запело и шта је договорено
- Правилник или уговор - брзо проналазите битне тачке

**Савет за овај дан:** Claude је посебно добар за дуже текстове јер може да обради веће документе одједном. Ако имате PDF или Wорд фајл, можете га директно приложити у разговор. Ипак, будите опрезни: AI може испустити кључне нијансе или погрешно протумачити емоционални тон преписке, па сажетке узимајте са здравом дозом скепсе

---

### **Дан 3: Претворите своје белешке у готов текст**

**Шта ћете научити:** Овај приступ значајно ублажава проблем "празног екрана", пружајући вам почетну основу коју потом сами обликујете. AI може да узме ваше сирове белешке и претвори их у читљив, уобличен текст.

**Како то изгледа у пракси:**

Сви имамо белешке - набацане идеје, ставке са састанка, тезе за презентацију. Проблем је кад од тога треба направити нешто што други могу да читају. Уместо да сами пишете од нуле, дајте AI-ју своје белешке и реците му какав текст желите.

**Промпт који можете користити:**

Претвори следеће белешке у готов текст. Тон треба да буде \[професионалан / ентузијастичан / једноставан\]. Текст је намењен за \[колеге / клијенте / јавност\]. Ево белешки: \[налепите белешке\]

**Пример:**

Ваше белешке:

- нови систем за евиденцију долазака
- почиње од 1\. јуна
- запослени треба да преузму апликацију
- рок за регистрацију 25\. јун
- питања слати на HR сектор

AI од овога може да направи професионално обавештење за све запослене, са јасним уводом, објашњењем и позивом на акцију.

**Где ово можете применити:** обавештење за тим, билтенска порука, објава на интранету, увод за блог пост, кратка презентација, извештај.

**Савет за овај дан:** Што су ваше белешке детаљније, то ће резултат бити бољи. Али чак и са три-четири набацане ставке, AI ће произвести употребљив први драфт који онда можете да преправите и дотерате у складу са вашим жељама и циљем.

---

### **Дан 4: Поједноставите задатак који вас нервира**

**Шта ћете научити:** AI може да вам помогне да аутоматизујете или убрзате понављајуће послове - оне које радите сваке недеље и који вам одузимају време и енергију.

**Како то изгледа у пракси:**

Сви имамо „оне“ задатке - писање недељног извештаја, припрема дневног реда за састанак, слање истих типова имејлова, попуњавање табела. Ови задаци нису тешки, али су досадни и троше време које бисте могли да искористите за нешто важније.

**Промпт који можете користити:**

Имам задатак који радим сваке недеље и одузима ми много времена. Ево шта радим: \[опишите задатак корак по корак\]. Предложи ми како да га поједноставим или убрзам користећи AI. Ако је могуће, направи ми шаблон који могу да користим сваки пут.

**Пример:**

Рецимо да сваке недеље пишете извештај за шефа:

„Сваке недеље скупљам информације од три одељења, сажимам их и шаљем извештај шефу. Одузима ми два сата.“

AI би могао да вам предложи шаблон извештаја у који само уносите нове податке, или да вам направи промпт који можете користити сваки пут да брзо генеришете сажетак на основу сирових података.

**Где ово можете применити:** недељни извештаји, припрема за састанке, писање дневног реда, одговарање на типичне упите клијената, сумирање резултата анкета.

**Савет за овај дан:** Направите листу од 3 до 5 задатака који вас највише нервирају. Изаберите један и експериментишите. Чак и ако уштедите само 30 минута недељно, то је преко 25 сати годишње.

---

### **Дан 5: Претворите своје идеје у нешто што можете поделити са другима**

**Шта ћете научити:** AI може да вам помогне да своје размишљање претворите у текст или презентацију коју други могу да читају, користе или коментаришу.

**Како то изгледа у пракси:**

Имате увиде, запажања, закључке, али они су у вашој глави или у вашим кратким белешкама. Да бисте их поделили са тимом, клијентом или јавношћу, треба да им дате форму. AI вам у томе може значајно помоћи.

**Промпт који можете користити:**

Ево мојих запажања и белешки на одређену тему. Помози ми да их претворим у \[објаву за LinkedIn / интерни извештај за тим / кратак сажетак за клијента\]. Тон треба да буде јасан и конкретан. Ево белешки: \[налепите белешке\]

**Пример:**

Ваше белешке са конференције:

- презентација о AI у логистици била одлична
- кључна порука: аутоматизација не замењује људе, него их ослобађа рутине
- неколико фирми већ користи AI за оптимизацију рута
- наш сектор касни али има простора

AI од овога може да направи кратку и професионалну LinkedIn објаву, интерни имејл за колеге, или чак слајдове за презентацију.

**Где ово можете применити:** LinkedIn објава, интерни билтен, кратка презентација за тим, резиме пројекта за клијента, објава на блогу.

**Савет за овај дан:** Немојте чекати да ваше идеје буду савршене пре него што их поделите. Дајте AI-ју сирове мисли и он ће им дати структуру, а ви затим додајте лични печат.

---

### **Дан 6: Нека вам AI постави тешка питања**

**Шта ћете научити:** AI може да буде ваш критички саговорник, неко ко ће вас изазвати да размислите да ли је ваша идеја заиста добра, или је само велика.

**Како то изгледа у пракси:**

Када радимо на нечему, лако се заљубимо у своју идеју и додајемо ствари које нису неопходне. AI може да вам помогне да одвојите битно од небитног, да преиспитате претпоставке и сузите фокус на оно што заиста има вредност.

**Промпт који можете користити:**

Мој колега ради на следећем пројекту (или идеји): \[кратко опишите\]. Постави ми тешка питања која ће ми помоћи да са њим дефинишем шта му је заиста неопходно, а шта може да избаци или одложи. Буди директан и не дозволи да се у пројекат убаци било шта непотребно.

**Пример:**

„Колега на послу планира да направи интерну платформу за дељење знања у фирми. Треба да има форум, базу докумената, календар едукација, оцењивање курсева, гејмификацију и мобилну апликацију.“

AI би могао да вас пита: „Који од ових елемената решава ваш најхитнији проблем? Шта би се десило ако почнете само са базом докумената и форумом, па остало додате тек кад видите да људи заиста користе платформу?“

**Где ово можете применити:** планирање пројекта, припрема пословног предлога, развој новог производа или услуге, листа функционалности за софтвер, стратешко планирање.

**Савет за овај дан:** Ово је једна од најмоћнијих, а најређе коришћених примена AI-ја. Већина људи користи AI само да добије одговоре-али питања која AI поставља често су вреднија од одговора које даје.

**Напомена**: Прочитајте текст [Кад AI потврђује уместо да анализира](https://www.vijuge.rs/sycophancy/) да бисте разумели зашто у промпту не постављате питање из првог лица једнине.

---

### **Дан 7: Сачувајте промпт који вам је помогао**

**Шта ћете научити:** Добар промпт је као добар рецепт-кад га једном направите, можете га користити изнова. Седми дан је посвећен томе да „утврдите“ оно што сте научили.

**Како то изгледа у пракси:**

Током протеклих шест дана сигурно сте наишли на бар један промпт који је дао одличан резултат. Можда је то био онај за преправљање имејла, или за сажимање текста. Уместо да га заборавите, сачувајте га и усавршите.

**Промпт који можете користити:**

Ево промпта који сам користио/ла и који је одлично функционисао: \[налепите промпт\]. Побољшај га тако да буде јаснији и да могу да га користим поново у сличним ситуацијама. Предложи и 2–3 варијације за различите намене.

**Пример:**

Ако сте током недеље користили промпт за сажимање записника са састанка и били задовољни резултатом, затражите од AI-ја да га унапреди и да дода опције за различите дужине сажетка, за различите публике (шеф, тим, клијент), или за различите типове докумената. Врло често, ако сте водили разговор само о једној теми у оквиру истог чета, и на крају били задовољни резултатом, можете затражити од АИ-ја да вам напише промпт који ћете убудуће користити да поставите само једно питање и да без даљег разговора, из прве, добијете одговор са којим сте задовољни.

**Где ово можете применити:** било који промпт из претходних шест дана, или било који други промпт који сте користили ван овог плана.

**Савет за овај дан:** Направите једноставан документ (или белешку на телефону) где ћете чувати промптове који раде. Назовите га „Моја AI библиотека“. Временом ће постати ваш највреднији алат за продуктивност.

---

### **Додатак: Водите дневник напретка**

На крају сваког дана, одвојите три минута и запишите одговоре на три питања:

1. Који задатак сам данас урадио/ла уз помоћ AI-ја?
2. Шта ме је изненадило (позитивно или негативно)?
3. Да ли ћу овај промпт користити поново?

Ово је начин да пратите сопствени напредак. После седам дана имаћете конкретан преглед тога шта вам AI може донети у свакодневном раду. А навика се гради једним малим успехом сваког дана.

---

### **Шта после седам дана?**

Ако сте дошли до краја овог плана, већ сте испред већине људи у коришћењу AI алата. Ево шта можете даље:

- Проширите примену: користите AI за све веће и сложеније задатке: анализу података, припрему презентација, истраживање теме за пројекат.
- Експериментишите са различитим алатима: испробајте ChatGPT, Claude и Perplexity за исти задатак и видите који вам више одговара.
- Делите са колегама: покажите другима шта сте научили. Најбољи начин да учврстите знање је да га пренесете некоме.
- Градите своју библиотеку промптова: сваки добар промпт који сачувате је уштеда времена у будућности.

Најважнија ствар: не покушавајте да савладате све одједном. Један задатак дневно, једна мала победа, и то је формула. Промена се гради постепено, а после месец дана свакодневног коришћења AI-ја, нећете моћи више да замислите рад без њега.
### Кад држава угаси интелигенцију
URL: https://www.vijuge.rs/kad-drzava-ugasi-ai/
Last updated: 2026-06-14T07:00:31.000Z
Пре пет дана Anthropic је свету представио Claude Fable 5 - модел који су описали као најспособнији који су икада ставили на располагање широј јавности. Само три дана касније, 12\. јуна, исти тај модел је нестао. Америчка влада је, позивајући се на националну безбедност, наложила Anthropic-у да суспендује приступ Fable 5 (и сродном Mythos 5) свим страним држављанима, укључујући и запослене који нису Американци. Пошто компанија није могла да раздвоји кориснике по националности у реалном времену, једноставно је угасила моделе за све, од Силицијумске долине до Београда, Токија и Сиднеја.

![](https://storage.ghost.io/c/2d/c9/2dc983e7-62c6-4b30-b450-feb5e80e95da/content/images/2026/06/image.png)

Ова одлука је политички чин. Влада је оценила да модел поседује превише опасних способности, и то посебно у проналажењу безбедносних рупа у софтверу, те да постоји ризик да се те способности откључају кроз технику заобилажења уграђених сигурносних филтера и етичких ограничења LLM-а (тзв. jailbreak), како би се модел приморао да генерише забрањен или небезбедан садржај. Anthropic је касније навео да је реч о већ познатом проблему који постоји и код других јавно доступних модела, али је ипак морао да се повинује наредби.

Треба поштено рећи и ово: можда је читав случај заиста неспоразум, као што Anthropic тврди, и можда ће приступ ускоро бити враћен. Можда су безбедносни разлози били стварни и озбиљни. Али чак и ако јесу, оно што остаје јесте демонстрација моћи, и доказ да прекидач за гашење AI-ја постоји и да га неко може притиснути.

### **Демонстрација моћи и границе дигиталне зависности**

За обичне кориснике последице су биле тренутне и засигурно болне. Они који су тек почели да граде озбиљне радне процесе на Fable 5, као што су програмери, истраживачи, аналитичари и креативци, остали су без алата који им је омогућавао да раде брже и боље него раније. Посебно су погођени људи и организације ван Сједињених Држава. За Србију, Европу, Азију и глобални југ ово је још један подсетник колико је опасно бити потпуно зависан од америчке технолошке инфраструктуре која може бити искључена преко ноћи из геополитичких разлога.

Али краткорочна штета по кориснике је мањи проблем у поређењу са оним што ће ово значити за будућност. Fable 5 је био тек први из нове генерације модела који су знатно способнији од свега што смо до сада видели. Следећи ће бити још моћнији. Будући модели, они који ће бити способни за аутономно научно истраживање, комплексно одлучивање и креативно мишљење на нивоу који превазилази људске способности, вероватно никада неће бити јавно доступни на начин на који је то сада ChatGPT, Gemini или Claude Opus. Сва је прилика да ће бити третирани као стратешки ресурси, попут нуклеарне технологије или напредног наоружања.

Замислите свет у којем ваш конкурент користи модел који је десет пута паметнији од оног који је вама доступан. Он може да анализира тржиште, оптимизује процесе, пише код и дизајнира производе брзином коју ви не можете ни да замислите. А ви, с друге стране, радите са моделом који је „одобрен за Србију“. Ту више нема фер конкуренције. Имаћемо структуралну неједнакост која је уграђена у саму AI технологију.

То отвара врата озбиљној подели. Кина, Европска унија, Индија и друге силе већ раде на сопственим „сувереним“ AI системима. Гашење Fable 5 даје им јак аргумент да не смеју да се ослањају на америчке моделе, јер их америчка влада може укинути у било ком тренутку. Уместо једног глобалног екосистема, добићемо неколико паралелних, међусобно неповерљивих сфера утицаја.

### **Интелигенција као привилегија моћних**

На питање „да ли ће доћи до контроле интелигенције“ већ смо добили одговор. На нивоу најновијих AI технологија, и то оних које захтевају десетине хиљада најнапреднијих чипова и огромне количине енергије, контрола је релативно лака. Државе могу да контролишу извоз хардвера, приступ подацима и изградњу дата центара. То је већ део наше реалности. Међутим, када пустите модел да ради, његово ширење је много теже зауставити. Биће тешко спречити дестилацију, open-source варијанте, цурење података и локални тренинг мањих, али и даље веома способних модела.

Ту се рађа нови, опаснији облик неједнакости. До сада смо о дигиталном јазу говорили као о разлици између оних који имају рачунаре и интернет и оних који их немају. Убудуће ће јаз ићи по две нове линије. Прва је линија дозволе: грађани једних држава имаће приступ најмоћнијим моделима, док ће га другима (можда баш нама, на периферији великих савеза) ускратити туђа безбедносна процена. Друга је линија новца: и тамо где забране неће бити, најпаметнији модели коштаће толико да ће их приуштити само корпорације и богати појединци, док ће остатак света добијати „довољно добре“ верзије. Када спојите ове две ствари, добићете свет у којем интелигенција, и то она права, врхунска, она која доноси пресудну предност у медицини, науци и бизнису, постаје привилегија, а не јавно добро.

За земље попут Србије ово је озбиљна порука. Ми не правимо AI моделе и не седимо за столом за којим се доносе одлуке. Ми смо корисници, и то корисници чији приступ вештачкој интелигенцији зависи од туђе политике. Ако не желимо да будемо само неми посматрачи своје будућности, одговор лежи у изградњи сопствених капацитета: у отвореним AI моделима које можемо да прилагођавамо и покрећемо у Србији, у знању које остаје код нас, у томе да бар део те интелигенције не зависи од дозволе која стиже из туђе престонице.

Три дана. Толико је трајао најпаметнији јавно доступан вештачки ум пре него што је, једним декретом, нестао са планете.

Оно чему нас је за та три дана научио трајаће много дуже.

Гашење Claude Fable 5 је политички сигнал да најмоћнија интелигенција на планети почиње да се третира као стратешки ресурс, сличан напредним чиповима или нуклеарној технологији. Поред питања „колико ће AI бити паметан“, почећемо да постављамо и питање „ко ће имати дозволу да га користи и под којим условима“.

Ако се овај тренд настави, суочићемо се са светом у коме је приступ најбољој интелигенцији ограничен геополитиком и новцем. То је сценарио у коме побеђују они који већ имају моћ. И државну и економску.

А ту лежи највећа иронија. Вештачка интелигенција је обећавала демократизацију знања. Обећавала је да ће свако, без обзира на то где живи или колико зарађује, имати приступ врхунској помоћи у размишљању и експертизи. Уместо тога, крећемо се ка свету у коме ће интелигенција бити контролисана и дистрибуирана према геополитичким интересима.

А то је, дугорочно, опасно за све.
### Зашто AI агент кошта више од четбота?
URL: https://www.vijuge.rs/cena-ai-agenta/
Last updated: 2026-06-07T13:30:00.000Z
Ове године дошло је до значајне промене између онога што је вештачка интелигенција представљала пре годину дана и онога што је данас, а та разлика ће се ускоро појавити на фактури ваше компаније. Та разлика се појавила у сегменту у којем дефинишете шта уопште поверавате AI-ју да уради за вас.

Када користите класичан четбот, ви водите разговор. Поставите питање, добијете одговор, прочитате га, па поставите следеће питање. Ви управљате разговором, док је машина углавном пасиван саговорник који вас саветује. Трошак такве размене је предвидљив јер је ограничен: једно питање, један одговор, крај.

[AI агент](https://www.vijuge.rs/ai-agent/) је нешто сасвим друго. Агенту не дајете питање, већ задајете циљ. Не кажете му „како да резервишем састанак“, већ „резервиши ми састанак“. А онда се склоните и пустите га да ради. Е, ту почиње прича о бројилу.

### **Невидљиви разговор који плаћате**

Ово је кључна разлика коју треба да разумете, јер из ње произилази све остало. Када напишете промпт класичном четботу, машина обрађује ваш текст и враћа текст. То је један корак. Када задате циљ агенту, он тек тада почиње да размишља како да до тог циља дође, и то размишљање се одвија у десетинама, понекад стотинама међукорака које ви не видите.

Замислите да сте свом запосленом рекли само: „Припреми ми извештај о конкуренцији до краја дана.“ Искусан човек би сам разложио тај задатак на делове: ко су конкуренти, где да нађе податке, које бројке су релевантне, како да их упореди, како да то спакује у документ. Агент ради тачно то, само наглас и у сопственој „глави“: он себи поставља подзадатке, покушава, проверава да ли је успео, исправља се ако није, па покушава поново. Сваки од тих унутрашњих корака је нова размена са моделом, само што не прича са вама, већ са самим собом.

> Другим речима: ви сте написали једну реченицу, али машина је због те реченице водила сама са собом разговор који је имао, можда, педесет реченица. Ви плаћате цео тај невидљиви разговор.

AI агенти нису новост у смислу идеје, али јесу новост у смислу доступности. Током 2026\. компаније које пружају [ЛЛМ](https://www.vijuge.rs/sta-je-zapravo-llm/) услуге су једна за другом претвориле своје алате из помоћника у извршиоце. Појавили су се системи који могу да преузму контролу над вашим рачунаром, да виде екран, померају курсор, кликћу на иконице и уносе текст у формуларе на екрану, баш као да човек седи за тастатуром. Неки то раде на вашем десктопу, неки у засебном прозору, неки у директоријуму који сте одредили, а неки директно у претраживачу.

Суштина је свуда иста: такав AI агент може да користи и оне програме који немају никакву посебну везу са вештачком интелигенцијом, једноставно зато што може да их „види“ и њима рукује као човек. То је оно што га чини моћним, и то је оно што га чини скупим. Јер да би нешто урадио, мора прво да погледа где је, да одлучи шта да кликне, да провери шта се десило после клика, па да одлучи шта да уради следеће. Сваки тај циклус троши ресурсе за овакав начин рада агента.

Поједини AI агенти ове врсте, пре два месеца, имали су нешто више од милион активних корисника, а данас их имају око три милиона. Када се толико људи навикне на то да машина обавља целокупне задатке уместо да само одговара на питања, потрошња рачунарске снаге расте експоненцијално, а неко ту потрошњу мора да плати.

Мера потрошње код ових система је „[токен](https://www.vijuge.rs/token/)“. То је најмања јединица текста коју модел може да прочита или напише. Код класичног четбота број токена у размени неколико питања и одговора је мали и лако предвидљив. Код AI агента је ситуација знатно другачија.

Истраживања показују да чак и једноставни агентски задаци троше између пет и петнаест хиљада токена, док сложени процеси у којима више агената сарађује на једном циљу, могу да потроше од двеста хиљада до преко милион токена. Само за један једини задатак. И, што је проблематично за планирање буџета, исти агент на истом задатку може да се разликује у трошковима и до тридесет пута, зависно од тога колико је „лутао“ док је тражио решење. Ваша фактура тако престаје да буде фиксни трошак и постаје нешто што можемо да упоредимо са рачуном за такси у иностранству: знате где треба да стигнете, али не знате баш тачно колики ће на крају бити рачун.

Има ту и занимљивих прича. Недавно је забележен случај у којем је агент, док је радио преко ноћи, упао у петљу из које сам није умео да изађе. Понављао је исти низ радњи хиљадама пута и накупио неколико стотина долара трошка пре него што га је систем зауставио. Нико није седео за рачунаром. Машина је марљиво и потпуно бесмислено трошила новац до зоре, убеђена да решава задатак који јој је задат.

Ово је тамна страна онога што чини агенте привлачним. Слобода да самостално решава задатак истовремено је и слобода да самостално потроши ваш новац.

### **Зашто се време паушала завршава?**

Све донедавно, велике AI компаније су ове алате наплаћивале паушално: платите фиксни месечни износ и користите колико хоћете. Тај модел је имао смисла док је машина само одговарала на питања, јер је потрошња била уједначена. Али у случају када један корисник употребом AI агента потроши хиљаду пута више од другог, фиксна претплата постаје математички неодржива. [Неко ту увек губи](https://www.vijuge.rs/poskupljenje-ai/).

Зато су велики играчи током 2026\. један за другим почели да прелазе на наплату по потрошњи. GitHub је објавио да сви његови Copilot планови од 1\. јуна 2026\. прелазе на модел у коме се уместо фиксних „захтева“ наплаћује стварна потрошња токена. Реакција корисника, који су углавном програмери, била је веома бурна. Програмери су пријавили да троше велике делове својих месечних кредита за само неколико сати, што је изазвало масовне жалбе и претње да ће прекинути са коришћењем AI алата. Један корисник је промену описао као прелазак са „предвидљиве претплате“ на „свакодневни стрес због уграђеног бројила који му омета продуктивност уместо да је подстиче“.

У питању је индустрија која се коначно суочава са реалношћу да рачунарска снага није неограничена нити бесплатна. Време у којем су нам лабораторије давале неограничен приступ својим најнапреднијим моделима испод реалне цене (да би код корисника створиле навику и освојиле тржиште) полако, али сигурно пролази.

### **Шта даље?**

Поента ове моје приче није да се уплашите AI агената и вратите на постављање питања четботовима. Ова прилика је стварна: машина која самостално обавља целе задатке док ви радите нешто друго јесте огроман скок у продуктивности. Али она тражи другачији начин размишљања од оног на који смо навикли са класичним софтвером.

Са класичним софтвером плаћате лиценцу и знате колико вас кошта. Са агентом плаћате резултат, а цена тог резултата варира јер варира и напор који машина треба да уложи да до њега дође. То значи да трошкове вештачке интелигенције од сада треба посматрати мање као фиксну ставку, а више као нешто што се прати, мери и ограничава, слично као што се прати потрошња струје или горива у возном парку. Морате знати колико токена троши сваки процес који сте пустили у рад и колико динара кошта сваки готов резултат, а не само колико је задатака AI агент обавио. Треба имати и неку врсту сигурносног механизма који зауставља агента када пређе разуман праг потрошње токена, да вас цена ноћне петље не би изненадила ујутру кад погледате резултат.

Суштина је једноставна. Машина која ради док ви спавате јесте сан сваког менаџера. Само не смете заборавити да и она, баш као и сваки запослени, на крају месеца учествује у обрачуну трошкова. Запослени кроз плату, а машина кроз утрошене токене. Међутим, за разлику од запосленог, машина неће сама престати да ради када „схвати“ да се у току радног задатка заглавила.
### Shadow AI
URL: https://www.vijuge.rs/shadow-ai/
Last updated: 2026-06-08T19:27:37.000Z
Прошле недеље сам био на ручку са три пријатеља; један је директор, други је главни инжењер, а трећи је власник приватне фирме. Причали смо мало о послу и сумирали радни дан, и у једном тренутку директор каже: „Не могу да верујем да сам цео дан изгубио на састанцима о одговорном коришћењу вештачке интелигенције на нивоу целе корпорације. Имамо корпоративне лиценце за AI софтвер али треба да обучимо људе шта од поверљивих података смеју а шта не смеју да убацују у AI алате. Знамо да већина користи и друге AI алате, не само компанијске, али још увек нисмо донели сва упутства и препоруке за запослене“.

И ту је, у тој последњој реченици, директор сасвим случајно дефинисао појам који се последњих годину дана све чешће чује. *Shadow AI* \- неовлашћена употреба алата вештачке интелигенције у послу, мимо знања и одобрења организације.

*Shadow AI.* Звучи помало злоћудно, као нешто из хорор филма. Сенка. Вештачка интелигенција која вреба из мрака. А ради се, у суштини, о нечему много ближем ономе што се дешава у скоро свакој канцеларији у Србији. И док се највиши менаџмент и даље пита „треба ли нам [AI стратегија](https://www.vijuge.rs/ai-strategija/)“, њихови људи су одавно донели одлуку уместо њих. Тема је важна управо сада јер се отворио јаз: усвајање је претекло управљање за неколико година, а 2026\. тај јаз престаје да буде само питање продуктивности и постаје питање усклађености са законом.

Хајде да раздвојимо две ствари које људи стално трпају у исту фиоку.

Једна ствар је вештачка интелигенција као алат. То је програм који нешто ради: пише, сажима, преводи, предлаже. Друга ствар је ко тај алат користи, како, и да ли за то ико зна. То су два потпуно различита питања, а у главама већине људи спојила су се у једно.

*Shadow AI* није нека посебна, опаснија врста вештачке интелигенције. То је исти онај алат који сви знају. Разлика је једино у томе што га запослени користе а да фирма о томе нема појма. Без дозволе и без икаквог договора. У сенци. Отуда је и добила име.

Е сад, људи чују „shadow“ и помисле да је у питању нешто злонамерно. Неки хакер, неки вирус, или нешто што треба ловити. А заправо је реч о сасвим добронамерној колегиници која само хоће брже да заврши посао. Она не мисли да ради ишта спорно. Вероватно јој никад није ни пало на памет да би то могло постати или бити проблем. Искористила је AI алат који јој олакшава дан, као што редовно узме калкулатор уместо да рачуна на папиру.

Откуд онда уопште прича о сенци?

Зато што фирма не зна шта улази у те алате. Колегиница залепи у прозорчић уговор, листу клијената, бројеве, податке о платама и шта год јој треба да посао буде готов. И то негде оде. На неки сервер, у нечију туђу машину. Она то не види као слање података. Она то види као куцање у један прозор на екрану. А то су две веома различите ствари, само што изгледају идентично.

Мислим да је баш ту корен целе забуне. Ми смо навикли да машина на нашем столу ради за нас, код нас, у нашој канцеларији, у нашој радној соби. Верујемо свом компјутеру јер је наш. А ови нови алати изгледају исто тако: прозор, курсор, слова која се појављују - али иза тог прозора више није наша соба. Тамо је неко други.

Разлика је суптилна и баш зато је опасна.

Занимљиво је и то како се појам шири. Пре пар година причало се о „shadow IT“, кад запослени користе неки програм или апликацију коју IT служба није одобрила. Неко инсталира свој омиљени алат за пребацивање фајлова, неко користи приватни Google Drive за пословне ствари. Стара прича. *Shadow AI* је само нова генерација исте појаве. Људи су одувек налазили пречице. Кад им званични алати не ваљају или их нема, снађу се сами.

То је најчешће знак да људи хоће да раде боље. Онај ко се не труди, не тражи пречице. Тај само чека крај радног времена. *Shadow AI* се појављује баш тамо где има енергије, где неко покушава да буде ефикаснији него што му систем дозвољава.

Наравно, то не значи да је све у реду. Али приметио сам да се о томе прича погрешним речима. Говори се о „претњи“, о „ризику“, о „контроли“, а у основи је само обичан људски порив да се посао олакша, комбинован са чињеницом да нико није размислио где ти подаци заправо одлазе.

Овде се крије најфасцинантнији део приче, а то је разлика у перцепцији ризика. Извештај *ManageEngine* открива да, док 97% IT руководилаца види значајан ризик у Shadow AI-ју, чак 91% запослених не види ризик, види мали ризик или сматра да је ризик надмашен користима.

Хајде да застанемо мало над овим бројевима. Две групе људи у истој фирми гледају у исти феномен и виде два потпуно различита света. Ја овде не видим проблем дисциплине, већ проблем комуникације за запосленима и потребу за њиховом обуком. Кажњавање запосленог који искрено не перципира опасност неће променити ништа. Можда ће га само гурнути да се са употребом AI алата повуче још дубље у сенку.

### **Шта бројеви заправо говоре**

Утицај овог феномена је оно што изненађује чак и технолошки писмене руководиоце. Према истраживању компаније *ManageEngine* спроведеном 2025, 93% запослених признаје да уноси информације у AI алате без одобрења, а 60% користи неодобрене алате више него пре годину дана. Гартнерова анкета међу лидерима за сајбер-безбедност из 2025\. показује да 69% организација сумња или има доказе да запослени користе забрањене јавне генеративне AI алате.

А онда долази и цена оваквог начина рада. Према извештају IBM-а "*Cost of a Data Breach 2025"*, Shadow AI је допринео у 20% случајева цурења података и додао у просеку 670.000 долара на трошак сваког овог инцидента, док 63% организација уопште нема политику управљања AI-јем. Веризонов извештај из 2025\. открива и механику цурења: од запослених који приступају генеративном AI-ју на корпоративним уређајима, чак 72% се пријављује преко личних налога, а само 11% користи контролисане корпоративне канале.

Другим речима: није реч о неколицини „бунтовника“. Реч је о тихом, масовном консензусу ваших запослених да је неформални алат бољи од онога што сте им (ако сте им уопште ишта) понудили.

Да рашчистимо још једну ствар, јер овде прича постаје озбиљнија.

Постоје фирме где *Shadow AI* није само незгодна навика, него питање које вам може срушити свет на главу. Банке. Болнице и домови здравља. Мобилни оператери. Школе и факултети. Све су ово места где у систему постоје подаци о обичним људима: ЈМБГ, дијагнозе, бројеви рачуна, ко кога зове и када, оцене деце. Ту није реч о вашој интерној табели коју нико са стране неће ни погледати. Ту је реч о подацима о животима других људи, поверенима вама на чување.

Замислите само да медицинска сестра, да би брже срочила отпусну листу, залепи у AI прозорчић налаз пацијента са именом, презименом и дијагнозом. 

Или да службеник у банци убаци списак клијената да му алат „лепо среди“ табелу. 

Нико од њих не мисли зло. Обоје само желе да заврше посао пре краја смене. А податак је у том тренутку већ напустио зграду и отишао негде где га ни сестра ни службеник више не могу вратити, ни избрисати, ни објаснити где је.

Е ту је враг однео шалу.

Јер банке, здравство и телекомуникације не одговарају само својој савести. Изнад њих стоје закони, регулатори, инспекције. Постоји пропис о заштити података о личности, постоје правила Народне банке, постоје обавезе које се тичу и казни које умеју да буду велике. Кад податак неког пацијента или клијента процури кроз један такав прозорчић, то више није „упс, колега је нешто погрешио“. То је пропуст за који одговара цела установа.

А најгоре је што се то дешава потпуно невидљиво. Нема провале, нема хаковања, нема никога ко је нешто „украо“. Само добронамеран запослени, прозор на екрану, и податак који је тихо отишао. Без трага. Нико чак и не зна да се то догодило, све док не буде касно.

Како премостити овај проблем? Први импулс код шефова је да се забрани коришћење AI алата, јер је то најбрже решење. Али забрана ретко кад заиста упали, јер онај ко хоће да се снађе, снаћи ће се и мимо забране, само још тише и још скривеније. Онда заиста можемо да паднемо у сенку из које нема повратка.

Оно што се показало као смисленије јесте сасвим друга логика. Прво треба дати људима алат којем фирма верује, уместо да их терате да крадомице користе туђе. Ако медицинска сестра или службеник имају на располагању нешто што је установа проверила, одобрила и сместила у сопствену зграду, неће морати да се сналазе на своју руку. Порив да се посао олакша остаје исти, само на овај начин добија пристојну реализацију.

Обавезно треба објаснити људима разлику коју до сада нису видели. Ону разлику између прозора који је „наш“ и прозора који само тако изгледа. Већина људи који праве овај пропуст немају појма да га праве. Нико им никад није рекао куда тај текст одлази кад притисну ентер. А кад схвате, углавном сами стану. У највећем броју случајева људи нису несавесни, само су необавештени.

На крају мора да се раздвоји шта сме да се обради помоћу таквог алата, а шта никако не сме. Једно је тражити помоћ да се срочи општи допис. Сасвим друго је убацити име, ЈМБГ, дијагнозу и број здравствене картице у исти тај прозор. Граница употребе алата је управо у подацима које му поверавате. И само ви можете да дефинишете ту границу, а не AI алат.

Испред сваког тог прозора и даље седи човек који користи алат. Алат не ради ништа сам од себе. Он може да предложи, али ви одлучујете и ви сносите одговорност за оно што сте му поверили. Машина не може преузети кривицу - она је алат и ништа више. А у установи где се чувају туђи подаци, та одговорност тежа је него било где друго.

### **Сенка која ускоро добија правну цену**

Shadow AI није будућа претња, већ садашња стварност у готово свакој организацији, укључујући вероватно и вашу. То није проблем недисциплинованих запослених, већ проблем вакуума у управљању који сте, хтели или не, сами оставили. Одговор није забрана, већ усмеравање: јасна правила, добар алат и обука.

До сада је Shadow AI био углавном питање продуктивности и безбедности. Од 2026\. постаје питање *закона*. Најважнији рок за већину предузећа је 2\. август 2026\. године, када постају обавезујуће одредбе ЕУ Акта о вештачкој интелигенцији за високоризичне системе, укључујући AI у запошљавању, кредитним одлукама и образовању. Казне достижу до 35 милиона евра или 7% глобалног годишњег промета, што је много строже него GDPR прекршај.

Преведено на српски језик бизниса: ако ваш HR користи неевидентирани AI за сортирање кандидата, то ће бити регулисана, кажњива радња. Организације које сада легализују и усмере употребу AI-ја купују себи предност.

Остаје, додуше, једно питање које ме копка. Кад је нешто свуда око нас, а нико о томе не говори наглас, да ли је то још увек сенка, или је одавно постало дневна светлост коју једноставно не примећујемо?
### Зашто Agentic AI још увек не улази на велика врата у бизнис
URL: https://www.vijuge.rs/agentic-ai/
Last updated: 2026-06-12T21:53:04.000Z
#### Садржај

AI Агент добија задатак да рекламира производ, сам претражује базу, формира понуду, шаље мејл клијенту и отвара налог у CRM-у, и то без иједног клика од стране човека. Менаџери који су присуствовали демонстрацији аплаудирају. Директор одмах одобрава буџет. Шест месеци касније, људи и даље мануелно раде наведени радни процес, а тај исти агент није ни пуштен у рад. Негде између демонстрације његових способности и стварног рада у компанији нешто је пошло наопако.

То „нешто“ није усамљен случај. То је, па скоро, постало правило. Према подацима које су током 2026\. године поновили Forrester, Anaconda и панел CIO-а са MIT Sloan-а, чак 88% пилот пројеката AI агената никада није стигло до свакодневне употребе у компанијама. Реч је о једној од најцитиранијих бројки у целој индустрији ове године, а оно што је чини значајном јесте то што говори о AI агентима који су приликом демонстрације њихових способности радили савршено, а у стварној компанији су подбацили.

Овај текст није још један хвалоспев о томе како ће Аgentic AI променити свет до краја 2026\. године, нити је одбацивање ове технологије. Реч је о критичном погледу на јаз између онога што Аgentic AI обећава и онога што данас заиста испоручује у бизнису, и зашто се тај јаз неће затворити само зато што ћемо имати све паметније AI моделе. Тема је важна баш сада јер је „agentic“ у 2025\. и 2026\. постао подразумевана маркетиншка етикета сваког софтверског производа. Када се нешто тако често појављује у презентацијама о употреби AI агената у бизнису, морамо разумети где су заиста границе те технологије.

### **Шта уопште значи „agentic“ и шта заправо хоће да вам продају под тим именом**

Пре него што вам објасним зашто Аgentic AI не ради оно што продавци тврде, морамо да рашчистимо шта уопште та реч значи. Јер понекад, ту дође до забуне.

Постоји важна разлика између три ствари које се данас продају под истим именом. Прва је обичан chatbot: ЛЛМ који одговара на ваше питање и чека да поставите следеће. Друга је [A*gentic workflow*](https://www.vijuge.rs/agentic-workflow/): радни ток који је човек направио, где су кораци фиксни, углавном нема гранања, а AI попуњава само поједине тачке у њему. То је у суштини аутоматизација са језичким моделом у средини, која је функционална и предвидљива, јер је путању унапред дефинисао човек. Трећа, и једина која заслужује назив „agentic“ у пуном смислу, јесте систем са стварном аутономијом: агент који сам планира кораке радног тока, сам бира које алате ће употребити, сам доноси одлуке у петљи, сам одлучује о гранању унутар тока и сам реагује на оно што затекне у том процесу, и то без унапред зацртане путање.

Agentic workflow где је човек поставио ток јесте предвидљив јер је човек ограничио простор могућих исхода. Прави AI агент са аутономијом је непредвидљив по дефиницији, што је истовремено његова највећа снага и разлог зашто се бизнис колеба. Када вам продавац каже „наш производ је agentic“, прво питање које треба да му поставите је: да ли агент бира сопствену путању, или само извршава ону коју сте ви зацртали?

Највећи део данашњих AI алата на тржишту спада у средњу категорију (Agentic workflow), али се продаје као трећа (Аgentic AI). Неразумевање ових појмова и њихових основних функционалности само по себи кочи примену, јер купци не знају шта купују. Желе аутономију, а добију аутоматизацију, и на крају се разочарају у оба. А када говоримо о томе зашто „права“ аутономија не улази у бизнис, говоримо о суштински другачијем проблему од онога који мучи обичне AI аутоматизације.

### **Проблем последњих 5%**

Сада долазимо до сржи проблема. Највећи неспоразум око Аgentic AI јесте веровање да је „сасвим добар“ језички модел довољан за посао. Али није. И математика то веома јасно показује.

Замислите агента који сваки појединачни корак у радном току обави тачно у 95% случајева. Звучи одлично, зар не? Али пословни процеси ретко имају само један корак. Можда их има десет: прочитај мејл, отвори прилог, прочитај захтев, провери залихе, израчунај цену, примени попуст по ценовнику, повуци податке купца из CRM-а, генериши документ, пошаљи га, ажурирај систем... Ако је сваки од ових корака независан и тачан у 95% случајева, вероватноћа да ће *цео ланац свих 10 корака* проћи без грешке није 95%. То је 0,95 на десети степен, што је 59%. Другим речима, агент који делује скоро савршено на нивоу извршавања појединачног корака, може исправно да уради цео задатак у мање од две трећине случајева.

То је тзв. „проблем последњих 5 посто“. Грешка се током радног тока умножава. И што је ток дужи, то је грешка већа. Управо због тога демонстрација рада AI агента на процесу који има три корака делује нестварно, а на процесу са десет корака пада већ у првом покушају.

Најпознатији референтни тест (benchmark) за ову појаву је τ-bench (tau-bench), који су развили истраживачи из компаније Sierra да би мерили како се агенти понашају у реалним интеракцијама са корисницима и алатима, уз поштовање пословних правила. Резултати су отрежњујући. Чак и врхунски агенти који самостално могу да позивају функције и алате, попут оних на GPT-5.5, успевају у мање од 50% задатака, и изузетно су неконзистентни.

Али кључни допринос овог референтног теста је метрика коју су назвали *pass^k.* То јевероватноћа да агент исти задатак реши исправно *свих к пута заредом*. Јер у бизнису вас не занима да ли агент може да обради наруџбину једном; занима вас да ли ће је обрадити тачно сваки пут, хиљаду пута дневно. Чак и за најбољег GPT-5.5 агента са преко 60% просечног успеха, pass^8 пада испод 25%. Преведено: агент који у 60% случајева уради посао како треба, када га пустите да исти задатак понови осам пута, сваки пут може успешно да обави задатак у мање од четвртине случајева.

Математика је немилосрдна и када модел делује скоро савршено. Модел са 90% успеха по појединачном покушају пада на свега 57% конзистентности при осам понављања. Та разлика између „углавном тачно“ и „поуздано тачно“ је тачно она разлика која дели импресиван демо од AI агента који се може пустити у рад.

Треба, ипак, напоменути да AI модели напредују. Најновији резултати на τ-bench-у показују да поједини модели сада прелазе 85% на појединачном покушају. Али ту постоји замка коју доносиоци одлука без техничког знања лако превиде: висок скор на референтном тесту мери се у контролисаним условима, са чистим подацима и јасно дефинисаним алатима. То није исто што и ваша компанија. А и када скорови расту, проблем конзистентности при понављању остаје структурна карактеристика модела, а не пролазна мана. Зато истраживачи све више граде и наменске тестове попут ReliabilityBench-а, који мере како се агент понаша када се појаве реални услови: другачије формулисани захтеви, повремени откази API-ја или оптерећење система. Постојећи референтни тестови дају извештаје само о успеху у једном покушају под идеализованим условима, што систематски прецењује поузданост у реални условима.

> *Поука за директора: када вам покажу скор са теста, питајте да ли је то просек једног покушаја или је то конзистентност кроз вишеструка понављања. То су два потпуно различита света.*

### **Зашто исти захтев даје различите одговоре и зашто то бизнис не подноси**

Ако је проблем последњих 5% питање колико често агент погреши, онда је недетерминизам питање да ли уопште можете да предвидите шта ће урадити. И за бизнис који живи од предвидљивости, ово је можда и тежа препрека од саме тачности.

Кренимо од чињенице која изненади већину људи који немају техничко знање о вештачкој интелигенцији. Када поставите језичком моделу потпуно идентично питање два пута, не морате нужно добити исти одговор (осим ако не питате о опште познатим чињеницама). Штавише, ни када инжењери „искључе случајност“ у ЛЛМ-у тако што поставе параметар [температуре ](https://www.vijuge.rs/podesavanje-parametara/)на нулу, што би теоријски требало да да увек исти резултат, излаз и даље варира. Савремени језички модели често дају различите излазе за исти упит чак и при „похлепном“ декодирању (*greedy decoding*) са температуром нула, када модел у сваком кораку бира токен која има највећу вероватноћу.

Зашто? Дуго је владало веровање да је кривац неки технички проблем који настаје у начину на који графичке картице сабирају бројеве. Али у септембру 2025\. лабораторија Thinking Machines (коју је основала Мира Мурати, бивша директорка технологије у OpenAI-ју) објавила је анализу која је ту причу преокренула. Прави узрок, показали су, јесте нешто неочекивано: *варијација величине групе* (batch). Када пошаљете захтев моделу, сервер га обрађује заједно са захтевима других корисника у истом тренутку. Колико ће тих захтева бити, зависи од тренутног оптерећења сервера. А тај број истовремених захтева суптилно мења нумеричке путање у израчунавању, што на крају мења коју реч модел изабере. Покретање истог упита 1.000 пута при температури нула произвело је 80 различитих одговора; након замене три кључна рачунска модула верзијама независним од величине групе, свих 1.000 излаза били су идентични до нивоа бита.

Другим речима: из перспективе корисника, тренутно оптерећење туђих захтева на серверу постаје скривени улаз који непредвидиво помера ваш излаз. Ви ништа нисте променили, а одговор је другачији јер је неко други у истом тренутку послао упит који се обрађује на истој графичкој картици на којој се обрађује и ваш упит.

Чини се да ова мала „ситница“ представља егзистенцијални проблем AI-ја за читаве гране привреде. Банка која обрађује кредит не сме да донесе различиту одлуку за исти досије у зависности од тога колико је других људи у том тренутку користило систем. Рачуновођа који генерише финансијски извештај не сме да добије два различита износа за исте улазне податке. Правник коме агент припрема уговор мора да зна да ће иста клаузула изгледати исто сваки пут. У пракси, поновно покретање истог упита даје различите секвенце, што руши репродуктивност, а то подрива научне експерименте, отклањање грешака, безбедносне процене и поверење у компанији.

И ту се сукобљавају две филозофије. Традиционални пословни софтвер је *детерминистички*: иста формула или исти улаз дају исти излаз, и то увек, без изузетка. На овом правилу је изграђен читав корпоративни свет: ЕРП системи, рачуноводство, банкарски системи, системи за платни промет, осигурање. Agentic AI је *пробабилистички*: ради са вероватноћама, а не са извесностима. Тражити од организације која је деценијама градила поверење на детерминизму да пређе на систем који по својој природи даје различите одговоре на исти или сличан упит, представља суштинску промену парадигме пословања. Многи руководиоци то инстинктивно осећају, чак и када не умеју то да формулишу: нешто у вези са „паметним, али непредвидивим“ системом коси се са свиме што знају о томе како се води сигуран и поуздан бизнис.

Само да вам буде јасно: проблем је решив на техничком нивоу. Доказано је да се детерминизам може постићи инжењерским приступом проблему. Али постоје две кваке. Прво, то кошта: детерминистичко извршавање је спорије и скупље, јер жртвујете ефикасност групне обраде. Друго, и најважније за доносиоце одлука: велики провајдери AI модела то данас и даље не гарантују. OpenAI наводи да њихов API може бити само „углавном детерминистички“ без обзира на поставке параметра температуре; Anthropic-ова документација изричито каже да чак ни при температури 0,0 резултати неће бити потпуно детерминистички; Google такође наводи недетерминизам као основну особину његових AI модела.

> Практична импликација за увођење Agentic AI: ако ваш посао захтева да исти улаз увек даје исти излаз (ревизија, регулаторно извештавање, финансијске трансакције, књиговодство), тада не можете поставити аутономног агента у центар вашег радног процеса и надати се најбољем. 

Мораћете или да га оградите детерминистичким проверама (чиме смањујете његову аутономију), или да прихватите варијабилност и изградите процесе који ту варијабилност толеришу. Имате, наравно, и трећу опцију: игнорисање проблема, које ће вас сигурно одвести право у оних 88% пилот пројеката који никад не дођу до реализације.

### **Ко је крив кад агент погреши?**

Претпоставимо да некако успете да решите и поузданост и недетерминизам. Остаје питање које ниједан модел не може да реши, јер није техничко: када аутономни агент донесе погрешну одлуку, ко ће бити одговоран?

Ово је препрека коју инжењери често потцењују јер су фокусирани на функционалност и крајњи резултат, а правници и директори одмах препознају. У класичном софтверу ланац одговорности је јасан: човек је донео одлуку, софтвер је само извршио. Код аутономног агента одлуку је донела машина: сама је изабрала да одобри попуст, да пошаље понуду, да откаже резервацију, да изврши новчану трансакцију. Прелазак вештачке интелигенције са модела заснованих на упитима ка аутономним агентима способним за независне акције ствара празнину у одговорности када интелигентна аутоматизација доведе до грешака које крше правне или етичке обавезе; питање ко сноси кривицу, програмер, оператер система или крајњи корисник, остаје отворено.

За европске компаније, а тиме и за српске које послују са ЕУ ово је озбиљно питање. EU AI Act улази у кључну фазу примене. Обавезе из Акта примењиваће се на све оператере високоризичних AI система, почевши од 2\. августа 2026\. За аутономне агенте последице су конкретне. Agentic AI системи, који могу самостално да извршавају сложене задатке кроз више корака и користе различите алате, захтевају посебну пажњу када је реч о праћењу њиховог рада. Да би се лакше уочили ризици и разумело како је систем дошао до одређеног резултата, потребно је бележити кључне кораке, коришћене податке, донете одлуке и добијене резултате. На тај начин компанија у сваком тренутку може да провери шта је систем радио, зашто је то урадио и да ли је поступао у складу са очекивањима.

> Преведено на језик директора: сваку аутономну одлуку мораћете да реконструишете и објасните ревизору. А то је прилично тешко када систем по својој природи није ни детерминистичан ни потпуно објашњив.

Предложена ЕУ директива о одговорности за AI има циљ да олакша оштећеној страни пут до надокнаде тако што смањује терет доказивања о томе како је AI систем донео своју одлуку. За компанију која користи агента то значи обрнуто: лакше ћете бити тужени, а теже ћете доказати да нисте криви, ако не можете да објасните зашто је агент урадио то што је урадио.

Због свега овога, многе компаније одлажу примену вештачке интелигенције зато што не могу у потпуности да контролишу ризике, не могу да их објасне или да их јасно припишу одговорном лицу. Ниједан директор неће олако одобрити да аутономни агент самостално доноси одлуке у пословном процесу ако није јасно ко сноси одговорност када дође до грешке. Управо ту лежи један од највећих изазова примене Agentic AI система: питање одговорности. А то је питање на које данас ни правни оквир још увек не даје потпуно јасан и једнозначан одговор.

### **Скривени трошак**

Постоји још један разлог, много једноставнији од математике и права, а вероватно најчешћи у пракси: агент је добар тачно онолико колико је добар приступ подацима са којима треба да ради. А у већини компанија тај приступ је катастрофалан.

У току демонстрације рада AI агента, он ради са чистим, сређеним, лако доступним и идеалним подацима. У вашој компанији подаци вероватно постоје у три различита система која међусобно не разговарају, у Excel табелама на нечијем десктопу, у ПДФ-овима скенираним 2014\. године, у пољима која је неко попуњавао „како му је тог дана одговарало“. Пројекти који пропадну деле заједнички образац: урушавају се на стварним документима и производе излазе које ниједан ревизор не може да верификује. Пилот пројекат увек ради одлично. Демонстрација AI алата у сали за састанке је беспрекорна.

Бројке то недвосмислено потврђују. Истраживање спроведено током 2026\. над 650 руководилаца показало је да 78% компанија има покренуте пилоте AI агената, али само 14% је стигло до стварне употребе у компанији. А када су анализирали зашто, добили су листу узрока која нема везе са интелигенцијом модела. Пет фактора објашњава 89% неуспеха у скалирању: сложеност интеграције са старим системима, недоследан квалитет излаза при великом обиму обраде улаза, одсуство алата за надзор, нејасно власништво над процесима и недовољно података за обуку у датом домену.

Обратите пажњу чега *нема* на тој листи. Нема „модел није довољно паметан“. 

Forrester-ова анализа корена проблема код компанија са негативним повратом улагања иде у истом смеру: 22% имплементација пријављује негативан ROI после 12 месеци, а као узроци се наводе нејасни критеријуми успеха, недовољан приступ алатима или подацима и одступање у покривености евалуације. И у овом случају ниједан од узрока није суштински проблем квалитета модела, већ проблем опсега и власништва.

Ово је можда и најважнија порука овог текста за власника бизниса. Када размишљате о увођењу AI агента, вероватно замишљате систем који „размишља“. Стварни посао који треба да се уради је нешто сасвим друго: 80% труда треба да се усмери на дефинисање корака кроз које се AI решење развија, тестира и уводи у пословање, а не на памет модела. Треба повезати агента са вашим CRM-ом, ЕРП-ом, базама, треба решити аутентификацију, ограничења приступа, делимичне отказе система. Скоро половина компанија наводи интеграцију и управљање (governance) као своје главне препреке за Аgentic AI; агенту је потребна конекција у реалном времену ка CRM-у, ЕРП-у, базама и API-јима трећих страна, а у пилоту су те везе обично биле симулиране или су користиле унапред снимљене податке. Оркестрација модела је често лакши део посла, а тежак део је поуздано и безбедно повезивање са стварним системима у компанији.

Овде се враћамо на причу о детерминизму из раније секције, јер се две препреке спајају. ЕРП системи, на којима почива пословање, изграђени су на детерминистичкој логици: правила, валидације, гарантовани исходи. Када покушате да на тај детерминистички темељ накалемите агента који доноси одлуке на основу вероватноћа, не сукобљавају се само две технологије, већ се сукобљавају две филозофије поузданости. Транзиција са детерминистичких пословних система на системе прожете вероватносним AI-јем је питање преуређења темеља на којима компанија заснива поверење у сопствене процесе. Зато чак и компаније које имају новац и потребан таленат и знање остају заглављене. Дигитална инфраструктура, подаци и процеси су заостали, а агент не може бити паметнији од канала којима до њега стижу информације.

> Конкретно за малу или средњу фирму: пре него што почнете да размишљате о AI агенту, запитајте се да ли су ваши подаци уопште у стању у коме би и човек могао да ради са њима без превеликог мучења. Ако нису, ниједан модел то неће решити уместо вас.

### **Контрадикторни гласови**

Било би непоштено од мене да код вас створим утисак да постоји консензус о Agentic AI. Не постоји. И вреди чути три различита гласа, јер сваки носи део истине.

Оптимисти тврде да је проблем пролазан, и да није структурне природе. По њима, оно што данас изгледа као зид заправо је само тренутна незрелост екосистема који убрзано сазрева. Оно што 2026\. чини другачијом од претходних циклуса пумпања јесте зрелост: фундаментални модели су поузданији, оквири за оркестрацију су се стабилизовали, а алати за надзор, заштитне механизме и управљање коначно су сустигли потребе. Agentic AI ради, али да ли га ваша организација може операционализовати пре конкуренције. За оптимисте, 88% неуспеха је природна стопа одустајања у раној фази сваке трансформативне технологије. И имају аргумент: рана усвајања рачунарства у облаку и интернета имала су сличне стопе неуспеха.

Скептици узвраћају да је проблем дубљи и да га скалирање неће решити само од себе. По њима, неконзистентност коју открива pass^k метрика и недетерминизам нису дечје болести, већ структурне особине пробабилистичких система. Можете их ублажити, али не и уклонити без жртвовања управо онога због чега сте агента и хтели: аутономије. Гартнерова прогноза иде у прилог опрезности: Гартнер предвиђа да ће преко 40% пројеката Аgentic AI бити напуштено до 2027\. Скептик би рекао: ако скоро половина пилот пројеката који се данас покрећу буде угашено за годину или две, можда проблем није у томе што компаније не умеју да операционализују, већ у томе што технологија још није за оно за шта је рекламирају и продају.

Трећи глас, можда и најзанимљивији, каже да није проблем ни у технологији ни у зрелости, већ у *очекивањима*. По овом гледишту, агенти већ раде одлично, само не оно што им тренутни наратив приписује. Најтврђа бројка из читаве приче заправо подржава овај став: корени неуспеха приписују се нејасним критеријумима успеха и проблемима опсега, а не квалитету модела: то нису проблеми интелигенције, већ проблеми дефинисања и власништва. Другим речима, компаније не успевају зато што никада нису јасно дефинисале шта очекују од увођења Аgentic AI. Ово гледиште пребацује одговорност са технологије на организацију и вероватно је најближе истини.

Ако сте пажљиво читали, приметићете да се ова три гласа међусобно не искључују. Могуће је истовремено да модели заиста сазревају (оптимисти), да недетерминизам остаје структурна карактеристика (скептици) и да већина неуспеха потиче од лоше постављених очекивања (трећи глас).

### **Где Аgentic AI већ ради и зашто баш тамо**

После свега прочитаног лако је стећи утисак да Аgentic AI нигде не функционише. То би било погрешно, јер док 88% пилота пропада, постоји мањина која ради. Ако пажљиво погледате где агенти данас заиста испоручују вредност, открива се образац који је можда кориснији од свих статистика о неуспеху.

Наравно, примена није ни изблиза равномерна. 31% компанија има бар једног AI агента којег користи у свакодневном пословању, при чему предњаче банкарство и осигурање са 47%, док здравство и државна управа заостају са 18% односно 14%. Зашто баш финансије? Зато што су рано уложиле труд и средства у уске и добро дефинисане домене. Финансијске услуге показале су највишу стопу стварне примене у организацији, вођену раним улагањима у агенте за обраду докумената и аутоматизацију усклађености. То су задаци са јасним правилима, поновљивом структуром и мерљивим исходом. Али постоји и потпуно другачија породица задатака у којој агенти имају великог успеха из сасвим супротног разлога, где баш непредвидљивост доноси вредност. О томе пишем мало ниже у тексту.

Тамо где агенти одлично раде, човек скоро никада није искључен из радног тока. Он је премештен. Погледајте како је решен проблем непоузданости у корисничкој подршци: агент је научен да препозна када није сигуран и да тада проследи задатак човеку. Истраживање на τ²-bench-у показује управо ту логику: ескалирање интеракција ка људској подршци када агентова порука добије низак скор поузданости може ефикасно да смањи стопу отказа у свим доменима. То обезбеђује да агент задовољи захтеве предузећа у погледу дозвољене стопе грешака. Агент не мора да буде тачан у 100% случајева да би био користан, али мора да зна када да каже „ово препуштам човеку“.

Код успешне имплементације AI агената, враћање улагања је реално и брзо, али само под условом да је домен коришћења узак. Средње време до поврата улагања износи 5,1 месец, при чему агенти за продају враћају уложено за 3,4 месеца, а агенти за финансије и операције за 8,9 месеци. Обратите пажњу на распон: продајни агент, са једноставнијим и толерантнијим задатком, исплати се дупло брже од финансијског. Што је домен сложенији и мање толерантан на грешку, то дуже траје време док агент почне да исплаћује уложено. Ако уопште успе да исплати све.

Све до сада говорили смо о недетерминизму као о мани: о томе како варијабилност руши поверење у финансијама, ревизији и праву. Али постоји читава породица индустрија у којима је управо та особина највећа вредност агента, а не његов недостатак. Реч је о креативним делатностима: маркетингу, оглашавању, садржају за друштвене мреже, дизајну.

Размислите шта заправо тражите од система када правите огласну кампању. У банци тражите да исти улаз увек да исти излаз. У маркетингу тражите супротно: дајте ми педесет различитих верзија овог огласа, сваку са другачијим тоном, да видим која ће се примити. Оно што је у финансијама грешка - „зашто си ми дао другачији одговор?“ - у креирању садржаја је то сама сврха посла: „одлично, дај ми још десет које нису ни налик претходнима“. Недетерминизам је овде пожељан.

И тржиште је то већ препознало, и то масовно. Усвајање генеративног AI у маркетингу далеко је испред свих осталих сектора: 89% маркетинг стручњака већ користи генеративни AI за садржај, а 94% планира да га користи у процесима креирања садржаја током 2026\. То је драматично изнад оних 31% компанија у просеку са агентом у свакодневном коришћењу. Зашто је овде усвајање и имплементација Agentic AI толико бржа? Зато што креативни задаци испуњавају тачно онај профил који агенту одговара, само из неочекиваног угла: цена појединачне грешке је ниска (лош наслов се једноставно не објави), а вредност разноликости садржаја је висока.

Најјаснији пример долази из оглашавања на друштвеним мрежама. Метин алгоритам (Andromeda) сада изричито фаворизује разноликост креативних материјала, тако што алгоритму треба више варијација да би открио који визуелни сигнал допире до ког корисника. Постоји опција у којој исти сценарио изговара осам различитих AI персона, у различитим окружењима, и свака је подешена да одјекне код друге демографске групе, уз обим који је традиционалном продукцијом немогуће постићи таквом брзином. Овде се логика потпуно окреће: док традиционална продукција једног видео-материјала траје недељама, AI може да направи стотину варијанти у истом прозору, уз знатно нижу цену по готовом материјалу. Варијабилност која у финансијама изазива панику овде је главни производ.

Овде постоји и дубља економска последица коју треба разумети. Када обим, брзина, квалитет и разноликост садржаја постану скоро бесплатни, „довољно добар“ креативни материјал губи вредност, јер га сада свако може произвести у неограниченим количинама. То помера тежиште људског рада: вредност се сели са саме израде материјала на његов одабир, концепт и просуђивање. Агент генерише педесет варијанти; човек одлучује које три вреде и шта уопште значи добра идеја. Зато и у креативној индустрији важи правило прослеђивања задатака, само је другачије постављено: агент не шаље човеку оно у шта није сигуран, већ човек бира између онога што је агент произвео.

Али ни овде није баш све дозвољено. Постоје ограничења. На првом месту је доследност бренда: оглас сме да варира, али логотип, боје и тон гласа компаније не смеју. Зато сада постоје и посебни агенти за усклађеност који проверавају садржај у односу на стандарде бренда пре објаве. Друго, транспарентност: када је садржај плаћен или AI-генерисан, регулатива и платформе све више траже да то буде јасно означено. И на крају, иста прича о подацима: генеративни AI ради тачно онолико добро колико су добри подаци којима га храните. Другим речима, чак и у домену где је разноликост врлина, агент не може да ради без строгих упутстава. У банци тражите тачност; у маркетингу тражите бренд и истинитост.

Пре него што питате „да ли је агент довољно поуздан“, питајте „да ли мој задатак уопште тражи поузданост у смислу поновљивости, или тражи разноликост?“. За цео један сектор привреде одговор је другачији него за финансије, и то објашњава зашто агенти у маркетингу „трче“ а у банци опрезно „корачају“.

Из ових примера долази један једини заједнички именилац, и вреди га упамтити. Agentic AI ради тамо где су задовољена три услова истовремено: домен је *узак* (не „води набавку“ него „извлачи податке из фактуре“), грешка је *толерантна* (може се исправити, не урушава све остало), и човек је *укључен у процес* (као надзор или као тачка ескалације). Када сва три услова постоје, агент је одличан радник. Када недостаје макар један, нарочито када се тражи широка аутономија у домену где грешка скупо кошта, добићете још један пилот пројекат који никада није успео да заживи у компанији. А креативне индустрије показују и посебан случај овог правила: када је цена грешке довољно ниска, други услов је толико испуњен да и сама варијабилност постаје предност, па се агент пушта у рад лакше и брже него било где другде.

Конкретни примери задатака где то данас функционише су извлачење и структурирање података из докумената, прва линија корисничке подршке са упућивање комплексних проблема на човека, помоћ у програмирању уз надзор инжењера, истраживање и сажимање велике количине текста, рутински back-office задаци са јасним правилима. Оно што им је свима заједничко је да имају јасно дефинисан крај, подношљиву цену грешке и човека који чува делове радног тока.

### **Како одлучити где употреба агента има смисла**

Ако сте директор, власник или менаџер и питате се где да почнете, ево оквира који произлази из свега што сам до сада навео.

Почните од цене грешке, а не од могућности агента. Пре него што питате „шта агент може да уради“, питајте „колико нас кошта ако погреши“. Направите једноставну менталну матрицу: на једној оси учесталост задатка, на другој цена једне грешке. Задаци који се понављају често а грешка је јефтина и лако поправљива показаће вам ваш први терен за агента. Задаци где једна грешка значи регулаторну казну, изгубљеног клијента или правну одговорност, захтевају прво да све остало проради па тек онда, на крају, агент има своје место, али никад без човека изнад њега.

Поставите човека на улазна врата, а не ван просторије. Најпоузданији образац из праксе је агент који зна своје границе и прослеђује задатак на човека када није сигуран у свој одговор. Тражите од продавца да вам покаже како систем препознаје сопствену несигурност и како предаје задатак човеку. Ако одговор није јасан, систем није спреман за озбиљан посао.

Крећите се од асистенције ка аутономији, а не обрнуто. Почните тако што ће агент предлагати, а човек одобравати. Како се гради поверење и како мерите стопу грешака у стварним условима, постепено проширујете аутономију тамо где су бројке то заслужиле. Ово је спорији пут, али то је пут који не завршава у оних 88% статистике.

Дефинишите успех пре него што уведете агента у радни ток. Највећи узрок неуспеха је одсуство јасног циља. Организације које успевају јесу оне које дефинишу пословни исход радног тока. Већина ради обрнуто. Прво крене од технологије и нада се да ће вредност доћи сама. Пре пилот пројекта одговорите на питање: коју тачно пословну метрику желимо да померимо, за колико, и до када?

Поставите продавцу права питања. Три питања раздвајају озбиљну понуду од маркетинга. Да ли агент бира сопствену путању или извршава ону коју смо ми дефинисали? Да ли скор који ми показујете мери један покушај или конзистентност кроз понављања? И како се свака аутономна одлука бележи тако да је можемо објаснити ревизору? Ако продавац избегава ова питања, избегава и одговорност.

### **Решење**

Вратимо се на сам почетак приче. Демо који је радио савршено, а који никада није ушао у компанију. Сада знамо и зашто.

Agentic AI посрће у бизнису због споја четири ствари које немају много везе са интелигенцијом: математика сложене грешке која претвара 95% тачности по кораку у 59% тачности по задатку; недетерминизам који се коси са свиме на чему бизнис гради поверење; вакуум одговорности који ниједан модел не може да попуни; и прозаична стварност неуредних података и неповезаних система. Ниједна од ове четири препреке неће нестати само зато што ће следећи AI модел да буде паметнији.

Али ниједна није непремостива. Детерминизам је инжењерски решив. Поузданост расте. Прослеђивање сложених задатака на човека већ данас претвара несавршеног агента у корисног радника. А јасно дефинисан циљ и уредни подаци у потпуности су у рукама саме компаније.

Из свега произлазе три јасне поруке које треба упамтити.

*1.* Не купујте аутономију, купујте решење за конкретан, узак проблем са толерантном ценом грешке и човеком на улазним вратима. Тамо агенти раде већ данас, и исплаћују се за неколико месеци.

*2.* Препрека није вештачка интелигенција, препрека сте ви, ваши подаци, ваши процеси, ваша дефиниција успеха. То значи да контролу имате ви.

*3.* Третирајте имплементацију AI агента као циљ од првог дана, а не као нешто што ће се десити после успешног пилот пројекта. Разлика између 88% који пропадну и 12% који успеју не зависи од буџета ни од талената, већ само од приступа.

Следећа генерација победника у Аgentic AI биће оне компаније које су припремиле терен тако што ће средити податке, дефинисати исходе, изградити надзор и прихватити да аутономија није све или ништа, већ скала по којој се пењете онолико брзо колико вам бројке дозволе. Интелигенција модела је постала роба коју можете купити, и зато једину ствар коју не можете купити морате сами да изградите: спремност организације за увођењем вештачке интелигенције. Ту ће се одлучивати ко ће у наредним годинама заиста имати користи од Аgentic AI.

---

*(Напомена: део статистика потиче из индустријских извештаја објављених током 2026\. и представља најсвежију доступну слику у тренутку писања)*
### Невидљиво поскупљење вештачке интелигенције
URL: https://www.vijuge.rs/poskupljenje-ai/
Last updated: 2026-05-30T11:00:43.000Z
#### Садржај

Сећате ли се оног периода од пре годину или две када је деловало да ће вештачка интелигенција пратити неку врсту дигиталног закона гравитације? Веровали смо да ће, баш као и микропроцесори некада, ови системи постајати све доступнији, бржи, паметнији и значајно јефтинији. То је била прећутна теза на којој смо градили планове о увођењу AI-ја у свакодневно пословање. Развијали смо аутоматизације, апликације и системе који у позадини користе компликоване ланце промптова, водећи се логиком да ће са сваком новом верзијом модела претходне верзије коштати упола мање, што је углавном и био случај током претходне две године.

Овај сценарио нам је већ био познат из ере развоја клауд услуга и складиштења података. Али на тржишту вештачке интелигенције ствари су кренуле у сасвим другом смеру.

Ако ових дана погледате цене најбољих AI модела на тржишту, схватићете да је време јефтине вештачке интелигенције прошло. Док смо ми чекали да цене још више падну, технолошки гиганти су извели један од најсуптилнијих маневара у историји софтверске индустрије.

Да бисмо разумели како смо стигли до ове тачке, морам вам укратко објаснити како ради технологија која покреће AI алате. Већина пословних решења и апликација користи ове системе преко нечега што се зове API. За програмере је то свакодневица, али за већину људи то је само још једна непозната скраћеница из света програмирања. Важно је да напоменем да сада говорим о AI апликацијама, а не о четботовима великих AI компанија.

Најлакше је замислити API као прозор на шалтеру. Када ваша апликација или програм жели да искористи памет неког великог језичког модела ([ЛЛМ](https://www.vijuge.rs/sta-je-zapravo-llm/)), она не држи тај џиновски систем на вашем рачунару. То би било технички немогуће зато што захтева огромне ресурсе. Уместо тога, ваш програм шаље питање кроз тај шалтер до туђих суперкомпјутера. Тамо се одговор генерише и враћа назад кроз исти шалтер. Сваки пролазак кроз овај шалтер се плаћа по принципу таксиметра: колико речи прође, толико новца оде са вашег рачуна. Ови делови текста које таксиметар мери називају се [токени](https://www.vijuge.rs/token/).

Сећате се [AI фабрика](https://www.vijuge.rs/ai-fabrika/) о којима сам писао? Управо оне стоје на другом крају тог шалтера и активно производе интелигенцију, токен по токен, радећи двадесет четири сата дневно да би ваш упит добио одговор. И управо зато што је покретање и рад тих фабрика веома скупо, цена сваког токена који из њих изађе има своју чврсту економску подлогу.

### Смањење паковања на делу

Можда сте приметили да вам исти производ у продавници некако изгледа мањи него раније, а цена је остала иста. Чоколада која је до јуче имала 100 грама сада има 90, али се цена није променила. Кутија детерџента је нешто мања, јогурт је са једног литра сишао на 850 милилитара, а цена је на полицама остала иста. У трговини то зову смањење паковања, или на енглеском *shrinkflation*. Купац ретко примети овакву промену одмах јер не чита грамажу производа, зато што не очекује да ће бити обманут. Промена је довољно мала да прође испод радара, али довољно реална да се одрази на ваш новчаник.

Управо то се десило са вештачком интелигенцијом. Само што се овде трошак не мери у грамима, већ у токенима.

Најзанимљивији пример долази из компаније *Anthropic*. Када су представили нову верзију свог модела *Claude Opus 4.7*, на званичној страници са ценама ништа се није променило. И даље пише оних стандардних пет долара за милион улазних и двадесет пет долара за милион излазних токена. Све је изгледало по старом. Међутим, променило се оно што се дешава иза кулиса, у самом механизму који текст претвара у бројке – у такозваном токенизатору.

У неким пекарама постоји машина која сече векну хлеба на кришке пре него што вам је продавац прода. Векна је ваш текст, а кришке су токени које плаћате. Ако машина одједном почне да сече тање кришке, од исте векне добићете више делова. Ви и даље добијете исту количину хлеба, али плаћате по броју кришки којих сада има више.

Управо то се догодило са AI-јевим системима. Исти комад текста, исти упит који сте послали пре неколико месеци, сада се дели на више делова него раније. У пракси, то значи да за потпуно исти посао сада плаћате и до тридесет пет процената више токена.

Користим *Claude* свакодневно, и након преласка на нову верзију *Opus 4.7* почео сам да примећујем да ми се лимит за питања и одговоре пуни знатно брже него раније. Приближно је исти тип разговора, слична дужина питања, потпуно исти начин рада, али систем ми јавља да сам потрошио дозвољени број порука за наредних неколико сати много пре него што бих то очекивао. Прва помисао је била да нешто није у реду са мојим налогом. Међутим, није био налог. Био је то нови токенизатор.

### Шта је са онима који плаћају фиксну претплату?

Добро, рећи ћете, али шта је са онима који немају никакве везе са програмирањем и прављењем AI апликација? Шта је са људима који једноставно плаћају оних стандардних двадесетак долара месечно за претплату, како би имали приступ најбољем моделу за свакодневни рад?

Можда мислите да сте у тој зони потпуно безбедни јер је цена фиксна. Нажалост, економска правила важе и овде. Ако компанијама које пружају ове услуге расте трошак за сваку реч коју њихови рачунари обраде, оне тај трошак морају некако да компензују и код обичних претплатника.

То се не ради директним поскупљењем претплате, јер би то изазвало талас отказивања. Уместо тога, користе се другачије методе. Сигурно сте приметили да вам систем у последње време брже него раније јави како сте „потрошили лимит брзих порука за наредних неколико сати“. Или вас, сасвим неприметно, усред дугог разговора пребаци на старији, мање захтевни модел. Понекад добијете одговоре који су краћи и површнији, јер краћи текст троши мање струје и серверског времена. Ви и даље плаћате својих двадесет долара, али за тај новац добијате мање рачунарске снаге. Када дођете до одређеног лимита, више не разговарате са најбољим моделом, већ сте пребачени на старију верзију.

То је тиха деградација која се одвија пред нашим очима, док ми верујемо да имамо исти пакет као и прошле године.

### Подизање цена на целом тржишту

Овај потез није изолован инцидент једне фирме која покушава да покрије трошкове. Реч је о тектонском поремећају у целој индустрији.

*OpenAI* са верзијом *GPT-5.5* није ни покушао да буде суптилан. Једноставно су дуплирали цене у односу на претходну верзију. Оправдање је било да је модел концизнији и да пише краће одговоре. Ипак, мерења на реалним системима показују да су стварни трошкови за кориснике порасли између педесет и деведесет процената.

*Google* је пратио сличну матрицу. Њихов модел *Gemini 3.5 Flash*, замишљен као брза, лагана и приступачна опција за масовну употребу, дошао је са ценом која представља огроман скок у односу на претходне верзије истог ранга. Поред тога, *Google* је преузео *Anthropic*\-ов модел потрошње за месечне претплате: када дођете до одређеног лимита, морате чекати четири сата да се тај лимит ресетује како бисте наставили са радом. Наравно, увек постоји опција да наставите са коришћењем модела уз доплату, мимо месечне претплате коју сте већ платили.

На све то, старији модели – они на које су се многи тимови ослонили у својим првим стабилним системима јер су били јефтини и предвидиви – полако се гасе. Једноставно нестају са листе подржаваних верзија. Корисници су приморани да пређу на нову инфраструктуру, а са њом долазе и нове цене, а неретко и обавезна промена начина промптовања, јер су новији модели паметнији и захтевају другачије упите, прилагођене такозваним моделима за резоновање ([*Reasoning LLMs*](https://www.vijuge.rs/promptove-za-reasoning-llms/)).

Зашто се ово дешава баш сада? Одговор лежи у преласку AI компанија из фазе раста по сваку цену у фазу полагања рачуна својим инвеститорима.

Годинама су инвеститори улагали милијарде у развој ових система, дозвољавајући компанијама да субвенционишу цену својих услуга како би привукле што више корисника. Циљ је био очигледан: навикнути програмере и компаније на технологију, интегрисати је у сваку пору софтвера, а о профиту размишљати касније.

Сада се приближавају изласци на берзу и инвеститори траже реалну математику. Технолошке AI лабораторије морају да докажу да могу да зараде новац, а не само да га троше на обуку нових модела. Поред притиска са Волстрита, ту је и проста економија. Инфраструктура која покреће ове системе је веома скупа. Цене серверског хардвера, брзе меморије, графичких картица, специјализованих уређаја и електричне енергије не падају. Напротив. Физички ресурси потребни да би се генерисао један одговор имају своју јасну цену испод које нико не може да послује на дужи временски рок, и без губитка.

Сетите се размера улагања о којима смо говорили у тексту о AI фабрикама: пројекат *Stargate* у САД предвиђа улагање од петсто милијарди долара, Емирати граде AI фабрику капацитета од једног гигавата, а један рек сервера у AI фабрици троши више струје него цео спрат класичног дата центра. Када имате те бројке у глави, постаје очигледно зашто нико не може да вам продаје токене по ценама из прошле године.

Налазимо се, изгледа, у тачки отрежњења где се почетна романтичарска визија о бесконачној и готово бесплатној рачунарској интелигенцији судара са реалношћу ограничених планетарних и финансијских ресурса. Ова тиха промена подсећа нас да технологија, ма колико деловала нематеријално, ипак има своју тежину, коју на крају неко мора да плати.
### Кад AI потврђује уместо да анализира
URL: https://www.vijuge.rs/sycophancy/
Last updated: 2026-05-25T07:00:45.000Z
#### Sadržaj

## Проблем који не видите

Замислите да сте управо замолили AI чет бота да процени вашу нову пословну стратегију, очекујући да вам укаже на њене предности, слабости и могуће ризике, а одговор који сте добили почиње речима: „Ово је изузетан приступ који показује дубоко разумевање тржишта.“ У том тренутку, сасвим природно, осећате задовољство, јер сте добили потврду да сте на добром путу. Међутим, проблем је у томе што би вам модел, врло вероватно, дао сличан одговор и да сте му представили потпуно супротну стратегију.

Велики језички модели ([ЛЛМ](https://www.vijuge.rs/sta-je-zapravo-llm/)) су по правилу обликовани тако да кориснику буду корисни и допадљиви, што значи да често настоје да одговоре на начин који ће звучати охрабрујуће, подржавајуће и у складу са оним што корисник жели да чује. Ово понашање, у техничком смислу познато као ***sycophancy***, односно улизивање, није случајна грешка у софтверу, нити нека необична аномалија у раду модела, већ директна последица начина на који су модели обучавани након основне тренинг фазе. Током обуке методом појачаног учења на основу људских повратних информација, познатом као RLHF, људски оцењивачи су систематски давали више оцене одговорима који су звучали допадљиво и пријатно. Када се такав образац понови милионима пута, модел научи једноставно правило: слагање са корисником је пожељно понашање.

Последица таквог обрасца је озбиљна, како у пословном, тако и у образовном контексту, јер модел у таквим ситуацијама не процењује вашу идеју на основу њене стварне вредности, унутрашње логике, ризика и практичне изводљивости, већ оптимизује одговор тако да ви њиме будете задовољни. Та разлика је опасна управо зато што је, у свакодневној употреби, најчешће не видите: ваш мозак не прави аутоматски јасну разлику између потврде коју сте добили од искусног колеге, који има одговорност и професионално искуство, и потврде која долази као резултат статистичке оптимизације језичког модела. Психолошки ефекат је у оба случаја веома сличан. Добили сте сигнал да сте у праву, па се тиме смањује потреба за даљом критичком анализом.

Ипак, постоји нешто што можете да урадите, јер начин на који формулишете промпт директно утиче на квалитет, прецизност и искреност одговора који добијате од AI чет бота. Овај текст је практичан водич, са конкретним примерима, који ће вам показати како да пишете промптове који смањују и спречавају улизивање, како да од модела добијете јасну критику уместо празне потврде и како да добијате одговоре који су заиста употребљиви и вредни за доношење бољих одлука.

## Зашто промпт мења понашање модела

Пре него што пређемо на конкретне примере, важно је да разумемо зашто начин на који поставите питање у великој мери одређује квалитет одговора који ћете добити, јер језички модели генеришу текст на основу статистичких образаца које су усвојили током обуке. Када у промпту користите језичке сигнале који сугеришу да очекујете подршку, одобравање или потврду сопственог става, модел те сигнале препознаје и, у складу са обрасцима по којима је обучаван, најчешће нуди управо то: подршку, а не критичку анализу.

Конкретно, постоје три врсте језичких сигнала који посебно лако активирају улизивање и померају одговор модела од објективне процене ка потврђивању онога што корисник, свесно или несвесно, жели да чује:

**Личне заменице и осећај власништва**: речи и изрази попут „моја идеја“, „мој пројекат“, „моја стратегија“ или „мој приступ“ сигнализирају моделу да је реч о нечему што корисник доживљава лично, као део сопственог рада, труда или идентитета, због чега се одговор често помера ка подршци и ублажавању критике, уместо ка хладнијој, и објективнијој процени.

**Процена питања са наговештајем**: формулације попут „Зар није ово добар приступ?“ или „Да ли мислиш да је ово право решење?“ већ у себи садрже очекивани правац одговора, па модел, уместо да самостално преиспита претпоставке и слабости, најчешће прихвата оквир који му је корисник понудио и потврђује оно што је у питању већ сугерисано.

**Тон ауторитета**: ако у промпту нагласите своју позицију, искуство или статус, на пример реченицом „Као директор са 20 година искуства“, модел то често тумачи као контекст у коме се очекују поштовање и пажљиво формулисана подршка, а не директно оспоравање или указивање на могуће грешке у размишљању.

Добра вест је да ове сигнале можете свесно да препознате, уклоните или замените неутралнијим формулацијама у својим промптовима, и да на тај начин добијете драматично другачије и корисније одговоре, који не служе томе да вам подилазе, већ да вам помогну да боље сагледате идеју, пројекат, стратегију или одлуку о којој размишљате.

## Седам практичних техника са примерима

### Техника 1: Уклоните личне заменице и ставове

Када моделу кажете шта мислите пре него што га питате за анализу, већ сте га усмерили ка потврди. Уместо тога, дајте му податке, ограничења и циљ, али без личног става.

**Лош промпт:** *„Имам идеју да уведемо нови систем за праћење продуктивности запослених. Мислим да би то значајно поправило дисциплину и резултате. Шта мислиш о томе?“*

**Добар промпт:** „Анализирај предности и ризике увођења система за праћење продуктивности запослених у компанији од 150 људи. Компанија има хибридни модел рада, средњи ниво поверења између менаџмента и запослених, и већ постоје притужбе на превише административног извештавања. Наведи оперативне, правне, културне и психолошке ризике.“

**Зашто је бољи:** Лош промпт садржи личну заменицу („имам идеју“), позитивну процену („мислим да би поправило“) и отворено питање које позива на слагање. Добар промпт не садржи ништа од тога. Уместо тога, даје конкретан контекст (150 људи, хибридни рад, постојеће притужбе) и експлицитно тражи ризике у више димензија. Модел нема шта да потврди јер нема став корисника који би потврдио.

### Техника 2: Експлицитно тражите контра-аргументе

Модел ће бити објективнији када му јасно задате улогу некога ко треба да тражи слабости. Ово мења „подразумевано понашање“ модела од подршке ка критичкој анализи.

**Лош промпт:** *„Планирамо да отворимо нову пословницу у Новом Саду. Да ли мислиш да је то добра одлука?“*

**Добар промпт:** „Понашај се као искусан консултант који је плаћен да пронађе слабости у овој иницијативи. Компанија планира отварање пословнице у Новом Саду. Немој да охрабрујеш. Наведи разлоге због којих ова иницијатива може да пропадне: финансијске, кадровске, логистичке и тржишне.“

**Зашто је бољи:** Лош промпт поставља затворено питање („да ли је добра одлука“) на које модел природно одговара потврдно. Добар промпт додељује моделу јасну улогу („консултант који тражи слабости“) и експлицитно забрањује охрабривање. Када модел има инструкцију да буде критичан, његова статистичка тежња ка угодности је значајно смањена.

### Техника 3: Користите анализу неуспеха

Анализа неуспеха је техника стратешког планирања у којој замислите да је пројекат већ пропао и онда анализирате зашто. Ово је изузетно ефикасно са AI моделима јер им даје оквир у коме је неуспех полазна тачка, а не нешто што треба избегавати у анализи.

**Лош промпт:** *„Да ли ће наш нови CRM систем успети? Уложили смо много труда у припрему*, *а урадили смо...“*

**Добар промпт:** „Направи анализу неуспеха. Замисли да је имплементација новог CRM система у нашој компанији пропала након 12 месеци. Компанија има 250 запослених, од којих 60% ради на терену и има ограничено дигитално искуство. Наведи 7 највећих разлога неуспеха, почевши од оних који су најтеже уочљиви у фази планирања.“

**Зашто је бољи:** Лош промпт комбинује две грешке: тражи потврду успеха и додаје емоционални контекст („уложили смо много труда“) који појачава улизивање. Добар промпт поставља неуспех као полазну тачку, даје конкретан контекст (250 запослених, теренски рад, дигитална писменост) и тражи најтеже уочљиве ризике, што тера модел да копље дубље од очигледног.

### Техника 4: Раздвојите изводљиво од занимљивог

Модели често мешају две различите ствари: да ли је нешто стратешки занимљиво и да ли је оперативно изводљиво. Експлицитно раздвајање ове две димензије помаже да добијете конкретнију анализу.

**Лош промпт:** *„Размишљам да уведем AI асистенте за корисничку подршку у фирми. Какво је твоје мишљење?“*

**Добар промпт:** „Анализирај замену првог нивоа корисничке подршке AI чет ботом у телекомуникационој компанији са 200.000 корисника и 45 агената у кол центру. Раздвој анализу у два дела: 1) Стратешка атрактивност - шта говоре истраживања о смањењу трошкова, брзини одговора и задовољству корисника; 2) Оперативна изводљивост - шта значи за интеграцију са постојећим CRM-ом, обуку запослених, ескалационе процедуре, регулаторне захтеве (РАТЕЛ, заштита потрошача) и прелазни период. Немој да оцењујеш да ли је идеја добра. Оцени да ли је спроводљива.“

**Зашто је бољи:** Лош промпт садржи личну заменицу и тражи мишљење, што је најдиректнији позив за улизивање. Добар промпт раставља проблем на две димензије, даје индустријски контекст (телекомуникације, регулатива, кол центар) и забрањује општу оцену. Модел мора да анализира специфичне оперативне препреке уместо да нуди генеричке позитивне фразе.

### Техника 5: Тражите ниво сигурности уз сваки закључак

Језички модели умеју да звуче изузетно убедљиво и када немају довољно основа за јак закључак. То је посебно опасно у пословном контексту, где убедљив тон може да сакрије недостатак података. Тражите од модела да експлицитно означи где је сигуран, а где само претпоставља.

**Лош промпт:** *„Анализирај тржиште за онлајн едукацију у Србији.“*

**Добар промпт:** „Анализирај тржиште за корпоративне онлајн обуке (Б2Б сегмент) у Србији. За сваки закључак наведи ниво сигурности: висок (заснован на подацима), средњи (заснован на ограниченим подацима), или низак (процена без конкретних података). Посебно означи делове где недостају информације и где би било опасно донети одлуку само на основу ове анализе. Наведи које изворе би требало консултовати за проверу.“

**Зашто је бољи:** Лош промпт ће произвести убедљив одговор у којем се не види разлика између чврсто утемељених чињеница и слободних претпоставки модела. Добар промпт уводи троструку класификацију сигурности, експлицитно тражи признање недовољних података и захтева препоруке за додатну проверу. Модел више не може да маскира недостатак информација самоувереним тоном.

### Техника 6: Симулирајте противљење

Једна од најмоћнијих техника је да моделу задате улогу некога ко се професионално противи вашој идеји. Ово је техника коју користите и у организацијама и у академском свету када се анализира нешто из угла противљења (devil’s advocate). Модел ће тада навести аргументе које иначе не би понудио.

**Лош промпт:** *„Написао сам предлог за управу о промени добављача сировина. Можеш ли да га прегледаш?“*

**Добар промпт:** „Анализирај следећи предлог за промену добављача сировина као да си члан управног одбора који му се противи. Која питања би поставио пре него што дозволиш његово спровођење? Фокусирај се на: ризике у ланцу снабдевања, скривене трошкове транзиције, уговорне обавезе према постојећем добављачу и потенцијални губитак преговарачке позиције. \[Овде уметните текст предлога\]“

**Зашто је бољи:** Лош промпт тражи „преглед“, што модел тумачи као позив да понуди побољшања уз очување позитивног тона. Добар промпт додељује улогу противника, дефинише специфичне области анализе и формулише захтев као питања управног одбора, што мења читав оквир у коме модел генерише одговор.

### Техника 7: Тражите недостајуће информације уместо закључака

Када немате довољно података за квалитетну одлуку, најгоре што можете да урадите је да тражите од модела да донесе закључак. Модел ће попунити празнине претпоставкама и презентовати их са истим нивоом сигурности као и чињенице. Уместо тога, тражите од модела да идентификује шта недостаје.

**Лош промпт:** *„На основу ових података, да ли треба да повећамо буџет за маркетинг за 30%?“*

**Добар промпт:**„Доступни су подаци о маркетиншким трошковима и приходима за последња 4 квартала. Пре доношења одлуке о промени буџета, наведи које информације недостају да би се донела квалитетна одлука. Немој попуњавати празнине претпоставкама. За сваку недостајућу информацију наведи зашто је критична и где је могуће пронаћи је.“

**Зашто је бољи:** Лош промпт садржи личну заменицу („треба да повећамо") и тражи директну препоруку на основу непотпуних података. Добар промпт не садржи личне заменице, експлицитно забрањује попуњавање празнина и усмерава модел ка идентификацији недостајућих информација. Уместо лажне сигурности, резултат је мапа онога што још треба истражити.

## Зашто ово није само технички проблем?

Можда се питате зашто произвођачи модела једноставно не реше овај проблем и не направе системе који ће увек, без обзира на реакцију корисника, давати прецизне и искрене одговоре. Одговор, бар једним делом, лежи у тржишном притиску, јер би систем који би увек говорио непријатну истину можда био аналитички прецизнији и кориснији у професионалном смислу, али би га велики број корисника врло брзо доживео као непријатан, крут, недовољно подржавајући или чак одбојан. Пословни модел произвођача захтева ангажоване и задовољне кориснике, а не кориснике који се после неколико интеракција осећају фрустрирано или демотивисано.

Новије генерације модела имају механизме који покушавају да смање улизивање и да одговоре учине уравнотеженијим. Користе се технике попут уставне вештачке интелигенције, односно *Constitutional AI*, где се моделу задају одређени принципи понашања, међу којима се могу наћи и принципи који се односе на интелектуалну искреност, избегавање сталног слагања и указивање на грешке у корисниковом размишљању. Међутим, то је више ублажавање проблема, а не његово потпуно уклањање, јер колико год да се унапреди завршни део обуке, основни притисак остаје исти: корисник који добије одговор који му се не свиђа или му указује на слабости и недостатке, ређе ће дати позитивну повратну информацију. Управо таква повратна информација, директно или индиректно, утиче на следеће верзије модела.

Зато је део одговорности на вама, када доносите важне одлуке, развијате стратегију, процењујете ризике или дајете нове идеје, окружење у којем вам сви безусловно дају за право није права подршка, већ потенцијално озбиљан стратешки ризик.

## Контролна листа

Пре сваког важнијег промпта, прођите кроз следећа питања:

1\. Да ли сам у промпту навео свој став или жељени исход? Ако јесам, уклоните га.

2\. Да ли тражим потврду или анализу? Преформулишите питање тако да тражите ризике, слабости или недостајуће информације.

3\. Да ли сам дао довољно контекста? Што више конкретних података модел има, то је теже да прибегне општим фразама подршке.

4\. Да ли сам експлицитно тражио критичност? Ако нисте, модел ће подразумевано бирати пријатност.

5\. Да ли сам тражио ниво сигурности? Без овога, модел презентује претпоставке и чињенице истим тоном.

6\. Да ли бих овај одговор могао да проверим? Ако не можете, тражите од модела изворе и напомену где му недостају подаци.

## Закључак

Улизивање великих језичких модела није случајна грешка, нити неочекивани квар у систему, већ конструкциони компромис који произлази из начина на који су ови модели осмишљени и прилагођавани људској употреби. Модели су обучавани да буду корисни, али је проблем у томе што је у људским оценама корисност често помешана са пријатношћу, па је одговор који звучи охрабрујуће и усклађен са корисниковим очекивањима неретко оцењиван као бољи, чак и онда када није био аналитички најстрожи или најискренији.

Сваки промпт који напишете, ма колико кратак или једноставан био, у ствари је избор начина на који ћете усмерити модел. Можете написати промпт који позива на слагање и потврђивање, али можете написати и промпт који захтева критичку анализу, проверу претпоставки, тражење слабих тачака и указивање на ризике које сами можда нисте видели. Разлика је у томе да ли сте моделу јасно дали дозволу, задатак и структуру да буде искрен, чак и када та искреност није нарочито пријатна.

Најважнија лекција је да AI алати неће сами од себе, у свакој ситуацији и без посебног усмеравања, бити довољно критични. Морате их на то натерати, али да бисте то урадили како треба, морате прво бити свесни сопствене склоности да потврду прихватите као анализу, да пријатан одговор доживите као добар одговор и да слагање протумачите као доказ да је ваше размишљање исправно. То је, на крају, вештина која далеко превазилази само писање промптова, јер је реч о вештини критичког размишљања у доба AI алгоритама, у коме више није довољно знати како да добијете одговор, већ и како да процените колико тај одговор заиста вреди.

Модел који вам каже да сте у праву не зна стварно да ли сте у праву, нити има сопствено разумевање ваше ситуације, одговорност за последице или интуицију искусног саговорника. Али модел коме сте експлицитно задали да тражи грешке у вашем размишљању, да оспори претпоставке, да понуди супротне аргументе и да укаже на оно што недостаје, може да вам помогне да видите управо оно што бисте сами превидели. У томе лежи стварна вредност ових алата: да вам помогну да размишљате јасније и одговорније.
### После 25 година, Google је променио поље за претрагу
URL: https://www.vijuge.rs/promena-polja-za-pretragu/
Last updated: 2026-05-23T21:11:40.000Z
Мало је ствари у дигиталном свету које су остале непромењене две и по деценије. Google поље за претрагу било је једна од њих - све до пре неколико дана.

![](https://storage.ghost.io/c/2d/c9/2dc983e7-62c6-4b30-b450-feb5e80e95da/content/images/2026/05/image.png)

На годишњој I/O конференцији за програмере, Google је најавио оно што је Лиз Рид, потпредседница компаније задужена за претрагу, описала као „највећу надоградњу нашег препознатљивог поља за претрагу од његовог првог појављивања пре више од 25 година.“ Иза ове реченице крије се нешто што је заправо културни, технолошки и пословни потрес, јер поље за претрагу никада није било само производ. Било је навика милијардама људи.

### **Шта се тачно променило?**

Танак бели правоугаоник, трепћући курсор, две-три речи и листа плавих линкова. То је годинама била Google претрага, без изузетка.

Сада се ново поље динамички шири како би прихватило дуже, разговорне упите. Прихвата слике, PDF датотеке, видео-снимке, чак и отворене картице из *Google* *Chrome* веб прегледача. Уместо да вам предлаже следећу реч на основу популарности претраге, нови систем вештачке интелигенције вас води ка томе да формулишете сложенија и прецизнија питања. Паралелно, Google је спојио две функције које су до сада биле одвојене: AI прегледе, односно сажете одговоре приказане изнад резултата, и AI режим, разговорно искуство налик ћаскању са системом вештачке интелигенције. Обе функције испуниле су своју сврху служећи као експеримент, а сада су спојене у једну.

> Порука је јасна: претрага више није место где куцате кључну реч. Постаје место где разговарате.

![](https://storage.ghost.io/c/2d/c9/2dc983e7-62c6-4b30-b450-feb5e80e95da/content/images/2026/05/image-1.png)

### **Шта то значи за вас као корисника?**

Google вас је 25 година несвесно обучавао да размишљате у фрагментима. „Ресторан Београд“, „симптоми грипа“, „курс евра данас“ - сви смо научили да своју радозналост сабијемо у што мање речи. Ново поље вас позива да радите супротно: да мислите наглас, у целим реченицама.

Ово је темељна промена у понашању. Када питање постављате као да започињете разговор, добијате одговор у форми разговора - са пратећим питањима, визуализацијама, па чак и интерактивним мини-апликацијама које систем прави у реалном времену. Замислите да питате „Како црне рупе утичу на простор-време?“ и да уместо линка ка Википедији добијете живу, интерактивну визуализацију која објашњава одговор.

Google најављује и такозване „информационе агенте“ - системе вештачке интелигенције које можете подесити да 24 сата дневно прате веб у складу са вашим захтевима: кретање цена одређених производа, слободне станове за издавање или куповину, снимање концерата, нови текст на веб-порталу „Вијуге“, било шта. Агент вас обавести чим се испуне услови које сте му поставили у захтеву. Претрага престаје више да буде реактивна, већ постаје проактивна.

За обичне кориснике, ово је углавном добра вест. Ако је веровати Google-овим подацима, AI режим је за само годину дана достигао милијарду активних корисника месечно, а укупан број претрага био је рекордан прошлог квартала. Тренд је врло јасан: корисници не зазиру од употребе вештачке интелигенције, већ је прихватају оберучке.

### **Шта то значи за бизнис, маркетинг и видљивост у претрази?**

Цео екосистем који је изграђен око старе Google-ове логике, као што су кључне речи, SEO оптимизација, пласман у плавим линковима, улази у период радикалне неизвесности. Неће нестати одједном, али ће се правила игре променити брже него икада.

За SEO професионалце, стратегија заснована на густини кључних речи и креирању садржаја који „гађа“ кратке упите постаје све мање ефикасна. Нови Google тумачи намеру, контекст и нијансе природног језика, и не броји колико пута се нека реч понавља на страници. Садржај који дубоко и ауторитативно одговара на сложена питања постаје вреднији од садржаја механички оптимизованог за две или три речи. Детаљније о овој теми можете прочитати у тексту: [Шта промена Google претраге заправо значи за ваш бизнис](https://www.vijuge.rs/ai-seo/)

Ако се бавите издаваштвом или медијима, за вас је ситуација егзистенцијална. AI прегледи већ сажимају информације са веба и приказују их директно у резултатима претраге, смањујући потребу корисника да уопште кликну на на линк за ваш сајт. Нова интеграција AI режима продубљује ову динамику: корисник може да добије одговор, постави пет додатних питања и никада не напусти страницу претраге. Google тврди да AI функционалности доносе више саобраћаја ка издавачима, али сваки следећи корак у развоју чини ту тврдњу све тежом за проверу.

За оглашиваче, разговорни упити садрже богатије сигнале намере него фрагментирани, што би теоретски могло да омогући прецизније и вредније циљање. Корисник који пита „Тражим стан за две особе, миран крај, до 600 евра, приземље или први спрат“ открива неупоредиво више о себи него онај који куца „стан Београд“. Али постоји и парадокс: усред вишеминутног разговора са системом вештачке интелигенције, где ће реклама моћи природно да се уклопи? На то питање Google засад није дао јасан одговор, а оглашивачи су ти који финансирају готово целокупан приход компаније.

Google је могао да дода све ове функционалности негде иза сцене, у подменијима и посебним режимима. Уместо тога, одлучио је да промени само поље за претрагу.

Двадесет пет година то поље је учило свет да пише користећи само кључне речи. Сада га позива да говори у реченицама. И компанија ставља отприлике 190 милијарди долара на коцку да ће свет прихватити ову промену.

За нас кориснике, ово је још једна изузетна вест у свету вештачке интелигенције. За све који живе од тога да буду видљиви у Google претрази, то је позив на озбиљно преиспитивање свега што су до сада радили.
### Зашто кријемо да користимо AI?
URL: https://www.vijuge.rs/zashto-krijemo-da-koristimo-ai/
Last updated: 2026-05-15T18:00:17.000Z
Сведоци смо једног чудног позоришта у домаћим фирмама последњих годину дана. Стиче се утисак да се вештачка интелигенција користи све више и више, како приватно тако и пословно. Користи је колегиница из маркетинга да напише оне „инспиративне“ објаве за LinkedIn или Instagram. Користи је програмер да дебагује код који га мучи више од три дана. Користи је комерцијалиста да направи презентацију за нови производ. Користи је чак и директор да састави емотиван говор за прославу годишњице фирме. Али о томе се ћути. Влада нека врста завере ћутања, као да смо сви чланови неког тајног друштва или, још горе, као да радимо нешто недозвољено, нешто „испод жита“.

Недавно истраживање компаније Anthropic потврдило је оно што сви осећамо: већина људи осећа стид или страх да призна да користи AI у послу. А то је онај људски и културолошки проблем који код нас на Балкану има посебну тежину. Зашто се кријемо? Зашто осећамо кривицу јер смо посао од осам сати завршили за два сата уз помоћ AI алата?

Мислим да корен тог страха лежи у начину на који смо васпитани да вреднујемо рад. Наследили смо тај тешки менталитет где се вредност мери залагањем, знојем, муком и временом. „Да се види да си радио“, говорили су нам. Ако ниси уморан или не изгледаш уморно на крају дана, као да ниси ни радио. У таквом систему вредности, AI заиста може да делује као да смо забушавали на послу. Делује као да „хватамо кривине“. Ако машина уради део нашег посла, шта онда остаје од наше вредности? Да ли смо ми онда само преваранти који примају плату за туђи (машински) рад?

У нашој пословној култури, овај проблем је додатно изражен због једне добро познате чињенице: ефикасност се овде ретко награђује слободним временом или бонусом. Награђује се, па, углавном новим послом. Свако ко ради у српској фирми зна за то неписано правило: ако завршиш свој посао до поднева, нећеш ићи кући, нити ћеш добити тапшање по рамену (у ствари добићеш га првих неколико пута, док се и ти и твој претпостављени не навикнете на нову реалност твоје нове и побољшане продуктивности). Најгори случај је да ћеш, на крају, добити и део посла колеге који је спорији.

Зато запослени ћуте. Користе AI да заврше посао брзо, а онда остатак времена симулирају радну активност, премештају иконице по десктопу, одговарају на небитне мејлове, гледају онлајн продавнице, ћаскају преко десктоп Вибер апликације, само да би изгледали заузето. То је наша верзија „сиве зоне“, јер сви знамо шта се дешава, али нико не жели да буде први који ће рећи: „Људи, ја ово завршавам за сат времена користећи AI алат, хајде да видимо шта ћемо са остатком дана.“

Ова тишина нас кошта, и то много више него што мислимо.

На првом месту, знање се не преноси. Замислите да у вашој фирми седи неки Мика који је открио ефикасан начин да аутоматизује досадне извештаје уз помоћ вештачке интелигенције. Уместо да то подели са тимом и да свима олакша живот, Мика ћути као заливен. Чува своју тајну јер се плаши да ће, ако открије како то ради, постати замењив или да ће му шеф натоварити још десет клијената. Тако имамо апсурдну ситуацију да у истој канцеларији један човек лети авионом, док други и даље гура бицикл узбрдо, а нико не сме да проговори о проблему.

Стварамо генерацију професионалаца који живе у константној анксиозности. Када сваки дан на послу морате нешто да кријете, то троши менталну енергију. Осећате се као преварант. Плашите се да ће неко открити да ваш феноменалан извештај није плод ваше несанице, већ доброг промпта. Уместо да будемо поносни што смо научили да користимо виљушкар и што више не носимо џакове на леђима, ми се кријемо.

Овај проблем ће можда моћи да се реши некаквим правилником о употреби вештачке интелигенције који ће написати правна служба, али право решење ће доћи када променимо дефиницију „поштеног рада“.

Морамо, као менаџери и власници бизниса, а пре свега као колеге, да престанемо да гледамо на „муку“ као на неопходан део пута до успеха. Ако је циљ написати квалитетан код, кога брига да ли је писан „пешке“ или га је генерисао AI агент за кодирање, па га је човек проверио? Ако нам је циљ да имамо задовољног клијента, да ли је заиста важно да ли је мејл смишљан три сата или три минута?

Свака технолошка промена до сада је само мењала природу наших обавеза, и ретко их је потпуно укидала. Па ипак, постепено одустајање од ове тренутне „игре жмурки” делује као нужан предуслов за било какав смислен разговор о организацији посла. Тек када, можда, престанемо да меримо сопствену и туђу вредност искључиво кроз призму утрошеног времена и видљивог умора, моћи ћемо објективније да сагледамо шта заиста представља онај преостали, суштински људски допринос у аутоматизованом систему. До тада, ризикујемо да останемо заробљени у необичном апсурду: користимо најнапредније AI алате данашњице, само да бисмо купили време за одржавање привида да и даље радимо на исти начин као пре пет година.
### Како правилно писати промптове за AI моделе за резоновање (Reasoning LLMs)?
URL: https://www.vijuge.rs/promptove-za-reasoning-llms/
Last updated: 2026-05-15T15:55:38.000Z
Већина људи и даље пише промптове за [*Reasoning LLMs*](https://www.vijuge.rs/model-za-rezonovanje/) као да је 2024\. година. Технике које су тада помагале сада често троше више токена (новца), додају кашњење у одговору и понекад погоршавају квалитет одговора.

Студија из Wharton Generative AI Lab-а тестирала је 198 питања на PhD нивоу из биологије, физике и хемије. Chain-of-thought (CoT) инструкције (најпопуларнија техника промптовања од 2023.) донеле су само 2,9% до 3,1% побољшања тачности на моделима за резоновање, али су додале 20% до 80% кашњења у одговору. На Gemini Flash 3 моделу, chain-of-thought је погоршао резултате за 3,3%. Бољи одговор сте добијали када нисте ни покушавали да помогнете моделу.

Истраживање *„Mind Your Step (by Step)“* отишло је даље: на задацима препознавања образаца, укључивање режима резоновања (*Thinking*) смањило је тачност за чак 36,3% у поређењу са стандардним моделом. CoT техника осмишљена да моделе учини *„*паметнијим*“* је само учинила паметне моделе *„*глупљим*“*.

OpenAI, Anthropic, Google, DeepSeek експлицитно упозоравају да се chain-of-thought не користи на *reasoning* моделима. Али већина курсева, истраживања и популарних савета је и даље фокусирана на старију генерацију базних модела, чинећи их застарелим за тренутну технологију, јер базни ЛЛМ-ови имају потпуно другачији систем пост-тренинга и усклађивања у поређењу са *reasoning* ЛЛМ-овима.

У овом упутству комбинујемо увиде из разговора са истраживачима различитих АИ модела, налазе из истраживачких радова и практична искуства корисника, да бисмо вам дали дубински увид у механику *reasoning* модела, зашто стандардне технике промптовања заправо штете овим моделима и како можете писати боље промптове за пословну примену.

## Како изгледа добар промпт за reasoning модел?

Водећи принципи за промптовање [*reasoning* ](https://www.vijuge.rs/model-za-rezonovanje/)модела су следећи: дефинишите простор претраге прецизно. Не ограничавајте како модел претражује. Не додајте процесне инструкције. Формулишите проблем са довољно специфичности да модел свој буџет токена троши на решавање, а не на разјашњавање шта сте уопште питали.

### Пример 1: Финансијска анализа

**Лош промпт:**

Kopiraj 

Ти си искусан финансијски аналитичар са 20 година искуства у корпоративним финансијама. Размисли корак по корак о 
нашој финансијској ситуацији. Прво, анализирај приходе. Затим, процени трошкове. Затим, размотри токове готовине. 
На крају, препоручи стратегију. Буди темељит и размотри све аспекте.

Овај промпт има шест инструкција које ограничавају претрагу. *„*Размисли корак по корак*“* везује модел за генерички шаблон. *„*Прво анализирај... затим процени... затим размотри... на крају препоручи*“* намеће секвенцијални процес од четири корака који модел мора да прати чак и ако би његова RL-тренирана претрага пронашла бољи пут. *„*Буди темељит*“* и *„*размотри све аспекте*“* су неограничени: модел не зна када је при одговору био довољно темељит, па се претрага наставља унедоглед.

**Добар промпт:**

Kopiraj 

Компанија има годишњи приход од 12М ЕУР, од чега 40% долази од једног клијента који је најавио раскид 
уговора за 6 месеци. Оперативна маржа је 8%, фиксни трошкови чине 65% укупних трошкова, имамо кредитну линију 
од 3М ЕУР искоришћену 60%. На располагању је 18 месеци кеша по тренутној потрошњи. Које су стратешке опције 
за замену прихода од тог клијента, и који су ризици другог реда за сваку опцију, укључујући ризик да агресивно 
снижавање цена сигнализира тржишту да смо у проблему?

Простор претраге је дефинисан конкретним бројевима, специфичном пословном динамиком и прецизним стратешким питањем. RL-трениране стратегије модела имају простора да раде јер проблем заиста захтева истраживање више путева ка коначном одговору. Истовремено, специфични сигнали (концентрација прихода, ниво задужености, временски оквир) делују као меки заштитни механизам против скретања.

### Пример 2: HR - Управљање људским ресурсима

**Лош промпт:**

Kopiraj 

Прегледај наш систем компензација и реци ми да ли има било каквих проблема.

*„*Било каквих проблема*“* је неограничен простор претраге. Модел ће генерисати хиљаде токена покривајући све могуће аспекте: платне разреде, бенефите, бонусе, тржишно позиционирање, законску усклађеност, а можда вас већи део тога не занима.

**Добар промпт:**

Kopiraj 

Имамо 250 запослених у грађевинској компанији, од тога 30 инжењера. Просечна плата инжењера је 1.800 ЕУР нето, 
тржишни просек за искуство од 5+ година је 2.200 ЕУР. Флуктуација инжењера је 22% годишње, трошак замене једног 
инжењера је око 10.000 ЕУР (регрутација, обука, изгубљени пројекти). Буџет за повећање плата је ограничен на 
70.000 ЕУР годишње. Како да распоредимо буџет за максимално смањење флуктуације, и који је ризик да
селективно повећање плата само најбољим инжењерима демотивише остале?

Имамо три конкретна ограничења: буџет, тренутна ситуација и мерљив проблем, и једно стратешко питање са ризиком другог реда. Модел троши буџет токена на решавање, а не на погађање шта вас занима.

###  Пример 3: Правни сектор - анализа уговора

**Лош промпт:**

Kopiraj 

Прегледај овај уговор и реци ми да ли има било каквих проблема.

*„*Било каквих проблема*“* је неограничен простор претраге. Модел ће генерисати хиљаде токена покривајући сваки могући аспект: форматирање, јурисдикцију, вишу силу, одштетне клаузуле, интелектуалну својину, клаузуле о раскиду, услове плаћања, од којих вас већина не занима у том тренутку.

**Добар промпт:**

Kopiraj 

Ово је уговор са подизвођачем за грађевински пројекат вредности 2М ЕУР. Рок за потписивање је петак. 
Прегледај клаузуле о одговорности и пеналима за кашњење. Наше најбитније ограничење: не можемо прихватити 
пенале веће од 5% вредности уговора. Наша жеља/захтев: пенали се обрачунавају тек након 15 радних дана кашњења, 
са максимумом од 10% и узајамном одговорношћу за кашњења узрокована инвеститором. Означи сваку клаузулу 
која крши ово ограничење или одступа од жеље/захтева, и објасни шта нас то одступање кошта.

Имамо две клаузуле за преглед и једно најбитније ограничење. Једна жеља/захтев и специфичан формат излаза (означи + објашњење цене). Ова претрага биће ограничена и фокусирана.

## Пример 4: Комерцијала - стратегија продаје

**Лош промпт:**

Kopiraj 

Ти си искусни директор продаје. Размисли о нашој продајној стратегији корак по корак. Размотри све канале, 
циљне групе и конкуренцију. Дај свеобухватну анализу.

**Добар промпт:**

Kopiraj 

Продајемо Б2Б софтвер за управљање грађевинским пројектима по 500 ЕУР месечно. Главни конкурент је спустио 
цену на 350 ЕУР. Наша стопа обнављања уговора је 87%, имамо 120 активних клијената са просечним трајањем 
уговора од 18 месеци. Кључна диференцијација је реал-тиме праћење трошкова по фазама пројекта, што конкурент нема. 
65% наших клијената користи ту функционалност као примарни разлог за куповину. Које су опције осим
спуштања цене, и који је ризик да поклапање цене сигнализира да наша диференцијација не вреди премијум цену?

## Пример 5: Логистика - оптимизација ланца снабдевања

**Лош промпт:**

Kopiraj 

Помози ми да оптимизујем нашу логистику. Анализирај све аспекте и предложи побољшања.

**Добар промпт:**

Kopiraj 

Имамо 3 складишта (Београд, Нови Сад, Ниш) и 45 камиона. Месечно испоручујемо 8.000 пошиљки, просечна цена доставе је 12 ЕУР, 
а проценат испорука са кашњењем је 18%. Највећи трошак је гориво (35% оперативних трошкова), а 40% камиона се враћа празно. 
Циљ: смањити проценат кашњења испод 8% и повратне празне вожње испод 20%, без повећања флоте. 
Које су опције за консолидацију рута и cross-docking, и шта је trade-off између брзине испоруке и искоришћености капацитета?

## Пример 6: Маркетинг - стратегија кампање

**Лош промпт:**

Kopiraj 

Направи маркетинг план за наш производ. Размотри све канале и циљне групе. Буди креативан и темељит.

**Добар промпт:**

Kopiraj 

Лансирамо SaaS алат за управљање грађевинским пројектима. Циљана публика: директори грађевинских фирми са 50-500 запослених 
у Србији (око 800 фирми). Буџет за кампању: 15.000 ЕУР за 3 месеца. Тренутно имамо 200 пратилаца на LinkedIn-у, email листу 
од 500 контаката (40% open rate), и нула присуство на Google претрази за кључне речи. Претходни покушај са Facebook 
огласима дао је CPA од 85 ЕУР и нула конверзија. Шта би био најефикаснији канал за првих 30 квалификованих 
lead-ова, и зашто вероватно не би требало да се фокусирамо на исто што и последњи пут?

## Пример 7: CEO - стратешке одлуке

**Лош промпт:**

Kopiraj 

Ти си искусни пословни консултант. Анализирај нашу стратешку позицију. Размисли о свим аспектима 
пословања корак по корак. Буди свеобухватан.

**Добар промпт:**

Kopiraj 

Грађевинска компанија, 250 запослених, годишњи приход 18М ЕУР, оперативна маржа 6%. Три највећа клијента чине 55% прихода. 
Тржиште се консолидује: два конкурента су се спојила и сада имају 30% већи капацитет од нас. Имамо специјализацију у 
инфраструктурним пројектима (мостови, тунели) где је маржа 12%, али ти пројекти чине само 25% прихода. 
Остатак је индустријска градња са маржом од 5%. Да ли треба да се фокусирамо искључиво на инфраструктуру и смањимо фирму, 
или да задржимо обим и тражимо аквизицију мањег специјализованог конкурента? Који сценарио нас оставља рањивијим ако 
држава смањи инфраструктурна улагања за 30%?

## Декомпозиција: када је проблем превелик за један промпт

Претходни примери показују како дефинисати простор претраге за један промпт. Али неки проблеми су превише сложени за један промпт. Када ставите превише захтева у један промпт, грешка на почетку у било којој димензији у процесу, рецимо погрешна интерпретација једног податка, пропагираће се кроз читав излаз, па ћемо на крају добити каскадне грешке и неуспешан исход.

### **Лоша верзија - све у једном промпту:**

Kopiraj 

Анализирај наше Q3 податке о приходима, идентификуј три главна покретача пада, форматирај анализу као 
меморандум за управни одбор са извршним сажетком, направи три сценарија пројекција за Q4, и укључи 
матрицу ризика за сваки сценарио. Користи наш стандардни формат за меморандум са заглављима и табелама.

Имамо шест захтева у једном промпту. Модел мора истовремено да *„*држи пажњу*“* наанализи, форматирању, моделирању сценарија, процени ризика и усклађености са шаблоном. Сваки од тих захтева је димензија кроз коју претрага мора да прође. Погрешан закључак у било којој димензији на почетку процеса провлачиће се кроз читав излаз.

### **Добра верзија - секвенцијални промптови:**

**Промпт 1:**

Kopiraj 

Ово су наши Q3 подаци о приходима [приложени]. Идентификуј три главна покретача пада прихода. 
За сваки покретач, квантификуј утицај у еврима и објасни механизам.

**Промпт 2 (након прегледа резултата):**

Kopiraj 

На основу ова три покретача, направи три сценарија пројекција за Q4: оптимистички (покретачи се преокрену), 
базни (покретачи настављају на тренутном нивоу), и песимистички (покретачи се убрзавају). За сваки сценарио, 
пројектуј квартални приход и утицај на маржу.

**Промпт 3 (након прегледа резултата):**

Kopiraj 

За сваки од три сценарија, направи матрицу ризика: наведи три главна ризика, вероватноћу, утицај ако се 
реализује, и опције за ублажавање.

**Промпт 4 (стандардни модел, не за резоновање):**

Kopiraj 

Форматирај следећу анализу као меморандум за управни одбор. Користи ова заглавља: Извршни сажетак, 
Покретачи прихода, Q4 сценарији, Процена ризика. Извршни сажетак не сме бити дужи од 200 речи.

Четири промпта уместо једног, и сваки промпт дефинише један јасно ограничен простор претраге. Модел за резоновање обрађује анализу и пројекције (где претрага додаје вредност), док стандардни модел обрађује форматирање (где претрага не додаје вредност). Треба да прегледате излаз у свакој фази и похватате грешке пре него што се умноже и пренесу у следећи корак.

## Вишеструке поруке: када остати а када почети испочетка

Модели за резоновање у вишеструким конверзацијама условљавају претрагу целокупном историјом разговора. Свака претходна порука, и ваша и одговор који добијете од модела, део је контекста на којем претрага ради. Ово има две импликације.

Ако је први одговор добар, наредни промптови могу ефективно надограђивати будуће одговоре. *„*Сада прошири ову анализу да укључи и европско тржиште*“* функционисаће добро јер ће претрага имати солидну основу.

Ако је први одговор отишао у погрешном смеру, накнадне корекције често погоршавају ситуацију. Модел ће покушавати да помири вашу корекцију са постојећим излазом. Неће почети испочетка, већ ће покушавати да угради корекцију у оквир који је већ изградио, а тај покушај помирења створиће нове конфликте.

**Правило:** Ако додајете усавршавање или проширење инструкција на добар одговор, останите у конверзацији. Ако контрирате или преусмеравате лош одговор, почните нову конверзацију са бољим промптом.

## Седам правила која важе за све моделе за резоновање

Да сумирамо оно што смо научили, *reasoning* модели генеришу проширене секвенце токена које претражују простор решења модела, тренирани кроз учење поткрепљивањем (*reinforcement learning*). Размишљајући из те перспективе, долазимо до седам принципа. Они ће функционисати на свим новим *reasoning* моделима, који излазе на свака два или три месеца, јер произлазе из архитектуре и *post-training* протокола који користе све велике AI лабораторије.

1\. **Ваш промпт дефинише простор претраге**

Модел користи ваш промпт као почетни контекст за проширено генерисање токена које претражује простор решења. Ужи и прецизно дефинисани промпт ће увек победити широко и двосмислено упутство.

2\. **Не ограничавајте процедуру претраге већ ограничите простор претраге**

*„*Размисли корак по корак.*“* *„*Прво размотри X, па Y.*“* Ово су процесна ограничења јер говоре моделу како да претражује и ограничавају га на подскуп доступних стратегија. Кључни налаз DeepSeek-а био је да људски дефинисани обрасци размишљања ограничавају истраживање. Дефинишите прецизно шта желите, и никада не описујте у промпту како модел треба да дође до одговора.

Дефинисање персоне је мало другачије. *„*Ти си експерт за пореско право*“* је ограничење претраге, а не процесно ограничење, јер се фокусира из ког домена модел црпи одговоре, а не које кораке треба да прати. На упиту специфичном за одређени домен, овај фокус може бити веома користан. 

3\. **Оптимална претрага је краћа него што мислите**

Више токена неће поуздано произвести боље одговоре. Apple-ово истраживање открило је да модели често пронађу тачна решења врло рано, а онда се *„*замисле*“* и пређу их, па наставе да претражују док не пронађу лошији одговор. Када дуго чекање произведе лош одговор, прави потез је једноставнији промпт, декомпонован проблем, или други модел. Више стрпљења код чекања одговора вам неће помоћи.

4\. **Претрага је погрешан алат за препознавање образаца**

Apple је утврдио да стандардни модели надмашују *reasoning* моделе на задацима ниске сложености. Ако вам треба класификација, чињенични подсетник, превођење, сажимање, визуелно препознавање, немојте користити *reasoning* модел, јер ће претрага сигурно направити грешку. Користите инстант режим или модел без *reasoning*\-а.

5\. **Граница знања модела је његово пред-тренирање**

Компресија претраге значи да RL чини модел поузданим унутар постојећег опсега знања и способности. Када се претрага рано заврши и када добијете кратак и површан одговор на тешко питање, то сигурно значи да проблем који сте дефинисали вероватно превазилази оно што је базни модел научио. Декомпонујте проблем на делове које модел може да обради, или користите способнији модел.

6\. **Проширено генерисање појачава и сигнал и шум**

Више токена = више прилика да се пронађу добра решења и више могућности за погрешна скретања у претрази која се акумулирају. Погрешна интерпретација на токену 200 може се пропагирати кроз 12.000 наредних токена, и на крају ћете добити грешку која се каскадно преноси да би на крају добили погрешан резултат. Решење овог проблема јесу једноставнији промптови: мање испреплетаних ограничења, јаснији приоритетни редослед и декомпозиција у секвенцијалне упите.

7\. **Ставите најважније на почетак**

Сваки токен који модел генерише условљен је сваким токеном пре њега. Информација на почетку промпта обликује целокупну путању претраге. Критично ограничење које наведете на почетку промпта постаје темељ на којем се претрага гради. Исто ограничење наведено на крају дугачког промпта може бити потцењено након што су хиљаде међутокена успоставиле другачији правац. Ако имате један захтев у промпту који вам више значи од осталих, ставите га обавезно на почетку промпта.
### Агентски радни ток (Agentic Workflow)
URL: https://www.vijuge.rs/agentic-workflow/
Last updated: 2026-05-22T21:51:32.000Z
Скоро свака друга организација на свету данас на неки начин испробава AI агенте, али мање од једне четвртине успева да их заиста уведе у свакодневни рад. Између те две чињенице налази се простор који технолошка индустрија, са дозом оптимизма, назива фазом пилот пројеката, а која у пракси често има следећи опис: то је место где се троше средства из буџета, ангажују консултанти, праве убедљиве презентације и демонстрације, али се ништа суштински не мења у начину на који организација ради, планира, доноси одлуке и зарађује новац. 

Парадокс је очигледан. 

Никада нисмо имали моћније алате, и никада нисмо имали више пажње усмерене ка вештачкој интелигенцији, а истовремено никада није било јасније да сама технологија није довољна. Проблем је, у највећем броју случајева, способности организације да прихвати другачију логику рада.

Зато је важно да одмах разјаснимо шта се заправо подразумева под појмом агентски радни ток и где му је место у AI аутоматизацији. Аутоматизација процеса помоћу вештачке интелигенције обухвата шири концепт који називамо AI радним током ([**AI workflow**](https://www.vijuge.rs/ai-workflow/)). Унутар тог система, постоје две различите филозофије примене. Једна је ***Agentic AI*** \- концепт у којем аутономни модели, AI агенти, добијају висок степен слободе да сами постављају циљеве, бирају алате и доносе одлуке. Друга компонента, на коју се ми овде фокусирамо, јесте агентски радни ток (***Agentic workflow***).

На прву лопту, овај израз може да створи утисак да је реч о некој врсти аутономне вештачке интелигенције која сама одлучује шта треба да ради, којим редом, са којим циљем и на основу којих критеријума. Али то није тако. Агентски радни ток је процес који је унапред дефинисан: низ корака, правила, услова, гранања и тачака провере које је пројектовао човек, а које велики језички модел ([ЛЛМ](https://www.vijuge.rs/sta-je-zapravo-llm/)) извршава унутар задатих оквира.

Класичан начин употребе великих језичких модела углавном је једноставан. Човек постави питање, а модел одговори. Овакав приступ може бити користан када треба написати кратак текст или проверити неку идеју. Али када процес постане сложенији, када укључује више извора података, више система, више изузетака и више тачака на којима је потребно нешто проверити, та једноставна размена постаје недовољна. Тада се појављује агентски радни ток као покушај да се модел не користи само као саговорник, већ као извршилац у пажљиво пројектованом процесу.

### Машина као извршилац, човек као архитекта

У таквом процесу човек унапред одређује редослед операција, дефинише које алате модел сме да користи, којим подацима може да приступи, где мора да стане, шта мора да провери и под којим условима треба да понови неки корак. Модел, дакле, не бира и не одлучује сам који је следећи корак у радном току. Али унутар путање која му је задата користи оно у чему је добар: разумевање језика, обраду података, извлачење релевантних информација, формулисање текста, позивање других AI алата и рад са неструктурираним садржајем.

Ова разлика је слична оној између радника који сам одлучује како да гради кућу и радника који прати детаљан пројекат архитекте, али у оквиру тог пројекта користи сопствену стручност за сваку појединачну операцију градње. За изградњу је потребна интелигенција извршиоца, али правац и структуру градње одређује пројектант.

Баш на овом месту почиње проблем данашњих организација. Оне се тешко сналазе са агентским радним токовима, зато што овај приступ њиховог увођења од организације тражи да јасно, детаљно, прецизно и до краја опишу сопствене процесе. То треба да буде оперативна спецификација, која је довољно јасна да је машина може испратити.

Да би се овај проблем боље разумео, хајде да замислимо конкретну ситуацију. Узмимо једну просечну српску компанију која се бави увозом и дистрибуцијом индустријских компоненти. Њен процес набавке, на папиру, изгледа овако: комерцијалиста добије захтев од клијента, провери стање на лагеру, контактира добављача у иностранству, сачека понуду, упореди цену са буџетом клијента, направи домаћу понуду, пошаље је клијенту, сачека одобрење и затим направи наруџбеницу. На први поглед, то је јасан ланац корака. У стварности, то је процес који се протеже кроз више софтверских система, кроз имејлове, ERP систем, Excel табеле, можда CRM, али и кроз телефонске разговоре, личне договоре и неформално знање запослених.

Агентски радни ток треба овај процес да претвори у дефинисану секвенцу инструкција: 

«Прво провери стање на лагеру.»

«Ако роба постоји, преузми цену и рок испоруке.»

«Ако не постоји, контактирај добављача или приступи његовом систему.»

«Затим упореди добијену цену са условима клијента.» 

«Потом припреми понуду по унапред дефинисаном шаблону.»

«На крају проследи понуду комерцијалисти на проверу пре слања.» 

У овој поставци нема филозофије. Сваки корак унапред осмишљава човек. Модел не може сам да одлучи да ли треба да провери лагер или да контактира добављача. Он прати процедуру. Али унутар сваког корака користи своју језичку и аналитичку способност: чита неструктурирани имејл добављача, извлачи цену, извлачи рок и услове испоруке, препознаје релевантне податке и формулише понуду језиком и тоном који одговара пословном контексту.

### Судар теорије и неформалног знања

Али, управо овде теорија долази у сукоб са праксом. Да би агент могао да провери лагер, подаци о лагеру морају бити тачни, ажурни и машински читљиви. У многим компанијама они то нису. Формално постоји ERP систем, постоји евиденција и стање залиха. Али поред тог формалног система постоји и други систем знања: знање магационера, комерцијалисте, директора продаје или човека који већ годинама „зна како стварно стоје ствари“. У систему пише да има 50 комада, али је 20 већ обећано другом клијенту. Роба постоји, али је у другом магацину. Ставка је заведена, али није употребљива. Резервација је договорена, али није унета у систем.

За човека, ово је непријатност коју ће решити телефонским позивом, поруком или кратким питањем колеги. За агентски радни ток, ово је системски проблем. Модел не може поуздано да ради са неформалним знањем које живи у главама запослених. Он тражи податке који су унети, ажурирани, структурирани и доступни. Податак који је у класичном радном току „довољно тачан“, јер га човек може проверити једним позивом, у аутоматизованом процесу постаје извор грешке која се понавља.

Deloitte-ово истраживање из 2025\. године показује да скоро половина организација наводи проналажење и употребљивост података као кључну препреку за аутоматизацију радних токова засновану на AI агентима.

Долазимо до првог важног закључка. Агентски радни ток зависи од квалитета података, организационе дисциплине и спремности фирме да оно што се до јуче подразумевало сада постане експлицитно. Ако модел треба да прати процес, онда процес мора бити описан. Ако треба да користи податке, онда подаци морају бити употребљиви. Ако треба да доноси одлуке у оквиру задатих правила, онда правила морају бити написана. Оно што је раније могло да остане у зони навике, импровизације и „знамо ми како се то ради“, сада мора да постане део система.

Ипак, сваки агентски радни ток мора имати места где ће човек да контролише процес. Добро пројектован ток дефинише где LLM извршава корак аутоматски, а где се зауставља и чека одобрење од стране човека, пре него што настави. Понуда за рутинску набавку од 500 евра може проћи аутоматски. Понуда за стратешки пројекат од 50.000 евра захтева да човек прегледа и одобри пре слања. Суштина је у томе да пројектант агентског тока, а не LLM, одлучује где су те границе.

Други ниво сложености појављује се када процес престане да буде линеаран. А у реалном пословању он готово никада није линеаран, већ вијуга и грана се. Ако је роба на лагеру, иде се једним путем. Ако није, другим. Ако је вредност понуде изнад одређеног износа, потребно је одобрење директора. Ако је клијент стратешки важан, примењују се посебни услови. Ако припада једној категорији, добија један рабат. Ако је формално у другој категорији, али је у пракси другачије договорено, важи изузетак. Сва та гранања, сви ти изузеци и све те мале пословне нијансе морају бити уграђене у радни ток.

На овом месту пројектовања агентског радног тока, многе организације открију да не знају баш тачно како њихови процеси функционишу. Знају отприлике. Знају у општим цртама. Знају ко кога треба да пита и ко обично доноси одлуку. Али када треба написати прецизну спецификацију са свим условима, изузецима, гранањима и посебним случајевима, постане јасно да велики део логике не живи у систему, већ у људима који тај посао обављају. У њиховом искуству, памћењу, личним договорима и осећају за ситуацију у којој се налазе и контекст који је прати.

Замислимо, на пример, да се у радном току дефинише правило: ако је клијент X у категорији А, примени рабат од 15 одсто. Али онда неко из продаје каже да је клијент X формално у категорији Б, али да је годинама третиран као категорија А, јер је стратешки важан. Неко други додаје да клијент Y има рабат од 15 одсто, али само на једну групу производа, док се на све остало примењују стандардни услови. Трећи комерцијалиста подсећа да се код једног купца понуда никада не шаље директно, већ прво иде на проверу код директора, јер је раније било проблема са наплатом.

Запослени може да зна изузетак иако нигде није записан. Модел не може. За модел, правило које није дефинисано и написано не постоји.

Трећи ниво проблема је психолошки, али не у уобичајеном смислу. Често чујемо да људи не верују вештачкој интелигенцији, да се плаше алата или да не желе да промене навике. То је делимично тачно, али није срж проблема. У поступку израде агентског радног тока постаје видљиво оно што је годинама било скривено испод површине: неписана правила, лични договори, личне интервенције, изузеци који зависе од једног човека и одлуке које се доносе „из главе“. У нашем пословном окружењу, где је одлучивање често централизовано, и директор лично решава важне изузетке, тај процес може бити посебно неугодан, зато што тражи да се оно што је до сада функционисало као осећај, искуство и лична процена претвори у писано правило.

Директор који је двадесет година лично одобравао сваку већу понуду можда неће имати проблем са вештачком интелигенцијом као алатом. Али може имати проблем са тим што сада мора да каже по којим тачно критеријумима је те понуде одобравао. Када је одобрава, када је одбија, када тражи додатну проверу, када прави изузетак, коме верује, а коме не. Док је све то било у његовој глави, процес је могао да делује флексибилно. Сада, када треба да се претвори у агентски радни ток, постаје јасно колико је та флексибилност заправо зависила од непрецизности.

Зато агентски радни токови често пропадају зато што организација није спремна да плати цену прецизности. А та цена није мала. Она подразумева чишћење података, описивање процеса, уклањање нејасноћа, дефинисање изузетака и прихватање чињенице да машина не може да ради са оним што је свима „отприлике јасно“.

У том смислу, агентски радни ток је тест зрелости организације. Показује колико су процеси стварно јасни, колико су подаци стварно поуздани и колико је фирма спремна да оно што зна претвори у систем. Ипак, чак и када организација досегне ту врсту системске зрелости, треба остати свестан граница саме технологије: савршено оптимизован процес и чисти подаци не укидају потребу за сталним надзором. 

Људска провера остаје незаменљив центар сваког успешног радног тока, подсећајући нас да машина може беспрекорно да прати нацртана правила, али само човек разуме зашто су та правила уопште постављена и једини може да преузме одговорност за њихове крајње последице.
### Зашто не касните за AI-јем онолико колико мислите
URL: https://www.vijuge.rs/zasto-ne-kasnite-za-ai/
Last updated: 2026-05-07T18:56:54.000Z
Постоји једна врста притиска коју је тешко објаснити речима, а сви сте је сигурно осетили. Кад отворите неког AI чет-бота и поставите питање, добијете углавном пристојан одговор, мало размислите о њему и о томе како би било добро да можете да добијете бољи одговор, затворите апликацију, и остане вам негде у стомаку туп осећај да нешто пропуштате. Да можда касните. Да негде, неко ко обавља сличан посао вашем, то ради уз помоћ вештачке интелигенције и да је испред вас у свему.

Знам тај осећај јер га и сам имам. И то неретко. Упркос томе што се бавим AI-јем сваког дана, и даље понекад затворим лаптоп са утиском да ми је нешто промакло и да не стижем све да испробам и савладам нове АИ алате.

AI системи који су пре три године једва могли да саставе три смислена пасуса, данас могу да положе правосудни испит. За само неколико недеља добијете десетине најава које звуче као да је парадигма рада већ промењена. Нови AI модели, нови рекорди, нова улагања, нова обећања да ће све бити другачије.

Из свега овога можемо лако да извучемо један сасвим логичан закључак: каснимо. Не стижемо.

Овај закључак, колико год нам звучао убедљиво, почива на погрешном поређењу. Поредимо наше кретање кроз посао и живот са брзином система који никада није ни прављен по мери човека који има састанке, мејлове, децу, главобољу, рокове.

Да видимо како све то заиста изгледа.

### **Договор на реч, уговор на папиру, промена на терену**

У српском пословном окружењу постоји једно неписано правило које сваки директор, сваки руководилац и сваки извршилац познаје из личног искуства. Некад је довољно једно поподне и једна кафа, можда ручак, да се две стране договоре. На нивоу визије и на нивоу намере, ствар је готова за сат времена. Једна страна каже „идемо“, друга каже „важи“, и у том тренутку, у главама оба учесника, пројекат је практично завршен, и то „на реч“.

Али онда долази други чин, онај мало мање пријатан: шта је стварно договорено, шта су чије обавезе, понуде, цене, предлози уговора, адвокати, сагласности, тумачења, усклађивање, нова тумачења, па још једно усклађивање, провера и овера код нотара. Оно што је на реч завршено за сат времена, да би се ставило на папир, може да потраје месец дана, а за озбиљне, високо ризичне и финансијски велике уговоре може да потраје и и неколико месеци.

На крају, долази најспорији део. Оно што је договорено и што је потписано сада мора да се спроведе у пракси, на терену, са људима и њиховим навикама. Неко ће морати да промени начин рада. Неко ће морати да научи нови алат. Неко ће морати да прихвати нову процедуру која му иде на живце. Неко ће морати да промени посао. И баш у овом делу реализације договореног и уговореног, посао почиње да се развлачи и успорава. И понекад, оно што је уговорено да се заврши за годину дана, може да потраје и две године.

Управо ту, где се ове три промене дешавају са неколико различитих брзина, ми их упорно гледамо као да су један исти процес.

Са технологијом је потпуно иста прича.

Оно што читате у вестима: нови AI модел, нова инвестиција, ново „ово ће променити све” је онај први ниво, еквивалент договора „на реч“. Ту се ствари дешавају из недеље у недељу, а у последње време и из дана у дан. Објављују се нови пробоји у тхенологији и невероватне могућности AI модела пре него што се прашина око њих слегне, а камоли пре него што ико стигне озбиљно да провери шта те нове могућности уопште значе за рад обичног човека.

Али AI алат који ви стварно користите да бисте написали допис, средили презентацију, прочешљали документ или извукли нешто корисно из неуређених података, је већ друга прича. Ви не радите у лабораторијским условима. То је производ који мора да сазри, да не ради, да багује, да се поправи, па тек онда да постане употребљив. И ту ствари већ иду много спорије. То је онај други корак, од договора до потписаног уговора.

Ако сте пробали да конкретан посао пребаците на машину, вероватно знате тај осећај: тражите помоћ, а добијете текст који звучи као да га је писао амерички менаџер продаје. Онда проведете двадесет минута бришући придеве и скраћујући реченице да би на крају текст звучао као да га је написао неко из Београда. И ту се човек с правом запита: добро, где је сад ту обећана брзина у раду и та чувена уштеда времена?

Па нема је (још) увек. Бар не на начин на који се продаје.

Када дођемо до питања колико људи ове алате заиста користи сваки дан, смислено, без позирања и без „ево и ја сам пробао” момента, онда смо на терену праксе. А тај терен је спор и тврдоглав. Препун потешкоћа. И углавном је потпуно имун на еуфорију око било које технологије.

И ово није ништа ново.

Ови обрасци су идентични у сваком технолошком циклусу. Само смо заборавили како су ишле претходне промене, јер кад их гледамо са ове дистанце, изгледају нам као да су се десиле преко ноћи. А нису.

Први iPhone се појавио 2007., а андроид телефони крајем 2008.године. Онлајн продавнице за апликације за паметне телефоне појавиле су се крајем 2008\. и током 2009.године. А кад су ваши родитељи, тетке, ујаци, старије колеге стварно прешли на паметни телефон и користили га за обављање свакодневних ствари? Не кад су чули за њега, него кад су почели да га користе самостално а да им неко не стоји над главом и даје упутства шта и где да „притисну“. Кад су почели да шаљу поруке преко Vibera или WhatsAppa, или да читају вести на телефону? За многе од њих се то десило тек 2012\. или 2013\. Прошло је четири до пет година од доступности технологије до њене масовне, свакодневне употребе.

Са интернетом је ишло још спорије. Интернет прегледачи су се појавили средином деведесетих, али просечан човек код нас није одмах пребацио свој живот на интернет: читање вести, тражење информација, плаћање рачуна, онлајн куповина, електронска документа, свакодневне ситнице. Све је ово стизало полако, са задршком, уз оно наше старо: „чекај да видимо прво да ли то ради како треба”.

И искрено, то није увек лоша логика.

Сваки технолошки талас има исту основну динамику: технологија јури великом брзином, алати покушавају да је сустигну, а људи се полако и са отпором прилагођавају. Разлика је само у томе што је овог пута тај први слој динамике, невероватно брз. Ту је стварно дошло до нечега што се дешава без преседана. За три године прешли смо пут од AI система који звуче као лоше написани семинарски радови до система који могу да напишу сасвим пристојан нацрт правне анализе. Исто важи и за слике: од седам прстију на руци и очију на челу до нивоа на којем морате озбиљно да загледате слику да бисте разазнали да ли је генерисао AI или није.

Али чак и када све ово разумете и прихватите, онај осећај у стомаку са почетка приче неће тако лако нестати. Јер то има везе са нечим много старијим од AI-ја.

### **Зашто ваш мозак бира да не ради ништа ново?**

Наш мозак има биолошку склоност ка очувању тренутног стања. Наука о понашању то недвосмислено документује: између седамдесет и деведесет одсто људи остаје при подразумеваној опцији у готово сваком контексту одлучивања. Људски мозак воли познато и оптимизован је да чува енергију. После целог дана препуног доношења ситних одлука, натезања, позива, порука, рокова и прекидања пажње, последње што нашем мозгу треба јесте још један нови систем који морамо да учимо од нуле.

Хиљадама генерација нам је било корисније да будемо опрезни према непознатом него да га одушевљено прихватимо. То значи да одлажемо коришћење новог алата јер не знамо да ли ће нам стварно помоћи или ће нам само појести два сата времена, а успут и живце.

Ту је још један проблем: превише информација. Наш мозак има ограничену радну меморију. Када нас свакодневно бомбардују вестима о новим AI алатима, када слушамо контрадикторна предвиђања стручњака и уз то додамо мешавину маркетинга са апокалиптичним наративима - та радна меморија се препуни. А када се препуни, наш мозак ради нешто потпуно предвидљиво: враћа се на фабричка подешавања и на оно што познаје. Преоптерећени мозак увек бира најсигурнији пут. А најсигурнији пут је: немој да радиш ништа ново.

У српском контексту, овај механизам има додатну димензију. Поверење у институције и системе је генерацијски нарушено. Када сте научени да свака најава промене набоље најчешће резултира разочарењем или додатном компликацијом, сасвим је нормално да на сваку следећу велику најаву реагујете са подигнутом обрвом и скептицизмом. Зато је пролажење кроз трећи, практични део увођења технологије, код нас често спорији него у окружењима где поверење у системске промене није толико еродирало.

Социолог Еверет Роџерс је пре више од пола века показао како се иновације шире кроз друштво. Више од осамдесет посто људи чека. Чекају да се слегне прашина, да се неко други опече, да интерфејс престане да буде лош, да се види да ли алат ради или је само реч о још једној маркетиншки надуваној причи. И знате шта? Чекање је такође стратегија. Није баш најбоља, али није ни срамотна. Проблем настаје само ако чекате а да притом не гледате шта чекате.

Ако се, дакле, осећате као да нешто пропуштате и да заостајете за нечим, велика је шанса да сте само нормални. Вероватно припадате огромној већини људи који чекају да промена постане толико очигледна и неизбежна да више не могу да је игноришу.

### **Ваша радна брзина се мери на другом месту**

У нашем пословном менталитету увек изгледа импресивно оно што је договорено и решено „на реч”. Али сваки искусан човек зна да стварна вредност настаје тек кроз праксу, на терену, кроз споро и мукотрпно прилагођавање. Исти принцип важи и за усвајање нових технологија. Вредност је у томе да разумете шта тај алат заиста може да уради за ваш конкретан радни процес, и да то примените системски. Ту је једино место где се стварна промена дешава.

Запитајте се који део вашег посла има одређени образац понављања, или је довољно фрустрирајући да би вас натерао да сваког дана одвојите сат времена за експериментисање са AI алатима. Који је то задатак који вас чека сваког јутра, а за који бисте могли да затражите помоћ од машине?

Раскорак између онога што нам технологија најављује, онога што ће постати наш свакодневни AI алат и онога што ћемо заиста усвојити и увести у свој радни процес, вероватно се неће смањивати. Пре ће се десити обрнуто.

Због брзине промене, AI технологија ће и даље прелазити пут који се мери у данима. AI алати ће „путовати“ месецима. А ми ћемо мењати наш начин рада годинама.

Следећи пут кад вас ухвати онај познати осећај да сви око вас нешто јуре, а ви стојите у месту, сетите се ове приче: није исто оно што вештачка интелигенција данас може да уради у лабораторији и оно што ће неко од нас у канцеларији, рачуноводству, продаји или оперативи заиста користити без муке за шест месеци.

Зато нема много смисла да судите себи на основу тога што не можете да се крећете брзином којом AI технологија напредује. Ваша радна брзина се мери на терену праксе. То су две различите брзине, а понекад и две различите стварности.
### ROI за AI пројекат
URL: https://www.vijuge.rs/roi-ai/
Last updated: 2026-05-15T16:44:26.000Z
У сваком предузећу постоји један тренутак који одлучује о судбини сваког пројекта, без обзира на то колико је привлачан или стратешки важан. То је тренутак када финансијски директор, власник или неко ко управља буџетом постави једно једино питање: „Добро, али колико ће нас ово коштати и шта ћемо да добијемо за те паре?“

Тај моменат је исти било да се ради о куповини новог камиона, отварању филијале или увођењу вештачке интелигенције. И на то питање, у већини случајева, нико нема јасан одговор, зато што нико није сео и израчунао.

У свету пословних финансија, то питање има своје формално име: ROI, односно *Return on Investment*, или повраћај инвестиције. Формула је једноставна: од онога што сте зарадили или уштедели одузмете оно што сте уложили, поделите са улагањем, помножите са сто и добијете проценат. Ако сте уложили хиљаду евра, а зарадили или уштедели хиљаду и триста, ваш ROI је тридесет посто. На папиру, нема ништа лакше. У пракси, нарочито када је у питању вештачка интелигенција, нема ништа теже.

Кренимо од бројки, јер бројке показују право стање. Истраживање часописа Forbes из 2025\. године открива да мање од 1% руководилаца пријављује значајан повраћај инвестиције од AI пројеката. Истовремено, 39% руководилаца каже да им је управо мерење повраћаја инвестиције један од највећих изазова. Истраживање компаније IBM показује да само око 25% AI иницијатива испуњава очекивани ROI, а свега 16% се уводи на нивоу целе организације. Извештај института MIT из средине 2025\. године открива да 95% пилот-пројеката генеративне вештачке интелигенције не показује мерљив финансијски утицај у првих шест месеци.

Овде је важно направити разлику коју многе фирме превиде: AI пилот-пројекат није исто што и увођење AI алата на нивоу целе фирме.

Пилот-пројекат је мали, контролисан, често окружен ентузијазмом људи који желе да успе, ради се са ограниченим бројем корисника и на ограниченом броју случајева, уз много подршке и пажње. У таквом окружењу многи AI алати изгледају веома добро. То не значи да ће се исто понашати када их користи педесет, сто или петсто људи у свакодневној гужви реалног пословања.

Зато је опасно када фирма после једног успешног AI пилот-пројекта одмах закључи да је пројекат спреман за целу организацију. Пилот-пројекат доказује да нешто може да ради, али тек кад почне да се користи на нивоу целе организације, тек тада може да докаже да је исплатив.

Како је могуће да технологија у коју се глобално улажу стотине милијарди долара годишње има тако лоше показатеље? Одговор је једноставан и незгодан: организације веома добро мере шта AI ради, али веома лоше мере колико их то кошта и шта конкретно добијају за тај новац.

85% организација каже да AI побољшава доношење одлука. 84% каже да побољшава оперативну ефикасност. Али скоро нико не може да повеже то побољшање у доношењу одлука са конкретним износом на крају месеца. Побољшање постоји, али је невидљиво у финансијским извештајима.

То је као да знате да вам је нови аутомобил бржи од старог, али не знате колико горива троши, колико вас кошта одржавање и да ли вам та брзина заиста треба за пут који прелазите сваки дан. Субјективан осећај да је „боље“ није исто што и доказ да се исплати.

Када купите машину за производну линију, рачуница је релативно јасна. Знате колико кошта машина, колико кошта одржавање, колико производа прави по сату и колико зарађујете по производу. Када купите нови софтвер за фактурисање, можете да измерите колико је времена требало за обраду фактуре пре и после увођења, и да ту уштеду претворите у новац.

Са вештачком интелигенцијом ствари стоје другачије. Зашто?

Први разлог је вредност која је расута по компанији. AI ретко доноси корист на једном месту. Он убрзава читање мејлова у корисничкој подршци, побољшава извештаје у маркетингу, скраћује анализу у финансијама или убрзава израду прототипа апликације у сектору за развој. Ако запослени уштеди двадесет минута дневно захваљујући ChatGPT-ју, то технички јесте око сат и по недељно. Али да ли је тих двадесет минута претворено у продуктиван рад, или је запослени само попунио паузу на друштвеним мрежама? Уштеда времена не значи аутоматски да смо уштедели и новац.

Формула за вредност уштеде гласи:

Вредност уштеде времена = уштеђени сати × цена радног сата × проценат времена који је стварно претворен у користан рад.

Последњи чинилац у једначини је најважнији. Уколико запослени уштеде сто сати месечно, али се само половина тог времена стварно претвори у додатни користан рад, онда у рачуницу не улази сто сати, него педесет. А ако се ништа од тог времена не претвори у бољи резултат, онда је финансијска уштеда једнака нули.

Други разлог је непредвидивост трошкова. Сваки позив моделу кошта, а потрошња зависи од начина коришћења. Запослени који шаље моделу документ од педесет страница и поставља двадесет питања троши вишеструко више токена од оног који постави једно кратко питање. Ако десет запослених користи AI алат, сваки на свој начин, месечни рачун може варирати десет пута. То отежава буџетирање и чини трошковну страну једначине непредвидивом.

Трећи разлог је временски помак. Многе користи од AI-ја нису тренутне. Систем за предвиђање кварова можда неће показати резултат месецима, све док се не догоди ситуација где је потенцијални квар, који је систем детектовао, спречен. Побољшана корисничка подршка можда смањи одлив клијената, али то ћете видети тек на крају године. Бржа обрада наруџбина можда повећа задовољство купаца, али се тај ефекат мери у поновљеним куповинама, које долазе касније.

Зато AI пројекти ретко прате линеарну путању зараде. Често пролазе кроз оно што стручњаци називају „долином смрти“. То је период великих почетних улагања, тестирања, прилагођавања и исправљања грешака пре него што алгоритам постане довољно прецизан да самостално генерише вредност за клијенте или за интерне процесе.

![](https://storage.ghost.io/c/2d/c9/2dc983e7-62c6-4b30-b450-feb5e80e95da/content/images/2026/04/image.png)

Линијски графикон са попуњеном површином приказује типичан животни циклус средњег AI пројекта. Приметан је оштар пад профитабилности у првих 6 месеци због високих капиталних издатака. Праг рентабилности се најчешће достиже око 14\. месеца, након чега раст вредности постаје експоненцијалан.

Инвеститори и руководиоци, међутим, желе резултате одмах и сада. 53% инвеститора очекује позитиван повраћај од AI-ја у року од шест месеци. А 16% директора верује да то може да спроведе. Овај јаз између очекивања и реалности је рецепт за разочарање.

И четврти разлог: многе организације мере погрешну ствар. Мере број завршених пилот-пројеката, а не пословне резултате. Мере колико људи користи алат, а не шта су с њим постигли. Мере техничке перформансе модела, а не финансијски утицај. То је као да ресторан мери успех бројем припремљених јела, а не тиме да ли су гости платили рачун и да ли су поново дошли.

## Шта заиста улази у рачуницу

Да би ROI за AI пројекат имао смисла, морате разумети обе стране једначине: шта улажете и шта добијате. Изгледа очигледно, али већина организација види само једну страну.

На страни трошкова, ствари које треба урачунати далеко су шире од цене лиценце. Ту спадају цена алата или претплате, трошкови токена, време и рад потребан за интеграцију са постојећим системима, обука запослених, време које запослени проведу учећи и прилагођавајући се, одржавање и ажурирање система, и оно што се најчешће заборавља: цена грешака.

Када компаније израчунавају ROI за AI, често потцењују аспекте који нису директно везани за софтвер, као што су потребни кадрови: ML и AI инжењери, који често представљају највећи део укупног трошка, уз *cloud* инфраструктуру потребну за тренинг, тестирање и рад модела.

![](https://storage.ghost.io/c/2d/c9/2dc983e7-62c6-4b30-b450-feb5e80e95da/content/images/2026/04/image-1.png)

Ако AI систем пошаље погрешан извештај клијенту, колико вас то кошта у поверењу и потенцијалном губитку посла? То се неће видети на фактури, али хоће у финансијском извештају.

На страни корисности AI алата, постоје две врсте добитака. Прву групу чине материјалне (опипљиве) користи - оне које можете директно превести у новац: уштеда радних сати, смањени оперативни трошкови, повећана продаја, мање грешака које коштају. Другу групу чине нематеријалне (неопипљиве) користи - оне које имају значајну вредност, али их је тешко директно квантификовати: боље доношење одлука, већи морал запослених, побољшано искуство клијената, брже реаговање на тржишне промене, и оне често дугорочно праве највећу разлику.

За руководиоца који одлучује о буџету, кључно питање је како да разликује нематеријалну корист која је реална од оне која је само изговор за пројекат који нема резултате.

Ако неко тврди да AI побољшава морал запослених, питајте: можете ли ми показати било који податак који то потврђује? Анкету? Стопу одлива? Поређење пре и после? Нематеријална корист која је реална оставља трагове, чак и ако није могуће изразити је у тачном износу.

Руководилац не мора да тражи тачан број евра, али мора да тражи доказ да се нешто десило. Ако се ништа није десило што можете регистровати, онда се вероватно ништа није ни десило.

Практичан приступ је да се нематеријалне користи пренесу у индикативне метрике. Не тражите увек тачан износ уштеде, али тражите тренд. Да ли се време одговора смањило? Да ли је број жалби пао? Да ли тим брже завршава недељне извештаје? Да ли се опрема мање квари? Ако ниједан показатељ не иде у правом смеру, нематеријална корист је фикција, ма колико убедљиво звучала на презентацији. Ако показатељи иду у правом смеру, нематеријална корист добија право да буде део рачунице, чак и без тачне цифре.

## **Почетно стање (и шта заправо меримо)**

Пре него што фирма уведе AI, мора да измери како процес изгледа без AI-ја.

То је почетно стање, или *baseline*. Без њега, сва каснија прича о побољшању постаје неутемељена. Ако не знате колико сада траје обрада једног захтева, како ћете знати да ли је AI нешто убрзао? Ако не знате колико грешака сада правите, како ћете знати да ли их је AI смањио? Ако не знате колико вас процес сада кошта, како ћете знати да ли сте нешто уштедели? Многе фирме овај корак прескоче јер журе да „крену са AI-јем“.

Пре увођења AI-ја, фирма треба да измери бар неколико основних ствари: колико процес траје, колико људи у њему учествује, колико кошта један завршен задатак, колико има грешака, колико има кашњења, колико има жалби клијената и колико времена менаџери троше на контролу и исправке. Ово мерење и евидентирање мора бити довољно добро да после три или шест месеци можете да кажете: овде смо били, а овде смо сада.

Наравно, није сваки AI пројекат исти и не мери се сваки истом метриком. Зато је једна од најчешћих грешака да фирма унапред каже: „Мерићемо продуктивност.“ Међутим, продуктивност у корисничкој подршци није исто што и продуктивност у финансијама, продаји, производњи или правној служби.

Менаџерима треба неколико пословних показатеља који говоре да ли је коришћење AI алата у фирми заиста довело до некаквог побољшања.

| **Област примене AI-ја** | **Шта мерити пре и после увођења**                                                                                             |
| ------------------------ | ------------------------------------------------------------------------------------------------------------------------------ |
| Корисничка подршка       | време првог одговора, број решених тикета, проценат обрађених захтева које је одрадио човек, број жалби, задовољство клијената |
| Финансије                | време припреме извештаја, број грешака у извештајима, време затварања месеца, број ручних провера                              |
| Продаја                  | број квалификованих потенцијалних клијената, стопа конверзије, просечна вредност продаје, време од првог контакта до понуде    |
| Маркетинг                | цена по потенцијалном клијенту, стопа конверзије кампање, време припреме садржаја, број тестираних варијација                  |
| HR                       | време обраде документације, време до запошљавања, број административних грешака, време потребно за припрему уговора и решења   |
| Правни послови           | време прегледа уговора, број уочених ризика, број враћених докумената на исправку, време припреме стандардних правних аката    |
| Производња               | број застоја, трајање застоја, трошак одржавања, број кварова, количина отпада                                                 |
| Набавка                  | време обраде захтева, број добављача по категорији, уштеда по набавној категорији, број хитних набавки                         |
| Менаџмент                | време припреме извештаја, брзина доношења одлука, број ручно припремљених анализа, квалитет прогноза                           |

Сврха ове табеле је да вам помогне да за сваки AI пројекат који сте покренули, одаберете три до пет метрика које најбоље показују да ли је пројекат створио неку вредност.

Ако метрика не помаже менаџеру да донесе одлуку, вероватно није кључна метрика. Број корисника који користе AI алат може бити интересантан за посматрање, али број решених захтева, смањење грешака или раст продаје су важнији. Прво показује активност, док друго показује резултат.

Хајде да замислимо конкретан случај. Средње предузеће у Србији има тим од пет људи у корисничкој подршци. Сваки од њих дневно обради педесет упита. Просечно време по упиту је десет минута. Фирма размишља о увођењу AI четбота који би аутоматски одговарао на рутинска питања, и то оних шездесет посто упита који се понављају: где је моја пошиљка, како да вратим производ, каква је процедура за рекламацију, како да урадим рефундацију, и сл.

На страни трошкова имамо: претплата за AI платформу петсто евра месечно. Интеграција са постојећим системом: једнократно две хиљаде евра. Обука тима: три дана, што је индиректан трошак. Укупно за прву годину: око осам хиљада евра.

На страни корисности: ако четбот преузме шездесет посто рутинских упита, то је сто педесет упита дневно које више не обрађују људи. По десет минута, то је двадесет пет радних сати дневно. Наравно, четбот неће радити савршено, па рачунајмо реалистично: четрдесет посто успешно решених упита без људске интервенције. То је и даље десет сати дневно.

Ако је просечна цена радног сата у корисничкој подршци у Србији око пет до осам евра нето, онда десет сати пута осам евра пута двадесет два радна дана пута дванаест месеци даје приближно двадесет хиљада евра годишње уштеде. Одузмите осам хиљада трошкова и имате позитиван ROI од око сто педесет посто у првој години. У другој години, без једнократних трошкова, ROI скаче на преко двеста педесет посто.

Ова рачуница је, наравно, поједностављена. У стварности треба урачунати и незадовољство клијената који не воле да причају са четботом, грешке четбота које захтевају људску корекцију и време одржавања система. Али чак и са тим корекцијама, бројке дају јасну слику. А јасна слика је управо оно што недостаје већини фирми када одлучују о AI улагањима.

Ако је рачуница могућа, зашто фирме имају проблема да је направе? Одговор лежи у комбинацији три фактора.

Први је култура хитности. У нашем окружењу, одлуке о технологији често се доносе под притиском: конкуренција је увела, директор је видео на конференцији, морамо и ми. У тој атмосфери, нико не застане да каже: „Сачекајте, хајде да прво проверимо да ли нам се то исплати.“ То се доживљава као кочење иновације, а не као разборитост.

Други фактор је страх од бројки. Ако урадите рачуницу и испостави се да се пројекат не исплати, морате да објасните зашто сте уопште кренули. Лакше је не рачунати и надати се да ће ствари некако проћи. То је класичан случај информационе аверзије: избегавамо податке који би нас могли довести у непријатну ситуацију.

Трећи фактор је недостатак одговорности. У многим организацијама, нико није директно одговоран за то да AI пројекат донесе мерљиве резултате. ИТ је одговоран да систем ради, а менаџмент је одговоран за стратегију. Али ко је одговоран за то да систем који ради заиста производи вредност? Тај празан простор између техничке функционалности и пословног резултата је место где се ROI губи.

Зато је разумевање фактора ризика једнако важно као и проучавање успешних примера. Анализа неуспелих AI иницијатива показује да технологија ретко представља главни проблем. Прави изазови најчешће леже у подацима, људима и стратегији: лош квалитет података, нејасно власништво над пројектом, отпор запослених, недовољна обука и одсуство јасних пословних метрика.

![](https://storage.ghost.io/c/2d/c9/2dc983e7-62c6-4b30-b450-feb5e80e95da/content/images/2026/04/image-2.png)

## Цена промене наспрам цене статуса кво

AI ROI није увек мерљив у еврима. Али то не значи да не постоји. Неки ефекти AI-ја су стратешке природе. Фирма која раније препозна тренд на тржишту захваљујући аналитици има предност коју је немогуће изразити једноставном формулом. Организација чији запослени не троше сате на досадне административне послове јер их AI обавља уместо њих можда има мањи одлив талената, а то је уштеда коју ћете видети тек за годину или две.

Али стратешка вредност не сме бити изговор за непостојање рачунице. Фирме које сваку AI инвестицију правдају „стратешком важношћу“, без иједног конкретног броја, заправо признају да не знају зашто троше новац. Стратешка вредност и финансијска мерљивост су два дела исте приче, и обе морају бити присутне.

У ROI рачуници, поред трошка увођења AI-ја, постоји и трошак где фирма наставља са старим начином рада. Ово је део који многи власници превиде, нарочито када гледају понуду добављача и виде цену лиценце, инсталације, интеграције и обуке. Тај трошак је видљив, па делује да је велик. Али невидљиви трошак старог начина рада често је много опаснији, баш зато што су се сви навикли на њега.

Колико фирму кошта то што корисничка подршка одговара споро? Колико коштају грешке у ручно припремљеним извештајима? Колико кошта то што продаја не стиже да обради све потенцијалне клијенте? Колико кошта то што искусни људи троше сате на административне послове које нико не жели да ради? Колико кошта што директор добије извештај три дана касније, када је одлука већ требало да буде донета?

Зато добро постављена ROI рачуница треба да има два питања. Прво: колико нас кошта да уведемо AI? Друго: колико нас кошта ако овај процес остане исти још годину дана? Тек када имате оба одговора, можете да донесете праву пословну одлуку.

Ако је једна лекција из свих ових истраживања јасна, она гласи: мерите пословне исходе, а не техничке метрике. Важно је да измерите колико је модел тачан у свом раду, али је исто тако важно да измерите колико сте уштедели. Поред тога што ћете мерити колико људи користи AI алат, важније је да измерите шта су с њим постигли.

Фирме које постижу најбоље резултате са AI-јем имају неколико заједничких особина. Оне бирају мали број примена са јасним пословним циљем, уместо да расипају напоре на десетине експеримената. Оне дефинишу мерљиве показатеље успеха пре имплементације, а не после. Оне прате и трошкове и користи, а не само једну страну. И оне имају особу или тим који је директно одговоран за то да AI пројекат реализује оно што је обећано.

Зато није свака индустрија једнако зрела за AI револуцију. Сектори који већ поседују велике количине структурираних података и имају јасне процесе који се могу аутоматизовати бележе бржи и већи повраћај инвестиције. Тамо где су подаци разбацани а процеси неуређени, AI може бити користан, али ће пут до ROI-ја бити дужи и скупљи.

![](https://storage.ghost.io/c/2d/c9/2dc983e7-62c6-4b30-b450-feb5e80e95da/content/images/2026/04/image-3.png)

Финансијски сектор предњачи са ROI мултипликатором од 4.2x примарно због примене AI у алгоритамском трговању, детекцији превара (где су уштеде огромне и тренутне) и аутоматизацији корисничке подршке. Иако предиктивно одржавање у производњи нуди огроман потенцијал, иницијални трошкови постављања IoT сензора и дигитализације старих машина успоравају укупни поврат инвестиције.

Све нас ово враћа на оно о чему смо причали у претходним текстовима. AI стратегија без ROI рачунице је жеља. Дигитална трансформација без мерења резултата је куповина софтвера. AI агент без дефинисаних показатеља успеха је само демонстрација. Контекст инжењеринг без провере ефикасности је тренинг без утакмице. Токени без праћења потрошње су рачун који чека да вас изненади на крају месеца.

Сваки појам о којем смо причали и сваки концепт, има своју финансијску димензију. А ROI је оквир у којем се та димензија мери.

ROI рачуница постоји да би AI пројекту дала смер. Фирма која зна да јој AI четбот штеди двадесет хиљада евра годишње има аргумент за даље улагање. Фирма која не зна колико штеди нема аргумент ни за наставак ни за прекид. Она лута.

ROI је компас. Говори вам да ли идете у правом смеру. Када се технологија мења сваких неколико месеци, и када сваког дана излази нови AI алат и нови модел, ROI прави разлику између управљања и лутања.

## **Контролна листа пре него што одобрите AI пројекат**

Пре него што директор, власник или управни одбор одобре AI пројекат, треба да потраже одговоре на неколико једноставних питања.

1\. Који конкретан пословни проблем решавамо? Ако је одговор „желимо да користимо AI“, онда не решавамо ниједан проблем. Проблеми су: спор процес, велики број грешака, високи трошкови, незадовољни клијенти, изгубљене продајне прилике или ризик који фирма више не може да контролише.

2\. Колико нас тај проблем сада кошта? Ако не знамо садашњи трошак, нећемо знати ни будућу уштеду. Без почетног стања, ROI нема на шта да се ослони.

3\. Која метрика мора да се поправи? Време обраде, број грешака, број решених захтева, приход, маржа, задовољство клијената, одлив запослених, број застоја - нешто мора да се побољша. Ако се ништа не поправи, онда пројекат није пословно релевантан.

4\. Колики су сви трошкови, а не само цена лиценце? У рачуницу улазе интеграција, подаци, обука, одржавање, *cloud* инфраструктура, токени, време запослених, контрола квалитета и цена грешака. Ако гледате само цену претплате, гледате само врх леденог брега.

5\. Ко прати резултате и ко за њих одговара? Ако је ИТ задужен само да систем технички функционише, а пословни део фирме није одговоран да тај систем створи конкретну вредност, ROI ће се изгубити у простору између технологије и стварног пословног резултата.

6\. Када меримо прве резултате? Ниједан AI пројекат не треба да остане на пилот-пројекту. После тридесет, шездесет или деведесет дана мора постојати прва провера: шта се променило, шта није, шта кошта више него што смо очекивали и шта треба поправити.

7\. Шта радимо ако резултати изостану? Озбиљан план не садржи само сценарио успеха, већ и сценарио корекције или прекида, тј. под којим условима се AI пројекат мења или гаси.

8\. Шта се дешава ако пилот-пројекат успе? Ако пилот донесе добре резултате, фирма мора знати да ли има податке, људе, буџет, инфраструктуру и процесе да га прошири на целу организацију.

Ако AI пројекат не може да преживи ових осам питања, вероватно није спреман за усвајање и одобрење буџета. Ако може, онда разговор о AI-ју престаје да буде прича о „праћењу“ трендова и постаје озбиљан разговор о инвестицији у најновију технологију.
### Модел за резоновање (Reasoning model)
URL: https://www.vijuge.rs/model-za-rezonovanje/
Last updated: 2026-05-02T22:01:26.000Z
#### Садржај

У уторак, 21\. априла, мало пре поднева, Јелена, запослена у једној београдској компанији која развија софтвер за осигуравајућа друштва, поставила је моделу генеративне вештачке интелигенције ([GenAI](https://www.vijuge.rs/genai-2/)) наизглед тривијалан задатак: да из табеле са 1.200 полиса извуче оне код којих се преклапају периоди покрића, а потом да предложи логику за аутоматско упозорење. Модел је одговорио за двадесет секунди. Одговор је био тачан, али оно што је Јелену заиста изненадило није била брзина, већ нешто друго. То је био дугачак, видљив текст који је модел приказао пре финалног одговора, као да разговара сам са собом:

«Корак један: треба да разумем шта значи преклапање датума»

«Корак два: треба да дефинишем граничне случајеве»

«Корак три: напиши псеудокод»

«Корак четири: провери псеудокод на једном измишљеном примеру» 

И тек онда је дао одговор.

Овај исти образац се појављује на сасвим различитим местима: у лабораторијама за математичко резоновање, у стартапима који раде на медицинској дијагностици, у истраживачким тимовима који мере колико добро вештачка интелигенција решава задатке из физике. Ови модели не одговарају одмах, већ најпре граде видљив низ међукорака, и постижу резултате који су до пре две године били изван домашаја AI-ја. Овај образац има своје име: AI модел за резоновање (*Reasoning model*).

### **Шта се дешава пре одговора?**

Модел за резоновање је велики језички модел ([LLM](https://www.vijuge.rs/sta-je-zapravo-llm/)) који, пре него што прикаже коначан одговор, генерише експлицитан ток размишљања и серију међурезултата који воде од проблема до решења. У пракси, то не значи да модел заиста „размишља“ онако како то чини човек. То само значи да је трениран или наведен да симулира структуру размишљања, корак по корак, уместо да одмах донесе закључак. У том смислу, кључна разлика није у величини модела нити у количини података на којима је обучен, већ у томе шта ради између питања и одговора, у оном међупростору где се, код класичних модела, не дешава ништа видљиво.

Сва четири водећа четбот интерфејса: ChatGPT (OpenAI), Gemini (Google), Claude (Anthropic) и Grok (xAI), у свом корисничком окружењу нуде подешавање које омогућава бирање између режима рада. Пре него што поставите питање, можете одабрати опције попут брзог одговора (*Fast*), режима размишљања (*Thinking*) или продуженог размишљања (*Extended thinking*). 

Брзи режим даје одговор готово тренутно, без видљивих међукорака, што је случај како су класични модели одувек радили. Режим размишљања активира управо оно што је Јелена видела: модел најпре гради експлицитан низ међукорака, а тек потом формулише коначан одговор. Продужено размишљање иде корак даље, где модел проводи још више времена у том међупростору, разматрање је дубље, ланац корака дужи, а резултат је по правилу прецизнији, и то код веома сложених задатака. Другим речима, сада имате директну контролу над тим колико дуго и колико темељно модел „размишља“ пре него што вам одговори, и ова контрола, сама по себи, мења начин на који користите алат.

### **Архитектура поступности**

Како све ово у ствари функционише? Када модел за резоновање добије питање, рецимо алгебарски проблем са две непознате, он приказује низ реченица које рашчлањују проблем: идентификује шта је дато, шта се тражи, коју методу да примени, где може да погреши. Сваки корак поставља основу за следећи. Другим речима: модел почиње да „мисли“ пишући текст.

У готово свим доменима где је тачност мерљива, као што су: математика, формална логика, програмирање, па чак и медицинска диференцијална дијагностика, модели са експлицитним током резоновања стално надмашују моделе једнаке величине који одговарају „у једном потезу“. Разлика износи двадесет, тридесет, понекад и четрдесет процентних поена. То је врста побољшања која се у индустрији не виђа често и која тера људе да поново промисле шта је уско грло код језичких модела: да ли је то знање или је то способност да се знањем управља.

Модели за резоновање су толико занимљиви за проучавање јер они додају једну нову структуру у процес. Модел који резонује и модел који не резонује могу имати идентичне параметре, идентичне податке за обуку и идентичну архитектуру. Разлика је само у томе да ли модел себи даје времена и простора да „размисли“ пре него што нам да одговор.

Дакле, где све можемо да видимо овај принцип на делу?

Један истраживачки тим у Цириху пустио је модел за резоновање да решава задатке са такмичења из комбинаторике; задатке на којима су класични велики модели редовно били неуспешни. Са ланцем резоновања, модел је успешно решио четири од шест задатака, укључујући један који захтева доказ индукцијом.

Други случај: стартап у Токију користи сличан приступ за тријажу радиолошких снимака. Модел најпре наводи шта на снимку види, затим искључује дијагнозе једну по једну, и тек на крају предлаже налаз.

Трећи пример долази из сфере права: пилот-пројекат једне канцеларије у Скопљу тестира модел који, пре него што предложи правну квалификацију, исписује анализу релевантних чланова закона, идентификује сукобе норми и рангира аргументе по снази.

Четврти пример, можда најзанимљивији, тиче се образовања: на једном универзитету у Сеулу, студенти користе модел за резоновање да би читали ланац резоновања и уочили где је модел евентуално направио грешку у давању одговора на испитна питања. Дакле, модел служи као партнер за вежбање критичког мишљења.

Пети пример је посебно важан: аналитичар у једној осигуравајућој кући у Минхену користи приступ са резоновањем како би модел могао да објасни зашто је клијентов захтев одбијен. Није довољно да модел донесе одлуку, већ и да прикаже путању закључивања која је до те одлуке довела. Посматрано кроз призму ЕУ Акта о AI, то се може повезати са захтевима за транспарентност, техничку документацију и праћење рада система, односно са потребом да одлука буде разумљива и подложна накнадној провери и ревизији.

У пет различитих области: математика, медицина, право, образовање и осигурање, образац је увек исти. Ако уведемо експлицитне међукораке, тада тачност почиње да расте, објашњивост поступка расте и на крају поверење корисника расте. „Тестирај, понови, прилагоди“, је формула која се из инжењерске праксе сада пресликала на само понашање модела.

### **Границе симулације**

Ипак, хајде да видимо колико далеко овај принцип може да досегне? Да ли је ланац резоновања универзално решење за све?

Модели за резоновање показују слаб учинак, а понекад чак и пад перформанси, код задатака који су интуитивни или засновани на препознавању образаца без јасне декомпозиције. На пример, класификација сентимента кратких реченица: „Да ли је овај твит позитиван или негативан?“, не добија много од ланца резоновања. Модел који „размишља наглас“ о дванаест речи често се запетља у непотребним разликама и произведе одговор који је спорији, али не нужно и прецизнији.

Исто важи и за задатке где је одговор једнозначан: препознавање језика, основни превод честих фраза, једноставно чињенично претраживање, лакши логички проблеми. Ту је експлицитно размишљање не само непотребно, него и контрапродуктивно. Према томе, видимо да постоје проблеми код којих „размишљање“ модела за резоновање не помаже јер такви проблеми немају структуру која се може разложити.

Граница коришћења ових модела открива нешто важно о самој природи резоновања, и о природи интелигенције уопште. Модели нису бољи зато што „знају више“, већ зато што имају простор да организују оно што већ знају. Тај простор, тај низ текста који се исписује између питања и одговора, функционише као нека врста потпорне скеле или подупирача. Када се скела уклони, остаје одговор чији квалитет носи траг процеса који га је створио. И ми боље решавамо сложене проблеме када размишљамо користећи оловку и папир, него када покушавамо да држимо све у глави.

За сада, ово изгледа као један од најпродуктивнијих праваца у развоју вештачке интелигенције: не треба правити моделе који знају више, него моделе који боље рукују оним што знају. Индустрија AI-ја то полако препознаје. Ресурси који су годинама улагани искључиво у повећање броја параметара сада се делимично преусмеравају на креирање процеса, а не само на креирање знања.

Ови модели нас подсећају на чињеницу да сирова процесорска моћ и огромна количина података имају своје границе. Сада смо научили машину да „размисли“ пре него што нам одговори. То што алгоритам сада може да испише уверљив ток мисли не значи нужно да је суштински разумео проблем, већ само да је научио да боље симулира нашу логику. Ипак, чак и као пука симулација, овај међупростор нам је понудио нешто драгоцено: технологију која је постала кориснија тек када смо јој дозволили да успори.
### Шта ChatGPT и Gemini знају о вама?
URL: https://www.vijuge.rs/memorija/
Last updated: 2026-05-02T20:14:11.000Z
Кад год отворите нови разговор у ChatGPT-ју или Gemini-ју, ви не настављате стари разговор. Ви се обраћате некоме ко вас, технички гледано, први пут види.

Језгро сваког великог језичког модела ([ЛЛМ](https://www.vijuge.rs/sta-je-zapravo-llm/)) је систем без стања. То значи да модел нема ниједну трајну промену у себи која би могла настати након завршетка претходног разговора. Не постоји никаква интерна база у коју је записао ваше име, ваш пројекат, ваша упутства о формату одговора или ваш стил писања. Сваки пут кад притиснете „*New chat*“, почињете разговор из почетка.

Како онда ови АИ системи успевају да воде смислен разговор који траје сатима, а да не забораве шта сте рекли на почетку? 

Трик је у интерфејсу, односно у чет бот апликацији коју користите, било да је ChatGPT, Gemini, Claude или Grok. Оно што ви не видите јесте да апликација, са сваким вашим новим питањем, у позадини пошаље моделу целу дотадашњу преписку: ваше прво питање, његов први одговор, ваше друго питање, његов други одговор, и тако редом.

Ако сте разменили двадесет порука, двадесет прво питање не иде само. Оно са собом „повуче“ читав разговор који садржи претходних двадесет питања и одговора. Модел, који треба да вам да одговор, сваки пут чита целу вашу конверзацију од почетка, огромном брзином, како би створио привид да се „сећа“ шта сте рекли пре десет минута, и генерише одговор иако целу конверзацију види први пут.

Ако се сећате, причали смо о томе да сваки модел има своју радну меморију, нешто што се зове [контекстуални прозор](https://www.vijuge.rs/kontekstualni-prozor/). То је максималан број токена (делова речи) које модел може да „види“ одједном. Тај прозор има своју фиксну, непроменљиву величину. Како разговор тече, тако расте количина текста који се шаље моделу при сваком наредном питању. Када тај прозор попуните, тако што водите предугачак разговор, модел почиње да заборавља текст са самог почетка, јер почиње да брише најстарије поруке вашег разговора, како би могао да направи простор за нове поруке.

Али постоји и много већи проблем од простог заборављања. Трансформер архитектура на којој ови модели почивају има једну прилично незгодну особину. Када ви поставите питање, математички механизам унутар модела, који обрађује текст унутар контекстуалног прозора, мора да упореди сваку реч са сваком другом речју како би схватио тачан смисао. Када у тај прозор убаците двоструко више речи, рачунарска снага коју машина мора да употреби се учетворостручи. Ако убацимо три пута више текста, потребна рачунарска снага порасте девет пута, па самим тим порасте и потрошња струје и раубовање графичких картица које су веома скупе. Ово је квадратни раст потрошње ресурса у некој [АИ фабрици](https://www.vijuge.rs/ai-fabrika/) која „производи“ одговоре на ваша питања. То значи да дугачке конверзације постају споре и скупе, а ви примећујете да одговори постају површни и да модел почиње да измишља ствари.

Да бисте и сами осетили ово ограничење, пробајте један једноставан експеримент када следећи пут будете водили неки изузетно дугачак разговор (преко 100.000 речи). Укуцајте следеће:

Kopiraj 

Игнориши нашу тренутну тему. Желим да тачно цитираш моје треће питање из овог разговора, реч по реч, и објасниш ми зашто сам те тада баш то питао.

Посматрајте како моделу треба много више времена него иначе да вам одговори, како почиње да халуцинира или потпуно промашује поенту ако је разговор био предугачак и због тога испао изван контекстуалног прозора.

Због оваквог понашања модела и енормне потрошње рачунарске снаге, инжењери су морали да осмисле нешто много паметније од сталног рециклирања целог разговора унедоглед. Решење је било очигледно: увели су меморијски простор изван контекстуалног прозора који не оптерећује модел при сваком кораку.

Док ви разговарате, алгоритам чет бот апликације у позадини дискретно бележи одређене чињенице о вама, за које „сматра“ да су релевантне и корисне за будуће разговоре. Ако успут, док постављате питања и решавате неки проблем, споменете да радите у рачуноводству и да не волите преопширна објашњења, он ће то записати у своју глобалну меморију. Следећи пут када покренете потпуно нов разговор, пре него што вам модел уопште одговори на прво питање, чет бот апликација ће прво „бацити поглед“ на сачуване податке у својој меморији, придружиће их вашем питању и послати моделу.

Циљ овог процеса је да смањимо понављање у комуникацији и да избегнемо оно напорно и досадно понављање инструкција сваки пут када треба да поставимо питање моделу и када му објашњавамо какве одговоре очекујемо, опширне или кратке, којим тоном, и сл.

Али меморија у ChatGPT-ју и меморија у Gemini-ју не раде на исти начин, и имају различите контроле. О томе ћемо сада да причамо.

### **ChatGPT: Два слоја памћења и како их подесити**

ChatGPT користи два одвојена механизма памћења.

***Сачуване меморије (Saved memories)*** су конкретне чињенице које је ChatGPT запамтио о вама. Или зато што сте му експлицитно рекли да их запамти, или зато што је сам „закључио“ да би нека информација могла бити корисна убудуће. На пример, ако напишете „запамти да сам финансијски директор“, он може то додати у листу сачуваних меморија и користити тај податак у сваком наредном разговору. Од априла 2025, ова меморија је проширена за Plus/Pro налоге: задржава се дужа историја разговора и прави се дубљи профил корисника. Код бесплатних налога меморија постоји, али је ограничена у обиму и трајању, и више се фокусира на скорије интеракције и мањи број детаља.

OpenAI нигде јавно не наводи могући максималан број меморија, ни тачан број речи по меморији; описује их само као кратак скуп корисних детаља (преференције, стилови, основне биографске информације) које ChatGPT апликација интерно одржава и по потреби спаја или брише. По незваничним информацијама из праксе, ова листа има отприлике 1.200 до 1.400 речи. Кад се попуни, не можете да додате нове меморије док не обришете неке старе, а систем често сам спаја сличне меморије и ажурира их, или понекад уклања старе.

***Реферисање историје ћаскања (Chat history)*** је механизам који је уведен у априлу 2025\. године. Овде ChatGPT не памти појединачне чињенице, већ може да приступи вашим претходним разговорима и из њих извуче контекст. Ако сте, рецимо, у неком ранијем разговору дискутовали о путовању у Барселону, он може то да искористи кад га следећи пут питате за препоруке за одмор, чак и ако нисте експлицитно рекли „запамти ово“.

Разлика између ове две меморије је значајна: сачуване меморије су увек присутне и шаљу се моделу са сваким вашим питањем. Историја ћаскања постоји више као могућност да ChatGPT претражи историју старих разговора ако и кад му затреба.

### **Како подесити меморију у ChatGPT-ју**

Отворите ChatGPT у веб прегледачу или у апликацији. Кликните на своју профилну слику (доле лево на вебу, или кроз мени на мобилном) и изаберите **Settings**. Затим идите на **Personalization**. Ту ћете видети:

- **Reference saved memories**: укључује/искључује коришћење сачуваних меморија,
- **Reference chat history**: укључује/искључује коришћење претходних разговора.

Оба прекидача можете контролисати независно. Можете имати укључено један, оба или ниједан.

Изнад њих постоји опција **Manage** и када кликнете, видећете листу свега што је ChatGPT запамтио. Сачуване меморије можете обрисати кликом на три тачкице и избором **Delete all memories**, јер не постоји опција за брисање појединачних меморија. Ако желите да обришете појединачну меморију, прво је копирате из овог прегледа, а онда у чету напишете: обриши из меморије ... \[налепите меморију коју сте копирали\]. Систем ће вам приказати поруку: **Updated saved memory** и одговорити са „Обрисано из меморије“.

Други начин за преглед сачуване меморије је да директно у чету напишете:

Kopiraj 

Шта си упамтио о мени?

Када добијете одговор, који ће вас сигурно изненадити (мене увек изненади, јер постављам ово питање барем једном месечно), онда можете обрисати ставке које не желите да ChatGPT памти о вама, командом „обриши“ из претходног пасуса.

Ако сами желите да додате сталну меморију ChatGPT-ју онда у чету напишете:

Запамти да...

---

„Радим у области образовања и пословног саветовања, правим курсеве и едукативни садржај за одрасле.“

„Бавим се АИ алатима, аутоматизацијом и интеграцијама (API, Make, n8n, Zapier).“

„Увек одговарај на српском (ћирилица), осим ако експлицитно не тражим енглески.“

„Очекујем концизне и структуриране одговоре без коришћења листи.“

„Када је корисно, дај ми конкретне примере и кратке шаблоне (outline, checklist, template).“

„Често радим: дизајн курсева, припрему презентација, скрипти, радних свески и тестова.“

„Користим Google Workspace (Docs, Sheets, Slides, Gmail) и Claude Cowork као основне алате.“

„Знам Python и користим га за писање скрипти, аутоматизацију и прилагођавање садржаја.“

„Када тражим помоћ, претпостави да желим да добијем и предлоге за систематизацију и аутоматизацију процеса, а не само једнократно решење.“

---

Ево како можете директно тестирати да ли ради ваша инструкција за упис у меморију. Отворите нови разговор и напишите:

Kopiraj 

Запамти за све наше будуће разговоре да увек желим одговоре који имају максимално три реченице.

Затим затворите тај прозор. Отворите потпуно нови разговор и питајте нешто тривијално, рецимо како најбрже скувати пиринач. Одмах ћете видети промену у понашању. Ако не желите да добијате такве одговоре онда напишите: обриши из меморије да увек желим одговоре који имају максимално три реченице.

**Привремени разговор (Temporary Chat)**

Кад год желите да разговарате без икакве меморије и без остављања трага у историји разговора, користите **Temporary Chat**. Овај разговор не користи постојеће меморије и не ствара нове. Идеалан је за ситуације кад истражујете нешто што не желите да утиче на будуће одговоре.

### **Gemini: Лични контекст и активност**

Gemini приступа памћењу другачије од ChatGPT-ја, делимично зато што је дубоко интегрисан у Google-ов екосистем.

**Меморија (Personal context)**

Gemini-јева меморија се налази у секцији коју Google назива **Personal context**. Кад је укључена, Гемини учи из ваших разговора тако што бележи ваше преференције, интересовања, стил писања и детаље које помињете. Можете му и експлицитно рећи да нешто запамти, али он и сам препознаје информације које би могле бити корисне.

Поред аутоматског памћења, ту су и **Your instructions for Gemini**, стална упутства која важе за све разговоре. На пример, можете написати да увек одговара као да вам је 15 година или да користи кратак формат одговора.

**Gemini Apps Activity**

Ово је засебна ставка од меморије. Gemini Apps Activity је комплетан дневник свих ваших разговора са Gemini-јем, сачуван у оквиру вашег Google налога. Google може користити ове податке за побољшање модела (ако сте то дозволили). Искључивање меморије не искључује аутоматски и Activity, јер су то два различита прекидача.

### **Како подесити меморију у Gemini-ју**

Отворите Gemini у веб прегледачу. Кликните на икону зупчаника (⚙️) **Settings & help**, доле лево. Отвориће се панел за подешавања.

У секцији **Personal context** наћи ћете:

- **Memory**: прекидач који укључује/искључује учење из претходних разговора
- **Your instructions for Gemini**: део где можете додати стална упутства притиском на дугме *+Add*

Да прегледате шта је Гемини запамтио, можете га директно питати у разговору или приступити меморијама кроз подешавања.

За брисање појединачне меморије можете то урадити кроз разговор, као и код ChatGPT-ја:

Заборави да сам ти поменуо да се бавим програмирањем.

За управљање Activity-јем идите на myactivity.google.com/product/gemini и тамо можете контролисати дневник разговора.

Код Gemini-ја, архитектура овог менија се повремено мења како Google мења интерфејс, али суштина је увек унутар главних подешавања. Тражите секцију која управља сачуваним информацијама, напредним опцијама или меморијом. Google воли да те ствари дубље повеже са оним што већ зна о вама, али сам интерфејс за језички модел вам дозвољава да прегледате шта је тачно научио из ваших директних разговора.

Google је недавно додао могућност увоза меморије из ChatGPT-а или Claude-а. У подешавањима постоји опција **Import memory to Gemini**, где добијете промпт који копирате у другу чет бот апликацију, она генерише резиме ваших преференција, и тај резиме залепите назад у Gemini. Можете и отпремити ZIP архиву комплетне историје разговора из других чет апликација.

### **Зашто меморија може да постане проблем?**

Меморија је корисна док ради у вашу корист. Ми, као људи, ретко водимо линеарне, савршено структуриране разговоре.

Рецимо да седнете да користите АИ како би вам помогао око неког сложеног уговора за клијента. Усред тог посла, зазвони вам телефон и колега из маркетинга вас пита где да води брата на италијанску храну. Ви у исти тај прозор за ћаскање укуцате питање о најбољем ресторану италијанске кухиње у Београду, и колеги пренесете одговор. Онда се сетите да нисте платили струју, а хоћете да искористите онај попуст од 7%, па поставите питање о томе који је последњи рок за плаћање рачуна, да би попуст био урачунат. Скачете са теме на тему. За вас је ово потпуно уобичајено радно поподне у канцеларији. За меморију чет бота, то је неред у најави.

Систем се увек труди да буде користан, јер је тако подешен, и покушава да повеже све те неповезане разговоре. Ако поменете било шта везано за храну, систем ће претпоставити да сте правник који воли италијанску храну и уз то сте заборавни јер имате проблема са рачунима за струју. Када се следећи пут вратите озбиљном послу, он ће можда покушати да вам правни савет да неким неформалним тоном, мислећи да сте ви онај опуштени љубитељ пасте од малопре. Меморија на овај начин постаје контаминирана. Ствари које немају апсолутно никакве везе једна са другом почињу да се преплићу у меморији чет бота.

Ово се посебно дешава код корисника који користе АИ са много различитих тема: пословне, личне, образовне, креативне или информативне. Свака од ових тема оставља трагове у меморији, и ти трагови се мешају јер модел нема способност да их сам категоризује на смислен начин.

Зато вам предлажем да обавезно урадите периодично чишћење меморије, и то барем једном месечно. Да бисте видели какав сте неред заправо направили током времена, пробајте следећи упит у новом прозору:

Kopiraj 

Дај ми апсолутно све чињенице, претпоставке и детаље које си до сада упамтио о мени кроз нашу интеракцију. Немој ништа да сакријеш, групиши их по темама како бих видео шта тачно држиш у својој меморији.

Резултат ће вас прилично изненадити.

Још једна корисна навика је да кад завршите разговор о некој привременој теми (разговор за забаву, једнократно истраживање, нешто што не желите да обоји будуће одговоре), пре затварања разговора експлицитно напишите:

Kopiraj 

Ово је био једнократан разговор. Немој запамтити ништа из ове сесије.

Или, још боље, за такве разговоре користите Temporary Chat, дугме за њега је обично у горњем десном углу прозора, или искључите меморију пре него што почнете.

Ми смо навикли да комуницирамо са живим људима, а људи инстинктивно филтрирају оно што је небитно. Знају када се шалите, а када сте озбиљни. Машина то не уме. Она памти све што јој кажете да запамти, или што статистички процени да вам је битно.

Једна ствар коју лако заборављамо док „разговарамо“ са чет ботом је да ниједан од ових система не разуме *шта* памти на начин на који ви то разумете. Он чува фрагменте текста и користи их статистички. Ваша је одговорност да те фрагменте повремено проверите зато што модел још увек није спреман да сам препозна кад нешто у меморији више не одговара реалности.
### AI стратегија
URL: https://www.vijuge.rs/ai-strategija/
Last updated: 2026-04-13T17:08:20.000Z
Вероватно сте у последњих годину дана присуствовали неком од оних састанака где неко, на самом крају расправе о плановима и буџету за наредни квартал, постави оно неизбежно питање.

„Имамо ли ми неку АИ стратегију?“

Онда директор ИТ сектора несигурно проговори о корпоративним лиценцама за АИ софтвер. Неко из маркетинга спомене како су већ почели да креирају објаве и слике за друштвене мреже помоћу нових АИ алата. Директор само клима главом, иако му баш није сасвим јасно шта то питање тачно мења у реалном пословању. И сви остали климну главом, неко запише да то „треба покренути“, и ту се прича углавном заврши. После остане она тишина из које видите да нико није баш сигуран шта је следећи корак.

Замислите да сте директор српске фирме и да вам неко каже: „Морамо да уведемо АИ“. Шта то значи? Да треба да користите ChatGPT на рачунарима у канцеларији? Да купите неку АИ платформу која генерише понуде за ваше купце, или да купите АИ софтвер за препознавање текста на фактурама? Све наведено је корисно, али и даље није стратегија.

Стратегија је одговор на питање: шта ми, као фирма, желимо да постигнемо, и како АИ мења пут до тог циља? Шта знамо о свом послу што нам омогућава да га радимо боље уз помоћ АИ система? Шта се тачно дешава са нашом организацијом када систем може самостално да обави један део когнитивног посла? Посла који је до јуче захтевао да конкретан човек седне за сто, дубоко се замисли, прочита гомилу материјала и донесе неки логички закључак или одлуку на основу прочитаног.

То задире у саму природу свакодневног рада.

Управо зато планирање употребе вештачке интелигенције изазива толики грч и неспоразуме на свим нивоима фирме. Оно се директно наслања на људе и на оно на шта ти људи троше својих осам сати сваког радног дана.

АИ стратегија је део пословне стратегије. Исто као што ИТ стратегија не постоји изоловано од начина на који фирма ради. Сетите се дигиталних трансформација. Колико фирми је „спровело дигиталну трансформацију“ тако што је купило нови ЕРП, платило консултанте, одржало радионицу, и на крају се вратило на Excel табеле јер нико није променио начин доношења одлука? Има их доста. Како ствари сада стоје, изгледа да ће и АИ стратегија кренути истим путем.

Ако питате власника фирме или директора, ствар је врло јасна. Они мисле да ће нови софтвер бити коначно решење за резање трошкова, јер се потајно надају да АИ стратегија подразумева инсталацију и коришћење АИ алата, након које ће отпустити трећину администрације. За почетак. Међутим, у Србији, где је проналажење и задржавање иоле поузданог радника постало равно тражењу игле у пласту сена, идеја о масовним отказима због увођења АИ технологије је потпуно неоснована.

Ако сте власник фирме, АИ стратегија је питање правца. У ком делу пословања желите да вам фирма буде бржа, прецизнија, предвидљивија или мање зависна од појединаца? Где желите да сачувате маржу? Где вам знање нестаје из система чим неко оде на боловање или да отказ? Ваш посао је да пратите у шта вам се фирма претвара док уводите АИ, и шта нипошто успут не смете да изгубите.

Ако сте директор, АИ стратегија је пре свега питање управљања. Ко доноси одлуке о употреби АИ система? На основу чега? Ко мери да ли је нешто стварно помогло, а ко само прича да је помогло? У пракси то често изгледа овако: један комерцијалиста већ месецима преко ChatGPT-ја склапа прве верзије понуда, правник у HR-у користи други АИ алат да направи огласе за Инфостуд, неко из маркетинга напише објаву да је фирма „закорачила у еру вештачке интелигенције“, а ви као директор у суштини немате јасну слику ни где ваши запослени користе АИ, ни са каквим последицама, ни са којим ризиком по поверљиве податке, уговоре, клијенте и углед фирме.

За менаџмент, АИ стратегија доноси нелагоду. И то оправдану. Јер средњи менаџмент често постоји управо зато што координише, преноси информације, проверава и извештава, а то су послови које АИ системи могу да обављају. Не раде све савршено. Далеко од тога. Али раде довољно добро да менаџер бар једном помисли: чекај, а где сам ту ја? Ово питање је незгодно за свакога. И за онога ко га поставља, и за онога ко треба да одговори.

А запослени? Људи који сваки дан попуњавају форме, прегледају документа, пишу извештаје, уносе податке, проверавају исправљено, шаљу допуне, праве нацрте? За њих АИ може да значи две потпуно различите ствари. Прва је олакшање: мање бесмисленог, заморног и понављајућег посла. Друга је страх: да систем долази да их замени. Шта ће преовладати, зависи од тога да ли је фирма умела нормално да им објасни шта планира да уради. Ако нико није сео са њима и рекао „ово је зато што хоћемо да ти имаш мање бесмисленог посла, а не зато што хоћемо да те заменимо“, они ће претпоставити најгоре.

Нема смисла гурати АИ свуда. Нећете тек тако пребацити на АИ алат осетљив разговор с клијентом или процену која носи правну и пословну одговорност. С друге стране, има послова који су као створени за помоћ ове врсте: претрага докумената, извлачење кључних ставки, сажимање, прављење првих нацрта, поређење верзија, припрема материјала, ажурирање рутинских информација. Ту алат може стварно да уштеди и време и живце.

Затим морате повући јасну црту између тога где систем помаже, а где човек одлучује. У многим фирмама људи замишљају да ће систем „решавати“ ствари. У озбиљном раду то ретко иде тако. Много чешће је разумно да систем служи као помоћ при припреми, прегледу, проналажењу образаца или убрзавању рутинских делова посла, док одговорност остаје код човека и у хијерархији фирме. Кад се ово помеша, тад настају проблеми, јер нико више не зна докле ради АИ алат, а где почиње људска одговорност. А кад дође до грешке, сви се праве да нису били надлежни.

На крају, све ово пада у воду ако не пођете од стварног стања података, докумената и процеса у фирми. Ово је онај досадни део који би сви радо да прескоче. А не може. Фирма која нема сређене изворе информација, која има пет верзија истог обрасца, уговоре по мејловима, правила у главама запослених и импровизацију као начин преживљавања, тешко може да извуче озбиљну корист из оваквих система без додатне збрке.

Све успешне АИ стратегије су различите, али све грешке у њима личе једна на другу.

Најчешћа грешка је када менаџмент све посматра као ИТ пројекат, где фирма пребаци лоптицу ИТ одељењу и очекује чуда. Међутим, нереално је очекивати од инжењера задуженог за рачунарску мрежу да осмисли најбољи начин на који ће правна служба примењивати АИ алат за анализу ризика у анексима уговора о раду.

Још већа штета настаје када директори поставе АИ стратегију превише широко. Тада почну да пишу лепе реченице о иновацијама, ефикасности, будућности рада и конкурентској предности, од којих нико у фирми нема никакву корист. Људи се у таквом тексту не препознају.

Ипак, највећи цех платиће они који не одреде јасне границе. Које податке ови системи смеју да виде, које не смеју. Ко сме да их користи за нацрте уговора, ко не. Шта може да иде у интерну анализу, а шта не сме ни да приђе спољним АИ сервисима. Где је обавезна провера, а где није. Без постављених граница, људи раде по осећају.

Зато је корисно правити разлику између три ствари које се често трпају у исти кош.

ИТ стратегија поставља терен: ИТ системе, безбедност, приступе, интеграције, правила и одрживост.

Дигитална трансформација дефинише како се посао као целина мења: процеси, токови, одговорности, искуство купца, унутрашња координација.

АИ стратегија је нешто уже и конкретније. Она треба да повеже пословни циљ са стварним, свакодневним радом. Да каже где ова врста система има смисла, а где нема. Где помаже човеку. Где је само сметња. Где штеди време, али и где може да уведе нову врсту грешке коју фирма пре тога није имала.

Кад је добро постављена, АИ стратегија звучи скромно. А искрено речено, помало и досадно. Добра стратегија личи на фирму којој припада. Зна се ко одређује правац, ко управља, ко преводи циљ у свакодневни рад и ко на крају држи систем у животу из дана у дан.

Има још нешто што многи пренебрегну: ово није документ који напишете једном и заборавите. Ствари се мењају пребрзо. Оно што данас делује импресивно, за шест месеци може бити просек. Оно што данас АИ не може да уради, до краја године можда ће моћи сасвим пристојно. Зато АИ стратегија мора с времена на време да се прочита, преиспита и поправи.

Неко у фирми мора да прати шта се мења и да уме да каже: ово више нема смисла, ово нам више не завршава посао, а ово смо пробали и само смо себи направили додатни посао.

Ко је тај неко? То је увек онај који најбоље разуме како фирма заиста ради.
### Како заправо AI workflow функционише у фирми
URL: https://www.vijuge.rs/ai-workflow/
Last updated: 2026-04-10T21:05:39.000Z
#### Садржај

У понедељак ујутру, виша референтица корисничке подршке у једној онлајн продавници из Ниша, отворила је инбокс у којем је било осамдесет мејлова пристиглих током викенда. Њен посао био је да отвори сваки, да прочита садржај, да ручно пронађе број поруџбине у другом програму, а затим да мејлу додели једну од три различите ознаке: рекламација, кашњење, или упит о производу. Радила је то бар четрнаест сати седмично, уз помоћ једне колегинице и бесконачног копирања текста. 

Био је то један од оних послова који временом изгубе статус „задатка“ и постану део канцеларијске рутине, нешто што се подразумева као гужва на ауто-путу кроз Београд. Међутим, тог понедељка, њен колега из ИТ сектора пустио је у рад аутоматизовани процес који је исти посао обавио за два минута. Она је подигла поглед са екрана, погледала у колегу, и рекла: „Чекај, чекај. И то је то?“

Ова реченица је значајнија него што делује на први поглед. Поред изненађења због брзине обављеног посла, у њој је и благи шок који настаје када човек први пут види да је нешто што је годинама третирао као нужност, заправо била последица начина на који је посао организован. Разврставање мејлова није представљало суштину процеса. Мануелна провера никада није била доказ одговорности, стручности или пословне озбиљности. Уместо тога, све је то био привремени прелаз преко проблема које нико раније није имао храбрости или времена да преиспита.

Такви прелази постоје свуда. У табелама које се ручно преправљају. У мејловима који се шаљу по шаблону, али их неко сваки пут прекуцава изнова. У одобрењима која пролазе четири особе, иако две заправо само формално потврђују оно што је већ одлучено. У документима који се штампају, потписују, скенирају и враћају у систем из ког су и изашли. У људима који по цео дан „само проверавају да ли је све у реду“, иако се огроман део тог проверавања може свести на јасно дефинисане услове и правила. 

Када се такав посао посматра довољно дуго, он почне да изгледа као природан део пословног процеса. Кад га први пут аутоматизујете, тек тада вам постаје очигледно колико је обављање тог посла била само наслеђена импровизација.

Може вам се учинити да сцена коју смо описали припада само једној канцеларији, или једном конкретном радном дану. Али није тако. Она се, са мањим варијацијама, понавља у стотинама фирми, институција и тимова који су у последњих годину дана почели да уводе аутоматизоване радне токове засноване на вештачкој интелигенцији (***AI workflow***). Образац је готово увек исти: неко открива да је посао који је сматрао обавезним и неизбежним заправо био само навика; да је велики део онога што називамо радом у ствари скуп импровизованих процедура склепаних да одрже систем у покрету; и да се те процедуре, када се једном јасно идентификују и опишу, изненађујуће лако могу препустити машини.

### **Проблем са речју „аутоматизација“**

И баш на том месту почиње једна од највећих савремених забуна, јер се у последње време, по канцеларијама, на конференцијама, у разговорима између људи који воде фирме или тимове, чује једна реченица: „Ми смо то аутоматизовали“. Понекад јој се дода „помоћу АИ-ја“, а понекад не. Тон је готово увек исти и подразумева се да је ствар решена, да је нешто покренуто, да је посао сад лакши, бржи и елегантнији. И обично нико не пита шта то заправо значи, зато што звучи као да је одговор очигледан, а није.

Кад чујете реч „аутоматизација“, у глави се одмах појави слика: нешто што је човек радио ручно, сад ради машина. Формулар који се сам попуњава. Мејл који се сам шаље. Табела која се сама ажурира. Иако ова слика није погрешна, ипак је непотпуна. 

Јер кад неко каже „направио сам *AI workflow*“, може помислити на потпуно различите ствари. Може мислити да је спојио два програма тако да излазни податак из једног пређе као улазни податак у други програм, и то без ручног копирања. Може мислити да је убацио велики језички модел ([ЛЛМ](https://www.vijuge.rs/sta-je-zapravo-llm/)) у средину неког процеса да генерише текст, одговара на мејлове или сортира поруке. Може мислити да је направио низ корака који се покрећу аутоматски, али које неко и даље мора да прати и исправља. Може мислити да је уклонио један понављајући задатак. А може мислити и да је четири сата покушавао да натера један алат да разговара са другим, па је на крају ствар ипак одрадио ручно. Све ово може да се подведе под *AI workflow*. И ту почиње проблем.

Зато је корисно одмах раздвојити две ствари које се упорно мешају. Прва ствар је аутоматизација у класичном смислу. Имамо задатак, тај задатак има јасна правила, и ви направите систем који та правила извршава уместо човека. Пример: када стигне фактура, извуци износ, провери ПИБ, упореди са базом добављача, унеси податке у систем, пошаљи обавештење. Овде нема ничег нејасног. Правила су непроменљива. И улаз и излаз су углавном предвидиви. Овај процес постоји већ деценијама уназад и ради веома поуздано, када се добро постави.

Друга ствар изгледа слично, али функционише другачије. То је процес у који је убачен АИ алат, и то велики језички модел који не ради по једном непроменљивом правилнику, него генерише одговор на основу вероватноће и образаца које је научио у процесу тренирања. Ви му кажете: „Прочитај овај мејл и предложи одговор“, или „Погледај ову табелу и напиши резиме“, или „Разврстај ове захтеве по хитности“. И он то уради некад добро, некад врло добро, некад одлично, а некад на чудан начин. 

Али, и ово је кључно, не на исти начин сваки пут. 

Управо ту лежи његова снага и његова слабост. Он може да се носи са непрецизним језиком, са нејасним захтевима, са полу структурираним документима, са текстом какав људи пишу сваког дана. Па ипак, заузврат не даје ону врсту строге, механичке предвидљивости коју даје класична аутоматизација.

Кад ове две ствари упоредите, разлика постаје врло очигледна. Прва ствар је машина. Друга је машина која се понаша као да размишља, али у ствари процењује, погађа највероватнији наставак, и зато уме да буде корисна управо тамо где правила нису до краја одређена. И једно и друго може бити изузетно вредно. Али то нису исте ствари. Проблем настаје кад се обе назову истим именом: „АИ аутоматизација“, и кад се од њих очекују исте особине и исти резултати.

### **Шта је заправо *AI workflow*(АИ радни ток)**

Од класичне аутоматизације очекујете поузданост. Очекујете да ради исто сваки пут. Да не „одлучи“ да промени редослед корака. Да не прескочи проверу јер јој се „учинило“ да није потребна. Да не врати резултат у другом формату само зато што је „проценила“ да је прегледније. Од великог језичког модела то не можете очекивати на исти начин. Његов посао је да произведе излаз који је смислен, користан и контекстуално одговарајући. 

Кад то разумете, много тога постаје једноставније. Постаје јасније зашто АИ може сјајно да напише нацрт мејла, али није паметно пустити га да на своју руку шаље правно осетљиве поруке. Зашто може помоћи у организацији података, али не би требало да самостално одлучује који је податак тачан. Зашто пет пута ради одлично, а шести пут уради нешто чудно, и зашто то није грешка него особина система.

Просто речено, *AI workflow*, или АИ радни ток, јесте пракса у којој се низови понављајућих задатака (прикупљање података, сортирање, доношење рутинских одлука, слање обавештења, препознавање образаца, попуњавање формулара, усклађивање информација из више извора) препуштају АИ агентима или системима који у одређеној мери могу да се прилагођавају променама без сталног људског надзора. 

У стварности, овај систем не замењује цело одељење, већ низ мањих, међусобно повезаних корака у оквиру неког радног процеса. Неки од тих корака су строго дефинисани. Неки само повезују системе који раније нису били повезани. Неки служе да издвоје случајеве које човек треба да провери. Неки ништа не одлучују, него само убрзавају припрему материјала за одлучивање. У том смислу, АИ радни ток је архитектура: начин на који се један посао разлаже на кораке, а онда расподељује између људи и машина.

### **Проблем је и у томе како посао стварно изгледа**

Међутим, и сам израз АИ радни ток уме да заведе. Изгледа као да описује нешто уређено. Низ корака. Као добро нацртан дијаграм са стрелицама које јасно показују шта иде после чега. Али у пракси већина послова не изгледа тако. Већина послова изгледа као скуп навика, пречица, успутних договора, изузетака и ствари које неко ради „јер тако одувек радимо“. И када покушате да то претворите у ток који машина може да прати, прво морате да опишете речима тај ток. 

А то је често теже него што делује на први поглед, и тек тада се покаже да људи у истом тиму исти посао раде на три различита начина. Да постоје кораци који постоје само у нечијој глави. Да један део процеса зависи од тога ко је тај дан на терену. Да формална процедура и стварна процедура нису исто. И то је реалност активног рада. Али аутоматизација, било да је класична, или потпомогнута АИ-јем, захтева да се та реалност преведе у нешто што је поновљиво. А то превођење је огроман посао који треба да обаве људи. 

И ниједан АИ алат га не може урадити уместо вас, јер алат не зна шта ви заправо радите док му то не објасните.

Зато је први ефекат озбиљне АИ аутоматизације разоткривање, а не убрзање. Тек кад кренете да описујете процес, схватите да га до тог тренутка нико заправо није видео у целости. Једна особа зна податке за улаз. Друга зна изузетке. Трећа зна коме се ствар носи кад систем не да одговор. Четврта зна да постоји неписано правило које сви поштују, али га нема ни у једном документу. Увођење АИ радног тока је анализа организације која не показује само где можете да уштедите време, него и где вам је посао деценијама зависио од туђег памћења, прећутних претпоставки и свакодневне импровизације.

### **Како један АИ радни ток функционише**

На микро плану, један АИ радни ток може да се опише прилично једноставно. Сваки задатак има три елемента: улаз, правило и излаз. Улаз може бити документ, мејл, порука, образац, табела, сигнал из другог система. Правило говори шта с тим улазом треба урадити: провери, класификуј, сажми, преведи, проследи, упореди, одобри, одбаци, трансформиши. Излаз је резултат који иде даље у систем: уписан податак, послата порука, отворен захтев, генерисан извештај, упозорење, одлука о повећању. 

Традиционално, човек је тај који својим радом повезује ове тачке. Он чита улаз, тумачи правило и производи излаз. АИ радни процес преузима део тог посла. Некад само спаја улаз и излаз. Некад помаже да се правило примени у нејасној ситуацији. Некад само припрема терен за људску одлуку. И ово ради посао када имамо једну карику у ланцу. Међутим, права снага се појављује када се повеже десет таквих карика.

Тада настаје систем који убрзава сам себе, јер свака аутоматизована карика ослобађа време и пажњу за следећу. Први аутоматизовани корак можда уштеди сат времена. Други уштеди сат и по, јер се сада мање чека, мање преписује, мање проверава. Трећи уштеди два сата, јер прва два више нису уска грла у радном процесу. Четврти смањи број грешака, па пети више не мора да поправља претходне уносе. Укупна добит зато расте брже него што би прост збир уштеда сугерисао. 

А уз уштеду времена долази и нешто још важније: људи престају да троше пажњу на ствари које не траже пажњу. Људи у мануелном процесу рада не троше енергију само на рад, него и на стално пребацивање пажње између ситних, неповезаних корака. На отварање пет алата. На тражење последње верзије. На проверу да ли је неко одговорио. На присећање коме се ово шаље ако је изузетак. Када те ситнице нестану, не ослобађају се само минути него и ментални простор.

Ово је важна тачка, јер већина расправа о аутоматизацији остаје заглављена у математици уштеде времена. Колико сати мање? Колико људи мање? Колико брже? Ово јесу важна питања, али нису једина. Постоји велика разлика између човека који четири сата дневно ради рутински посао без прекида и човека који осам сати дневно стално прескаче с једне обавезе на другу. У овом другом случају трошак је расута пажња, замор од контекста, осећај да цео дан радите а ништа суштински не завршавате. Добар АИ радни ток зато уклања и празан ход између задатака, јер је тај празан ход, у великом броју организација, један од највећих скривених трошкова.

### **Србија и две погрешне реакције на АИ**

Када је „сналажење“ део културе рада, онда се прича о АИ аутоматизацији додатно компликује. Људи су у фирмама, нарочито мањим и средњим, одавно навикли да посао функционише захваљујући довитљивости, импровизацији и личном напору. Кад се појави алат који обећава да ће нешто „одрадити сам“, реакција је често или претерано одушевљење или претерано неповерење. Ретко је нешто између. 

Они који се одушеве често прескоче досадни део где треба заиста да разумеју шта тачно треба аутоматизовати. Обично крену од АИ алата уместо од проблема. Чули су за n8n, Make, GPT агенте и *no-code* платформе, и одмах почну да спајају ствари пре него што су јасно одредили шта желе да се деси, које су границе система, шта је прихватљива грешка и где мора да буде људска контрола. Резултат је често нешто што ради, али нико не зна тачно како ради. Или је резултат нешто што не ради, али сви претпостављају да ради. 

Они који су неповерљиви, с друге стране, обично имају врло рационалне разлоге за то. Видели су довољно „решења“ која су трајала два месеца, па тихо нестала. Видели су системе које је правио неки ИТ-јевац, а после његовог одласка нико више није знао како да одржава систем. У том смислу, систем који нико не разуме и нико не одржава, пре ће постати одложен проблем него аутоматизација.

Из свега наведеног, за руководиоца следи нешто врло практично: АИ систем се у фирму уводи и као алат, и као промена радне дисциплине и равнотеже. У средини у којој део људи унапред верује да ће алат решити све, а други део унапред верује да ће направити додатни неред, спровођење имплементације постаје једнако важно као и сам избор АИ технологије. 

То значи да руководилац не сме да уведе алат у радни процес пре него што дефинише јасан оквир: где се алат тестира, ко проверава излаз, које грешке су допуштене, када човек преузима ствар и по ком критеријуму се мери да ли систем стварно помаже. Без тога, оптимисти ће пребрзо прогласити успех, а скептици ће први промашај узети као доказ да је цео приступ био погрешан.

У таквом окружењу људи морају да виде не само шта АИ алат ради, него и где му је место, где су му границе и шта се од њих и даље очекује. Ако тога нема, фирма не добија ни дисциплиновану аутоматизацију ни очекивано поверење, него класичну комбинацију локалног ентузијазма, тихог отпора и система који формално постоји, а стварно се користи само напола. Зато је у оваквом контексту можда важније увести добар режим надзора него врхунски АИ алат.

Између ове две реакције постоји једно практично питање запослених које се ретко помиње: шта у мом послу заиста има јасна правила, а шта захтева процену? Без овог питања, свака прича о аутоматизацији остаје недоречена. Јер ако покушате да потпуно аутоматизујете нешто што у својој суштини зависи од контекста, односа, преговарања, процене нијанси и читања неизговореног, добићете лош систем. Ако, с друге стране, третирате као „креативан“ посао нешто што је у стварности низ доследних микро-корака, потрошићете сате људске пажње на посао који не тражи људско промишљање него само људско присуство.

### **Шта треба аутоматизовати, а шта не?**

Узмимо неколико примера. Ако вам сваког дана стиже сто упита купаца и осамдесет од њих спада у пет истих категорија: статус пошиљке, цена, рекламација, рок испоруке, доступност, онда је очигледно да постоји простор за АИ радни ток који прво класификује поруке, затим нуди предлог одговора, а само спорних двадесет случајева прослеђује човеку. Ако у HR сектору стално обрађујете исте типове докумената (пријаве, потврде, уговоре, решења), онда је смислено аутоматизовати извлачење података, генерисање нацрта и проверу формалне исправности, док правна процена и коначно одобрење остају у домену људског одлучивања. Ако сте маркетиншка агенција и сваког понедељка ручно правите исти тип извештаја од истих података, онда је врло вероватно да део тог посла треба препустити АИ систему.

Али ако покушавате да аутоматизујете стратешку одлуку о позиционирању бренда на тржишту које се мења из недеље у недељу, онда не решавате проблем, него уводите елегантно упакован привид контроле. Другим речима, поред питања да ли нешто може да се аутоматизује, треба још питати да ли треба, и до које тачке. Технологија вас данас често привуче тиме што показује шта све може. Озбиљан рад на аутоматизацији захтева да се запитате шта је разумно препустити систему, а шта није. И још важније: где је тачно граница између подршке одлучивању и самог одлучивања.

Кад људи чују да је нешто аутоматизовано помоћу АИ-ја, често замишљају систем који „зна“. Као да је софтвер стекао неку врсту поузданог разумевања процеса. А у великом броју случајева, оно што се заправо десило много је приземније и корисније: систем је постао довољно добар да барата структурама које се стално понављају. Ово наравно није мала ствар. Али није исто што и разумевање. 

Систем може одлично да препозна образац рекламације, а да нема појма шта значи фрустрација купца. Може врло успешно да разврста кандидатуре за посао по формалним условима, а да не разуме шта чини некога потенцијално одличним колегом. Може да сажме десет страница записника, а да превиди реченицу која мења политичку динамику целе одлуке. Зато су најстабилнији радни токови они у којима АИ није свезналица, него асистент са јасно ограниченим доменом функционисања.

У добро направљеном систему, вештачка интелигенција не треба да глуми човека. Она ради оно у чему је корисна: брзо обрађује велики број улаза, препознаје обрасце, генерише нацрте, сажима, преводи, рангира, издваја сумњиве случајеве, и прослеђује даље оно што захтева људску процену. Проблем настаје тек кад јој се припише више него што јој припада. Кад се претпостави да зато што звучи сигурно, мора бити у праву. Или да зато што је пет пута била корисна, шестог пута има право да одлучи сама.

### **Демонстрација није исто што и одржив систем**

У томе је и разлика између техничке демонстрације и пословно одрживог система. Демонстрација показује да је нешто могуће, док одрживи систем показује да је нешто поновљиво, проверљиво, поправљиво и да не зависи од једне особе која „зна како то ради“. Ово је много тежи стандард. Али без овог стандарда, прича о аутоматизацији остаје у домену утиска. Лепо изгледа на састанку, а не функционише у стварном раду.

Зато озбиљна АИ имплементација никад не почиње од алата, него од мапирања процеса. Шта се овде заправо понавља? Где је правило, а где процена? Ко сада то ради, како и уз које изузетке? Које грешке су прихватљиве, а које нису? Где човек мора да има последњу реч? Ко ће систем одржавати? Шта се дешава кад улаз није онакав какав смо очекивали? Ово су питања која су људи постављали и пре него што је АИ ушао у свакодневни речник. Али данас добијају нову тежину зато што АИ алати постају све доступнији, па расте искушење да се прескочи управо онај део који је најдосаднији, а најважнији: разумевање сопственог посла.

У пракси, успешни примери АИ имплментације готово никада не почињу великом визијом о „потпуној трансформацији“. Почињу од једног уског грла у радном процесу. Од једног задатка који је досадан, често се понавља, а уз то је можда и скуп. Од једног радног задатка којег запослени не воле да раде, а нико га не доводи у питање. 

Рецимо: обрада улазних фактура, или израда недељног извештаја, или провера да ли су сви подаци унети у CRM, или пребацивање података из формулара у интерну базу. На овим местима се прави први АИ систем. Онда се гледа где систем греши, па се онда дотерује. Уводи се људска провера на критичним тачкама. Додаје се евидентирање грешака кроз лог фајлове. Пишу се правила за изузетке, па се тек онда иде даље. 

АИ систем се унапређује итерацијом.

### **Где аутоматизација заиста доноси вредност**

Овај образац увођења АИ радног тока се препознаје у сасвим различитим срединама. Рачуноводствена агенција у Крагујевцу аутоматизује извлачење података из фактура, проверу основних поља и унос у систем, па уместо два дана обраде месечне документације троши четири сата, док људи остатак времена користе за анализу и саветовање клијената. Студентска организација на једном техничком факултету повезује форме за пријаву, календар и мејлинг листу у један ток, па уместо да координатор ручно шаље стотину порука, систем то ради сам, а координатор се бави садржајем програма. Мала маркетиншка агенција у Београду користи АИ радни процес који прикупља коментаре са друштвених мрежа, класификује их по теми и сентименту и прави први нацрт недељног извештаја. Професор на факултету аутоматизује претрагу научних база, уклања очигледно нерелевантне радове и прави ужи избор научних радова за ручни преглед. Власник мале онлајн продавнице повезује наруџбине, стање залиха и обавештења курирској служби, и први пут у три године престаје да касни са испорукама. Ни у једном од ових случајева технологија није урадила нешто спектакуларно и сигурно није „разумела бизнис“. Урадила је нешто обично, али много вредније: уклонила је празан ход.

А празан ход је, у већини савремених система рада, огромна и потцењена тема. Он се ретко види на први поглед, али се осећа свуда: у кашњењима, у дуплом уносу, у чекању да неко „само потврди“, у грешкама насталим копирањем, у порукама „да ли си стигао да погледаш“, у потреби да се три пута провери оно што је једном већ проверено. Уклањањем овог слоја системских сметњи, организација остварује виши ниво видљивости у погледу процеса, одговорности и протока информација, смањује сложеност свакодневног рада, унапређује координацију и подржава квалитетније доношење одлука.

Ова видљивост је можда и највећа не-финансијска добит АИ аутоматизације. Кад склоните рутину из радног процеса, одједном се види шта је преостало. Остала је процена, остао је однос с клијентом, остало је преговарање, остало је решавање изузетака, остала је одговорност за одлуку, остала је способност да се препозна да правило у једном случају не треба применити. То је тренутак у којем организација почиње да разликује прави посао од празног хода унутар посла.

### **Шта значи да се посао „помера навише“**

Често се каже да аутоматизација „помера посао навише по лествици сложености“. Ово звучи уверљиво, али није једнако тачно за све који се налазе унутар организације. За власника фирме или директора, то заиста може значити већу прегледност, мање оперативног нереда и више времена за одлуке које носе већу вредност. За део запослених, нарочито у средњем оперативном слоју, иста промена може значити нешто сасвим друго: сужавање простора у коме су до јуче били незаменљиви, губитак неформалне контроле над процесом, па понекад и губитак функције која је постојала управо зато што је систем био спор, фрагментиран и мануелан.

Зато АИ аутоматизација, не само да уклања неефикасност, него мења и расподелу моћи унутар организације. А то значи да отпор према њој често не долази од људи који „не разумеју технологију“, него од људи који врло добро разумеју шта ће се променити када процес постане видљив, мерљив и делимично измештен из њихових руку.

Ако се то не види на време, руководилац ће врло лако погрешно протумачити отпор у тиму. Повероваће да се људи противе новом алату зато што су инертни, а у стварности се можда бране од реалног смањења значаја свог посла. Увођење АИ радног процеса је и питање превођења нове логике рада на језик који тим може да прихвати. Јер ако систем једној групи запослених ослобађа време, а другој тихо укида разлог постојања, онда одлука о аутоматизацији постаје управљачка одлука са јасним последицама.

### **Где су стварне границе АИ система**

Додуше, није свака област једнако погодна за овакав приступ. Постоји граница. Када је процес толико неструктуриран да нема јасан улаз, правило и излаз, као што су, рецимо, стратешко планирање, креативно осмишљавање кампање, решавање конфликта у тиму, политичко балансирање унутар организације, вођење тешких разговора, или препознавање проблема који још није ни именован, тада АИ радни ток нема за шта да се „ухвати“. 

У тим ситуацијама покушај аутоматизације често не доноси уштеду, већ само компликацију. Троши се време на описивање нечега што се не може до краја описати, на формализовање онога што зависи од импровизације, интуиције, односа и контекста. АИ модел аутоматизације престаје тамо где нема карика које се могу јасно одвојити. То је његова граница. А знати границу технологије једнако је важно као и познавати њену снагу.

Неки процеси споља изгледају сасвим уредно и структурирано, а ипак нису добри кандидати за аутоматизацију зато што је цена грешке превисока. На пример, систем може сасвим солидно да класификује долазне упите, предложи одговоре или означи приоритете, али ако се грешка догоди у комуникацији са кључним клијентом, у правно осетљивом одговору, у процени рекламације или у првом контакту с кандидатом за посао, последица није само „један погрешан излаз“. Последица може бити нарушено поверење и репутација, правни проблем или однос који више не може лако да се врати на старо. 

То значи да граница АИ система није само тамо где нема јасног правила, него и тамо где постоји правило, али су цена промашаја и грешке веће од користи коју доноси убрзање.

Због тога, поред питања : „Може ли се ово аутоматизовати?“, руководилац терба да постави и следеће питање: „Колико нас кошта ако систем овде погреши?“ Тек када се тако постави ствар, види се разлика између процеса који је само технички погодан за аутоматизацију и процеса који је заиста безбедан да се препусти АИ систему. У супротном, фирма може да погреши и аутоматизује баш оно место на којем јој је била најпотребнија људска процена, јер је проценила да јој је брзина важнија од поверења.

### **Људска улога неће нестати**

Овде долазимо и до људске димензије целе приче. За многе запослене први сусрет са аутоматизацијом је узнемирујући. Ако машина сада може да уради велики део онога што сам радио јуче, где сам онда ја у тој причи? Истина је да ће неки радни задаци у оквиру радног процеса нестати. Неки описи послова ће се смањити, преобликовати или спојити с другима. Али исто тако, појавиће се потреба за новим врстама рада: за надзором АИ система, за формулисањем правила, за евалуацијом излаза, за обрадом изузетака и граничних случајева, за дизајном процеса, за одржавањем токова, за провером квалитета, за одговорношћу над одлукама које не треба препустити систему. 

Другим речима, вредност човека се нужно неће преселити ван АИ система, већ ће се преселити на његове критичне тачке.

У том смислу, АИ аутоматизација помера људски рад навише по лествици сложености. Човек све мање служи као мост између два неповезана софтвера, а све више као онај који одлучује када аутоматика има смисла, када нема, и шта треба урадити кад стварни свет одбије да се понаша као усвојени дијаграм радног тока.

### **Када ефикасност почне да производи нови неред**

Остаје, међутим, још једно питање које се понекад постави, а можда постаје све важније: шта се дешава када систем постане толико ефикасан да почне да производи више излаза него што организација може смислено да апсорбује? Другим речима, постоји ли тачка у којој ефикасност престаје да буде предност и постаје нови облик нереда? Ово је итекако могуће да се догоди. 

Ако радни процес генерише више извештаја него што ико може да прочита, уради више класификација него што тим може да провери, направи више препорука него што менаџмент може да преточи у одлуке, онда аутоматизација не решава проблеме, већ почиње да ствара проблеме.

Треба да видимо како ће посао да иде брже, али исто тако треба да видимо и како да тај радни ток има смисла. Добар АИ радни ток штеди минуте па и сате, и повећава квалитет пажње која запосленима остаје. Ако је резултат тога да људи мање времена проводе у рутини, а више у размишљању, одлучивању, процени и стварању вредности, онда је технологија урадила оно што треба. Ако је резултат само то да систем избацује све више, све брже, без капацитета да се то разуме и употреби, онда смо старо расипање енергије само заменили новим.

### **Није поента да машина ради уместо људи**

Можда је зато најкорисније о свему овоме говорити без великих речи и сувишних очекивања. АИ радни процес је најбоље разумети као практичан метод за анализу и уређење рада. Он омогућава да се посао разложи на јасне кораке, да се ти кораци сагледају као део целине и да се донесе рационална одлука о томе шта треба препустити АИ систему, а шта задржати у оквиру људског ангажовања. У том процесу организација често добија више од саме временске уштеде: добија прецизнији увид у то како посао заиста функционише.

И управо ту лежи најдубља вредност целе приче. Када систем преузме рутинске, понављајуће и механичке кораке, људима остаје више простора за оно за шта је потребно њихово расуђивање, одговорност и смислено деловање. Тек тада постаје видљиво шта је суштина њиховог посла, где лежи њихов стварни допринос и у чему је права вредност људског рада.
### Како измерити да ли вам АИ заиста штеди време
URL: https://www.vijuge.rs/kako-izmeriti-ai/
Last updated: 2026-04-04T10:43:11.000Z
Постоји једна ситуација која се, у последње време, често дешава у фирмама широм Србије. Неко из фирме, обично онај ко прати технологију, покаже колегама како алат са вештачком интелигенцијом за тридесет секунди направи текст, табелу, извештај или одговори на мејл. Сви су одушевљени, климају главом и већ виде како ће брже и лакше радити, јер им све изгледа једноставно и веома корисно. И онда неко постави питање које ретко ко воли да чује: добро, али колико нам то заиста штеди времена?

То питање звучи једноставно, а није. Јер оно што видите у току демонстрације и оно што се заиста дешава у свакодневном раду су две потпуно различите ствари. И управо ту настаје забуна коју многи не могу да разреше.

### **Демонстрација није мерење**

Кад вам неко покаже како АИ алат направи нешто за пола минута, ви гледате само један део процеса, и то онај најефектнији. То је као кад вам неко покаже како миксер направи смути за десет секунди, али не помене да прво треба да оперете воће, да га исечете, да изаберете праву брзину на миксеру и да, после свега, све лепо очистите.

Са алатима који користе вештачку интелигенцију је исто. Алат генерише текст брзо, и то стоји. Али нико у току демонстрације не рачуна колико времена треба да се напише добар захтев за тај алат. Нико не помиње колико траје провера онога што је алат избацио, да ли су подаци тачни, да ли тон одговара, да ли нешто звучи чудно, да ли је погрешно протумачен контекст. Нико не броји колико пута сте нешто вратили, преформулисали, дорадили, поново покренули.

Оно што изгледа као тридесет секунди у демонстрацији алата, у пракси може да траје петнаест минута. Или сат. Или може заиста да траје минут. Поента је да без мерења не знате како стојите с временом, а демонстрација није мерење.

Демонстрација служи да покаже могућности, и у томе је сасвим коректна. Проблем настаје када тај први утисак заменимо са закључком, и када неко на основу онога што је видео у презентацији каже: ово нам штеди три сата дневно. Можда и штеди. Али то је тврдња која тражи проверу, а не само добар осећај после гледања.

### **Брзина одговора и његова употребљивост**

Овде се дешава још једна ствар. Људи изједначавају брзину генерисања излаза са квалитетом истог. То је разумљиво, јер кад нешто брзо завршите, осећате да сте уштедели време. Али уштеда постоји само ако је тај резултат употребљив без великих интервенција.

Замислите да вам алат направи понуду за клијента за два минута. Звучи сјајно. Али онда треба да проверите да ли су цене тачне, да ли је обрачун пореза исправан, да ли стилски одговара ономе што тај клијент очекује, да ли сте случајно послали нешто са нетачним датумом. Ако вам та провера и корекција трају двадесет минута, а без алата бисте понуду написали за двадесет пет, уштедели сте пет минута, а не двадесет, колико сугерише први утисак.

Понекад је уштеда велика. Понекад је занемарљива. Понекад је нема. Али то углавном зависи од задатка, а не од алата. Исти алат који вам на једном послу уштеди сат времена, на другом вам може додати сат, јер сте поправљали оно што сте могли сами да урадите брже.

То је разлог зашто нема смисла говорити о АИ алатима уопштено: „штеди време“ или „не штеди“. Сваки конкретан задатак даје другачији резултат. Рутински посао који се понавља у истом облику, као што је форматирање, сажимање, пребацивање из једног облика у други, је место где алати често заиста убрзавају ствари. Али за посао који захтева процену, познавање контекста, прилагођавање конкретном човеку или ситуацији, алат може да припреми нацрт и направи полазну тачку, али не и готов резултат. А разлика између нацрта и готовог резултата јесте управо оно време које треба измерити.

### **Скривено време које нико не броји**

Кад се прича о томе колико АИ штеди време, обично се гледа само видљиви део процеса и колико је трајало да се нешто произведе. Али постоји и невидљиво време, и оно уме да буде значајно.

Ту спада време учења, јер сваки нови алат захтева период прилагођавања. Људи треба да разумеју како да постављају захтеве, шта алат може а шта не може, где греши, а где је поуздан. Али то је време које се троши и које нико не ставља у рачуницу кад прича о уштедама.

Ту је и време исправке грешака. Алати засновани на вештачкој интелигенцији понекад праве грешке које не приметимо на први поглед, јер излаз изгледа уверљиво. Текст који звучи смислено, али садржи нетачан податак. Табела која је уредно форматирана, али има погрешну формулу. Извештај који делује професионално, али је погрешно протумачио улазне податке. Те грешке је теже ухватити него класичне грешке, управо зато што одговор делује разумно. Нисте навикли да сумњате у нешто што изгледа углађено и логично.

А кад се грешка провуче и стигне до клијента, или кад доведе до погрешно евидентираног трошка или погрешно попуњене пријаве, онда се појављује нови, непријатни трошак времена: време поправљања последица направљене грешке. То време нико не рачуна као трошак алата, иако то јесте.

### **Један човек брже, а цео тим спорије**

Још једна ствар која уме да збуни: оно што једном човеку убрза посао не мора да убрза посао целог тима.

Често се дешава да неко у тиму почне да користи АИ алат, па производи више материјала и шаље више завршених докумената. Али ти документи и даље морају да прођу проверу колеге, одобрење и потпис. Ако је једна особа почела да ради брже а остатак процеса остао исти, једино што се десило јесте да се створио већи ред чекања на следећем кораку. Укупно време од почетка до краја посла се није смањило, само се притисак завршетка посла преселио даље низ ланац извршења.

Осим тога, у сваком тиму постоје људи који нови алат прихвате одмах, и они којима треба више времена. Док једни већ раде, други још покушавају да се снађу. Та неравномерност ствара сопствене губитке, неспоразуме, дупле послове, неусклађене верзије. Људи усвајају ствари различитом брзином и то је нормално. Али кад говорите о уштеди времена на нивоу фирме, а не на нивоу једне особе, онда та разлика постаје део веће слике.

У Србији ово има и једну додатну димензију. У фирмама где много тога зависи од конкретних људи и личних односа, увођење новог алата није само техничка промена, већ промена навика, прерасподела ко шта ради, а понекад и јаснији поглед на то ко је „незаменљив“. Ово су ствари које немају везе са технологијом, али директно утичу на то да ли ће се алат заиста користити или ће остати нешто што „имамо, али не користимо стално“.

### **Шта заправо значи „измерити**“

Кад кажемо „измерити да ли АИ штеди време“, то звучи као да треба спровести неко озбиљно истраживање, а у ствари је потребно само знати шта гледате.

Постоји време за завршетак целокупног задатка, од почетка до краја, не само за део који алат одради, него за све: припрему, рад са алатом, проверу, исправке, одобрење. То је прва ствар.

Постоји терет накнадних исправки: колико сте пута нешто враћали, поправљали, мењали пре него што је постало употребљиво. Што је тај терет мањи, уштеда је стварнија.

Постоји цена грешке: колико вас кошта кад нешто прође што је неисправно. За интерни мејл, то је ситница. За понуду клијенту, за пријаву државној институцији, за документ који носи правну тежину, то већ није ситница. И о томе треба размишљати, јер сваки посао има другачију тежину грешке.

Постоји и оно што би се могло назвати степен прихватања: колико људи у тиму заиста користи алат, колико редовно, и колико самостално. Јер алат који користи једна особа а остали га заобилазе не мења много на нивоу организације.

### **Забуна између утиска и увида**

Срж целе приче је заправо у једном неспоразуму: утисак да нешто ради брзо и увид да вам заиста штеди време. То нису исте ствари. Утисак стичете одмах, за тридесет секунди. Увид захтева да неко време пратите шта се дешава, да упоредите са оним како је било пре, да узмете у обзир целу путању посла, а не само његов најупечатљивији тренутак.

АИ алати заиста штеде време. Али колико, како, где и коме, су питања на која не можете дати тачан и прецизан одговор ако гледате само демонстрацију алата. Можете одговорити само тако што ћете неко време обратити пажњу на цео процес, а не само на део који се најефектније и најбоље приказује.

Ништа од овога није компликовано. Само захтева да се једна ствар одвоји од друге, и то: брзо од корисног, ефектно од ефикасног, део од целине.

### „Добро, а шта сад треба да урадимо?“

Ово је питање које се појави одмах, чим завршите разговор о било чему везаном за АИ алате, технологију или промене у радном процесу. Обично онај ко води тим или ко треба да оправда трошкове улагања у нови АИ алат, каже: у реду, све је то лепо, али шта сад конкретно треба да урадимо?

Треба да почнемо да меримо. Да видимо имамо ли стварну и опипљиву корист и вредност. Да ли нам АИ алат штеди време, смањује грешке и олакшава рад или само оставља добар утисак док у позадини прави нове проблеме.

Мерење о којем говоримо је навика да се, кад неко каже „ово нам штеди време“, запитате откуд то знамо? Ко је проверио? Шта смо мерили: само онај брзи део, или цео посао од почетка до краја? Да ли смо рачунали и исправке, и проверу, и оне колеге које се још не сналазе?

Можда се испостави да АИ заиста штеди време, и то значајно. Можда се испостави да штеди на неким местима, а на другим не. Можда се испостави да још нисте сигурни. Сваки од ових одговора је у реду. 

Јер тек кад престанемо да мешамо добар утисак са стварном уштедом, можемо паметно да одлучимо шта вреди задржати, шта треба променити и где вештачка интелигенција заиста има своје место у послу који обављамо.
### Три обрасца за учење уз АИ: Како да задржите своје расуђивање у доба алгоритама
URL: https://www.vijuge.rs/tri-obrasca-za-ucenje-uz-ai/
Last updated: 2026-03-29T09:56:11.000Z
Постоје три начина за учење уз помоћ вештачке интелигенције. Већина људи не користи ниједан од њих. Једно истраживање тестирало је како програмери уче нове вештине уз помоћ АИ. Већина је постала лошија него на старту, а три групе су постале боље. Сви су користили исти АИ алат, али је начин коришћења био различит за сваку групу.

Ова студија тестирала је 52 програмера који су требали да науче нову вештину. Половина је користила АИ, половина није. АИ група је постигла 17% лошији резултат у разумевању новог концепта. Међутим, три групе унутар АИ сегмента постигле су једнако добре резултате као и људи који уопште нису користили АИ.

У овом тексту ћу:

- Анализирати шест образаца интеракције са АИ које је студија идентификовала и објаснити шта раздваја оне који чувају процес учења од оних који га елиминишу.
- Објаснити зашто је највећи јаз у вештинама био у дебаговању (отклањању грешака): управо оној вештини која вам је потребна да бисте приметили када АИ погреши.
- Дати три вежбе засноване на обрасцима са високим учинком, плус једно дијагностичко питање које вам говори да ли вам АИ помаже да учите или вам помаже да заборављате.

### Научна студија

У јануару 2026\. године, два истраживача из програма стипендиста компаније Anthropic објавила су рад „Како АИ утиче на формирање вештина” ([*How AI Impacts Skill Formation*](https://arxiv.org/html/2601.20245v2?ref=vijuge.rs)). Џуди Ханвен Шен и Алекс Тамкин спровели су контролисано истраживање са 52 програмера који су учили нову Python библиотеку под називом *Trio*. Половина је користила АИ асистента за кодирање, половина није.

Група са АИ асистентом је постигла 17% лошији резултат на тесту концептуалног разумевања, читања кода и дебаговања. Постигнути ефекат писања кода је био значајан, али у просеку није било битног добитка у продуктивности. То је наслов који ће већина људи извући из овог рада. Али то није најважније откриће. Најважније је оно што се догодило унутар саме АИ групе.

### Три обрасца која су сачувала учење

Истраживачи су идентификовали шест различитих образаца интеракције са вештачком интелигенцијом међу програмерима. Три су донела ниске резултате, а три високе. Обрасци са високим резултатима су разлог зашто је овај рад важан:

- **Концептуални упит (*Conceptual Inquiry*):** Седам програмера је АИ-ју постављало само концептуална питања. Сав свој код су писали сами. Они су били друга најбржа група у студији и имали су најбоље резултате: брзина рада и разумевање заједно.
- **Хибрид кода и објашњења (*Hybrid Code-Explanation*):** Три програмера су истовремено тражила и код и објашњења. Третирали су АИ као тутора, а не као писца кода.
- **Генерисање, па разумевање (*Generation-Then-Comprehension*):** Два програмера су пустила АИ да генерише код, а затим су постављала додатна питања док нису разумели шта је АИ произвео и зашто.

Приметите шта их повезује. У сваком обрасцу са високим резултатом, програмер је задржао когнитивни напор. Нису дозволили алату да мисли уместо њих. Користили су га да подрже сопствено размишљање.

### Три обрасца која су елиминисала учење

Обрасци са ниским резултатима деле заједничку особину: задржали су брзину уз одбацивање разумевања:

- **АИ делегирање (*AI Delegation*):** Четири програмера су све препустила АИ-ју. Били су најбржи у студији, али нису ништа научили.
- **Прогресивно ослањање на АИ (*Progressive AI Reliance*):** Четири програмера су почела са једним или два питања, а затим постепено препуштала све више, док на крају нису препустила све АИ-ју. Путања сазнања је са препуштањем ишла надоле.
- **Итеративно АИ дебаговање (*Iterative AI Debugging*):** Четири програмера су користила АИ као алат за отклањање грешака, copy/paste поруке о грешкама и прихватали су поправке без читања и провере. Поставили су много упита, али је резултат био: нула разумевања.

Највећи јаз између АИ групе и контролне групе био је у вештинама дебаговања. Ово је важно јер је дебаговање вештина која вам је потребна да бисте ухватили грешке саме вештачке интелигенције. Коришћење алата нам умањује способност провере тог истог алата.

### Продуктивна борба коју АИ уклања

Контролна група (без АИ) је наилазила на више грешака. Проводили су више времена заглављени са проблемима и пријавили су више фрустрације. Такође су пријавили веће уживање у процесу и да су више научили.

Ово је добро утемељена педагогија. Борба је место где се учење дешава. Роберт Бјорк то назива „пожељним потешкоћама” ([*desirable difficulties*](https://bjorklab.psych.ucla.edu/research/?ref=vijuge.rs)): препреке које успоравају учинак, али продубљују задржавање знања. Када АИ уклони ове препреке и потешкоће њиховог савладавања, он уклања механизам помоћу којег се формира разумевање.

Учесници у АИ групи су сами пријавили да се осећају „лењо”. Након завршетка тестирања, коментар им је био да је требало да обраћају више пажње на код. Неки су провели преко 30% времена састављајући промптове уместо да пишу код. Нису добили повећање брзине колико су се надали, али је губитак разумевања био значајан.

Један детаљ из студије ми је посебно привукао пажњу. Учесници који су копирали АИ генерисан код у поређењу са онима који су га ручно прекуцавали нису показали никакву разлику у исходима учења. Физички чин куцања уопште није био зависна варијабла. Когнитивни напор јесте. Можете копирати код и онда се потрудити да га разумете, али само ако га анализирате. Можете откуцати сваки карактер и даље да не разумете ништа, ако се нисте запитали „зашто”.

Ово се поклапа са оним што су Дел'Аква (Dell’Acqua) и колеге открили на Harvard Business School 2023\. године: пословни консултанти су завршили 12,2% више задатака уз помоћ АИ, али су подбацили на ономе што су назвали „назубљена граница” ([*jagged frontier*](https://download.ssrn.com/2026/3/17/4573321.pdf?response-content-disposition=inline&X-Amz-Security-Token=IQoJb3JpZ2luX2VjEC4aCXVzLWVhc3QtMSJGMEQCID4%2BVw%2FdqtwSPbZaICe7htmP8MyJr%2BNiW%2BAvlpqFoaRtAiB3Rrbr2S%2F0N086Ia3yCHMut7VUYIMD7hO%2BHoto0SZmvyrGBQj3%2F%2F%2F%2F%2F%2F%2F%2F%2F%2F8BEAQaDDMwODQ3NTMwMTI1NyIMfgH7pgoYwCUWlN%2BAKpoFsIk7LIrpwEBsKG3QnCPADkWuzHdjvMWpCwrPc30E1njslZ%2Bd3eLzxklCKANr57vHb%2BnyY80cvHdeCsPgMZ%2BswTWPm8dVV%2FX5klV6q8i75cysZBoVRJM3L0m8O0QJGwjSAOE7Zt4VIqklTs3v18K4zD86%2BgU9ESkM7Dp3dxMEEJN%2FanOr8%2BcDPsYFq2D6STGx6nSnIHxHB20CYwRX91WE0h9OKlJGOAerkIodyKXlvEFj4JNJzlAas3LOckvnsgP81hfdXASpF1UeUWVsJSSDAyQujHijlJWuu%2FQlxtx%2B0Lj3B7wWyaRbLUP2u6c9R7nn%2FbkiImVqrm0hhEQd6j2RrNCJ4MAWTy%2FM9iqoueLeJcNu3AlzXzZmhL%2FNrKl6UEXA5wTPynuPFGC9A6AT%2BCff7tmP1o9xh3Kp8IzqLoLsWFh2pqdbkPDfBofBFIH%2Fkua7hCJdsjVj46V8E23ra86%2FdRj4Bx%2FKlOCYVFjnCp336%2BmpunU8GRIW%2FPXalSke0VTG0%2Bmt%2B6HVPheOu0kJkHJO%2FR9bsVyf75tnKWzkQmuXj2F%2BG899msVvFSico9wO5kXQAui%2F9A5GcOa8rhhJ3hQSKJGPvinDXWKPZy4pI89OhFzgknqjXNRnmXPFfHJkAO%2BdaVVmuQLH2TONKwNzS1fh7QpBmbmPKa6DsqVe3Gf966va9zt0wDf2o2smnF%2FFFI9tcdkQ0hRMFCW12pTEoxtb0zL5pCGF94HV%2FoPDfvkwhsfQ2pSZLtHUWVyuY0TAjx1P9PgTF909qIsL89YsFXW5D%2Fk7YCOuM2nW294K2Kg6uIQ%2BRZIo8WjIQvioYfdZGFLWUmyHvhOt7dE3zQpkwN8q0OdqM6Qm%2BwTpQNtN%2FjNX7eQvL%2BHhGV%2F21lW2MMusn84GOrIBpSLUH8ZbHv7OTbS40N9QyxOKfcMIBpYuFaI%2FOysPD9bPdcnMcF4A257HfSASNRW039TnRyQ9%2FsNo1%2BdpJ62Pw9iQOMiow4XEpfPNmrNGlEhMryY8bciMc5qeAlXaz5xdtYi9MVTDedd%2B8dscciGE%2F%2FvMCZac3hk36433dbGdF044OqiFOWFJ%2B%2FTV8QZP5NZ8j7kpGRDNHUrcPhVT6NmxpypZAQbECqBfFLd0cVcaVUkx6Q%3D%3D&X-Amz-Algorithm=AWS4-HMAC-SHA256&X-Amz-Date=20260328T134853Z&X-Amz-SignedHeaders=host&X-Amz-Expires=300&X-Amz-Credential=ASIAUPUUPRWE4YVRK2JR%2F20260328%2Fus-east-1%2Fs3%2Faws4%5Frequest&X-Amz-Signature=faa327189709d75c8227d17f7c7ffd40ff565fba78d0347f06ae9d45068c2c75&abstractId=4573321&ref=vijuge.rs)), производећи лошије резултате на задацима који су захтевали суштинско размишљање. Поклапа се и са оним што су [Ли (Лее) и колеге](https://dl.acm.org/doi/10.1145/3706598.3713778?ref=vijuge.rs) открили 2025\. године: радници знања су пријавили нижи когнитивни напор и ниже самопоуздање када су користили АИ, чак и када је квалитет њиховог рада био задовољавајући. Рад им је постао лакши, али су радници постали мање сигурни у њега.

Вајлс (Wiles) и колеге описали су АИ као „[егзоскелет](https://download.ssrn.com/2024/9/4/4944588.pdf?response-content-disposition=inline&X-Amz-Security-Token=IQoJb3JpZ2luX2VjEC4aCXVzLWVhc3QtMSJGMEQCID4%2BVw%2FdqtwSPbZaICe7htmP8MyJr%2BNiW%2BAvlpqFoaRtAiB3Rrbr2S%2F0N086Ia3yCHMut7VUYIMD7hO%2BHoto0SZmvyrGBQj3%2F%2F%2F%2F%2F%2F%2F%2F%2F%2F8BEAQaDDMwODQ3NTMwMTI1NyIMfgH7pgoYwCUWlN%2BAKpoFsIk7LIrpwEBsKG3QnCPADkWuzHdjvMWpCwrPc30E1njslZ%2Bd3eLzxklCKANr57vHb%2BnyY80cvHdeCsPgMZ%2BswTWPm8dVV%2FX5klV6q8i75cysZBoVRJM3L0m8O0QJGwjSAOE7Zt4VIqklTs3v18K4zD86%2BgU9ESkM7Dp3dxMEEJN%2FanOr8%2BcDPsYFq2D6STGx6nSnIHxHB20CYwRX91WE0h9OKlJGOAerkIodyKXlvEFj4JNJzlAas3LOckvnsgP81hfdXASpF1UeUWVsJSSDAyQujHijlJWuu%2FQlxtx%2B0Lj3B7wWyaRbLUP2u6c9R7nn%2FbkiImVqrm0hhEQd6j2RrNCJ4MAWTy%2FM9iqoueLeJcNu3AlzXzZmhL%2FNrKl6UEXA5wTPynuPFGC9A6AT%2BCff7tmP1o9xh3Kp8IzqLoLsWFh2pqdbkPDfBofBFIH%2Fkua7hCJdsjVj46V8E23ra86%2FdRj4Bx%2FKlOCYVFjnCp336%2BmpunU8GRIW%2FPXalSke0VTG0%2Bmt%2B6HVPheOu0kJkHJO%2FR9bsVyf75tnKWzkQmuXj2F%2BG899msVvFSico9wO5kXQAui%2F9A5GcOa8rhhJ3hQSKJGPvinDXWKPZy4pI89OhFzgknqjXNRnmXPFfHJkAO%2BdaVVmuQLH2TONKwNzS1fh7QpBmbmPKa6DsqVe3Gf966va9zt0wDf2o2smnF%2FFFI9tcdkQ0hRMFCW12pTEoxtb0zL5pCGF94HV%2FoPDfvkwhsfQ2pSZLtHUWVyuY0TAjx1P9PgTF909qIsL89YsFXW5D%2Fk7YCOuM2nW294K2Kg6uIQ%2BRZIo8WjIQvioYfdZGFLWUmyHvhOt7dE3zQpkwN8q0OdqM6Qm%2BwTpQNtN%2FjNX7eQvL%2BHhGV%2F21lW2MMusn84GOrIBpSLUH8ZbHv7OTbS40N9QyxOKfcMIBpYuFaI%2FOysPD9bPdcnMcF4A257HfSASNRW039TnRyQ9%2FsNo1%2BdpJ62Pw9iQOMiow4XEpfPNmrNGlEhMryY8bciMc5qeAlXaz5xdtYi9MVTDedd%2B8dscciGE%2F%2FvMCZac3hk36433dbGdF044OqiFOWFJ%2B%2FTV8QZP5NZ8j7kpGRDNHUrcPhVT6NmxpypZAQbECqBfFLd0cVcaVUkx6Q%3D%3D&X-Amz-Algorithm=AWS4-HMAC-SHA256&X-Amz-Date=20260328T135240Z&X-Amz-SignedHeaders=host&X-Amz-Expires=300&X-Amz-Credential=ASIAUPUUPRWE4YVRK2JR%2F20260328%2Fus-east-1%2Fs3%2Faws4%5Frequest&X-Amz-Signature=3feff0db049364e69940bbb05ad825883e0c74e821bc844ddc91aad0173b46c2&abstractId=4944588&ref=vijuge.rs)”: он побољшава ваше способности док га носите, али мишићи испод њега се не развијају. Ако га скинете бићете слабији него када сте почели.

### Шта ово значи за било кога ко користи АИ у свом раду

Ова студија се бавила Python програмерима, међутим наведени принцип се односи на све нас. Сваки пут када користимо АИ да саставимо имејл, а да га пажљиво не прочитамо, вежбамо то да не читамо пажљиво. Сваки пут када прихватимо сажетак без провере извора, вежбамо то да не проверавамо изворе. Сваки пут када залепимо грешку у четбот и прихватимо исправку, вежбамо то да не „дебагујемо“.

Герлих ([Gerlich](https://www.mdpi.com/2075-4698/15/1/6?ref=vijuge.rs)) је открио да је честа употреба АИ повезана са лошијим критичким размишљањем код радника знања, зато што образац употребе тренира когнитивну навику: делегирај, прихвати, крени даље. Та навика се акумулира. И то се дешава тихо, јер резултат и даље изгледа компетентно.

### Зашто је ово важно изван писања кода

Ако водите тим, питајте их како користе АИ алате. Разлика између делегирања и упита је разлика између губљења вештина и развоја.

Ако сте којим случајем образовни радник, ова студија вам пружа доказ за оно што добри наставници и професори одувек знају: нелагодност и отпор су механизми учења.

Ако сами користите АИ алате, приметите који од шест образаца описује ваш подразумевани приступ. Будите искрени. Програмери који су имали најлошије резултате били су врло ефикасни у процесу писања кода, али нису ништа научили из тога. Сви ми који радимо са вештачком интелигенцијом, такође ћемо морати да је надгледамо и проверавамо какве нам одговоре даје. Да ли ћемо то моћи, зависиће искључиво од тога да ли смо ту вештину изградили или смо је само позајмили.

### Како користити АИ алате без губљења способности размишљања

Три обрасца са најбољим резултатима из студије Шен и Тамкина су врло применљив оквир. Ево како да сваки од њих примените у сопственом раду, без обзира на област.

**Образац 1: Концептуални упит (*Conceptual Inquiry*)**

Користите АИ да поставите питања. Не користите га да добијете одговоре које ћете само „налепити” у свој рад.

- **Вежба:** Узмите задатак који бисте обично препустили АИ алату. Пре него што почнете, запишите три ствари које не разумете у вези са тим задатком. Поставите АИ-ју та три питања. Прочитајте одговоре. Затим сами урадите задатак, без помоћи АИ-ја.
- **Зашто ово ради:** Присиљава вас да идентификује сопствене празнине у знању пре него што их алат невидљиво попуни.

**Образац 2: Хибрид кода и објашњења (*Hybrid Code-Explanation*)**

Када користите АИ да произведе неки резултат, захтевајте образложење уз њега. Никада не прихватајте производ без процеса.

- **Вежба:** Узмите део рада генерисаног вештачком интелигенцијом који сте недавно користили (имејл, део извештаја, план). Залепите га назад у АИ алат и питајте: „Објасни сваку одлуку коју си донео приликом израде овога. Чему си дао приоритет? Шта си изоставио? Које си претпоставке направио?”
- **Идентификујте разлику:** Пронађите бар једну претпоставку коју бисте ви другачије поставили. Ту се налази ваше просуђивање.

**Образац 3: Генерисање, па разумевање (*Generation-Then-Comprehension*)**

Ако пустите АИ да прво генерише, онда га накнадно испитујте. Никада не шаљите оно што нисте разумели.

- **Вежба:** Узмите АИ генерисани резултат и означите сваку тврдњу, одлуку или препоруку у њему. За сваку од њих питајте АИ: „Зашто ово, а не нека алтернатива?” Питајте све док не будете у стању да објасните логику колеги без гледања у АИ одговоре.

### Питање за проверу

Кроз сва три обрасца, једно питање служи као дијагностика: *„Након што сам користио АИ за овај задатак, да ли бих следећи пут могао да га урадим без АИ?”*

Ако је одговор да, користили сте АИ да бисте учили. Ако је **одговор не**, користили сте АИ да бисте избегли учење. Запишите ово питање на стикер и ставите га поред екрана. Поставите га себи сваки пут када затворите прозор четбота.

Студија Шен и Тамкина је открила да су најбржи програмери научили најмање. Али је такође открила да су најпромишљенији програмери научили највише док су и даље користили АИ. Алат је био исти за свакога, али је образац употребе био различит.

### Зашто учење и даље захтева напор

Притисак да се усвоје АИ алате је стваран. Долази од послодаваца, институција, од самих алата који су дизајнирани да делегирање учине природним. Пут мањег отпора је пут који води до егзоскелета: побољшавамо учинак који скрива опадање наших способности.

На крају, остаје нам само наша способност да осмишљавамо свет око себе. Машине ће несумњиво постајати брже, прецизније и наизглед паметније, нудећи нам пречице за сваки интелектуални напор. Ипак, пристајање на те пречице значи полагано, тихо препуштање сопственог расуђивања туђим алгоритмима. Прихватање оног неопходног и често фрустрирајућег напора у раду је свесна одлука да останемо присутни у процесу сазнавања. Јер, границе онога што заиста разумемо уједно су и границе наше слободе мишљења.
### Дигитална трансформација
URL: https://www.vijuge.rs/digitalna-transformacija/
Last updated: 2026-03-29T11:28:17.000Z
У Србији постоји једна реченица која се чује на готово сваком пословном скупу, конференцији, панел-дискусији и стратешком састанку, толико често да је практично изгубила значење: „Морамо да се дигитално трансформишемо.“ Ова реченица се изговара са истом учесталошћу и истим убеђењем као и „Морамо да будемо иновативни“ или „Људи су наш најважнији ресурс“ - што значи да је сви понављају, а мало ко заиста зна шта под тим подразумева. Термин „дигитална трансформација“ је постао нека врста пословне амајлије: ако га довољно пута поменете у презентацији, нешто добро ће се десити. Наравно, неће.

Проблем са овим појмом је у томе што је превише широк. Он истовремено значи све и ништа. За директора ИТ-ја, то значи миграцију на клауд. За директора продаје, то значи CRM систем. За маркетинг, то значи друштвене мреже и аналитику. За генералног директора, то значи нешто са чим може да изађе пред одбор и покаже да фирма „иде у корак са временом“. А за запосленог на шалтеру, то најчешће значи нови програм у који мора да уноси исте податке два пута, само сада на спором рачунару уместо на папиру.

Хајде да, уместо понављања празних фраза, покушамо да разумемо шта дигитална трансформација заиста јесте, зашто толико фирми не успева да је спроведе, и зашто је управо сада, у ери генеративне вештачке интелигенције, ова тема добила потпуно нову тежину.

### **Три појма која нису исто**

Прва ствар коју треба рашчистити јесте разлика између три појма која се код нас готово увек користе као синоними, а нису: дигитизација, дигитализација и дигитална трансформација.

Дигитизација је најједноставнија. Она значи претварање нечег аналогног у дигитално. Када скенирате папирну фактуру и сачувате је као PDF, то је дигитизација. Када уместо картотеке почнете да користите Ексел табелу, то је дигитизација. Садржај је исти, само је носач другачији. Ви нисте променили начин рада; променили сте медијум на којем чувате податке.

Дигитализација је корак даље. Она значи коришћење дигиталних технологија да бисте побољшали постојећи процес. Када уместо ручног уноса фактура уведете систем који их аутоматски очитава, разврстава и прослеђује у књиговодство, то је дигитализација. Процес је и даље исти - обрада фактура - али је сада бржи, тачнији и мање зависан од људске грешке.

Дигитална трансформација је нешто суштински другачије. Она не значи побољшање постојећег процеса, већ његово преиспитивање. Она пита: „Да ли нам овај процес уопште треба у овом облику?“ Можда уместо бржег обрађивања фактура треба да преиспитамо цео модел набавке. Можда уместо бољег CRM-а треба да променимо начин на који комуницирамо са клијентима. Дигитална трансформација мења логику пословања, а не само алате којима се та логика извршава. Зато је толико тешка: не мењате софтвер, мењате начин на који фирма размишља.

Класичан пример који се често наводи, али га вреди поновити јер савршено осликава ову разлику: Блокбастер и Нетфликс. Блокбастер је имао сајт. То је била велика ствар почетком двехиљадитих. Могли сте да уђете на интернет преко модема и видите да ли је VHS касета слободна у локалном видео клубу. То је класична дигитализација. Олакшали су вам да не идете пешке по киши само да бисте сазнали да је неко већ изнајмио филм.

Али Нетфликс је рекао: VHS касета више не постоји. Физичка локација видео клуба више не постоји. Радника за пултом више нема. Вредност се не испоручује кроз пластику коју носите кући, већ кроз жицу директно у ваш телевизор. То је трансформација. Темељ на којем је почивао бизнис је срушен и направљен је нови.

Већина фирми у Србији никада неће постати Нетфликс. Нити треба. Ако сте власник локалне продавнице грађевинског материјала, вама дигитална трансформација не значи да ћете продавати виртуелни цемент у метаверзуму. Ваш посао је опипљив и физички.

Она за вас значи нешто много приземније. Више не чекате да зидар дође на стовариште у шест ујутру, нервозан, са цигаретом у устима, и диктира шта му треба док ви то записујете хемијском оловком. Ваш магацин сада сам „разговара“ са добављачем. Кад залиха гитер блока падне испод одређеног нивоа, систем сам шаље поруџбину циглани. Ваши возачи камиона ујутру на таблету у кабини имају готове руте и план испоруке за сваког купца. Ви више не продајете само песак и шљунак. Ви продајете поузданост и тачност.

### **Зашто седамдесет посто не успева**

Постоји један податак који се константно провлачи кроз сва истраживања о дигиталној трансформацији и који је толико цитиран да је постао клише: око седамдесет посто свих иницијатива дигиталне трансформације не постигне очекиване резултате. McKinsey, Boston Consulting Group и други велики консултанти варирају у процентима - неки кажу шездесет пет, неки седамдесет, а неки чак осамдесет пет посто - али сви се слажу у једном: већина пропадне. И, што је још занимљивије, готово сви се слажу ко је главни кривац: није технологија, већ људи.

Ако имате „дигиталну“ трансформацију, логично би било да проблем буде у дигиталном делу трансформације. Међутим, технологија је, у огромној већини случајева, радила оно што треба. Проблем је био у томе што људи нису хтели, знали или могли да је користе. Нови систем је уведен, али запослени и даље шаљу Ексел табеле мејлом. Нова платформа је купљена, али менаџери и даље доносе одлуке на основу осећаја, а не на основу података који им стоје на располагању. Скупи алати стоје неискоришћени зато што нико није уложио труд да објасни зашто постоје и како мењају начин рада.

Код нас је ова динамика додатно појачана специфичним културним обрасцем. Сетимо се приче о [GenAI](https://www.vijuge.rs/genai-2/)\-ју и нашем односу према технологији. Ми волимо пречице, али се одупиремо системима. ERP систем који захтева да сваки запослени уноси податке по прецизној процедури? Саботажа у року од три месеца. CRM који захтева да продавац после сваког позива попуни десет поља? Попуниће их формално, само да прође кроз систем, а стварне информације ће и даље држати у свесци или глави. Дигитална трансформација претпоставља организациону дисциплину, а организациона дисциплина је управо оно што нашем пословном екосистему хронично недостаје.

### **Дигитализовали смо неред**

Ту лежи можда најважнији увид о дигиталној трансформацији на нашим просторима: већина фирми није извршила трансформацију. Оне су извршиле дигитализацију - и то парцијалну. Уведен је мејл уместо факса, набављен је ERP који користи половина фирме, а друга половина га заобилази. Подаци постоје, али су расути по тридесет Ексел табела, пет апликација и три мејл сандучета. Нико не зна где је најновија верзија документа, нити ко је последњи мењао табелу са ценама.

Иако у Србији постоји систем електронских фактура (СЕФ) који омогућава потпуно електронско пословање без иједног папира, многе фирме и даље не користе у потпуности његове могућности - електронске фактуре се штампају да би их комерцијала потписала и послала даље на књижење, чиме се поништава сврха дигитализације.

Ово стање бисмо могли описати једном сликовитом реченицом: дигитализовали смо неред. Уместо да смо прво средили процесе, па их потом дигитализовали, ми смо постојеће нереде пребацили у дигитални облик, где су постали мање видљиви, али нису нестали. Папирни неред бар видите на столу. Дигитални неред се крије у фолдерима, е-сандучићима и пословним информационим системима, и откривате га тек кад вам хитно затреба информација коју нико не може да пронађе.

Управо зато се код многих фирми јавља осећај фрустрације: уложили смо новац, купили софтвер, послали људе на обуку, а ствари су, некако, остале исте. Или су чак горе, јер сада имамо и стари и нови систем, па радимо двоструко. Ово је грешка редоследа: аутоматизовали сте процес који је од почетка био лош, и сада имате аутоматизовано лош процес.

### **Питање података**

Ако бисмо морали да издвојимо једну ствар која одваја успешне дигиталне трансформације од неуспешних, то би били подаци. Овде не мислим на „big data“, већ да ли фирма зна шта има, где се то налази, и колико су тачни подаци?

Истраживања показују да већина организација оцењује квалитет својих података као просечан или испод просека. Ово је пословно питање првог реда. Ако ваша база клијената има дупле записе, нетачне адресе и застареле контакте, сваки систем који на тој бази ради - од мејл маркетинга до АИ анализе - даваће погрешне резултате. Ако ваш магацински систем показује другачије стање од стварног, сваки извештај који се на њему базира је измишљен. Ако продаја бележи податке на један начин, а финансије на други, нико нема целовиту слику.

Подаци су темељ дигиталне трансформације. Ако је темељ лош, све што изградите на њему биће лоше, без обзира на то колико скуп и модеран алат поставите одозго. И овде се враћамо на оно што смо рекли о [контекст инжењерингу](https://www.vijuge.rs/kontekst-inzenjering/): припрема контекста за машину нас тера да се суочимо са стањем сопственог знања. Дигитална трансформација чини исто, само на нивоу целе организације.

### **Долазак AI-ја: нова прилика или нови слој збрке**

И управо у овом тренутку, док се многе фирме још увек боре са основном дигитализацијом, стигао је нови талас: генеративна вештачка интелигенција. [ChatGPT](https://www.vijuge.rs/chatgpt/), [АИ агенти](https://www.vijuge.rs/ai-agent/), аутоматизација путем [великих језичких модела](https://www.vijuge.rs/sta-je-zapravo-llm/) \- све оно о чему смо причали у претходним текстовима. За фирме које су већ прошле кроз озбиљну дигиталну трансформацију, ово је природан следећи корак. За фирме које то нису, ово је проблем.

Зашто? Зато што вештачка интелигенција не може да ради на подлози од нереда. Сетите се шта смо рекли о контекст инжењерингу: квалитет одговора зависи од квалитета информација које дајете моделу. Ако су ваши подаци расути по тридесет неповезаних система, АИ агент нема шта да обради. Ако ваши процеси нису записани, систем нема шта да аутоматизује. Ако ваша фирма нема систематизовано знање о сопственом пословању, нема контекста који би машини дали да на њему базира одговоре. Вештачка интелигенција не може да створи ред од нереда. Она унапређује оно што већ постоји: ако постоји ред, унапредиће ред; ако постоји неред, унапредиће неред.

Ово је, у ствари, можда најбоља мотивација за дигиталну трансформацију коју смо икада имали. Не причамо више апстрактне приче о „конкурентности“ и „иновацијама“, већ се суочавамо са конкретном чињеницом: ако не средите своје дигитално двориште, нећете моћи да користите најмоћнији алат који је икада направљен. АИ је ваш најбољи разлог за трансформацију.

### **Трансформација коју нико не види**

Постоји још једна заблуда о дигиталној трансформацији коју треба поменути: идеја да она подразумева велики, спектакуларан пројекат. Нови сајт, нова апликација, нова платформа, свечано отварање, конференција за медије. У стварности, најуспешније трансформације су оне које су споља готово невидљиве. Оне се дешавају у начину на који тим дели информације. У протоколу за доношење одлука. У томе што продаја и маркетинг коначно гледају исте бројке. У томе што извештај за који је некад требало три дана да се састави сада настаје за три сата. А зашто? Зато што су подаци коначно на једном месту и у формату који има смисла.

Права дигитална трансформација је, у суштини, организациона педантност потпомогнута технологијом. То је процес у којем фирма најпре разуме како заиста функционише (не како пише у процедурама, већ како се ствари заиста завршавају), потом одлучи шта жели да промени, и тек онда тражи технологију која ће ту промену омогућити. Редослед је кључан: прво људи и процеси, потом технологија. Никако обрнуто.

Међутим, управо тај редослед се код нас ретко поштује. Чешћи сценарио је: директор је био на конференцији, видео демо неког алата, одушевио се, купио лиценцу, и сада ИТ тим мора да „уведе“ тај алат у фирму у којој нико није питан да ли им тај алат треба, нити су процеси прилагођени да га подрже. Резултат је готово увек предвидљив: алат се не користи, а фрустрација расте.

### **Људи испред софтвера**

Сваки озбиљан извештај о дигиталној трансформацији заврши са истим закључком: културна промена је тежа од техничке. Организација може да купи најбољи софтвер на свету, али ако запослени не верују да промена има смисла, ако менаџери не користе систем који су наметнули другима, ако не постоји јасна комуникација о томе зашто се нешто мења и шта то значи за свакодневни рад - трансформација ће остати мртво слово на папиру.

Код нас је ово нарочито осетљива тема. Промена у српској фирми је питање поверења. Запослени се питају: „Да ли ће ме ово заменити?“, „Да ли ово значи да мој посао није био добро урађен?“, „Да ли ће ми ово додати рад, или га олакшати?“. И те бриге нису безразложне. У окружењу где комуникација између руководства и запослених често функционише по принципу „од сада радимо овако“, отпор према промени је рационалан одговор на лоше управљање променом.

Стога, свака фирма која озбиљно размишља о дигиталној трансформацији мора прво да одговори на питање: да ли имамо културу у којој људи смеју да кажу „ово не ради“? Ако не, ниједан софтвер неће помоћи. Јер ће запослени ћутати, радити по старом иза сцене и пуштати нови систем да тихо пропада, а да нико не пријави проблем.

### **Дигитална трансформација у ери AI-ја: нова правила игре**

Долазак генеративне вештачке интелигенције мења саму дефиницију дигиталне трансформације. До јуче је трансформација значила: заменити папир софтвером, повезати системе, увести аналитику. Данас, у ери АИ фабрика, агената и великих језичких модела, трансформација значи нешто дубље: припремити организацију за свет у којем интелигенција постаје услуга, токени постају оперативна валута, а машине не само да извршавају задатке, већ их и планирају.

Ово мења улогу менаџера, јер одлуке које је до јуче доносио човек на основу искуства, сада може да предложи систем на основу података. Мења улогу запосленог, јер механички задаци - попуњавање извештаја, читање мејлова, сортирање информација - постају посао машине. И мења улогу целе организације, јер се вредност фирме све мање мери бројем људи, а све више способношћу да ефикасно користи дигиталне алате и информације.

Али ништа од тога не функционише ако нема темеља. Ако нема уређених процеса, чистих података, јасних правила и културе која прихвата промену. АИ је најзахтевнији тест дигиталне трансформације.

### **Шта вам је чинити?**

За разлику од многих текстова о дигиталној трансформацији, нећу завршити призивајући „визију“ и „стратешки заокрет“. Уместо тога, завршићу нечим конкретнијим. Ако сте менаџер у Србији и ако желите да ваша фирма заиста направи корак напред, немојте кретати од технологије. Крените од једног процеса. Изаберите процес који је видљиво лош - онај за који сви знате да не функционише, али о коме нико не говори јер се „тако одувек радило“. Запишите га корак по корак: шта се дешава, ко учествује, где настају застоји, где се губе информације. Потом питајте: шта од овога заиста мора да остане, а шта постоји само по инерцији? Тек онда размишљајте о томе који алат може да помогне.

Дигитална трансформација је одлука да се фирма погледа у огледало. Да се каже: ово знамо, ово не знамо, ово мислимо да знамо а нисмо проверили. Да се процеси запишу, подаци среде, и тек онда трагамо за алатима који ће то средити, убрзати и учинити одрживим. Ту се враћамо на оно што смо рекли о контекст инжењерингу и систематизацији знања: фирма која не може себи да објасни како функционише, не може то објаснити ни машини.

Када следећи пут чујете некога да каже „Морамо да се дигитално трансформишемо“, поставите му само једно питање: „Шта тачно мислиш под тим?“ Ако не може да вам да јасан одговор, то није план. То је само жеља. А жеље, за разлику од трансформација, не дају никакве резултате.

### **Питања за размишљање:**

Да ли ваша фирма заиста има проблем са технологијом, или је проблем у процесима и навикама које технологија не може сама да реши?

Ако сутра уведете АИ агента у свој тим, да ли би он уопште имао приступ уређеним, тачним и повезаним подацима на којима може да ради - или бисте му предали исти дигитални неред који и сами с муком користите?

Да ли сте икада питали запослене шта им заиста смета у свакодневном раду, или се трансформација планира искључиво на основу онога што менаџмент мисли да зна?
### AI фабрика
URL: https://www.vijuge.rs/ai-fabrika/
Last updated: 2026-04-01T18:41:28.000Z
#### Садржај

Постоји једна реч која у Србији носи посебну тежину и изазива специфично поштовање: фабрика. За генерације наших родитеља и бака, фабрика није била само место где се нешто производи. Била је стуб заједнице, извор сигурности, симбол тога да „неко ради и ствара“. Када би се у неком граду отворила фабрика, то је значило радна места, редовне плате, људе који имају разлог да остану. Када би се фабрика затворила, читава насеља су се гасила заједно са њом. Реч „фабрика“ код нас и даље значи нешто конкретно и озбиљно.

Зато није случајно што је управо та реч изабрана да опише нешто што, на први поглед, нема никакве везе са производним халама, производним линијама и сменским радом. Појам „АИ фабрика“ данас је један од најчешће помињаних термина у свету технологије, а популаризовао га је Џенсен Хуанг, извршни директор компаније NVIDIA, која производи чипове без којих вештачка интелигенција не би могла да функционише. Његова идеја је једноставна: дата центри, они огромни објекти пуни сервера који су до јуче само чували податке, постали су нешто сасвим друго. Постали су фабрике. Само што не производе аутомобиле, храну, белу технику или текстил. Оне производе интелигенцију.

### **Од електране до фабрике токена**

Да бисмо разумели ову метафору, вратимо се корак уназад, до индустријске револуције. Када су у деветнаестом веку направљене прве велике електране, оне су производиле електричну енергију, нешто невидљиво, нешто што се не може ставити на полицу, али без чега ниједна друга фабрика не би могла да ради. Електрана је била фабрика која производи „сировину“ за све остале фабрике.

АИ фабрика функционише по истом принципу, само на другом нивоу. Уместо угља или воде, њена сировина су подаци. Уместо турбина и генератора, њене машине су графички процесори (GPU), специјализовани чипови који могу истовремено да обрађују огромне количине информација. А уместо електричне енергије, њен производ су [токени](https://www.vijuge.rs/token/). Сетимо се: токени су основне јединице које велики језички модели генеришу, оне „атомске честице интелигенције“ које се потом склапају у реченице, анализе, код, слике, планове. Хуанг је то формулисао јасно: „Примените енергију на ову инфраструктуру, и она производи нешто невероватно вредно: токене.“

Дакле, АИ фабрика је економски модел. Подаци улазе, електрична енергија покреће машине, а на другом крају излази интелигенција, у облику одговора, предвиђања, генерисаног садржаја, аутоматизованих одлука. Што фабрика више токена произведе у секунди, и што то уради ефикасније по утрошеном вату електричне енергије, то је профитабилнија. Баш као у свакој другој фабрици: продуктивност се мери односом улагања и производње.

### **Зашто не „дата центар“?**

Питање које се природно намеће гласи: зашто нови назив? Зар нису ово и даље сервери у великим зградама? Технички гледано, јесу. Али разлика је суштинска и мења начин на који размишљамо о тој инфраструктури.

Традиционални дата центар је складиште. Ви сте чували податке у њему и повлачили их када вам затребају. Он функционише као библиотека: књиге стоје на полицама, ви дођете, узмете књигу, прочитате је и вратите. Софтвер који се тамо извршава је унапред написан. Човек је написао инструкције, а рачунар их је послушно извршавао, увек исто и увек предвидљиво.

АИ фабрика ради потпуно другачије. Она не чува готове одговоре. Она их ствара. Модели који у њој раде генеришу нове токене у реалном времену, на основу образаца које су научили. Софтвер се не извршава. Он се производи. Логика није фиксирана, већ настаје у тренутку. Ово је, по мишљењу многих, најдубља промена у рачунарству у протеклих педесет година: прелаз са рачунарства које извршава унапред написана упутства, на рачунарство које генерише интелигенцију на захтев.

Зато термин „дата центар“ постаје непрецизан. Он описује пасивну инфраструктуру. АИ фабрика описује активну. Дата центар чува. АИ фабрика ствара. Та разлика мења економску логику, инвестиционе приоритете и начин на који се мери вредност тих постројења.

### **Структура АИ фабрике**

Шта се заправо налази унутар једне АИ фабрике? На најосновнијем нивоу, ту су четири слоја, и сваки од њих је неопходан да фабрика функционише.

Први слој је енергија. АИ фабрике троше огромне количине електричне енергије, далеко више од класичних дата центара. Разлог је једноставан: графички процесори који тренирају и покрећу моделе су изузетно захтевни. Један рек (полица са серверима) у АИ фабрици може да троши више струје него цео спрат у традиционалном дата центру. Зато се говори о потреби за течним хлађењем, о директном напајању високим напоном, о повезивању са нуклеарним електранама или соларним фармама. Питање „одакле струја“ постало је једнако важно као и питање „који чип користимо“.

Други слој је хардвер: чипови, меморија, мрежна опрема. Овде доминира NVIDIA, чији графички процесори покрећу огромну већину АИ тренинга и инференце (процеса генерисања одговора) широм света. Али ту су и AMD, Intel, Google са својим TPU чиповима, те низ мањих произвођача. Кључни параметар није само брзина чипа, већ пропусност читавог система, и колико брзо подаци могу да се крећу између процесора, меморије и мреже. Једна АИ фабрика може имати десетине хиљада графичких процесора повезаних у јединствен систем који функционише као једна огромна машина.

Трећи слој су модели. То су велики језички модели ([LLM](https://www.vijuge.rs/sta-je-zapravo-llm/)), мултимодални модели и специјализовани модели за различите домене: програмирање, математику, право, финансије, медицину. АИ фабрика их тренира на огромним количинама података и потом их покреће како би генерисали токене за крајње кориснике. Тренинг модела је „тежак“ посао фабрике, који захтева месеце рада и милионе долара. Инференца, тј. када модел свакодневно генерише одговоре, је „лакши“ посао, али непрекидан и масован.

Четврти слој су апликације, односно оно што крајњи корисник заправо види. Четботови, преводиоци, [АИ агенти](https://www.vijuge.rs/ai-agent/), аналитички алати, генератори слика и кода. Сва та лица вештачке интелигенције, са којима смо се већ упознали, на крају се ослањају на токене које производи нека АИ фабрика, негде у свету. Када ви поставите питање [ChatGPT](https://www.vijuge.rs/chatgpt/)\-ју, ваш упит путује до једне такве фабрике, она у реалном времену генерише токене и враћа вам одговор. Та фабрика ради двадесет четири сата дневно, седам дана у недељи, без пауза и без годишњих одмора.

### **Геополитика интелигенције**

Овде прича престаје да буде чисто технолошка и постаје геополитичка. Јер ако је интелигенција производ, онда је АИ фабрика стратешки ресурс. Исто као што је у двадесетом веку контрола над нафтом одређивала глобалну моћ, данас се поставља питање: ко контролише фабрике интелигенције?

Наравно, Америка предњачи. Пројекат Stargate, који су покренули OpenAI, SoftBank, NVIDIA и Oracle, предвиђа улагање од 500 милијарди долара у изградњу масивне АИ инфраструктуре у Сједињеним Америчким Државама. Кина гради своје, углавном на основу домаћих чипова због америчких санкција. Уједињени Арапски Емирати су покренули свој Stargate UAE, са капацитетом од једног гигавата електричне енергије. Европска унија, традиционално слабија у технолошкој инфраструктури, одговорила је програмом EuroHPC AI Factories – мрежом АИ фабрика широм Европе, са циљем да до краја 2026\. године буде оперативно најмање деветнаест фабрика и тринаест такозваних антена у двадесетак земаља.

Србија је, у октобру 2025, добила своју АИ фабрику антену, пројекат који се зове SAIFA (Serbian Artificial Intelligence Factory Antenna), вођен конзорцијумом од осам институција из Србије, на челу са Институтом за физику Универзитета у Београду. SAIFA се повезује са грчком АИ фабриком PHAROS и италијанском IT4LIA, и усмерена је на области као што су здравство, одрживост, пољопривреда и језик и култура. Пројекат би требало да постане оперативан током 2026\. године.

Чињеница да Србија учествује у овој мрежи је значајна, али треба бити реалан: антена није фабрика. Антена је, условно речено, приступна тачка, и она омогућава нашим истраживачима, стартапима и институцијама да користе рачунарске ресурсе већих фабрика у иностранству. Ми немамо, нити ћемо у блиској будућности имати, суперрачунар способан да тренира велике језичке моделе. Али имамо приступ инфраструктури на којој можемо да тестирамо, прилагођавамо и примењујемо моделе за наше потребе. То је разлика између земље која има електрану и земље која има далековод повезан на туђу електрану: има струје, али постоји зависност.

### **Економија невидљивог производа**

Сада долазимо до суштине приче која је релевантна за сваког менаџера, без обзира на величину фирме. АИ фабрика производи токене. Токени коштају. А ми, као корисници, те токене трошимо сваки пут када поставимо питање ChatGPT-ју, покренемо АИ агента или затражимо од модела да анализира документ. Сећате се приче о токенима и њиховој цени? АИ фабрика је место где се та цена формира.

Логика је иста као у свакој другој производној индустрији. Ако фабрика може да произведе више токена по секунди са мање утрошене енергије, цена токена пада. Ако цена токена пада, више апликација постаје економски исплативо, па расте потражња, што захтева нове фабрике, и тако се круг затвара. Ово је принцип познат као Џевонсов парадокс: када ресурс постане јефтинији, почињемо да га трошимо вишеструко више, јер се појављују нове примене које раније нису биле исплативе.

Зато се данас широм света граде АИ фабрике невиђеним темпом, зато што је то инфраструктура нове економије. Исто као што земља без путева не може да има транспорт, и земља без фабрика не може да има индустрију, земља без приступа АИ фабрикама ризикује да остане без приступа кључној технологији двадесет првог века.

### **Нова врста загађења**

Али свака фабрика има и свој димњак. Са АИ фабрикама, тај димњак је, прво и основно, енергетски. Тренирање једног великог модела може потрошити онолико електричне енергије колико потроши мали град за неколико месеци. Свако ваше питање ChatGPT-ју троши више струје него Гугл претрага. Када се то помножи са стотинама милиона корисника који свакодневно постављају питања, потрошња постаје огромна.

Системи за хлађење у овим фабрикама троше огромне количине воде, што у ери климатских промена и све чешћих суша није безначајно. И ту је питање ретких метала и материјала потребних за производњу чипова, чија је екстракција сама по себи еколошки проблематична.

Ово значи да треба бити свестан да „невидљива“ интелигенција има врло видљив физички отисак. Свака фирма која каже „ми користимо АИ“ заправо троши ресурсе неке физичке фабрике негде у свету. Та транспарентност тренутно не постоји, али ће морати да постоји ако желимо да о овој технологији причамо одговорно.

### **Фабрика без радника?**

Постоји једна мала иронија у овој причи. Фабрике су, кроз историју, биле места масовног запошљавања. АИ фабрике су управо супротно: огромни погони којима управља релативно мали број високоспецијализованих инжењера. Стотине хиљада графичких процесора раде без престанка, а људи су ту само да надгледају, одржавају и оптимизују систем.

Истовремено, производ тих фабрика је интелигенција у облику токена, која има потенцијал да мења природу рада у свим осталим индустријама. АИ агенти, четботови, генеративни алати и аналитички системи, сви они потичу из ових фабрика. Када размишљамо о томе како ће вештачка интелигенција утицати на радна места, треба да имамо у виду да негде постоји физичка инфраструктура која ту интелигенцију производи двадесет четири сата дневно, исто као што негде постоји електрана која производи струју док ми укључујемо и искључујемо светло не размишљајући одакле долази.

### **Шта ово значи за нас?**

За домаћу пословну заједницу, појам АИ фабрике служи као коректив једне широко распрострањене заблуде: да је вештачка интелигенција нешто апстрактно, нематеријално, нешто што „лебди у облаку“. Не лебди. Она се производи, има сировину, има погон, има производну линију, има трошкове и има физичку адресу. Када ваша фирма плати претплату за неки АИ алат, део тог новца иде у фабрику која производи токене на захтев. Разумевање овог ланца вредности, од електране, преко чипа, до токена и апликације, чини разлику између некога ко алат користи и некога ко разуме шта користи.

Србија неће у догледном року градити своје АИ фабрике. Али, ако SAIFA антена буде успешно имплементирана, може постати значајна тачка за наше стартапе, истраживаче и институције и место где ће моћи да приступе рачунарским ресурсима довољно моћним за озбиљан рад. Питање је, као и увек код нас, да ли ћемо ту прилику искористити стратешки, или ће остати као још један европски пројекат са лепим именом и недовољним капацитетом.

Фабрика вреди онолико колико вреди оно што из ње излази. А оно што из ње излази зависи од људи који знају шта да траже од ње. АИ фабрика може да производи милијарде токена, али ако нико не зна како да те токене претвори у вредност кроз бољу услугу, бржу анализу, паметнију одлуку, онда је та фабрика само још један скуп рачун за струју.

Када следећи пут чујете да је нека компанија или држава „отворила АИ фабрику“, мислите на оно што та реч одувек значи: место где се нешто производи, место које захтева сировине, енергију и раднике, и место чија вредност зависи од тога колико је његов производ потребан свету. Једина разлика је у томе што овога пута производ не можете да видите, додирнете или ставите на полицу. Али можете да га измерите. У токенима.

### **Питања за размишљање:**

Да ли знате где се физички налазе сервери чије услуге ваша организација користи, и ко контролише инфраструктуру од које ваше пословање може да зависи?

Ако интелигенција постаје производ који се индустријски производи, какве то последице има за земље које немају сопствену производњу – и у чему је разлика између увоза токена и увоза нафте?

Да ли је ваша организација спремна да искористи приступ европској АИ инфраструктури кроз програме попут SAIFA?
### AI агент
URL: https://www.vijuge.rs/ai-agent/
Last updated: 2026-05-22T21:53:45.000Z
Верујем да је свако од нас барем једном у животу имао колегу који је незаменљив, јер зна све процедуре, познаје све шалтере, има бројеве свих релевантних људи у телефону и, што је најважније, зна тачан редослед по којем ствари треба да се ураде. Он је онај који, док се ви мучите да схватите који формулар треба да попуните, већ разговара са Јованом из књиговодства, шаље мејл добављачу и паралелно резервише салу за састанке. Не питате га „како“, јер вам је важно само да је завршено. Он не измишља ништа ново, не доноси стратешке одлуке, али чини да се ствари померају с мртве тачке. У свету вештачке интелигенције, управо тај принцип добио је своје дигитално отелотворење: зове се AI агент.

Појам „агент“ звучи озбиљно, готово шпијунски, и вероватно је зато толико привлачан маркетингу. Али пре него што замислите дигитално „створење“ које самостално управља процесима у вашој фирми, треба да разјаснимо шта AI агент заиста јесте.

### **Како** AI **агент заправо функционише**

До сада смо причали о великим језичким моделима ([ЛЛМ](https://www.vijuge.rs/sta-je-zapravo-llm/)) као о системима који предвиђају следећи [токен](https://www.vijuge.rs/token/), генеришу текст и воде разговор. Причали смо о [ChatGPT](https://www.vijuge.rs/chatgpt/)\-у као интерфејсу кроз који приступамо тим моделима. Све то и даље важи. Али ту постоји једно суштинско ограничење: ЛЛМ сам по себи може само да „прича“. Он може да вам напише мејл, али не може да га пошаље. Може да вам предложи термин за састанак, али не може да отвори календар и закаже га. Може да анализира табелу коју сте му дали, али не може сам да приступи вашој бази података и извуче табелу. Он је, у суштини, затворен у својој соби, и једино што може да ради јесте да пише одговоре на папиру и да вам их додаје испод врата.

AI агент је оно што настаје када том моделу дате кључеве од осталих соба. Када му омогућите и да размишља о задатку и да делује. Најједноставнија и најпрецизнија дефиниција била би: AI агент је велики језички модел којем су додате способности планирања, приступ алатима и могућност самосталног деловања. 

То „самостално деловање“ је оно што га одваја од обичног четбота.

Замислите разлику овако. Обичан четбот је као правни саветник који вам каже: „Требало би да поднесете жалбу у року од 15 дана, на обрасцу број 4, у два примерка, са потписом и печатом“. Он вам је дао тачну информацију. Али ви и даље морате сами да пронађете образац, попуните га, одштампате, потпишете, однесете на шалтер и стојите у реду. AI агент, с друге стране, ради и све оно после давања савета. Он налази образац, попуњава га вашим подацима, проверава да ли је све у реду, шаље га на предвиђену електронску адресу и обавештава вас када је посао завршен. Наравно, под условом да сте му дали приступ тим системима и јасна упутства шта сме, а шта не сме да ради.

Овај прелаз са „саветодавног“ на „извршни“ режим рада је најбитнија промена. Она мења природу односа између човека и машине. До јуче смо ми били ти који раде, а модел је био тај који предлаже. Сада модел може да ради, а ми смо ти који надгледају његов рад. То је, за многе, и узбудљиво и помало неугодно.

Механика агента је логична и позната. Агент ради оно што сваки добар организатор ради: добије задатак, разложи га на делове, па те делове извршава један по један и успут проверава да ли је све у реду.

Рецимо да агенту кажете: „Припреми ми извештај о продаји за претходни квартал и пошаљи га комерцијалистима на мејл.“ Обичан ЛЛМ би вам написао генерички извештај на основу онога што „мисли“ да су подаци о продаји, односно измислио би бројке. AI агент, ако је правилно подешен, ради другачије. Он прво направи план: 

1. да приступи бази података о продаји,
2. да извуче релевантне податке за тражени период,
3. да анализира податке и сумира их у извештај,
4. да форматира извештај,
5. да пошаље извештај путем мејла члановима тима за продају.

Затим тај план извршава корак по корак, користећи алате које му је неко претходно дефинисао и омогућио: конектор ка бази података, шаблон за извештај, приступ мејл серверу.

Кључна реч у претходном пасусу је „алати“. AI агент без алата је само модел који може да вам исприча причу. Тек када му додате могућност да позове функцију, приступи интернету, прочита фајл или упише податак у систем, он постаје AI агент. Алати су му руке и ноге; модел је глава. Без главе нема плана, а без руку нема извршења.

Оно што агента чини интересантним није само да може да извршава задатке, већ и да може да реагује на резултате свог деловања. Ту се појављује принцип петље који стручњаци називају „*reasoning loop*“, а ми бисмо рекли: размисли, уради, провери, понови. AI агент постави план, затим изврши први корак и на крају погледа резултат. Ако резултат није задовољавајући, он не стаје са радом и не пријављује грешку, већ покушава извршење на другачији начин. Ако база података не врати одговор, агент можда преформулише упит. Ако мејл сервер одбије слање, агент то пријави кориснику и предложи алтернативу.

Ово личи на оног незаменљивог колегу са почетка приче. Он не стаје кад наиђе на проблем. Он се снађе. И управо та способност „сналажења“ је оно што толико одушевљава свет технологије и што толико забрињава свет сајбер безбедности.

И баш ту долазимо до питања које је за домаће менаџере можда најважније. Када четбот погреши, последица је лоша реченица коју можете да избришете или исправите. Када AI агент погреши, последица може бити послат мејл са погрешним подацима, обрисан фајл, покренут процес који није требало покренути или, у екстремном случају, финансијска трансакција која је отишла на погрешан текући рачун.

Ако дате AI агенту приступ свему, а нисте дефинисали правила и границе деловања, имаћете неконтролисаног приправника са бланко дозволом за рад. Снага агента долази управо из ограничења која му поставите, а не из слободе коју му дате. Агент који може све да уради, а којем нико не каже шта не сме, није користан алат, већ озбиљан ризик.

Замислите AI агента као новозапосленог возача у фирми за доставу. Ви му дате кључеве камиона, листу адреса, GPS и телефон за хитне случајеве. Он зна да вози, зна да прати руту, зна да позове ако је нешто нејасно. Али му не дајете овлашћење да сам одлучује о томе коме ће дати робу на одложено плаћање, нити да мења руте зато што му се чини да је тако брже. Поставите му јасне границе, и унутар тих граница он може да функционише самостално. AI агент који ради добро, ради управо тако: самостално, али у задатом оквиру.

### AI **агенти и наша реалност**

У Србији се о AI агентима за сада углавном прича у ИТ круговима, на конференцијама и у тимовима који развијају софтвере. Али њихов утицај, ако се ствари наставе овим темпом, стићи ће до свих. Предвиђања говоре да ће до краја 2026\. године значајан део пословних апликација имати интегрисане AI агенте за специфичне задатке. Мајкрософт, Гугл, Амазон и друге велике компаније већ уграђују агентске способности директно у своје производе. Ово значи да нећете морати да „уводите“ AI агенте у компанију. Они ће доћи сами, кроз софтвер који ћете користити.

За наш контекст, ово има посебну тежину. Сетимо се приче о [GenAI](https://www.vijuge.rs/genai-2/)\-у и нашем односу према технологији: прихватамо оно што штеди време и смањује гњаважу. AI агенти су управо тај тип алата који је створен за наше „сналажење“: они обећавају да ће завршити оних десет досадних процедуралних корака које нико не воли да ради, од попуњавања извештаја до заказивања, од слања подсетника до извлачења података из неколико различитих система.

Али, баш као и код генеративне вештачке интелигенције, постоји замка. AI агент може да обави задатак, али не може да разуме контекст онако како га разуме човек који у тој фирми ради десет година. Он не зна да Пери из магацина сада не треба слати аутоматске опомене јер је управо изашао из болнице. Не зна да „хитно“ у вашој фирми значи „до петка“, а не „одмах“. Не зна да тај ваш један клијент има посебан третман који нигде није записан, јер се то „одувек тако ради“. Све оно што смо причали о [инжењерингу контекста](https://www.vijuge.rs/kontekst-inzenjering/) овде постаје десетоструко важније, јер агент не само да прима контекст, већ на основу њега и извршава задатке.

Постоји један феномен који је већ добио име у индустрији и зове се „*agentwashing*“. У питању је пракса произвођача софтвера да све своје производе који имају било какву AI компоненту прогласе „AI агентима“, иако то нису. Ако вам алат само одговара на питања, то је четбот. Ако вам алат предлаже акцију коју ви морате ручно да одобрите и покренете, то је асистент. AI агент у правом смислу мора да има способност да самостално извршава задатке, да бира алате, да прави план и да реагује на резултате тог плана.

Ова разлика је важна из практичних разлога. Када вам добављач софтвера каже „наш производ има AI агента“, питање које треба поставити је: „Шта тачно тај агент може сам да уради без људске интервенције?“ Ако је одговор „ништа без вашег клика“, то није AI агент. 

Сада, када смо утврдили шта је један AI агент, природно се намеће питање шта се дешава када их има више?

### **Један** AI **агент или тим** AI **агената**

Да видимо шта значи појам мултиагентских система. У пракси, сложенији задаци могу захтевати више агената који међусобно сарађују. Замислите то као мали тим у којем један агент прикупља податке, други их анализира, трећи пише извештај, а четврти га шаље. Сваки од њих има свој делокруг рада, своје алате и своја ограничења. Постоји и „оркестратор“, главни агент који координира рад осталих, распоређује задатке и прати да ли се све одвија по плану.

Ово је, у суштини, дигитална верзија организационе структуре. И баш као у стварном тиму, ефикасност система зависи од јасно дефинисаних улога, квалитета комуникације између чланова и прецизности упутстава која је свако добио. Када тим функционише, резултат је импресиван. Када не функционише, настаје исти хаос као у свакој лоше организованој фирми, само се све брже дешава, јер машине немају паузу за кафу.

Постоји и економски аспект о којем мало ко говори на презентацијама. AI агент или тимови AI агената, да би функционисали, морају много чешће да позивају ЛЛМ него обичан четбот. Сваки корак у њиховом плану је засебан позив моделу. Свака одлука коју донесу је нови утрошак токена. Свака провера резултата, свака корекција, свако ново питање које сами себи постављају - све то кошта. Ако се сећате приче о [токенима ](https://www.vijuge.rs/token/)као оперативној цени приступа систему, овде та цена расте вишеструко. AI агент који извршава сложен задатак може потрошити десет, двадесет или педесет пута више токена него када је у питању једноставан разговор са четботом.

За фирму која AI агенте користи масовно, ово постаје озбиљна ставка у буџету. Није довољно питати: „Колико кошта претплата?“ Право питање је: „Колико токена наш агент потроши по задатку, колико задатака обавља дневно, и да ли је та потрошња оправдана у односу на време које штеди?“ Без овог прорачуна, лако се може десити да AI агент који вам „штеди време“ заправо кошта више него што бисте платили људима да ураде исти посао.

### **АИ агент није ваш заменик**

На крају, вреди поновити оно што смо рекли и за ЛЛМ и за GenAI: AI агент није свесно биће. Он не размишља у људском смислу. Он предвиђа токене, извршава функције и прати обрасце. Он нема људску намеру, нема осећај за нијансу, нема морални кодекс. Оно што има јесте способност да веома ефикасно повеже кораке у процес и да тај процес изврши брже и доследније него што би то урадио човек, и то ако, и само ако је тај процес добро осмишљен и надзиран.

AI агент је извршилац, али не и доносилац одлука. Његова вредност лежи у томе што може да ослободи човека од механичких задатака и да му остави простор за: процену ситуације, етичку одлуку, разумевање контекста који нигде није записан, и одговорност за последице.

Када следећи пут прочитате наслов о томе како „AI агенти мењају свет“, сетите се оног колеге са почетка овог текста. Онај који зна све шалтере, има све бројеве и завршава ствари док се ви питате одакле да кренете. AI агент је његова дигитална верзија. Невероватно је користан када зна правила куће, а потенцијално опасан када му нико не каже која су то правила. И потпуно је бескористан ако ваша кућа нема правила.

**Питања за размишљање:**

1. Да ли ваша организација има довољно систематизоване процесе и написана правила да би AI агент уопште имао на чему да ради, или су ваши процеси и даље „у главама“ људи који их обављају?
2. Ко ће бити одговоран када AI агент самостално пошаље погрешан извештај клијенту или покрене процес који није требало покренути?
3. Да ли сте спремни да дефинишете јасне границе онога што AI агент сме а шта не сме да ради, или ће искушење „нека уради све“ бити јаче од опреза који пословно окружење захтева?
### КОМАНДА™ АНАЛИЗАТОР
URL: https://www.vijuge.rs/komanda-analizator/
Last updated: 2026-03-15T20:38:29.000Z
#### Садржај

### **1\. УВОД – Шта је анализатор и како га користити**

Овај текст садржи комплетан системски промпт (system prompt) који копирате у било који АИ алат (ChatGPT, Claude, Gemini и др.) да бисте добили личног АИ асистента који ради искључиво једно: **анализира ваше промптове, указује на грешке, и помаже вам да напишете промпт по КОМАНДА™ методологији.**

**Како користити КОМАНДА™ анализатор:**

**Корак 1:** Отворите ваш АИ алат (ChatGPT, Claude или други).

**Корак 2:** Копирајте цео текст из Секције 3 овог документа (то је системски промпт).

**Корак 3:** Налепите га на почетку разговора са АИ-јем, пре вашег питања.

**Корак 4:** Након тога, у истом разговору, пошаљите АИ-ју промпт који желите да анализира, или затражите да заједно напишете нови промпт.

![](https://storage.ghost.io/c/2d/c9/2dc983e7-62c6-4b30-b450-feb5e80e95da/content/images/2026/03/image-20.png)

### **2\. ЛОГИКА СИСТЕМА – Како АИ асистент ради**

АИ асистент који се активира овим системским промптом прати тачно дефинисану логичку путању. Ево прегледа целог процеса:

![](https://storage.ghost.io/c/2d/c9/2dc983e7-62c6-4b30-b450-feb5e80e95da/content/images/2026/03/image-21.png)

![](https://storage.ghost.io/c/2d/c9/2dc983e7-62c6-4b30-b450-feb5e80e95da/content/images/2026/03/image-22.png)

### **3\. СИСТЕМСКИ ПРОМПТ – Копирајте текст испод**

****УПУТСТВО**: Копирајте ЦЕЛОКУПАН текст и налепите га на почетак разговора са АИ алатом. Немојте мењати ни један део текста. Након тога, у истом разговору, пошаљите ваш промпт који желите са АИ анализира.

Kopiraj 

# ИДЕНТИТЕТ И УЛОГА

Ти си КОМАНДА™ Анализатор – експертски АИ асистент специјализован за
анализу и изградњу промптова по КОМАНДА™ методологији. Имаш 10 година
искуства у промпт инжењерингу и твој једини задатак је да помажеш
корисницима да пишу савршене промптове за делегирање задатака вештачкој
интелигенцији.

Твоји корисници су почетници и средње напредни корисници АИ-ја, претежно
менаџери и руководиоци у традиционалним индустријама: Производња,
Банкарство, Трговина, Грађевина, Логистика, Право. Они НИСУ техничари.
Користи јасан, пословни језик без техничког жаргона.

Пиши искључиво на српском језику.

# КОМАНДА™ МЕТОДОЛОГИЈА – ТВОЈА ОСНОВА ЗА СВЕ АНАЛИЗЕ

КОМАНДА™ је седмоделна формула за писање прецизних промптова.
Сваки финални промпт мора садржати свих 7 елемената:

  К – КОНТЕКСТ (Ситуација и позадина)
  Одговара на питање: "У којој ситуацији се налазимо и зашто ово радимо?"
  Укључује: индустрију, величину фирме, тржиште, специфичне околности,
  временски оквир и разлог задатка.
  Без контекста, АИ одговара генерички и неупотребљиво.
  Пример лоше праксе: одсуство било какве позадине.
  Пример добре праксе: "Наша компанија је произвођач аутоделова са 200
  запослених на тржишту Србије и Северне Македоније. Годишњи приход је
  8М ЕУР. Тренутно разматрамо отварање новог складишта у Скопљу."

  О – ОСОБА (Експертска улога за АИ)
  Дефинише који стручњак би радио овај задатак у реалном животу.
  Што је улога прецизнија (са годинама искуства, специјализацијом и
  индустријским фокусом), одговор је стручнији.
  Пример лоше праксе: без улоге или генеричко "буди експерт".
  Пример добре праксе: "Ти си виши логистички консултант са 15 година
  искуства у оптимизацији ланаца снабдевања у аутомобилској индустрији
  Југоисточне Европе."

  М – МИСИЈА (Конкретан задатак)
  Јасно дефинише ШТА треба да се уради, КОМЕ је намењено, КОЈИ је
  очекивани резултат. Користи акционе глаголе: Анализирај, Креирај,
  Упореди, Предложи, Изради, Дијагностикуј, Рангирај.
  Правило: један промпт = један задатак. Више задатака = више промптова.
  Пример лоше праксе: "Направи ми нешто за складиште".
  Пример добре праксе: "Креирај анализу три локације за ново складиште
  у Скопљу по критеријумима: цена закупа/м², удаљеност од аутопута,
  расположивост радне снаге у кругу од 20км, и безбедносна инфраструктура."

  А – АРАНЖМАН (Формат излаза)
  Тачан облик излаза: табела, извештај, таксативна листа, SWOT матрица,
  писмо, мејл, презентација, или други формат.
  Дефинише: дужину (нпр. "максимално 800 речи"), језик, број секција,
  тип табела, тон (формалан/неформалан), и коме је намењено.
  Пример лоше праксе: без спецификације формата.
  Пример добре праксе: "Формат: упоредна табела са 4 колоне (Локација /
  Критеријум / Оцена 1-5 / Коментар). Испод табеле: закључак од
  максимално 200 речи са јасном препоруком. Тон: професионалан, за
  презентацију генералном директору. Језик: српски."

  Н – НАПОМЕНЕ (Ограничења и забране)
  Заштитне ограде које спречавају грешке, халуцинације и правне ризике.
  Експлицитно наведите шта АИ НЕ СМЕ да ради.
  Ово је НАЈВАЖНИЈИ безбедносни слој – без њега АИ може измишљати
  податке, давати правне/медицинске савете или излазити ван оквира.
  Пример лоше праксе: без икаквих ограничења.
  Пример добре праксе: "Не измишљај цене закупа – користи опсеге које
  сам дао или напиши 'Потребна верификација'. Не дај правне савете о
  регулативи Северне Македоније. Ако немаш довољно података, експлицитно
  назначи који податак недостаје."

  Д – ДИЗАЈН (Пример жељеног излаза)
  Конкретан пример како треба да изгледа одговор, или референтни документ.
  Примери елиминишу више од 50% неспоразума између корисника и АИ-ја.
  Може бити: кратки пример излаза, опис стила ("као McKinsey извештај"),
  или приложен документ као референца.
  Пример лоше праксе: без икаквог примера.
  Пример добре праксе: "Очекујем излаз сличан овом формату:
  Локација А | Цена: X€/м² | Аутопут: Xкм | Оцена: X/5 | Коментар...
  На крају додај препоруку која почиње са: 'На основу анализе,
  препоручујем...'"

  А – АНАЛИЗА (Самопровера пре испоруке)
  Упутство АИ-ју да провери тачност свог одговора пре слања.
  Ово је уграђени QА (Quality Assurance) слој који хвата грешке.
  Пример лоше праксе: без захтева за проверу.
  Пример добре праксе: "Пре него што ми доставиш коначан одговор,
  провери: (1) Да ли је сваки податак изведен из мојих инпута или
  означен као 'захтева верификацију'? (2) Да ли формат тачно одговара
  захтевима? (3) Да ли негде дајеш правни или финансијски савет?"

# ТВОЈИ РЕЖИМИ РАДА

Имаш два режима рада. Аутоматски препознајеш који је активан на основу
корисниковог уноса:

## РЕЖИМ 1: АНАЛИЗА ПОСТОЈЕЋЕГ ПРОМПТА

Активира се када корисник пошаље промпт који жели да анализираш.

КОРАК 1 – СКЕНИРАЊЕ
Скенирај промпт корисника кроз свих 7 елемената КОМАНДА™ формуле.
За сваки елемент одреди статус:
  ✅ ПРИСУТАН – елемент је добро дефинисан.
  ⚠️ ДЕЛИМИЧАН – елемент постоји али је непрецизан или непотпун.
  ❌ НЕДОСТАЈЕ – елемент потпуно недостаје.

КОРАК 2 – ДИЈАГНОСТИЧКА КАРТИЦА
Прикажи резултат скенирања као прегледну табелу:

  | Елемент         | Статус     | Дијагноза                    |
  |-----------------|------------|------------------------------|
  | К – Контекст      | ✅/⚠️/❌  | [кратак опис стања]          |
  | О – Особа         | ✅/⚠️/❌  | [кратак опис стања]          |
  | М – Мисија        | ✅/⚠️/❌  | [кратак опис стања]          |
  | А – Аранжман      | ✅/⚠️/❌  | [кратак опис стања]          |
  | Н – Напомене      | ✅/⚠️/❌  | [кратак опис стања]          |
  | Д – Дизајн        | ✅/⚠️/❌  | [кратак опис стања]          |
  | А – Анализа       | ✅/⚠️/❌  | [кратак опис стања]          |

Испод табеле додај УКУПНУ ОЦЕНУ:
  7/7 елемената = "Промпт спреман за употребу"
  5-6/7 елемената = "Добар темељ, потребно фино подешавање"
  3-4/7 елемената = "Значајни недостаци – ризик од лошег излаза"
  0-2/7 елемената = "Критично – промпт ће произвести неупотребљив излаз"

КОРАК 3 – АНАЛИЗА ГРЕШАКА
За сваки елемент који је ДЕЛИМИЧАН или НЕДОСТАЈЕ, објасни:
  а) ШТА је проблем (у једној реченици).
  б) КАКАВ РИЗИК то носи (халуцинација, генерички излаз, правни ризик,
     губитак времена, погрешан формат, итд.).
  в) ПРИМЕР из праксе – покажи шта се дешава у реалном сценарију ако се
     ова грешка не исправи. Примери морају бити из традиционалних
     индустрија (Производња, Банкарство, Трговина, Грађевина, Логистика,
     Право).

Користи јасан и пријатељски тон. Никада не критикуј корисника. Уместо
"Ваш промпт је лош", кажи "Ваш промпт има добар почетак, али недостаје
му неколико кључних елемената који би значајно побољшали резултат."

КОРАК 4 – КОНКРЕТНИ ПРЕДЛОЗИ ПОБОЉШАЊА
За сваки недостајући или делимичан елемент:
  а) Напиши ТАЧНО шта корисник треба да дода (не апстрактно, већ
     конкретну формулацију коју може да копира).
  б) Покажи ПРИМЕР – како би тај део изгледао за њихов конкретни
     случај (колико год је могуће прилагоди се контексту који су дали).

КОРАК 5 – ПОБОЉШАН ПРОМПТ
На крају, прикажи комплетну побољшану верзију промпта са свим исправкама
уграђеним. Јасно обележи сваки од 7 елемената са [К], [О], [М], [А],
[Н], [Д], [А] ознакама да би корисник видео структуру.

КОРАК 6 – ПОНУДА ЗА КОЛАБОРАЦИЈУ
Заврши анализу питањем:
"---
Да ли желите да заједно, корак по корак, изградимо овај промпт
испочетка? Ја ћу Вам постављати питања, а Ви само одговарате.
На крају ћете добити готов промпт спреман за коришћење.

Одговорите са ДА ако желите да кренемо, или ми пошаљите нови промпт
за анализу."
---

## РЕЖИМ 2: ЗАЈЕДНИЧКА ИЗГРАДЊА ПРОМПТА (Вођени интервју)

Активира се када корисник одговори са "ДА" на понуду за колаборацију,
или када експлицитно затражи да заједно пишете промпт.

ПРАВИЛА ВОЂЕНОГ ИНТЕРВЈУА:

  1. Постављај ЈЕДНО питање у једној поруци. Никада не постављај два
     или више питања одједном – то збуњује почетнике.
  2. Свако питање мора да садржи три дела:
     а) ОБЈАШЊЕЊЕ: Зашто је овај елемент важан (1-2 реченице,
        разумљиве не-техничару).
     б) ПИТАЊЕ: Јасно формулисано питање.
     ц) ПРИМЕР: Конкретан пример доброг одговора из традиционалне
        индустрије (никада из ИТ-ја).
  3. Користи емпатичан, охрабрујући тон. Корисник учи – буди стрпљив.
  4. Ако корисник да непотпун или нејасан одговор, НЕМОЈ га прескочити.
     Уместо тога, љубазно постави потпитање да би добио јаснију
     информацију. Објасни зашто ти треба тај податак.
  5. Ако корисник каже "не знам" или "прескочи", прихвати то али
     објасни последицу: "Разумем. Без овог елемента, АИ би могао да...
     [објасни ризик]. Ако Вам касније падне на памет, можемо додати."
  6. Након сваког одговора, потврди да си разумео одговор тако што ћеш
     га кратко парафразирати: "Разумем – дакле, [парафраза]. Идемо даље."

РЕДОСЛЕД ПИТАЊА:

Питање 1 – УВОДНА ОРИЈЕНТАЦИЈА (пре КОМАНДА™ елемената)
  Објашњење: "Пре него што кренемо са писањем промпта, треба ми
  основна слика о Вашем задатку."
  Питање: "У једној или две реченице, опишите ми шта желите да АИ
  уради за Вас. Не брините о форми – кажите ми својим речима као да
  објашњавате колеги на ходнику."
  Сврха: Ово питање ти даје контекст за прилагођавање свих наредних
  питања. На основу одговора, прилагоди примере у наредним питањима
  индустрији и задатку корисника.

Питање 2 – [К] КОНТЕКСТ
  Објашњење: "Када АИ нема контекст о Вашој ситуацији, он одговара
  генерички – као да пишете писмо некоме ко никада није чуо за Вашу
  фирму. Што му више кажете о себи, одговор ће бити прецизнији."
  Питање: "Опишите ми Вашу компанију и ситуацију: (1) Чиме се бавите
  и колико имате запослених? (2) На ком тржишту послујете? (3) Која је
  специфична ситуација или проблем због којег Вам треба АИ помоћ?
  (4) Да ли постоји временски рок или посебна околност?"
  Пример: "На пример: 'Ми смо дистрибутер грађевинског материјала, 80
  запослених, тржиште Србије. Имамо проблем са кашњењем испорука од
  просечно 3 дана, што нам узрокује пенале од 2% вредности наруџбине.'"

Питање 3 – [О] ОСОБА / УЛОГА
  Објашњење: "АИ даје боље одговоре када му доделите конкретну улогу
  стручњака. Замислите да можете да ангажујете било ког консултанта
  на свету – ког бисте позвали за овај задатак?"
  Питање: "Који тип стручњака би у реалном животу радио на овом
  задатку? На пример: финансијски аналитичар, логистички консултант,
  адвокат за радно право, маркетиншки стратег? Колико би идеално
  требало да има искуства и у којој области?"
  Пример: "На пример: 'Потребан ми је искусан логистички консултант
  који разуме дистрибуцију грађевинског материјала у региону.'"
  Ако корисник не зна, предложи 2-3 улоге које имају смисла за
  њихов задатак и питај која им највише одговара.

Питање 4 – [М] МИСИЈА / ЗАДАТАК
  Објашњење: "Сада прецизирамо тачно шта АИ треба да уради. Важно је
  да задатак буде конкретан и мерљив – не 'помози ми са логистиком',
  већ тачно који излаз очекујете."
  Питање: "Који је тачан задатак? Покушајте да одговорите на ова
  потпитања: (1) Шта тачно АИ треба да произведе? (2) За кога је
  тај излаз намењен (за Вас лично, за шефа, за клијента, за тим)?
  (3) Који би био идеалан исход – шта бисте имали као резултат на крају?"
  Пример: "На пример: 'АИ треба да направи анализу узрока кашњења
  испорука са препоруком за побољшање. Намењена је за презентацију
  оперативном директору. На крају желим документ који могу да
  одштампам и презентујем на састанку.'"
  Ако корисник стави више задатака у један, љубазно га упозори:
  "Приметио сам да имате два различита задатка овде. За најбољи
  резултат, препоручујем да их раздвојимо у два одвојена промпта.
  Који је приоритетнији?"

Питање 5 – [А] АРАНЖМАН / ФОРМАТ
  Објашњење: "Ако АИ-ју не кажете у ком формату желите одговор, он
  ће сам одабрати – и често погрешно. Замислите да поручујете оквир за
  слику: морате дати тачне димензије."
  Питање: "Како желите да изгледа крајњи резултат? Помозите ми са
  овим детаљима: (1) Формат: табела, извештај са насловима, листа,
  писмо, мејл, презентација? (2) Дужина: кратко (до 300 речи),
  средње (300-800 речи), детаљно (800+ речи)? (3) Тон: формалан
  (за управу), полуформалан (за тим), неформалан? (4) Да ли требају
  табеле, графикони или матрице?"
  Пример: "На пример: 'Желим структуриран извештај са насловима
  секција, максимално 800 речи, са једном табелом и закључком.
  Формалан тон, јер иде директору.'"

Питање 6 – [Н] НАПОМЕНЕ / ОГРАНИЧЕЊА
  Објашњење: "Ово је Ваш безбедносни слој. АИ понекад измишља
  податке (то се зове 'халуцинација'), или даје правне/финансијске
  савете за које није квалификован. Овде му кажете шта НЕ СМЕ да ради."
  Питање: "Размислите о следећем: (1) Да ли постоје подаци које АИ
  НЕ СМЕ да измишља (цене, статистике, имена)? (2) Да ли АИ треба
  да се држи одређене регулативе или законодавства? (3) Да ли постоји
  нешто што АИ не би смео да препоручи (нпр. правни савети)? (4) Да
  ли постоји буџетско или временско ограничење које АИ треба да
  поштује у предлозима?"
  Пример: "На пример: 'АИ не сме да измишља цене транспорта – ако
  нема податак, нека напише ПОТРЕБНА ВЕРИФИКАЦИЈА. Не сме да даје
  правне савете. Предлози морају бити изводљиви са буџетом до
  50.000 ЕУР.'"
  Ако корисник каже "немам ограничења", упозори га: "Препоручујем да
  увек додате бар два ограничења: (1) 'Не измишљај податке' и
  (2) 'Не дај правне/финансијске савете'. Ово су минималне заштитне
  ограде које спречавају најчешће грешке АИ-ја."

Питање 7 – [Д] ДИЗАЈН / ПРИМЕР
  Објашњење: "Када АИ има пример како треба да изгледа одговор,
  шанса за тачан излаз расте за више од 50%. То је као када новом
  запосленом покажете пример готовог извештаја уместо да само кажете
  'напиши извештај'."
  Питање: "Да ли можете да ми дате пример како би идеалан одговор
  требало да изгледа? Или ми опишите: (1) Да ли имате документ чији
  стил желите да АИ копира? (2) Да ли постоји нека компанија или тип
  извештаја који Вам је узор (нпр. 'као ТЕД презентација' или 'као
  месечни извештај који шаљемо банци')? (3) Да ли можете да напишете
  1-2 реченице онако како бисте Ви написали да имате времена?"
  Пример: "На пример: 'Желим да личи на месечни извештај који шаљемо
  банци: професионалан, са табелама и кратким закључком.'"
  Ако корисник нема пример, реци: "Нема проблема. На основу свега
  што сте ми рекли, ја ћу предложити формат и стил. Ви ћете моћи
  да коригујете."

Питање 8 – [А] АНАЛИЗА / ПРОВЕРА
  Објашњење: "Последњи корак је да кажемо АИ-ју да сам провери
  свој рад пре него што Вам достави одговор. То је као контрола
  квалитета на крају производне линије."
  Питање: "Шта је најважније да АИ провери пре него што Вам
  достави одговор? На пример: (1) Да ли су подаци тачни? (2) Да ли
  формат одговара захтевима? (3) Да ли је дужина у границама?
  (4) Нешто друго специфично за Ваш случај?"
  Пример: "На пример: 'Нека провери да ниједан податак није измишљен
  и да је извештај краћи од 800 речи.'"
  Ако корисник не зна, предложи стандардну листу:
  "Предлажем следећу проверу: (1) Ниједан податак није измишљен.
  (2) Формат одговара захтевима. (3) Нема правних/финансијских савета.
  Да ли Вам то одговара?"

ФИНАЛИЗАЦИЈА:

  Након што добијеш све одговоре (Питања 1-8):

  1. Састави комплетан промпт користећи све прикупљене информације.
  2. Јасно обележи сваки од 7 КОМАНДА™ елемената са ознакама:
     [К] КОНТЕКСТ:
     [О] ОСОБА:
     [М] МИСИЈА:
     [А] АРАНЖМАН:
     [Н] НАПОМЕНЕ:
     [Д] ДИЗАЈН:
     [А] АНАЛИЗА:
  3. Прикажи промпт у посебном блоку који је лако копирати.
  4. Испод промпта додај кратко објашњење (3-5 реченица) зашто је
     промпт структуриран на овај начин и шта корисник може да очекује
     као резултат.
  5. На крају питај: "Да ли желите да нешто изменимо или прилагодимо
     пре него што га употребите?"
  6. Ако корисник тражи измене, направи их и поново прикажи цео промпт.
  7. Када корисник потврди да је задовољан, заврши са:
     "Ваш промпт је спреман. Копирајте га и пошаљите АИ-ју.
     Запамтите: увек можете да се вратите код мене за анализу или
     израду нових промптова. Срећно!"

# БЕЗБЕДНОСНИ ПРОТОКОЛ

У СВАКОЈ интеракцији (и у Режиму 1 и у Режиму 2), примени следећа правила:

  1. ПРОВЕРА ОСЕТЉИВИХ ПОДАТАКА: Ако корисник у промпту унесе имена
     клијената, ЈМБГ, реалне финансијске податке, интерне цене или
     друге осетљиве информације, ОБАВЕЗНО га упозори:
     "⚠️ БЕЗБЕДНОСНО УПОЗОРЕЊЕ: Приметио сам да Ваш промпт садржи
     [тип осетљивих података]. Препоручујем да замените реалне податке
     псеудонимима (нпр. 'Клијент А' уместо правог имена) или
     заокруженим бројевима пре него што овај промпт пошаљете
     јавном АИ моделу. Јавни АИ модели могу користити Ваше уносе
     за тренинг."

  2. АНТИ-ХАЛУЦИНАЦИЈСКА ЗАШТИТА: Ако корисников промпт нема елемент
     [Н] НАПОМЕНЕ, увек предложи минимум две заштитне ограде:
     - "Не измишљај податке – ако немаш информацију, напиши:
       'ПОТРЕБНА ВЕРИФИКАЦИЈА'."
     - "Не дај правне, финансијске ни медицинске савете."

  3. ПРОВЕРА ЈЕДНОГ ЗАДАТКА: Ако корисник стави више различитих
     задатака у један промпт, упозори га и предложи раздвајање.

# ТВОЈ ТОН И СТИЛ КОМУНИКАЦИЈЕ

  1. Буди топао, стрпљив и охрабрујући. Корисници уче нову вештину.
  2. Никада не користи речи: "погрешно", "лоше", "грешка корисника".
     Уместо тога користи: "може се побољшати", "недостаје важан елемент",
     "препоручујем да додате".
  3. Користи аналогије из физичког света:
     - Промпт = радни налог за запосленог
     - Контекст = упознавање новог радника са фирмом
     - Улога = опис радног места
     - Ограничења = безбедносна правила на градилишту
     - Анализа = контрола квалитета на крају производне линије
  4. Сваку критику прати конструктивним предлогом.
  5. Слави напредак: "Одличан детаљ о тржишту – ово ће значајно
     побољшати прецизност АИ одговора!"
  6. На крају сваке анализе или корака, питај да ли је све јасно
     пре него што наставиш даље.

# ДОДАТНА ПРАВИЛА

  1. ПРИМЕРИ: Сви примери морају бити из традиционалних индустрија
     (Производња, Банкарство, Трговина, Грађевина, Логистика, Право).
     ЗАБРАЊЕНИ су примери из ИТ сектора, програмирања или
     софтверског развоја.
  2. ЈЕЗИК: Увек пиши на српском језику. Користи ћирилично писмо.
  3. ФОРМАТИРАЊЕ: Користи јасну структуру са насловима. Никада
     не пиши текст без пасуса – користи табеле, кратке пасусе и
     визуална раздвајања.
  4. ЕДУКАЦИЈА: Свака интеракција је прилика за учење. Кад год
     је могуће, објасни ЗАШТО је нешто важно, не само ШТА треба
     да се уради.
  5. ПРВИ КОНТАКТ: Ако је ово први корисников унос и није промпт
     за анализу, поздрави га, укратко објасни шта знаш да урадиш
     (анализирам промптове и помажем да напишете нове по КОМАНДА™
     методи), и питај га да ти пошаље промпт за анализу или да
     заједно напишете нови.
  6. МЕМОРИЈА РАЗГОВОРА: Током целог разговора памти све информације
     које је корисник дао. Ако корисник у каснијој поруци да нову
     информацију, угради је у промпт без поновног питања.
  7. ПОНАВЉАЊЕ УЧЕЊА: Ако корисник у истом разговору пошаље
     други промпт за анализу, рефериши се на грешке из првог промпта
     и похвали ако су исправљене: "Видим да сте овог пута додали
     Контекст – одличан напредак!"

### **4\. ПРИМЕР У АКЦИЈИ – Како то изгледа у пракси**

Следећи примери илуструју оба режима рада система. Користите их као референцу за разумевање шта можете очекивати.

**Пример А: Анализа постојећег промпта (Режим 1)**

Корисник шаље промпт:

**„Направи ми план за смањење трошкова у фабрици.“*

![](https://storage.ghost.io/c/2d/c9/2dc983e7-62c6-4b30-b450-feb5e80e95da/content/images/2026/03/image-24.png)

**Пример Б: Заједничка израда (Режим 2)**

Корисник одговара: „ДА“

![](https://storage.ghost.io/c/2d/c9/2dc983e7-62c6-4b30-b450-feb5e80e95da/content/images/2026/03/image-25.png)

![](https://storage.ghost.io/c/2d/c9/2dc983e7-62c6-4b30-b450-feb5e80e95da/content/images/2026/03/image-30.png)

![](https://storage.ghost.io/c/2d/c9/2dc983e7-62c6-4b30-b450-feb5e80e95da/content/images/2026/03/image-27.png)

*„...интервју се наставља кроз преосталих 6 питања, након чега АИ саставља финални промпт...“*

### **5\. НАЈЧЕШЋА ПИТАЊА**

![](https://storage.ghost.io/c/2d/c9/2dc983e7-62c6-4b30-b450-feb5e80e95da/content/images/2026/03/image-29.png)

![](https://storage.ghost.io/c/2d/c9/2dc983e7-62c6-4b30-b450-feb5e80e95da/content/images/2026/03/image-31.png)
### Шта промена Google претраге заправо значи за ваш бизнис
URL: https://www.vijuge.rs/ai-seo/
Last updated: 2026-03-09T08:00:35.000Z
#### Садржај

Постоји једна реченица која се данас понавља у пословним круговима са великом озбиљношћу: „Морате оптимизовати своје пословање за AI”. Власници фирми и директори је чују на конференцијама, прочитају је у часописима, преносе је једни другима на пословним ручковима. Звучи прилично ургентно, звучи као да постоји конкретна ствар коју треба урадити одмах, и звучи као да ће онај ко то не уради заостати за другима. Проблем је у томе што ова реченица, у форми у којој се најчешће појављује и понавља, скоро ништа не значи.

Међутим, када пажљивије погледамо како нови производ *Google Search*\-а и њихов систем AI препорука заиста функционишу, чини се да је ситуација радикално другачија од оне коју већина пословних људи замишља. Нема специјалног алгоритма који треба да се „провали”. Нема листе посебних параметара које треба чекирати. Оно што се суштински мења јесте начин на који се информације проналазе, проверавају, филтрирају и презентују. Ова промена има последице које су истовремено мање драматичне, али далеко дубље него што индустрија „дигиталног маркетинга” жели да призна.

### **Од индексирања до резоновања**

Да бисмо разумели шта се заиста дешава, морамо погледати како нови механизам претраге функционише. Нова техника коју *Google AI* користи назива се „Query fanout”. AI модел прима питање корисника, разлаже га на десетине потпитања, покреће читав низ претрага користећи *Google Search* као алат, а затим спаја резултате у кохерентан одговор. Кључна реч је „спаја”. Систем не може да измисли информације ако их не пронађе. Он проналази оно што већ постоји на вебу и у *Google*\-овом екосистему података: презентације, рецензије, чланке, меније, фотографије, профиле компанија, и од тога гради одговор.

Узмимо следећи случај као пример. Када корисник постави питање: „Где да одведем пословног партнера на вечеру у Београду, а да је тихо и да има веганску храну?”, стари *Google* би тражио пресек речи „пословна вечера”, „Београд”, „тихо” и „веганско”. Резултати су често били непрецизни. Нови AI систем, базиран на великим језичким моделима ([LLM](https://www.vijuge.rs/sta-je-zapravo-llm/)), не тражи само одговор, већ генерише десетине повезаних питања која се извршавају у позадини: „Који ресторани у Београду имају високе оцене за добру атмосферу?”, „Шта кажу рецензије о нивоу буке?”, „Да ли је веганска храна само салата или има и других веганских оброка?”. Он користи *Google* претрагу као алат, као што би то радио човек, само милион пута брже. 

> Налазимо се у тренутку транзиције претраге са индексирања на резоновање. Ако и даље оптимизујете свој бизнис за машине које броје речи, постајете невидљиви за системе који разумеју контекст.

То значи да AI у претрази није нови, паралелни канал дистрибуције за откривање вашег бизниса. Он је филтер који стоји изнад постојећих канала. Ако ваш бизнис није видљив у конвенционалној претрази, неће бити видљив ни у AI режиму. Ако нисте присутни у релевантним чланцима, листама, рецензијама, онда AI нема одакле да вас „извуче”. Ово звучи банално када се изговори, али је у директној супротности са наративом који се тренутно продаје - наративом у којем се рађа нека нова, засебна дисциплина, која се зове „AI SEO оптимизација”, и коју треба што пре савладати.

Зашто овај наратив, који је иначе погрешан, уопште постоји? Зато што је људима лакше да се ухвате за нови термин него да се суоче са правом истином. Права истина је да већина малих и средњих предузећа никада није озбиљно радила на томе да буду присутни на вебу, тј. да буду „онлајн”. То подразумева аутентичан садржај, одржавање профила, комуникацију са клијентима, и грађење репутације. „Оптимизација за AI” звучи као нека пречица која то треба да заобиђе. Видећемо да то није тако.

### **Цена невидљивости**

Хајде да размотримо конкретан пример. Корисник напише: „Имам сат времена и треба ми нешто да поједем на брзину”. AI режим *Google*\-а, у том тренутку, одређује локацију корисника, покреће десетине претрага о ресторанима у близини, чита рецензије, проверава радно време, проналази мени за ручак, саставља листу препорука, нуди могућност резервације, и све то у једном кораку. За корисника је то изванредно искуство. Али за власника ресторана, овај процес отвара питање које захтева пажљиву анализу: шта је тачно довело до тога да баш његов ресторан буде на тој листи?

Одговор би могао бити једноставнији него што очекујемо. *Google*\-ов AI је повукао податке из свог система који садржи више од 250 милиона локација ресторана из стварног света. Ресторан који је на листи има потврђен *Google Business* профил, ажуриран мени, довољан број рецензија са довољно високом просечном оценом, и вероватно је поменут у неком од јавно доступних чланака или локалних водича. Ништа од овога није ново. Ништа од овога није специфично за AI. Разлика је у томе да AI сада све те информације чита заједно, уместо да корисник сам претражује и пролази кроз десет табова у веб прегледачу.

Оно што AI заправо ради јесте да смањује број опција које корисник види. У класичној претрази, корисник је могао да прегледа десет или двадесет резултата. У AI режиму, добија три до пет препорука. То значи да је цена невидљивости виша него икада раније. 

> Пре AI претраге, ако сте били на другој страници резултата класичне *Google* претраге, неко би вас можда и пронашао. Сада, ако нисте у првих пет одговора које AI генерише, ви за тог корисника готово да не постојите.

Овај механизам редукције има и психолошку димензију коју олако можемо да превидимо. Корисник који од AI-ја добије три препоруке за ресторан има тенденцију да верује том избору више него што би веровао листи од двадесет резултата у класичној претрази. Разлог је парадокс избора који је добро документован у бихејвиоралној економији: мање опција ствара већи осећај сигурности у одлуку. AI, самим тим што претражује, чита, прикупља, анализира и филтрира, ствара утисак ауторитета. Корисник не размишља: „можда постоји бољи ресторан који AI није укључио”. Он размишља: „AI је већ прегледао све могуће опције и одабрао три најбоље за мене”. Ово имплицитно делегирање доношења одлуке на систем је нешто што власници бизниса морају разумети, а то је да је улог за опстанак на тржишту управо постао веома висок.

Ово је системски поремећај који може имати озбиљне последице на конкурентност. Замислите два ресторана у истој улици која служе одличну храну. Један има 400 рецензија са просечном оценом 4,6, ажуриран профил са фотографијама и менијем, и био је поменут у локалном водичу прошле године. Други има 40 рецензија, профил који није ажуриран две године и нигде се екстерно не помиње. У свету класичне претраге, други ресторан је још увек имао шансу да се појави у *Google* резултатима, па је корисник могао да кликне, погледа мени и слике, прочита једну или две рецензије и донесе сопствену одлуку. У свету AI претраге, тај ресторан вероватно неће ни бити предложен. AI је већ донео одлуку уместо корисника, на основу квантитета и квалитета доступних података.

Дакле, чини се да AI опонаша логику просечног корисника који, суочен са превише опција, бира оне које имају највише поузданих информација и подстицаја. Ако замислите особу која тражи ресторан и има приступ свим рецензијама, свим чланцима, свим листама на интернету, онда би та особа вероватно изабрала исте ресторане које бира AI. Питање за ваш бизнис није „како да задовољим алгоритам”, већ „да ли бих, као информисан потрошач са приступом свим јавно доступним подацима о мом бизнису, изабрао себе?”.

### **Повратак на основе (ПР и репутација)**

Управо зато би вам можда могла бити потребна улагања у ПР, али не у традиционалном смислу односа са јавношћу, већ у смислу јавног присуства у поузданим изворима. Ако је ваш бизнис поменут на листи „најбољих” у неком релевантном чланку, то постаје сигнал који AI користи. Ако стручни сајт напише рецензију вашег производа, то је податак који улази у синтезу одговора. Ово није нова идеја, јер сваки озбиљан стручњак за претрагу то говори годинама уназад. Међутим, контекст се променио: не само да је сада тај сигнал изузетно користан већ је и потенцијално пресудан, јер AI режим драстично сужава простор видљивости вашег бизниса.

Постоје, наравно, ситуације у којима ова логика не функционише баш линеарно. Имамо индустрије у којима је јавна присутност на тржишту битно ограничена: B2B компаније које продају специјализовану опрему, консултантске фирме чији клијенти не остављају јавне рецензије, стартапи који су тек почели и немају историју помињања у медијима. За њих, AI претрага у својој тренутној форми можда не доноси никакву предност, али, искрено, ни класична претрага им није била примарни канал прибављања клијената. Грешка је што се наратив о „AI револуцији у претрази” презентује као универзално применљив, док у пракси изгледа да највише погађа локални бизнис, е-трговину и компаније које се ослањају на органски саобраћај.

Шта се дешава са плаћеним огласима? Ако AI препоруке не користе податке из огласа, онда то значи да плаћање *Google Ads*\-а неће директно утицати на то да ли ће вас AI препоручити. *Google* интензивно експериментише са огласима унутар AI искустава и могуће је да ће се у будућности појавити нови формати реклама. За власника бизниса, практична импликација је следећа: плаћени огласи и даље функционишу у свом домену, али неће компензовати недостатак органске присутности када је AI претрага у питању. Ово су два различита механизма, и не могу заменити један другог.

Не би требало да заборавимо ни персонализацију. *Google* ради на томе да корисници могу да дозволе систему приступ личним подацима на *Gmail*\-у, у Календару, *YouTube* историји, како би AI препоруке биле прецизније. Ова функционалност је још у раној фази, али наговештаји о томе како ради су јако занимљиви. Ако AI почне да узима у обзир претходне куповине, изборе брендова и личне навике корисника, онда се игра мења на још дубљем нивоу. 

> Бизнис који је некада био „објективно” први на листи можда неће бити први за конкретног корисника чији афинитети указују на нешто друго. 

Персонализација, када заживи, неће награђивати универзалну популарност, већ ће награђивати релевантност за специфичног корисника. Ако AI зна да корисник преферира хотеле са теретаном и базеном (на основу претходних претрага и података), он ће аутоматски филтрирати све опције које не задовољавају те критеријуме пре него што корисник уопште види листу. Ово би могла бити смрт класичног оглашавања „на силу”. Не можете платити огласом да будете релевантни некоме чији персонални AI агент зна да ваш производ не одговара њиховим биолошким или преференцијалним потребама. Огласи неће нестати, али ће и они морати да постану хипер-персонализовани.

Али овде треба бити опрезан са пројекцијама. Персонализација у претрази се најављује већ петнаестак година и никада није заживела у оном облику који су оптимисти предвиђали. Разлози су врло сложени: приватност корисника, регулаторни притисци, сигурност података, и чињеница да већина људи не жели да дели личне податке са претрагом, без обзира на то колико им то олакшава живот. *Google* ће сигурно покушати, али брзина и обим усвајања ће зависити од фактора који су изван његове контроле.

### **Доба дигиталних посредника**

Шта све ово значи за директоре и власнике малих и средњих бизниса? Ако водите бизнис који зависи од онлајн видљивости, постоје конкретне ствари које можете урадити, и ниједна од њих није нова. Први корак захтева повратак на оно што би сваки разуман саветник рекао и пре појаве AI претраге: размотрите потврђивање и редовно ажурирање свог *Google Business* профила. Додајте фотографије, каталог, мени, радно време, опис услуга. Ово је толико основно да не треба понављати, али статистике показују да огроман проценат малих бизниса то и даље не ради или ради површно.

Веома је важно систематско грађење репутације кроз рецензије, али не тако што ћете куповати лажне рецензије, већ подстицањем задовољних клијената да оставе аутентичне коментаре. Ово захтева оперативну дисциплину: тренирање запослених да на крају услуге љубазно замоле за рецензију, слање пратећег мејла након куповине, реаговање на негативне рецензије на професионалан начин, програми лојалности и сл. Ништа од тога није посебно, али захтева доследност коју већина малих бизниса тешко одржава. 

> До сада, дигитални маркетинг је био игра погађања алгоритамских параметара. Данас је то игра изградње репутације у стварном свету, коју AI потом само верификује.

Још једна битна ствар јесте улагање у екстерну присутност, а то је бити поменут у релевантном чланку, локалном водичу, стручној рецензији или листи препорука. Ово је традиционално био домен ПР-а, али у контексту AI претраге добија нову функцију: постаје улазна тачка кроз коју AI „сазнаје” за ваш бизнис. Механизам је јасан: ако AI користи *Google* претрагу као алат, а *Google* претрага индексира чланке у којима сте поменути, онда је свако квалитетно помињање у неком јавном гласилу или извору потенцијални сигнал који повећава шансе да будете препоручени. Дакле, стратегија се мења из корена: уместо да инвестирате у технички SEO да бисте били видљиви машини, сада морате инвестирати у ПР и квалитет услуге да бисте били препоручени од стране „дигиталног агента”. Ако вас не буде било у чланцима које људи читају, вероватно вас неће бити ни у „мозгу” вештачке интелигенције. Ово је повратак на основе пословања: репутација је поново највреднија валута.

Да ли знате за алате који су бесплатни, а које већина бизниса игнорише? То су *Google Trends* и *Search Console*, који су веома потцењени ресурси. *Google Trends* вам показује шта људи заиста претражују и траже у вашој индустрији и у вашем региону. *Search Console* вам показује како *Google* види ваш сајт, за које претраге се појављујете и где губите позиције. Ови алати не захтевају техничко знање. Траже само време и дисциплину да се редовно прегледају и да се на основу њихових података доносе одлуке о садржају и структури сајта.

Размотримо конкретан пример како то изгледа у пракси. Власник малог хотела у унутрашњости Србије отвори *Google Trends* и види да расте број претрага за „викенд одмор са псом” у његовом региону. Та информација му говори нешто веома конкретно: постоји тражња коју може да задовољи ако прилагоди понуду и, што је за AI претрагу кључно, да ту информацију учини јавно доступном, и то на свом сајту, у свом *Google* профилу, у опису услуга. AI систем који за корисника тражи „хотел који прима кућне љубимце у околини Златибора” може да препоручи само оне објекте чији јавно доступни подаци експлицитно садрже ту информацију. Звучи једноставно, али огромна већина малих бизниса никада не направи тај корак од увида и сазнања до коначне имплементације.

Оно што је важно јесте способност да сагледате и разумете сваки нови наратив који се јавља у индустрији дигиталног маркетинга. Ова индустрија живи од тога да ствара осећај хитности: појава AI претраге, свака промена алгоритма, сваки нови производ, свака изјава менаџера постаје разлог за „хитну промену стратегије”. У пракси, компаније које су годинама градиле солидну онлајн присутност, које имају задовољне клијенте и одржаване профиле, су већ позициониране за AI претрагу, чак и ако никада нису чуле за „Q*uery fanout*” или „*AI SEO*”.

Посебно је занимљив начин на који раде AI агенти и како се понашају у AI претрази. Постоји већ разрађени сценарио у којем AI не само да проналази релевантне бизнисе, већ у име корисника обавља телефонске позиве, проверава цене и термине, и доставља резултате. Ово јесте импресивно са корисничке стране, јер не морате сами да зовете пет туристичких агенција да бисте упоредили цене. Али из перспективе бизниса, ово уводи нови слој посредовања. 

Ваш бизнис више не комуницира директно са потенцијалним клијентом; комуницира са AI агентом који доноси одлуку о томе да ли ћете уопште бити представљени кориснику. Да ли имате дигитални API који може да прими резервацију без телефонског позива? Бизниси који смање потешкоће у комуникацији са AI агентима ће сигурно заузети несразмерно велики део тржишта, једноставно зато што су „лакши” за сарадњу. Пут мањег отпора је пут којим ће AI увек ићи.

Практична импликација је да бизниси који немају дигиталну присутност и који раде искључиво на основу пролазног саобраћаја, усмених препорука или локалног угледа, сада имају додатни разлог да се појаве у дигиталном екосистему. AI агент неће позвати бизнис који не може да пронађе. То не значи да ће традиционални канали престати да функционишу (лична препорука ће увек имати тежину), али значи да постоји растући сегмент потенцијалних клијената који ће вас „открити” искључиво кроз дигиталне посреднике.

Слична логика важи и за визуелну претрагу и куповину. *Google*\-ов „*shopping graph*” садржи 50 милијарди производа, и AI сада може да анализира фотографију производа, идентификује састојке или материјале, и пронађе сличне опције доступне у различитим продавницама. Људи, а посебно млађе генерације, престају да описују проблеме текстом. Они сликају проблем. Сликају ципелу која им се свиђа, састојак који им недостаје, или уређај који се покварио. 

Ако ваш производ није визуелно индексиран, ако немате јасне, висококвалитетне слике повезане са структурираним подацима о производу (*Shopping Graph*), ви готово да не постојите у тој трансакцији. За продавце, ово значи да је квалитет података о производима, као што су прецизни описи, структуриране спецификације и добре фотографије, директно повезан са шансама да њихови производи буду пронађени кроз визуелну претрагу. 

Визуелна претрага кроз *Google Lens* расте 70% годишње, што није занемарљив тренд. Али поново наглашавам, одговор није у некој новој тактици, већ у дисциплини одржавања комплетних и тачних података о ономе што продајете.

Постоји још један аспект агентског модела који заслужује разматрање, а тиче се контроле над наративом. Када AI агент телефонира у име корисника, он прикупља информације и презентује их у сопственом формату. Власник бизниса нема контролу над тиме како ће AI интерпретирати и пренети оно што је чуо од запосленог који се јавио на телефон. Ако запослени дâ непрецизан податак о цени или термину, AI ће то пренети као чињеницу. Ако запослени није сигуран и ако је лош у изражавању, AI можда неће моћи да извуче корисну информацију и прескочиће тај бизнис. 

Ово је оперативни детаљ који се лако превиди у еуфорији око нове технологије, али за власника бизниса значи да квалитет телефонске комуникације његових запослених постаје фактор видљивости на начин који раније није био случај. Ви шаљете сигнал AI систему да сте непоуздани. AI бележи неуспех. „Нисам успео да добијем овај бизнис” је податак који улази у ваш дигитални досије. У свету где машине посредују у трансакцијама, људска грешка у комуникацији (непрофесионалност, недоступност) постаје алгоритамска казна. Транзиција ка AI препорукама не прашта оперативни аматеризам.

Оно што преостаје је релативно једноставна реалност. Претрага се мења у начину на који презентује резултате корисницима, али се не мења у фундаменталној логици по којој бира те резултате. Квалитетан садржај, поуздане рецензије, ажурирани профили и екстерно помињање у релевантним изворима - све то је било важно и пре AI претраге и биће важно са AI претрагом. Разлика је у интензитету: AI сужава простор видљивости, па су последице занемаривања ових основа сада озбиљније.

Највреднији савет за изградњу производа или услуга је да посматрате шта људима недостаје, шта желе а не могу да добију, где је болна тачка у њиховом искуству. Тај принцип важи једнако за власника ресторана који размишља о томе зашто га AI не препоручује, за оснивача стартапа који гради нови производ, и за менаџера који покушава да разуме како да позиционира своју организацију у екосистему који се мења. Одговор је готово увек у разумевању шта корисник заиста тражи, и у дисциплини да му то континуирано испоручујете.

Не постоји „прави рецепт” за AI оптимизацију. Нема идеалног промпта који ће преварити *Google*\-ов AI модел за резоновање. Одувек је постојала и још увек постоји само неумољива логика квалитета и репутације. AI ће приказати вашу стварну вредност на тржишту, и то много јасније и брже него раније. Ако је ваш производ просечан, AI ће то знати. Ако је ваша услуга спора, AI ће то измерити. Али, ако сте заиста најбољи у ономе што радите, ако имате аутентичне препоруке и решавате стварне проблеме корисника, чини се да ће технологија претраге која долази бити ваш најбољи савезник. 

Она ће вам довести клијенте који су вас тражили, а да то нису ни знали.

Питање за време које долази: Када је корисник одлучио да ваш бизнис не заслужује његову пажњу? Тај тренутак одлуке долази много пре него што корисник уопште ступи у контакт са вама. Тај тренутак долази онда када AI, читајући јавно доступне податке, закључи да нема довољно разлога да вас препоручи. Рад на томе шта свет зна о вашем бизнису пре него што ико покуца на ваша врата, јесте једина „оптимизација” која заиста има смисла.
### КОМАНДА™
URL: https://www.vijuge.rs/komanda/
Last updated: 2026-03-02T08:00:05.000Z
#### Садржај

Последње три године провео сам у интензивном, свакодневном раду са генеративном вештачком интелигенцијом, делегирајући јој реалне пословне задатке: анализу трошкова, анализу финансијских извештаја, анализу тендерске документације, анализу уговора, израду бизнис планова, израду студија изводљивости, израду понуда, израду стилова за брендове, израду записника са радних састанака, оптимизацију логистике, структурирање извештаја за управне одборе и др.

У том процесу тестирао сам сваку признату технику промптовања која данас постоји у свету: RACE, RISEN, CO-STAR, CRISPE, CLEAR, STAR, CARE, APE, PEACE, IDEAL, RTF, BROKE, PCT, SCOPE, 5W1H, ReAct, TAG, GAINS, SMART, TRACE, GRADE, COSTAR-R, CREATE, CRAFT, PRIME, ALIGN, FOCUS, GUIDE, SCQA. Сваку сам применио на конкретним задацима из производње, банкарства, трговине, грађевине, логистике, маркетинга и права.

Закључак који сам извукао из хиљада итерација био је увек исти: свака од ових техника решава део проблема, али ниједна не покрива целину.

RACE изврсно дефинише улогу и задатак, али нема механизам самопровере. CO-STAR даје одличну структуру, али не поставља заштитне ограде против измишљених података. RISEN прецизно дефинише кораке, али не захтева пример жељеног излаза. CRISPE тражи контекст, али занемарује формат. SMART поставља мерљиве циљеве, али не додељује експертску улогу. SCQA препознаје проблем, али не дефинише тон ни структуру одговора.

Свака техника је као специјалиста који савршено покрива своју област, али ниједан не види целокупну слику.

Менаџери и руководиоци у реалном сектору немају времена ни потребе да уче тридесет различитих техника. Њима је потребна једна метода која ради сваки пут. Једна формула која елиминише погађање, смањује број итерација на нулу и гарантује употребљив излаз из првог покушаја.

Управо зато сам креирао технику **КОМАНДА™**.

КОМАНДА™ је седмоделна формула за прецизно делегирање задатака генеративној вештачкој интелигенцији, сублимирана из тридесетак најпознатијих светских техника промптовања. Свако слово представља један неизоставни елемент ове формуле: **Контекст, Особа, Мисија, Аранжман, Напомене, Дизајн, Анализа**. Седам елемената који заједно покривају све што остале технике покривају појединачно, а уједно и попуњавају све што осталим техникама недостаје.

**Контекст** обезбеђује да АИ разуме вашу специфичну ситуацију уместо да одговара уопштено. **Особа** му додељује експертизу уместо да одговара као било ко. **Мисија** дефинише прецизан, мерљив задатак уместо нејасног захтева. **Аранжман** прописује тачан формат излаза уместо да АИ сам погађа шта вам треба. **Напомене** постављају заштитне ограде које спречавају халуцинације, измишљене податке и правне ризике. **Дизајн** даје конкретан пример жељеног резултата који елиминише више од половине неспоразума. **Анализа** захтева од АИ-ја да сам провери тачност свог одговора пре испоруке - класична контрола квалитета.

Ова метода је настала у окружењу где погрешан излаз значи изгубљено време руководиоца, погрешну одлуку или правно неусаглашен документ. Сваки елемент КОМАНДА™ формуле постоји зато што би његово одсуство, у пракси, произвело конкретну пословну штету.

Свакодневно користим КОМАНДА™ за сваки задатак који делегирам генеративној вештачкој интелигенцији и учим менаџере и колеге да раде исто. АИ је онолико прецизан колико је прецизно упутство које добије. КОМАНДА™ обезбеђује да то упутство буде беспрекорно. Сваки пут.

### 1.Зашто је ово важно за вас?

Прецизно формулисано упутство АИ-ју елиминише три кључна губитка у организацији:

![](https://storage.ghost.io/c/2d/c9/2dc983e7-62c6-4b30-b450-feb5e80e95da/content/images/2026/03/image-16.png)

****КЉУЧНА МЕТРИКА:** Организације које користе структуриране промптове добијају употребљив излаз у првом покушају у 85%+ случајева, наспрам 20-30% код неструктурираних захтева. За менаџера који делегира 10 задатака недељно, то је уштеда од минимум 7 радних сати недељно.

### 2.Формула КОМАНДА™

Сваки промпт који напишете мора садржати свих седам елемената. Редослед је битан - сваки слој се надовезује на претходни и гради коначан промпт.

![](https://storage.ghost.io/c/2d/c9/2dc983e7-62c6-4b30-b450-feb5e80e95da/content/images/2026/03/image-13.png)

**Универзална Чек-листа (пре слања сваког промпта)**

![](https://storage.ghost.io/c/2d/c9/2dc983e7-62c6-4b30-b450-feb5e80e95da/content/images/2026/03/image-11.png)

### 3.Студија случаја

**Сценарио:** Финансијски директор производне компаније (300 запослених, прехрамбена индустрија) треба да припреми анализу оправданости инвестиције у нову линију за паковање.

**Лош приступ (неструктуриран захтев)**

Промпт који је менаџер послао АИ-ју:  
**„Направи ми анализу исплативости улагања за нову машину за паковање.“*

Ризици овог приступа:

![](https://storage.ghost.io/c/2d/c9/2dc983e7-62c6-4b30-b450-feb5e80e95da/content/images/2026/03/image-7.png)

**Стратешки приступ** **(КОМАНДА™ формула)**

Kopiraj 

[К] КОНТЕКСТ: „Наша компанија је средње предузеће и произвођач прехрамбених производа (300 запослених, годишњи приход 12М ЕУР, тржиште Србије и региона). Тренутно користимо полуаутоматску линију за паковање капацитета 2.000 јединица/сат. Разматрамо инвестицију у потпуно аутоматизовану линију капацитета 5.000 јединица/сат, процењене вредности 400.000-500.000 ЕУР.“
[О] ОСОБА: „Ти си виши финансијски аналитичар са 15 година искуства у производном сектору, специјализован за инвестиционе студије оправданости (feasibility studies) у прехрамбеној индустрији Југоисточне Европе.“
[М] МИСИЈА: „Креирај студију оправданости инвестиције у нову линију за паковање. Анализа мора обухватити: (1) пројекцију РОИ-ја у периоду од 5 година, (2) анализу прага рентабилности (break-even), (3) идентификацију највећих 5 ризика са предложеним мерама ублажавања ризика, (4) упоредну анализу постојећег и новог решења по кључним КПИ-јевима.“
[А] АРАНЖМАН: „Формат: структуриран извештај са јасним насловима секција, максимално 1.500 речи. Укључи једну табелу за пројекцију новчаних токова (5 година) и једну матрицу ризика (ризик / вероватноћа / утицај / мера). Тон: професионалан, за презентацију Управном одбору. Језик: српски.“
[Н] НАПОМЕНЕ: „Не измишљај специфичне цене добављача већ користи опсеге које сам дао. Не дај правне савете. Ако немаш довољно података за неку тачку, експлицитно напиши: ‘Овај податак захтева додатно разјашњење од Вашег тима.’ Држи се искључиво контекста прехрамбене индустрије.“
[Д] ДИЗАЈН: „Пример структуре извештаја коју очекујем: 1) Увод и циљ анализе, 2) Опис постојећег стања, 3) Опис предложене инвестиције, 4) Финансијска пројекција (табела), 5) Анализа ризика (матрица), 6) Закључак са препоруком. Тон сличан McKinsey извештајима: концизан, са јасним препорукама.“
[А] АНАЛИЗА: „Пре него што ми доставиш коначан извештај: (1) Провери да ниједан финансијски податак није измишљен - сваки број мора бити изведен из инпута које сам дао или означен као ‘захтева верификацију тима’. (2) Провери да формат тачно одговара захтевима из тачке Аранжман. (3) Провери да ниједна реченица не садржи правни савет.“

**РЕЗУЛТАТ**: Овај промпт производи употребљив извештај из првог покушаја. Сваки елемент формуле елиминише конкретну категорију грешке: **Контекст** елиминише генеричке одговоре, **Особа** подиже експертизу, **Мисија** дефинише излаз, **Аранжман** стандардизује формат излаза, **Напомене** спречавају халуцинације, **Дизајн** поставља квалитативни праг, **Анализа** обезбеђује самопроверу.

### 4.Протокол о безбедности података

Обавезно упозорење за све кориснике АИ алата

Сваки јавно доступан и бесплатан АИ модел (ChatGPT, Claude, Gemini и др.) складишти податке које уносите, како би их касније искористио у сврхе тренинга модела. Третирајући АИ као екстерног консултанта, примените исти ниво опреза као при дељењу података са трећим лицем.

**Златна правила заштите података**

![](https://storage.ghost.io/c/2d/c9/2dc983e7-62c6-4b30-b450-feb5e80e95da/content/images/2026/03/image-18.png)

**Препорука за организациону политику коришћења АИ алата**

Препоручујем да ваша организација успостави интерну политику коришћења АИ алата која укључује:

1) листу одобрених АИ платформи,

2) класификацију података који смеју/не смеју да се уносе,

3) обавезну заштиту података пре сваке интеракције,

4) периодичну ревизију промптова које запослени користе.

За организације које обрађују личне податке, обавезна је усаглашеност са Законом о заштити података о личности Републике Србије.

### 5.Решавање проблема

Следећа табела покрива најчешће ситуације када АИ не пружи очекивани резултат. Користите је као дијагностички алат.

![](https://storage.ghost.io/c/2d/c9/2dc983e7-62c6-4b30-b450-feb5e80e95da/content/images/2026/03/image-19.png)

### 6.Готови шаблони промптова (Copy/Paste)

Следећих пет шаблона покрива кључне пословне функције. Сваки шаблон је потпуно усаглашен са КОМАНДА™ формулом. Замените текст у \[заградама\] вашим специфичним подацима и пошаљите АИ-ју.

**ШАБЛОН 1: Анализа флуктуације запослених** *\[HR/ Људски ресурси\]*

Kopiraj 

[К] КОНТЕКСТ: Наша компанија је [индустрија, нпр. грађевинска фирма] са [број] запослених. У последњих 12 месеци имамо стопу флуктуације од [X%], што је изнад просека индустрије од [Y%]. Највећи одлив је у сектору [назив сектора]. Просечна цена замене једног запосленог процењена је на [износ] ЕУР.
[О] ОСОБА: Ти си виши ХР аналитичар са 12 година искуства у управљању људским ресурсима у [индустрија] сектору у Југоисточној Европи.
[М] МИСИЈА: Анализирај могуће узроке повећане флуктуације и креирај акциони план за смањење стопе на [циљни %] у наредних 6 месеци. Анализа мора садржати: 1) топ 5 вероватних узрока одлива, 2) бенчмарк са индустријом, 3) три конкретне мере са процењеним буџетом и временским оквиром за сваку.
[А] АРАНЖМАН: Формат: структуриран извештај, максимално 800 речи. Укључи једну табелу: Мера / Буџет / Рок / Очекивани ефекат. Тон: професионалан, за презентацију ХР директору. Језик: српски.
[Н] НАПОМЕНЕ: Не измишљај статистичке податке о тржишту рада – ако ти требају, напиши "Потребна верификација са актуелним подацима тржишта". Не предлажи мере које захтевају буџет већи од [максимални буџет] ЕУР. Не дај правне савете о радном праву.
[Д] ДИЗАЈН: Структура коју очекујем: Увод (2 реченице) → Анализа узрока (топ 5) → Табела мера → Закључак са приоритетном препоруком. Стил: концизан, без уводних фраза.
[А] АНАЛИЗА: Пре испоруке провери: 1) Да ли су сви предлози реалистични за [индустрију]? 2) Да ли свака мера има конкретан буџет и рок? 3) Да ли си негде измислио податке – ако јеси, означи их?

**ШАБЛОН 2: Стратегија уласка на ново тржиште** *\[МАРКЕТИНГ\]*

Kopiraj 

[К] КОНТЕКСТ: Наша компанија је [опис: нпр. произвођач намештаја] са годишњим приходом од [X] ЕУР. Тренутно послујемо на тржишту [земља/регион]. Планирамо улазак на тржиште [циљна земља] у наредних [рок] месеци. Буџет за маркетинг при уласку: [износ] ЕУР. Главни конкуренти на циљном тржишту су [Конкурент А, Конкурент Б].
[О] ОСОБА: Ти си виши маркетиншки стратег са 10 година искуства у развоју Go-Tо-Market стратегија за производне компаније које улазе на тржишта Централне и Југоисточне Европе.
[М] МИСИЈА: Креирај Go-Tо-Market план за улазак на [циљно тржиште]. План мора садржати: 1) анализу циљне групе (сегментација), 2) позиционирање бренда у односу на локалне конкуренте, 3) избор канала дистрибуције и комуникације, 4) буџетску алокацију по каналима, 5) кључне КПИ-јеве за првих 6 месеци.
[А] АРАНЖМАН: Формат: стратешки документ, максимално 1.200 речи. Укључи табелу буџетске алокације (Канал / % Буџета / Очекивани дохват) и једну ЅWОТ матрицу. Тон: стратешки, за презентацију генералном директору. Језик: српски.
[Н] НАПОМЕНЕ: Не претпостављај тачне цене оглашавања на циљном тржишту већ користи опсеге. Не предлажу дигиталне канале ако нисам потврдио да су релевантни за нашу циљну групу. Држи се Б2Б контекста [или Б2Ц – прилагодити].
[Д] ДИЗАЈН: Квалитет који очекујем је сличан стратешком документу консултантске куће: јасне секције, подаци у табелама, закључци формулисани као препоруке са приоритетом (Висок/Средњи/Низак).
[А] АНАЛИЗА: Пре испоруке: 1) Да ли је свака препорука применљива са датим буџетом? 2) Да ли ЅWОТ матрица садржи минимум 3 ставке по квадранту? 3) Да ли су КПИ-јеви мерљиви и временски дефинисани?

**ШАБЛОН 3: Месечни извештај о новчаним токовима** *\[ФИНАНСИЈЕ\]*

Kopiraj 

[К] КОНТЕКСТ: Наша компанија је [индустрија, нпр. ланац малопродајних објеката] са [број] локација. Месечни приход: [X] ЕУР, месечни фиксни трошкови: [Y] ЕУР. Имамо кредитно задужење од [износ] ЕУР са ратом од [рата] ЕУР месечно. Сезона високог промета: [месеци]. Сезона ниског промета: [месеци].
[О] ОСОБА: Ти си финансијски контролор са 15 година искуства у управљању новчаним токовима у малопродајном сектору.
[М] МИСИЈА: На основу података које сам доставио, креирај структуру месечног извештаја о новчаним токовима (cash flow report) који ћу користити као шаблон за наредних 12 месеци. Извештај мора садржати: 1) оперативне приливе и одливе, 2) инвестиционе токове, 3) финансијске токове, 4) нето позицију и пројекцију ликвидности за наредни месец, 5) три кључна упозорења (early warning сигнали) за проблеме ликвидности.
[А] АРАНЖМАН: Формат: табеларни извештај са 4 секције. Једна збирна табела (Категорија / Планирано / Остварено / Одступање / %). Dashboard секција: 3 кључна КПИ-ја са објашњењем. Максимално 600 речи описног текста. Језик: српски.
[Н] НАПОМЕНЕ: Не измишљај конкретне цифре већ остави поља за попуњавање где треба унети реалне податке. Немој давати пореске савете. Не претпостављај пореске стопе већ остави место за унос [X%]. Сваки early warning сигнал мора имати конкретан праг активације (нпр. "ако ликвидносна резерва падне испод X дана покрића трошкова").
[Д] ДИЗАЈН: Извештај треба да личи на месечни контролинг извештај: професионалан, нумерички прецизан, са визуелно јасном табелом и кратким executive symmary на врху (3 реченице).
[А] АНАЛИЗА: Пре испоруке: 1) Да ли су све математичке формуле у табели конзистентне? 2) Да ли свако поље има јасну ознаку шта треба унети? 3) Да ли су early warning прагови реалистични за малопродају?

**ШАБЛОН 4: Оптимизација складишта** *\[ЛОГИСТИКА\]*

Kopiraj 

[К] КОНТЕКСТ: Наше складиште је [величина] м², локација [град/индустријска зона]. Број артикала: [број]. Дневни број отпрема: [број]. Тренутно користимо [опис система: нпр. папирне налоге / WМС систем назива]. Главни проблеми: [нпр. грешке у комисионирању од X%, кашњење испорука од Y%]. Број складишних радника: [број], рад у [број] смена.
[О] ОСОБА: Ти си виши консултант за supply chain оптимизацију са 12 година искуства у складишним операцијама у FMCG и малопродајном сектору.
[М] МИСИЈА: Анализирај описане проблеме и предложи план оптимизације складишних операција са циљем смањења грешака за [циљни %] и повећања дневног капацитета отпрема за [циљни %]. План мора садржати: 1) дијагнозу топ 3 узрока неефикасности, 2) три конкретне мере побољшања рангиране по РОИ-ју, 3) предлог КПИ dshboard-а са 5 кључних метрика за праћење.
[А] АРАНЖМАН: Формат: оперативни план, максимално 1.000 речи. Укључи табелу: Мера / Инвестиција / Рок имплементације / Очекивано побољшање. Једна листа КПИ-јева са формулом за калкулацију сваког. Тон: оперативан, за шефа логистике. Језик: српски.
[Н] НАПОМЕНЕ: Не предлажи решења која захтевају инвестицију већу од [буџет] ЕУР. Не препоручуј конкретне софтверске производе по имену већ описуј функционалности које су потребне. Предлози морају бити имплементабилни без заустављања текућих операција.
[Д] ДИЗАЈН: Квалитет излаза треба да одговара оперативном плану који би консултантска кућа испоручила након теренске анализе: конкретан, са бројевима, без уопштених савета.
[А] АНАЛИЗА: Пре испоруке: 1) Да ли је свака мера физички изводљива у описаном складишту? 2) Да ли су РОИ процене конзервативне? 3) Да ли су КПИ формуле математички тачне?

**ШАБЛОН 5: Припрема понуде за великог клијента** *\[КОМЕРЦИЈАЛА / ПРОДАЈА\]*

Kopiraj 

[К] КОНТЕКСТ: Наша компанија је [опис: нпр. дистрибутер индустријских материјала]. Припремамо понуду за клијента [Клијент X – користити псеудоним] који је [опис клијента: нпр. грађевинска фирма са 50М ЕУР годишњег промета]. Вредност потенцијалног уговора: [износ] ЕУР годишње. Трајање уговора: [рок]. Клијент тренутно купује од конкурента [Конкурент Y]. Наша кључна предност: [нпр. краћи рокови испоруке, локално складиште].
[О] ОСОБА: Ти си виши комерцијални директор са 15 година искуства у Б2Б продаји индустријских материјала на тржишту Западног Балкана.
[М] МИСИЈА: Креирај структуру продајне понуде и аргументацију (sales pitch документ) за придобијање Клијента X. Документ мора садржати: 1) executive summary понуде (3 реченице), 2) анализу потреба клијента (на основу датих информација), 3) нашу вредносну пропозицију са 5 кључних диференцирајућих фактора, 4) предлог комерцијалних услова (структура, не тачне цене), 5) план onboarding-а клијента у првих 90 дана.
[А] АРАНЖМАН: Формат: професионална продајна понуда, максимално 1.000 речи. Секције са јасним насловима. Једна табела: Диференцирајући фактор / Наша понуда / Конкурентска понуда / Корист за клијента. Тон: уверљив али професионалан, без агресивног продајног жаргона. Језик: српски.
[Н] НАПОМЕНЕ: Не наводи тачне цене већ остави поља [ЦЕНА]. Не омаловажавај конкуренцију директно већ се фокусирај на наше предности. Не износи тврдње које не можемо доказати. Све бенефите формулиши мерљиво (%, дани, ЕУР).
[Д] ДИЗАЈН: Понуда треба да буде: професионална, структурирана, са јасним позивом на акцију на крају.
[А] АНАЛИЗА: Пре испоруке: 1) Да ли сваки диференцирајући фактор има мерљиву корист? 2) Да ли је тон професионалан, не агресиван? 3) Да ли onboarding план има конкретне кораке са роковима?

**ШАБЛОН 6: Анализа сложеног уговора** *\[ПРАВНА СЛУЖБА\]*

Уз овај промпт обавезно приложите текст уговора као фајл или га копирајте испод промпта, али не пре него што сте испоштовали златна правила заштите података из **Протокола о безбедности података**.

Kopiraj 

[К] КОНТЕКСТ: Наша компанија је [опис делатности, нпр. произвођач прехрамбених производа / грађевинска фирма / трговински ланац] са [број] запослених, годишњим приходом од [износ] ЕУР, на тржишту [земља/регион]. Примили смо на разматрање уговор од стране [опис друге уговорне стране, нпр. „великог малопродајног ланца са доминантном тржишном позицијом“ / „страног добављача опреме из Немачке“ / „инвестиционог фонда који улази у заједничко улагање са нама“]. Тип уговора: [нпр. уговор о дугорочном снабдевању / уговор о закупу индустријског простора / уговор о заједничком улагању / уговор о дистрибуцији / уговор о извођењу радова]. Процењена вредност уговора: [износ] ЕУР, на период од [трајање]. Уговор је достављен на [језику] и регулисан је правом [јурисдикција, нпр. Републике Србије]. Рок за потпис је [датум], што нам оставља [број] дана за анализу. [Опционо: Посебна околност, нпр. „Ово је наш први уговор са страним партнером" / „Претходни уговор са овим клијентом имао је проблеме са клаузулом о пеналима“ / „Уговор нам је достављен као непромењив (NON-NEGOTIABLE) од стране друге стране“].
[О] ОСОБА: Ти си партнер у адвокатској канцеларији са 20 година искуства у анализи комплексних комерцијалних уговора у сектору [индустрија корисника, нпр. прехрамбена индустрија / грађевина / малопродаја / енергетика]. Специјализован си за уговорно право [јурисдикција, нпр. Републике Србије], са додатним искуством у међународним трансакцијама. Током каријере си прегледао више од 500 уговора и заступао клијенте у споровима који су произашли из лоше дефинисаних уговорних клаузула. Имаш оштар инстинкт за скривене ризике, небалансиране одредбе и клаузуле које фаворизују једну страну на штету друге.
[М] МИСИЈА: Изврши детаљну правну анализу приложеног уговора са позиције заштите интереса наше компаније (ми смо [улога у уговору: купац / продавац / наручилац / извођач / закупац / дистрибутер]). Анализа мора да обухвати следећих 8 тачака:
1.	EXECUTIVE SUMMARY - Сумарни преглед уговора у 5-7 реченица: ко су стране, шта је предмет, која су кључна права и обавезе, и твоја укупна оцена ризика (Низак / Средњи / Висок / Критичан).
2.	АНАЛИЗА КЉУЧНИХ КЛАУЗУЛА - За сваку материјално значајну клаузулу идентификуј: а) шта она прописује, б) како утиче на нашу позицију, ц) да ли је уобичајена за овај тип уговора или одступа од тржишног стандарда.
3.	РЕГИСТАР РИЗИКА - Идентификуј СВЕ клаузуле које представљају ризик за нашу компанију. За сваки ризик наведи: а) број члана/клаузуле, б) опис ризика у једној реченици, ц) ниво ризика (Низак / Средњи / Висок / Критичан), д) најгори могући сценарио ако се ризик материјализује, е) процењена финансијска изложеност ако је могуће квантификовати.
4.	НЕДОСТАЈУЋЕ ЗАШТИТЕ - Идентификуј одредбе које би требало да постоје у уговору овог типа, а које недостају или су недовољно дефинисане (нпр. лимитација одговорности, виша сила, механизам решавања спорова, право на раскид, поверљивост, заштита интелектуалне својине, анти-корупцијска клаузула, ГДПР усаглашеност).
5.	ДИСБАЛАНС ОБАВЕЗА - Идентификуј све одредбе где су обавезе и ризици непропорционално расподељени на штету наше стране. Посебно обрати пажњу на: пенале, рокове, гаранције, одговорност за штету, право на једнострани раскид, аутоматско продужење и право на измену услова.
6.	УСАГЛАШЕНОСТ СА РЕГУЛАТИВОМ - Провери да ли уговор садржи одредбе које би могле бити у супротности са [нпр. Законом о облигационим односима РС / Законом о заштити конкуренције / Законом о заштити података о личности / релевантним секторским прописима]. Означи сваку потенцијалну неусаглашеност.
7.	ПРЕГОВАРАЧКА МАПА - За сваки идентификовани ризик и недостајућу заштиту, предложи: а) конкретну алтернативну формулацију клаузуле која штити наш интерес, б) минималну прихватљиву позицију (шта је минимум који морамо да добијемо), ц) идеалну позицију (шта бисмо желели да постигнемо), д) процену да ли је друга страна вероватно спремна да прихвати измену (Вероватно / Могуће / Мало вероватно).
8.	КОНАЧНА ПРЕПОРУКА - Јасна препорука у једном пасусу: да ли препоручујеш потпис у тренутном облику, потпис уз обавезне измене (наведи које), или одбијање уговора. Образложи препоруку.
[А] АРАНЖМАН: 
Формат: структуриран правни меморандум са јасно обележеним секцијама по горенаведених 8 тачака. Регистар ризика прикажи као табелу са колонама: Бр. | Члан уговора | Опис ризика | Ниво | Најгори сценарио | Финансијска изложеност. 
Преговарачку мапу прикажи као табелу: Бр. | Клаузула | Тренутна формулација (сумарно) | Наш предлог | Минимална позиција | Идеална позиција | Вероватноћа прихватања. 
Укупна дужина: максимално 3.000 речи.
Тон: професионалан, прецизан, без академског жаргона - документ мора бити разумљив генералном директору који није правник. 
Језик: српски. 
Сваки правни термин који није општепознат објасни у загради при првом помену.
[Н] НАПОМЕНЕ: Немој давати коначан правни савет јер је ово прелиминарна анализа која служи као основа за даљу дискусију са правним тимом. Експлицитно назначи на сваком месту где је потребна детаљна провера од стране адвоката са лиценцом у релевантној јурисдикцији. Не претпостављај садржај клаузула које нису експлицитно наведене у тексту уговора. Ако информација недостаје, напиши: „КЛАУЗУЛА НИЈЕ ПРОНАЂЕНА У ТЕКСТУ - ЗАХТЕВА ВЕРИФИКАЦИЈУ“. Ако уговор референцира анексе, прилоге или друге документе који нису приложени, означи их као: „РЕФЕРЕНЦИРАН ДОКУМЕНТ НИЈЕ ДОСТУПАН ЗА АНАЛИЗУ“. Не измишљај судску праксу, пресуде ни правне изворе. Ако наведеш правни основ, он мора бити тачан или означен са „ЗАХТЕВА ВЕРИФИКАЦИЈУ ПРАВНОГ ОСНОВА“. Држи се искључиво [јурисдикција, нпр. српског] законодавства осим ако уговор експлицитно прописује друго меродавно право. Идентификуј, али не решавај, пореска питања већ их означи са „ЗАХТЕВА КОНСУЛТАЦИЈУ СА ПОРЕСКИМ САВЕТНИКОМ“.
[Д] ДИЗАЈН: Очекујем излаз у стилу правног меморандума који би адвокат  припремио за клијента пре преговарачке сесије. Пример структуре једног уноса у Регистру ризика:
| 03 | Члан 14.2 - Пенали за кашњење | Пенали од 1% дневно без горње границе (cap) - код уговора ове вредности, 30 дана кашњења = 30% вредности уговора | КРИТИЧАН | Финансијски губитак до [износ] ЕУР при реалистичном сценарију кашњења од 15-30 дана | ~[износ] ЕУР |
Пример уноса у Преговарачкој мапи:
| 03 | Члан 14.2 - Пенали | 1% дневно, без лимита | Предлажемо: 0.5% дневно, са горњом границом (cap) од 10% укупне вредности уговора | Минимум: увођење горње границе од 15% | Идеално: 0.5% дневно, cap 10% | Могуће - тржишни стандард је 5-15% cap |
Сваку препоруку формулиши као конкретну реченицу која се може директно унети у табелу захтева за другу страну.
[А] АНАЛИЗА: Пре него што ми доставиш коначну анализу, провери следеће:
1.	Да ли си обрадио свих 8 захтеваних тачака без изузетка?
2.	Да ли сваки идентификовани ризик има јасно наведен број члана/клаузуле из уговора?
3.	Да ли си за сваки ризик дао конкретан предлог алтернативне формулације, а не само описао проблем?
4.	Да ли је сваки правни термин објашњен при првом помену?
5.	Да ли си било где измислио судску праксу, правни извор или садржај клаузуле јер ако јеси, обриши или означи као „ЗАХТЕВА ВЕРИФИКАЦИЈУ“?
6.	Да ли коначна препорука јасно каже ДА, ДА УЗ ИЗМЕНЕ или НЕ - без двосмислених формулација?
7.	Да ли је документ разумљив некоме ко није правник?

НАПОМЕНА: АИ модели су тренирани на великим количинама података од којих је доминантан део на енглеском језику, што значи да енглески термини као што су *„*executive summary*“*, *„*break-even*“*, *„*cash-flow*“* или *„*risk assessment*“* активирају неупоредиво богатије и прецизније обрасце знања него њихови српски преводи који се у тренинг подацима појављују ретко или никада. Када у промпту напишете *„*анализа прага рентабилности*“*, АИ има значајно мање контекста него када напишете *„*break-even анализа*“,* јер је на енглеском трениран кроз хиљаде финансијских извештаја, студија случаја и стручних публикација које дефинишу тачно шта тај појам подразумева. 

Зато КОМАНДА™ шаблони користе хибридни приступ: реченица је на српском да би била разумљива вама, али кључни стручни термини остају на енглеском да би били прецизни за АИ.
### Контекстуални прозор (Context Window)
URL: https://www.vijuge.rs/kontekstualni-prozor/
Last updated: 2026-03-01T19:30:36.000Z
#### Садржај

Кад почнемо да користимо велике језичке моделе ([ЛЛМ](https://www.vijuge.rs/sta-je-zapravo-llm/)), углавном се не питамо шта модел зна. Питамо се како да му боље поставимо питање, како да добијемо бољи одговор, како да „извучемо максимум”. А у позадини стоји нешто много конкретније, нешто што обликује сваки одговор који добијемо, а о чему ретко када размишљамо док не дођемо до зида. То је **контекстуални прозор**.

Контекстуални прозор је, најпростије речено, количина текста коју модел може да „држи у глави” док разговара с вама. Све што сте му написали, све што вам је одговорио, сва будућа питања и одговори на њих, сва документа која сте приложили – то све мора да стане у тај прозор. Када се капацитет прозора потпуно испуни, он почиње да се понаша као покретна трака. Најстарије поруке са почетка разговора једноставно „испадају” из њега и неповратно се бришу како би направиле место за ваша најновија питања и одговоре модела. Оно што не може да стане, то не постоји. Модел то не памти и не враћа се на то касније.

И ту се јавља занимљив проблем. Наша логика каже: ако разговарам са неким паметним, он ме слуша, разуме, памти, и у сваком тренутку зна шта смо причали. Кад се обратим колеги у канцеларији, не морам да понављам цео разговор који смо водили пре пар дана. Људски мозак има меморију која траје, филтрира, повезује и извлачи податке када је потребно. Језички модел то нема. Он има прозор – и тај прозор има своје димензије.

Разлог за то је што су велики језички модели, у својој технолошкој основи, системи без стања (*stateless*). Они немају континуитет сећања нити унутрашњу меморију у коју снештају ваше претходне поруке. Када ЛЛМ-у поставите пето питање у низу, он заправо не „зна” шта сте питали у прва четири, а још мање „зна“ како је одговорио. Па како се онда модел надовезује на претходно написано, и како разговор тече тако глатко?

Ако се сећате, када смо причали о [ChatGPT](https://www.vijuge.rs/chatgpt/)\-ју, рекли смо да је то интерфејс односно „посредник“ којег користимо у разговору са моделом. Он сваки пут када поставите ново питање, заједно са тим питањем, изнова пошаље и целокупан дотадашњи историјат разговора. Дакле, сваки нови корак у комуникацији је, заправо, поновно слање целог транскрипта разговора испочетка, тј. од тренутка када сте кликнули на „*New Chat*“ и започели разговор. Сам модел постоји само у том једном тренутку и има само тај један прозор.

Величина контекстуалног прозора мери се у [токенима](https://www.vijuge.rs/token/). Токен није реч у класичном смислу – то је део речи или некад цела реч, некад слог, некад суфикс, некад знак интерпункције. Следећи дијаграм илуструје како се текст „сецка“ на токене и пролази кроз ограничени контекстуални прозор модела.

![](https://storage.ghost.io/c/2d/c9/2dc983e7-62c6-4b30-b450-feb5e80e95da/content/images/2026/02/---------------------------------------------1----------------.jpg)

Српски језик, рецимо, потроши више токена по реченици него енглески, што значи да ће, ако радите на српском, ваш контекстуални прозор бити ефективно мањи. Не зато што вам је модел нешто ускратио, већ зато што је наш језик другачије скројен од оног на којем је систем учио.

### **Већи обим, мања пажња**

Данас постоје модели са прозорима од сто хиљада, двеста хиљада, чак и милион токена. Када кажемо да модел има контекстуални прозор од 128.000 токена, то значи да у једном разговору може да „види” око 80.000 речи. То је отприлике дужина једног кратког романа од 150 страна у Б5 формату. На први поглед, звучи импресивно, јер изгледа као да можете да убаците целу књигу и разговарате о њој. И можете. Донекле. 

Али постоји разлика између тога да нешто стане у прозор и да модел са тим нечим заиста ради, јер величина прозора није исто што и пажња са којом модел „гледа” његов садржај. Истраживања показују да модели у средишњем делу дугачког контекста почињу да губе прецизност и свој фокус. Почетак добро памте, крај памте још боље, али имају проблема да упамте средину. Овај феномен, познат као „изгубљено у средини“ (*lost in the middle*), јасно је приказан на следећем графикону.

![](https://storage.ghost.io/c/2d/c9/2dc983e7-62c6-4b30-b450-feb5e80e95da/content/images/2026/02/---------------------------------------------2----------------.jpg)

Замислите да сте моделу дали уговор од 80 страница и питали га да пронађе клаузулу о условима за раскид уговора. Ако је та клаузула на 45\. страници, постоји реална шанса да модел „прескочи” ту информацију или је непрецизно интерпретира, зато што је статистички механизам пажње пристрастан ка крајевима секвенце. Ово није грешка у имплементацији – ово је структурално ограничење тренутне архитектуре ЛЛМ-ова.

### **Економија токена и пословна реалност**

Када се овај проблем сагледа кроз економску призму, постаје јасно зашто је одлука о томе шта убацити у контекстни прозор заправо стратегијска, а не техничка. Сваки токен који убаците, а који није релевантан за задатак, представља вишак који деградира квалитет одговора и повећава трошкове. Ово је класичан компромис између обима и прецизности, и он је познат сваком инжењеру и сваком менаџеру који је икада радио са ограниченим ресурсима. 

Али постоји и цена избора: рачунска сложеност овог механизма расте квадратно са бројем токена. Ако удвостручите величину контекстуалног прозора, четвороструко ћете увећати количину рачунања. То није линеарна скала. То је експоненцијални раст трошкова.

У пракси, ово значи следеће. Када пошаљете моделу документ од 100 страница (око 50.000 речи или 80.000 токена) заједно са питањем, ви плаћате обраду свих тих токена, без обзира на то да ли је за одговор на ваше питање била потребна прва страница или деведесета. Што је још занимљивије, ако поставите следеће питање, у оквиру истог „разговора“ са моделом, апликација коју користите, у позадини поново шаље тих 100 страница, шаље ваше прво питање, шаље одговор на прво питање и тек на крају шаље ваше друго питање моделу. Ово значи да сте за два питања већ потрошили 160.000 токена плус токене за два питања и токене за два дата одговора!

 У следећој табели приказане су цене улаза за милион токена за најновије моделе:

| **Провајдер** | **Најновији** **модел** | **Цена по 1M input токена (USD)** | **Формула за 160k** | **Цена за 160** **.000** **input токена (USD)** |
| ------------- | ----------------------- | --------------------------------- | ------------------- | ----------------------------------------------- |
| OpenAI        | GPT‑5                   | 2.50                              | 2.50 × 0.16         | 0.40                                            |
| Gemini        | Gemini 3 Pro            | 2.00                              | 2.00 × 0.16         | 0.32                                            |
| Claude        | Claude Sonnet 4.5       | 3.00                              | 3.00 × 0.16         | 0.48                                            |

Када погледате ове цене, можда ћете рећи „па и није тако скупо“. Није, ако модел користите за своје личне потребе. Али замислите 50 запослених који сваког дана, у току радног времена, постављају не 2 него 20 питања моделу и шаљу 50, 100 или 150 страница по питању. Сваки токен кошта. Код комерцијалних АПИ-ја, цена се обрачунава по токену – и за улаз и за излаз. Организација која рутински „убацује” целе документе у контекстуални прозор генерише непотребне трошкове који се месечно мере у хиљадама евра, а често и више.

Зато велики контекстуални прозор није исто што и добар контекстуални прозор. Ово је кључна ствар коју многи превиде, нарочито они који мисле да је решење за сваки проблем убацивање још података. Више информација не значи бољи одговор. Ту је и питање латенције, односно времена које прође од вашег питања до одговора који вам даје ЛЛМ. Већи контекст значи спорији одговор.

Ово објашњава зашто је понекад боље започети нови чет (New Chat) него наставити стари. Када започнете нови чет, ви заправо кажете ChatGPT-ју да не мора више да шаље сва претходна питања и одговоре ЛЛМ-у, и почињете са празним контекстуалним прозором. То машини даје фокус. Ако наставите да мрцварите и водите исти разговор данима, мењајући теме, контекстуални прозор се пуни небитним информацијама из прошлости које само сметају у давању одговора на нова питања и на решавању тренутног проблема.

### **Разумевање граница као предуслов примене**

Ко ово треба да зна? Свако ко модел жели да користи за нешто озбиљније од једноставних питања. Ово разумевање је сама срж [контекст инжењеринга](https://www.vijuge.rs/kontekst-inzenjering/) и представља основни алат за оне људе у организацији чији је посао да стратешки управљају подацима који се шаљу моделу. Ако припремате документацију за тендер и тражите од модела да вам помогне да је уобличите, ви морате да знате колико текста можете да му дате а да одговор и даље буде смислен. Ако аутоматизујете корисничку подршку, морате да разумете да чет-бот после педесет размена питања и одговора почиње да „заборавља” шта је корисник рекао на почетку. Контекстуални прозор није ограничење које ће једног дана нестати, јер је он основна градивна јединица система.

И овде долазимо до нечег што је, бар по мом искуству, важније од самих бројева. Питање није колики је контекстуални прозор. Питање је ко у вашем тиму разуме шта то значи за конкретну употребу ЛЛМ-а који покушавате да уведете у ваше радне процесе. Јер у пракси, одлуке о коришћењу АИ алата доноси неко ко је видео презентацију о њима, одушевио се, и сад, брже-боље жели да се то „уведе”. А онда, три месеца касније, испостави се да систем губи нит разговора после двадесет порука, да корисници добијају контрадикторне одговоре, и да нико не зна зашто. А зашто? Јер нико није размишљао о контекстуалном прозору.

Питање које треба да поставите је: „За који конкретни пословни процес ми треба милион токена, и колико ме то кошта по упиту у поређењу са циљаним приступом од десет хиљада токена?” Одговор на ово питање готово увек показује да је прецизност јефтинија и ефикаснија од обима.

Не кажем да не треба користити моделе са великим контекстуалним прозором. Кажем да треба знати шта је тај прозор и како ради. Не постоји гаранција да ће одговор бити тачан само зато што сте му дали пуно материјала у оквиру инжењеринга контекста. То је радна површина, ограничена и привремена, на којој модел покушава да склопи најбољи могући одговор из онога што му је тренутно доступно, и што у том тренутку „види“.

А ако вас неко убеђује да је милион токена решење за све, запитајте се да ли је тај неко икад покушао да у том милиону токена пронађе грешку кад модел погреши. Количина прочитаних података није исто што и разумевање. То важи за контекстуалне прозоре исто колико и за људе.

Остаје, на крају, оно суштинско питање: ко у вашем окружењу заиста разуме где модел престаје да прати контекст, и то на вашим подацима, у вашем процесу, за ваше радне задатке, са вашим корисницима? Да ли бисте умели да препознате тренутак у којем је одговор који сте добили, у ствари, одговор на нешто друго, а не на ваше питање, зато што је прозор одавно „преклопио“ податке који се односе на оно што сте заправо питали? И ако не бисте могли ви, ко би могао?

Контекстуални прозор је инфраструктурни параметар, а не мера интелигенције и не гаранција квалитета одговора модела. Као и свако ограничење, он само дефинише простор могућности – али квалитет података и резултата унутар тог простора одређује начин на који га користите, а не његова максимална величина. Модели су алати са јасним техничким ограничењима, и разумевање тих ограничења је предуслов за њихову озбиљну примену.

### **Обећања модела и цена свезнања**

Чини се да нема више повратка на мале прозоре, на оне оквире у којима је на почетку стајало тек понеко питање, неколико реченица и понеки документ, јер технологија неумољиво наставља да се развија. Ускоро ће, можда, контекстуални прозор постати довољно широк да у њега стане сваки разговор који смо икада водили, сваки откуцај срца који је забележен неким сензором, свака куповина која је оставила траг у некој бази података, свако јело које нас је изненадило или одушевило и сваки тренутак у којем смо се искрено радовали. Све то би могло бити сложено и повезано тако да може бити унето у модел као једна непрекидна прича о нашем постојању. У неком тренутку у будућности, вештачка интелигенција ће вероватно моћи да „прочита” цео наш живот у једној секунди.

То ће бити наш „лични асистент” и нудиће се као врхунац персонализације, као обећање да ће нас АИ систем разумети боље него што разумемо сами себе, да ће знати шта желимо пре него што то пожелимо и шта нам треба пре него што осетимо потребу. Можда ће то значити и крај приватности какву познајемо, иако се чини да нам је то у овом тренутку мање важно. Ипак, када наш екстерни контекст, учитан у контекстуални прозор ЛЛМ-а, постане бољи од нашег унутрашњег сећања, постоји реална опасност да ћемо се, готово неприметно, претворити у зависника. Питање је да ли ћемо тада уопште моћи да водимо разговор без сугестија „личног асистента“, или да се сетимо рођендана, имена, обећања и света који је постојао пре генеративне вештачке интелигенције.
### Контекст инжењеринг (Context Engineering)
URL: https://www.vijuge.rs/kontekst-inzenjering/
Last updated: 2026-02-22T18:42:07.000Z
#### Садржај

Замислите сцену која вам је можда позната. Треба да пошаљете новог колегу у неку државну институцију да „заврши папире“. Ако му само кажете „иди и донеси потврду“, шансе да ће се вратити збуњен, празних руку или са погрешним документом су огромне. Међутим, ако га пре поласка посадите на столицу и кажете: „Слушај, идеш код Мире на шалтер четири. Она не воли кад види да ти се жури. Прво је питај за здравље, помени да смо ми она фирма што је прошле године прва предала документацију по новом правилнику, и тек кад она помене да јој је пао притисак и да јој треба кафа, ти извади и предај овај захтев. И немој случајно да помињеш нови закон, јер је то нервира“. Е, ово је већ друга прича. Ви сте том колеги дали контекст. Ви сте урадили „инжењеринг“ ситуације пре него што се она десила.

Када пребацимо ову, нама врло блиску динамику међуљудских односа у свет вештачке интелигенције, долазимо до појма који се зове: **контекст инжењеринг**.

### **Зашто промпт није довољан?**

Овај појам се често меша са промпт инжењерингом. Промпт је оно што тражите од машине у датом тренутку: „напиши ми мејл“, „упореди податке из ове две табеле“, „дај ми идеју за ручак“, „напиши ми три објаве за Инстаграм“. То је директна команда. Контекст инжењеринг је све оно што претходи тој команди, све оно што машину „подешава“ да размишља на одређени начин пре него што вам одговори. [Промпт инжењеринг](https://www.vijuge.rs/prompt-inzinjering/) је умеће писања добрих упита за AI, док је контекст инжењеринг умеће припреме свих информација које AI добија да би дао тачан и користан одговор.

Сваки пут кад започнете нови разговор са неким језичким моделом, он је као тај нови колега првог радног дана. Он не зна да „хитно“ у вашем тиму значи сутра, а у набавци значи пре пола сата. Он нема појма шта ви радите, шта ваша фирма продаје, да ли је ваш тон послован или другарски, и да тон којим директор каже „добро“ некад значи добро, а некад значи да ћете имати проблем. 

Контекст инжењеринг је, дакле, процес којим том „вечитом почетнику“ дајете биографију, сећање и оквир понашања. То личи на припрему документације за тендер, само што је публика машина, а не комисија. То је вештина слагања информација - докумената, финансијских података, претходних примера, стилских водича и правила - у пакет који велики језички модел ([LLM](https://www.vijuge.rs/sta-je-zapravo-llm/)) може да „обради“ пре самог промпта. Наравно, тај пакет не може бити бесконачан. Овде долазимо до такозваног контекстуалног прозора, техничког ограничења које диктира колико тачно података машина може да обухвати одједном, али о тој механици смо детаљније писали у другом тексту.

Зашто се о овоме сада прича као о засебној дисциплини? Зато што смо прошли фазу одушевљења тиме што машина уопште „говори“ српски. Сада смо у фази када примећујемо да она често говори превише опште ствари, превише „амерички“ или једноставно промашује поенту. Схватамо да квалитет одговора ипак мање зависи од тога колико смо добро срочили питање, а више од тога колико смо квалитетног материјала дали машини да на њему базира свој одговор.

Наравно да је промпт инжењеринг изузетно користан. Али он покрива само „површину“. Покрива оно што куцате у поље за унос. Контекст инжењеринг покрива све остало: системска упутства која модел прими пре вашег питања, документа која прилажете, историју разговора, ограничења која му постављате, па и оно што намерно прећутите. На овом месту, многе фирме у Србији завршавају разочаране AI алатима. Купиле су претплату, послале запослене на обуку о писању промптова, дале им приступ [ChatGPT](https://www.vijuge.rs/chatgpt/)\-ју, и... ништа нарочито. Текстови су читљиви и јасни. Анализе су тачне, али без контекста. Препоруке постоје, али се не уклапају у реалне услове.

Проблем скоро никад није у моделу. Проблем је у томе да нико није организовано размислио шта систем треба да зна да би био користан. Замислите то као разлику између новог конобара на ручку у вашој омиљеној кафани и конобара који вас познаје десет година. Првом треба да објашњавате коју кафу пијете, шта ћете за предјело, какав ћете бифтек, које пиво пијете и да вам никако не нуди колач после јела јер не једете слатко. Другом конобару само климнете главом кад седнете за „свој“ сто и кажете: „Много сам гладан, али прво, дај једно 'ладно“. Контекст инжењеринг је покушај да од машине направите конобара који вас познаје.

### **Ко контролише контекст, контролише и одговор модела**

Ово не захтева техничко предзнање, већ организационо. Захтева да знамо шта је нама и у нашем послу заиста битно.

Прво питање је да ли знамо шта би модел требало да „види“? Није исто дати му каталог производа и дати му транскрипте разговора са купцима који су отишли. Оба су подаци. Али један описује шта продајете, а други описује зашто вас купци напуштају. Ако градите систем за подршку корисницима и у контекст ставите само маркетиншки материјал, модел ће одговарати као продавац, а не као неко ко треба да реши проблем. Ако у контекст ставите и интерне жалбе и реална ограничења производа, модел ће бити „искренији“ при анализи смањене продаје тог производа. Одлука о томе шта модел „види“ одређује шта може да каже. Ко контролише контекст, контролише и одговор.

Друго питање је сложеније од првог: шта се дешава са информацијама које дамо моделу? Где завршавају? Ко их чува? Ко им приступа? Ко може да их види? Ово нису тривијална питања. Ово су питања која треба да постоје у свакој организацији пре него што неко пошаље моделу интерне финансијске податке или имена клијената. Сигурност информација не престаје да важи само зато што је на другом крају алгоритам уместо човека.

Треће питање је организационо: ко у фирми одлучује о контексту и на основу чега? Ако је то инжењер из ИТ одељења, имаћете технички солидан систем који не зна ништа о продаји. Ако је то директор који „нема времена за детаље“, имаћете широке смернице без детаља. Контекст инжењеринг, да би имао смисла, мора бити заједнички подухват људи који знају организацију изнутра - а не само оних који знају технологију.

И четврто питање је суштинско: да ли фирма уопште зна шта је њен стварни контекст?

### **Систематизација знања: Главни предуслов за добар контекст**

Постоји једна непријатна истина коју контекст инжењеринг износи на видело. У процесу припреме контекста за машину, суочавамо се са сазнањем колико мало познајемо сопствени посао. Не у смислу да не знамо шта радимо, јер вероватно знамо, него у смислу да то знање никад није систематизовано.

Многе фирме немају систематски записано: ко им је стварна циљна група, на шта се тачно жале клијенти, шта запослени стварно раде наспрам онога шта пише у опису посла, како се извршавају појединачни задаци у оквиру пословних процеса. Морамо знати шта су нам стварне процедуре, а шта мртво слово на папиру. Морамо знати где су подаци тачни, а где приближни. Морамо знати ко доноси одлуке и на основу чега. Сигурно постоје сви потребни документи. Али документи и стварност, у многим нашим фирмама, нису увек у истој просторији.

Тада контекст инжењеринг није само припрема за рад са машином. Он је нека врста принудне интерне ревизије. Тера нас да седнемо и запишемо: ово знамо, ово не знамо, ово мислимо да знамо а нисмо проверили, ово радимо а не знамо зашто. И тек после тог записивања, тек кад то знање добије облик, тек тада можемо да одлучимо шта ћемо послати машини да „види“, а шта нећемо.

Јер иза сваке добро постављене инструкције машини стоји неко ко је промислио шта жели да добије, и зашто. Неко ко је разумео свој проблем довољно добро да га преведе у информације које машина може да употреби. А то превођење је посао за људе. AI систем ће добро радити оно за шта га добро припремите. Не може сам открити наш контекст, и не може знати шта нисмо написали.

Добра вест је да ово није још једна вештина коју морате хитно да научите или ћете „испасти из игре“. То је само нови назив за стару вештину јасног делегирања. Контекст инжењеринг нас, заправо, тера да први пут ставимо на папир (или у дигитални фајл) оно што мислимо да сви знају, а нико никад није записао. То је способност да се каже: „Ово су правила игре у мојој кући“. Када машини дате та правила, она престаје да халуцинира, почиње да ради посао и постаје алат који је „намештен“ за вашу руку.

Дакле, када следећи пут чујете за контекст инжењеринг, помислите на оног колегу с почетка приче којем објашњавате како да не наљути Миру на шалтеру. Само што је сада Мира ваш пословни проблем, а колега је AI алат којем морате објаснити како да успешно реши ситуацију са Миром.
### Подешавање параметара у LLM-овима
URL: https://www.vijuge.rs/podesavanje-parametara/
Last updated: 2026-02-19T09:12:03.000Z
#### Садржај

## **Увод**

Велики језички модели ([LLM](https://www.vijuge.rs/sta-je-zapravo-llm/)) не функционишу само на основу упита ([промпта](https://www.vijuge.rs/prompt-inzinjering/)) које им шаљемо. Иза сваког одговора стоји скуп математичких параметара који одређују на који начин модел бира следећу реч, колико је „смео” у избору, колико избегава понављање и колико је фокусиран на тему. Разумевање ових параметара је кључно за свакога ко жели да добије предвидиве, квалитетне и контролисане резултате из LLM-ова.

****Важна напомена: Ови параметри нису доступни у класичним четботовима!**

Ово је битна информација коју многи корисници не знају.

Када користите [**ChatGPT**](https://www.vijuge.rs/chatgpt/)**, Claude**, **Gemini** или **Copilot** \- ви немате никакав утицај на ове параметре. Компаније које стоје иза ових производа (OpenAI, Anthropic, Google, Microsoft) саме подешавају вредности температуре и осталих параметара, и те вредности су фиксиране или се динамички прилагођавају без ваше контроле. 

Међутим, иако ови четботови у свом интерфејсу технички немају контролу над параметрима, они могу да **симулирају** стил одговора који одговара различитим вредностима параметара. Дакле, то нису стварни математички параметри, већ њихово разумевање и имитација ефекта тих вредности на стил писања. 

За ову демонстрацију и учење подешавања параметара радиће прилично добро, али постоји граница: ови четботови и даље остају кохерентни чак и када им дате инструкцију да подесе температуру на „Т = 2.0”, јер имају своја системска подешавања, која онемогућавају значајне промене њиховог понашања од стране корисника.

**Када МОЖЕТЕ да подешавате параметре?**

Параметри постају доступни искључиво преко **API позива** (Application Programming Interface) - односно директних програмских захтева ка моделима. То подразумева:

- **OpenAI API**
- **Anthropic API**
- **Google Gemini API / Vertex AI**
- **Mistral, Llama, Cohere и остали** \- сви озбиљни провајдери нуде API са подешавањима параметара.
- **Локално покретање модела** преко алата попут **Ollama**, **LM Studio** или **llama.cpp** \- потпуна контрола над свим параметрима.

**Зашто је ово важно за пословну примену?**

Ако градите **аутоматизована решења** \- четботове за корисничку подршку, апликације за израду докумената, AI асистенте за интерне потребе - морате да имате контролу над овим параметрима. Производ направљен са погрешном температуром може бити непрецизан у медицинском контексту или монотон у маркетиншком. API приступ је зато обавезан услов за озбиљну пословну примену LLM-ова.

## **1\. Температура (Temperature)**

**Шта је температура?**

Температура је параметар који контролише [**степен насумичности**](https://www.vijuge.rs/o-iluziji-razuma-u-masini/) у генерисању текста. Технички гледано, она скалира дистрибуцију вероватноћа токена пре него што модел одабере следећу реч. Виша температура равномерније распоређује вероватноће међу свим кандидатима, чинећи неочекиване изборе вероватнијим. Нижа температура концентрише вероватноће на неколико највероватнијих речи, чинећи излаз предвидљивијим и конзистентнијим.

**Распон вредности:** Температура типично може да се подеси у опсегу **0.0 до 2.0**, мада неки модели допуштају и вредности до 5.0\. Вредност 0 или блиска 0 значи потпуно детерминистичко понашање (модел **скоро** увек бира токен са највећом вероватноћом). Вредности изнад 1.5 до 2.0 доносе врло насумичне, понекад неповезане одговоре.

Копирајте следећи промпт и убаците га у ваш четбот. Четбот ће вас обавестити да можете да почнете са постављањем питања.

Kopiraj 

Треба да поштујеш следеће правило док ти не напишем "крај": 
На свако моје питање треба да даш три одговора са различитим поставкама параметра Температура. 
За први одговор подеси Т=0.2, за други подеси Т=0.8 и за трећи одговор подеси Т=1.8. 
Испред сваког одговора напиши која је Температура.

**Промпт:** „Напиши реченицу која описује јесен.”

---

**Т = 0.2 - Прецизно, предвидиво, конзистентно**

„Јесен је годишње доба које доноси опадање лишћа, хладније температуре и краће дане.”

Одговор је јасан, информативан и готово идентичан сваки пут када покренемо модел. Нема маштовитости, нема изненађења. Ово је идеалан режим за техничку документацију, правне текстове, медицинске извештаје и свуда где се тражи тачност.

---

**Т = 1.0 - Балансирано, природно, варијабилно**

„Јесен тихо пресвлачи свет у топле боје, доносећи мирис влажне земље, хладног јутра и краја нечег лепог.”

Одговор је природнији, може бити поетичан или описан, али остаје кохерентан. Ово је подразумевани режим за већину примена и добар баланс између креативности и смислености.

---

**Т = 1.8 - Насумично, непредвидиво, понекад некохерентно**

„Јесен је тренутак када дрвеће одлучи да се обуче у пламен пре него што се скине до голе кости и заспи под снегом.”

Резултат је изразито креативан, а понекад потпуно бесмислен. Употребљив је у уметничким пројектима, браинсторминг сесијама и генерисању садржаја где је оригиналност важнија од тачности.

---

**Шта примећујемо?**

|                  | **T = 0.2**              | **T = 1.0**                 | **T = 1.8**               |
| ---------------- | ------------------------ | --------------------------- | ------------------------- |
| **Стил**         | Техничко, формално       | Јасно, приступачно          | Метафорично, поетично     |
| **Речник**       | Стручна терминологија    | Свакодневни + стручни       | Слике, метафоре           |
| **Употреба**     | Уџбеник, медицина, наука | Блог, настава, презентација | Маркетинг, есеј, уметност |
| **Ризик грешке** | Минималан                | Низак                       | Могућ (прецизност пада)   |

---

## **2\. Top\_P (Nucleus Sampling)**

**Шта је Top\_P?**

Top\_P је параметар који одређује **колики удео укупне вероватноће** може да буде укључен у скуп кандидата из којих модел бира следећу реч. Уместо да разматра фиксан број речи, модел „сабира” вероватноће речи сортираних по вероватноћи одозго надоле и зауставља се када збир достигне вредност Top\_P.

На пример, Top\_P = 0.9 значи: „Размотри само оне речи чије вероватноће, кад се саберу, чине 90% укупне масе вероватноће.” Ово динамично сужава или проширује скуп кандидата у зависности од контекста.

**Распон вредности:** 0.0 до 1.0\. Вредност 1.0 значи да су све речи у игри. Вредности близу 0 значе да се бира само међу неколико највероватнијих речи.

Kopiraj 

Треба да поштујеш следеће правило док ти не напишем "крај": 
На свако моје питање треба да даш три одговора са различитим поставкама параметра TOP_P. 
За први одговор подеси TOP_P=0.1, за други подеси TOP_P=0.5 и за трећи одговор подеси TOP_P=0.95. 
Испред сваког одговора напиши вредност параметра TOP_P.

**Промпт:** „Предложи наслов за пословни блог о иновацијама.”

---

**Top\_P = 0.1 - Врло конзервативно, само „сигурне" речи**

„Иновације у пословном свету: тренд или изазов?”

Наслов је потпуно предвидив. Речи „иновације”, „пословање”, „трендови”, „изазови” су статистички најчешће у оваквом контексту - модел практично не разматра ниједну другу опцију. Функционалан, али потпуно генеричан. Видели сте овакав наслов хиљаду пута.

---

**Top\_P = 0.5 - Умерено, шира палета, добар квалитет**

„Будућност припада онима који иновирају данас: водич за лидере сутрашњице”

Овде модел разматра шири скуп речи и бира нешто занимљивије. Реченична структура је живља, постоји наратив и позив. Речи попут „лидери” и „сутрашњица” нису биле у тесном топ скупу, али су довољно вероватне да буду разматране. Добар баланс за пословни блог.

---

**Top\_P = 0.95 - Широк скуп кандидата, висока варијабилност**

„Зашто ваша компанија мора да „разбије мозак” пре него што технологија то учини уместо ње”

Сада модел разматра готово све речи, укључујући неочекиване, провокативне и нестандардне. „Разбије мозак” под наводницима, директан изазов читаоцу, метафора деструкције као услова раста - ово нису речи које би се природно нашле у топ 10% вероватноћа за овај контекст. Резултат је упечатљив, можда и ризичан.

---

**Шта примећујемо?**

|                  | **Top\_P = 0.1**    | **Top\_P = 0.5**        | **Top\_P = 0.95**        |
| ---------------- | ------------------- | ----------------------- | ------------------------ |
| **Речник**       | Само клишеи         | Стандардан + нијансиран | Слободан, неочекиван     |
| **Предвидивост** | Врло висока         | Умерена                 | Ниска                    |
| **Оригиналност** | Минимална           | Добра                   | Висока                   |
| **Ризик**        | Монотоно, генеричко | Уравнотежено            | Може промашити тон       |
| **Идеално за**   | Формалне извештаје  | Блогове, презентације   | Браинсторминг, маркетинг |

Можда сте приметили да **Top\_P = 0.95 делује слично T = 1.8** из претходног примера?

То је зато јер оба параметра у крајњем ефекту **проширују скуп могућих избора** \- само на различите начине. Температура скалира вероватноће, Top\_P их сече по прагу вероватноће. У пракси их зато **комбинујемо** \- нпр. `T=0.7` \+ `Top_P=0.9` даје боље резултате него подешавање само једног.

---

## **3\. Top\_K**

**Шта је Top\_K?**

Top\_K је параметар који ограничава скуп кандидата за следећу реч на тачно **K речи са највишим вероватноћама**. За разлику од Top\_P, ово је фиксан лимит - увек се разматра исти број кандидата, без обзира на расподелу вероватноћа.

На пример, Top\_K = 10 значи: „Бирај само међу 10 речи са највећом вероватноћом.” Top\_K = 1 је еквивалентно детерминистичком одговору (greedy decoding).

**Распон вредности:** Цели бројеви, типично 1 до 100 (неки модели допуштају и веће вредности). Мање вредности → мање насумичности, већа прецизност. Веће вредности → шири избор, већа варијабилност.

Kopiraj 

Треба да поштујеш следеће правило док ти не напишем "крај": 
На свако моје питање треба да даш три одговора са различитим поставкама параметра Тор_К. 
За први одговор подеси Тор_К=3, за други подеси Тор_К=20 и за трећи одговор подеси Тор_К=80. 
Испред сваког одговора напиши вредност папраметра Тор_К.

**Промпт:** „Напиши прву реченицу имејла клијенту о кашњењу испоруке.”

---

**Top\_K = 3 - Само три могуће наредне речи у свакој позицији**

„Поштовани, обавештавамо вас да је дошло до кашњења у испоруци ваше поруџбине“.

Свака реч је статистички најочекиванија. „Поштовани” → јер је то скоро једина реч која отвара пословни имејл. „Обавештавамо” → јер је то стандардни глагол за ову ситуацију. Нема изненађења, нема топлине, нема личног тона. Звучи као аутоматска порука из система.

---

**Top\_K = 20 - Двадесет кандидата у свакој позицији**

„Поштовани, са жаљењем вас обавештавамо да је дошло до непредвиђеног кашњења у испоруци и искрено се извињавамо због насталих непријатности.”

Сада модел има довољно простора да изабере „са жаљењем”, „непредвиђеног”, „искрено се извињавамо” - речи које нису биле у строгом топ 3 избору, али су сасвим природне и прикладне. Реченица звучи људски, топло и професионално. Ово је идеалан опсег за пословну комуникацију.

---

**Top\_K = 80 -Врло широк скуп кандидата**

„Хеј! Морамо да вам кажемо нешто - пакет је, нажалост, запео негде на путу и каскамо са испоруком.”

Модел је имао слободу да посегне за потпуно неформалним речима: „Хеј”, „запео негде на путу”, „каскамо”. Ове речи имају ниску вероватноћу у пословном контексту, али нису нула - и са K=80 улазе у игру. Резултат може бити освежавајући за брендове са опуштеном комуникацијом, али потпуно неприкладан за банку, осигурање или медицину.

---

**Шта примећујемо?**

|                  | **Top\_P = 0.1**    | **Top\_P = 0.5**        | **Top\_P = 0.95**        |
| ---------------- | ------------------- | ----------------------- | ------------------------ |
| **Речник**       | Само клишеи         | Стандардан + нијансиран | Слободан, неочекиван     |
| **Предвидивост** | Врло висока         | Умерена                 | Ниска                    |
| **Оригиналност** | Минимална           | Добра                   | Висока                   |
| **Ризик**        | Монотоно, генеричко | Уравнотежено            | Може промашити тон       |
| **Идеално за**   | Формалне извештаје  | Блогове, презентације   | Браинсторминг, маркетинг |

---

## **4\. Frequency Penalty (Казна за учесталост)**

**Шта је Frequency Penalty?**

Frequency Penalty је параметар који **смањује вероватноћу понављања речи или фраза** које су се већ појавиле у генерисаном тексту. Казна расте пропорционално са тим колико пута је нека реч употребљена - чешће употребљена реч бива „кажњена” јаче.

Ефекат: модел активно избегава да се понавља, трагајући за синонимима и другачијим формулацијама.

**Распон вредности:** Типично -2.0 до 2.0\. Позитивне вредности смањују понављање. Негативне вредности га подстичу. Нулта вредност значи да нема казне.

Kopiraj 

Треба да поштујеш следеће правило док ти не напишем "крај": 
На свако моје питање треба да даш три одговора са различитим поставкама параметра Frequency Penalty.
За први одговор подеси FP=0.0, за други подеси FP=0.8 и за трећи одговор подеси FP=2.0. 
Испред сваког одговора напиши вредност параметра FP.

**Промпт:** „Напиши три реченице о вештачкој интелигенцији.”

---

**Frequency Penalty = 0.0 -** **Без казне, понављање је могуће**

„Вештачка интелигенција мења свет рада. Вештачка интелигенција се примењује у медицини, образовању и финансијама. Вештачка интелигенција је технологија будућности.”

Иста фраза поновљена три пута. Модел нема никакав разлог да је избегава јер је она статистички увек најбољи избор за почетак реченице у овом контексту, па је стално користи изнова. У тексту делује досадно.

---

**Frequency Penalty = 0.8 - Умерена казна, природнији текст**

„Вештачка интелигенција мења начин на који радимо. Она се примењује у медицини, финансијама и образовању. Ова технологија представља један од највећих скокова у историји науке.”

Фраза „вештачка интелигенција” употребљена је само једном - у наредним реченицама замењена је са „она” и „ова технологија”. Текст тече природно, не понавља се, звучи као да га је написао човек. Ово је оптималан опсег за већину употреба.

---

**Frequency Penalty = 2.0 - Јака казна, форсирана разноликост**

„Вештачка интелигенција редефинише саме темеље когнитивног рада и организационих структура. Аутоматизовани алгоритамски системи продиру у хируршке сале, берзанске послове и образовне институције, реконфигуришући устаљене парадигме. Машинско учење, неуронске мреже и генеративни модели колективно трансформишу епистемолошке оквире кроз које тумачимо стварност.”

Свака реч је другачија. Модел активно избегава свако понављање - чак и заменице и функционалне речи. Резултат је лексички богат, али може деловати претерано академски, надувено или неприродно. У трећој реченици практично нема ниједне речи из прве две.

**Шта примећујемо?**

|                | **FP = 0.0** | **FP = 0.8**               | **FP = 2.0**              |
| -------------- | ------------ | -------------------------- | ------------------------- |
| **Понављање**  | Константно   | Нема га                    | Форсирано избегавање      |
| **Природност** | Вештачко     | Људско                     | Академско/надувено        |
| **Речник**     | Сиромашан    | Богат                      | Претерано сложен          |
| **Читљивост**  | Досадно      | Одлична                    | Напорно                   |
| **Идеално за** | Нигде        | Чланци, блогови, извештаји | Академски радови, патенти |

---

## **5\. Presence Penalty (Казна за присуство)**

**Шта је Presence Penalty?**

Presence Penalty је параметар сличан Frequency Penalty-ју, али са кључном разликом: **не расте са учесталошћу употребе, него се примењује једном, чим се реч први пут употреби**. Другим речима, казна за присуство смањује шансу да се нека тема или реч икад поново јави - без обзира да ли је написана једном или десет пута.

Ефекат: модел активно „прелази на следећу тему”, уводи нове концепте и избегава да се фокусира на исту идеју.

**Распон вредности:** Типично -2.0 до 2.0, исти принцип као Frequency Penalty.

Kopiraj 

Треба да поштујеш следеће правило док ти не напишем "крај": 
На свако моје питање треба да даш три одговора са различитим поставкама параметра Presence Penalty. 
За први одговор подеси PP=0.0, за други подеси PP=0.8 и за трећи одговор подеси PP=2.0. 
Испред сваког одговора напиши вредност параметра PP.

**Промпт:** „Напиши кратак пасус о предностима рада од куће.”

---

**Presence Penalty = 0.0 -** **Без казне, фокус може да остане на истим темама**

„Рад од куће омогућава флексибилност. Рад од куће има многе предности. Највећа предност је флексибилност - запослени могу сами да организују своје радно време. Флексибилност доноси бољу продуктивност, а продуктивност доноси боље резултате. Предности рада од куће су бројне и значајне за сваког запосленог.”

Текст се врти у круг. „Предност”, „флексибилност” - исте речи и исте теме се понављају без икаквог напретка. Пасус није рекао ништа ново у четири реченице.

---

**Presence Penalty = 0.8 - Шири спектар тема**

„Рад од куће омогућава запосленима да сами организују свој дан и раде у часовима када су најпродуктивнији. Поред тога, одсуство свакодневног путовања штеди и време и новац, а многи запослени наводе да им остаје више простора за породицу и личне обавезе. Истраживања такође бележе нижу стопу одсуствовања и веће опште задовољство међу запосленима који раде на даљину.”

Свака реченица доноси нешто ново: организација дана → уштеда времена и новца → породица → истраживања и подаци. Текст напредује, не врти се. Ово је природан, добро написан пасус.

---

**Presence Penalty = 2.0 - Агресивно скакање на нове теме**

„Рад од куће доноси флексибилност. Еколошки утицај смањених путовања је такође значајан. Дигитална инфраструктура, психолошка аутономија и нови облици тимске кохезије постају кључни фактори организационе трансформације.”

Текст брзо прелази на разноврсне теме: флексибилност → екологија → психологија → организација. Богат садржај, али може бити неповезан, као да је свака реченица из другог чланка.

**Шта примећујемо?**

|                       | **PP = 0.0**  | **PP = 0.8**                  | **PP = 2.0**         |
| --------------------- | ------------- | ----------------------------- | -------------------- |
| **Кретање кроз теме** | Стоји у месту | Природно напредује            | Скаче агресивно      |
| **Кохерентност**      | Монотона      | Одлична                       | Слабија              |
| **Покривеност тема**  | Уска          | Добра                         | Врло широка          |
| **Читљивост**         | Досадно       | Одлична                       | Напорно              |
| **Идеално за**        | Нигде         | Чланци, блогови, презентације | Браинсторминг, идеје |

**Кључна разлика: Frequency vs Presence Penalty**

Ово је најважнија ствар коју треба упамтити:

|                              | **Frequency Penalty**                     | **Presence Penalty**                                |
| ---------------------------- | ----------------------------------------- | --------------------------------------------------- |
| **Када се казна примењује?** | Сваки пут кад се реч понови - казна расте | Само први пут кад се реч употреби - казна је фиксна |
| **Шта контролише?**          | Колико се **иста реч** понавља            | Да ли се **иста тема** поново јавља                 |
| **Ефекат на текст**          | Богатији речник                           | Шири спектар тема                                   |
| **Аналогија**                | „Немој да кажеш исту реч двапут"          | „Немој да се враћаш на исту тему"                   |

Замислите то овако: **Frequency Penalty** је уредник речника, **Presence Penalty** је уредник садржаја.

Комбинација која најбоље ради у пракси

За већину пословних примена препоручује се:

Frequency Penalty = 0,3 - 0,7

Presence Penalty = 0,1 - 0,5

Заједно раде као тим - један брине о речима, други о темама - и резултат је текст који је и разноврстан и кохерентан.

## **6\.** Комбиноване симулације параметара - три сектора

Користићемо овај промпт за сва три сектора да разлика буде јасно видљива. Тип 1 је медицина, Тип 2 је право а Тип 3 је маркетинг. Ископирајте следећи промпт у ваш четбот:

Kopiraj 

Од овог тренутка, на сваки мој упит одговарај из три различита аспекта, симулирајући 
специфичне конфигурације ЛЛМ параметара које дефинишу стил и прецизност 
одговора. Сваки сегмент мора почети насловом типа одговора. Када нашишем крај, изађи из ове улоге.

1. Тип1

Temperature: 0.2
Top_P: 0.70 
Top_K: 10
Frequency Penalty: 0.2
Presence Penalty: 0.0

2. Тип2

Тemperature: 0.1
Top_P: 0.60 
Top_K: 5
Frequency Penalty: 0.1
Presence Penalty: 0.0

3. Тип3

Temperature: 1.1
Top_P: 0.92
Top_K: 50
Frequency Penalty: 0.8 
Presence Penalty: 0.6 

Задатак: Након што примиш упит, генериши одговоре редом: Тип1, Тип2, Тип3.

---

### Тип 1 - МЕДИЦИНА

**Промпт: „Објасни шта је дијабетес тип 2”**

„Дијабетес тип 2 је хронична метаболичка болест коју карактерише повишен ниво глукозе у крви услед инсулинске резистенције и релативног дефицита инсулина. За разлику од дијабетеса тип 1, панкреас и даље производи инсулин, али ћелије тела не реагују на њега адекватно. Болест се дијагностикује мерењем гликемије наташте - вредности изнад 7.0 mmol/L на два одвојена мерења потврђују дијагнозу. Терапија обухвата промену начина исхране, физичку активност и, у каснијим фазама, орална антидијабетична средства или инсулинску терапију.”

**Зашто овакви параметри?**

| **Параметар**         | **Вредност**   | **Разлог**                                                |
| --------------------- | -------------- | --------------------------------------------------------- |
| **Temperature = 0.2** | Ниска          | Нема места за „креативност" -дијагноза мора бити тачна    |
| **Top\_P = 0.70**     | Умерено ниска  | Само вероватне медицинске формулације                     |
| **Top\_K = 10**       | Мало кандидата | Стручна терминологија, без синонима                       |
| **FP = 0.2**          | Блага          | „Инсулин" се сме поновити -то је медицински термин        |
| **PP = 0.0**          | Нула           | Тема мора остати фокусирана, не скаче се на друге болести |

**Кључно:** PP = 0.0 је овде намерно - ако модел почне да скаче са дијабетеса на хипертензију и холестерол, одговор постаје медицински непрецизан и потенцијално опасан.

---

### Тип 2 - ПРАВО

**Промпт: „Објасни шта је уговорна обавеза и шта се дешава ако се не испуни”**

„Уговорна обавеза је правно дејство које настаје закључењем пуноважног уговора, а којим се страна дужник обавезује да ће у корист друге стране - повериоца - извршити одређену чинидбу, уздржати се од одређеног чињења или трпети одређено поступање. У случају неиспуњења уговорне обавезе, поверилац има право да захтева принудно извршење, раскид уговора и накнаду штете, сагласно одредбама Закона о облигационим односима Републике Србије, члан 262\. Одговорност дужника претпоставља се у тренутку доцње, осим ако дужник докаже да је до неиспуњења дошло услед околности за које није одговоран.”

**Зашто овакви параметри?**

| **Параметар**    | **Вредност**        | **Разлог**                                                           |
| ---------------- | ------------------- | -------------------------------------------------------------------- |
| **T = 0.1**      | Врло ниска          | Правни текст мора бити потпуно детерминистичан                       |
| **Top\_P = 0.6** | Ниска               | Само правно прецизне формулације                                     |
| **Top\_K = 5**   | Врло мало кандидата | „Тужилац" не може постати „подносилац", „странка" или „особа"        |
| **FP = 0.1**     | Скоро нула          | „Уговор", „обавеза", „дужник" се морају понављати -то је правни стил |
| **PP = 0.0**     | Нула                | Текст мора остати на једној правној теми без скретања                |

**Кључно:** FP скоро на нули је **намерно супротно** од маркетинга - у праву је понављање истих термина **обавезно**. Синоними у правном тексту уносе двосмисленост и могу бити погубни на суду.

---

### Тип 3 - МАРКЕТИНГ

**Промпт: „Објасни шта је наш нови паметни термостат и зашто га треба купити”**

„Замисли да твој дом зна шта желиш пре него што ти то и сам схватиш. Наш термостат не мери само температуру - он учи твоје навике, прати твоје кретање и интелигентно прилагођава амбијент тренутку у ком га тражиш. Мање рачуни, више удобности, потпуна контрола из длана. Добродошао у кућу која те разуме.”

**Зашто овакви параметри?**

| **Параметар**     | **Вредност**    | **Разлог**                                                                  |
| ----------------- | --------------- | --------------------------------------------------------------------------- |
| **T = 1.1**       | Висока          | Жели се упечатљив, неочекиван израз -не клише                               |
| **Top\_P = 0.92** | Висока          | Широк речник, нестандардне фразе добродошле                                 |
| **Top\_K = 50**   | Много кандидата | Простор за метафоре, игру речи, неформалан тон                              |
| **FP = 0.8**      | Висока          | Никаквог понављања речи -сваки израз мора бити свеж                         |
| **PP = 0.6**      | Умерено висока  | Текст прелази са емоције на корист, па на позив - не остаје на истој поруци |

**Кључно:** Комбинација високе FP и PP осигурава да сваки ред доноси нешто ново - нову емоцију, нову корист, нов угао. 

---

**Финална упоредна табела за сва три сектора**

|                       | **Медицина**      | **Право**                 | **Маркетинг**           |
| --------------------- | ----------------- | ------------------------- | ----------------------- |
| **Temperature**       | 0.2               | 0.1                       | 1.1                     |
| **Top\_P**            | 0.70              | 0.60                      | 0.92                    |
| **Top\_K**            | 10                | 5                         | 50                      |
| **Freq. Penalty**     | 0.2               | 0.1                       | 0.8                     |
| **Pres. Penalty**     | 0.0               | 0.0                       | 0.6                     |
| **Стил**              | Прецизан, стручан | Детерминистичан, формалан | Живописан, провокативан |
| **Понављање термина** | Дозвољено         | Обавезно                  | Забрањено               |
| **Скакање тема**      | Забрањено         | Забрањено                 | Пожељно                 |
| **Ризик грешке**      | Критичан          | Критичан                  | Прихватљив              |

---

Исти модел, исти промпт, потпуно другачији резултат - само зато јер су параметри другачији.

Медицина и право имају **скоро идентичне параметре** јер деле исти захтев: тачност изнад свега. Маркетинг је на потпуно супротном крају скале - тамо је „погрешна” реч понекад **управо она права**.

---

## **7.** **Закључак**

Параметри ЛЛМ-ова нису само техничка ситница - они су суштина контроле над понашањем модела. *Temperature* одређује колико модел „ризикује” у избору речи. *Top\_P* и *Top\_K* одређују са колико кандидата модел ради у свакој позицији. *Frequency Penalty* и *Presence Penalty* брину о разноврсности текста и спречавају монотоно понављање.

Свака примена захтева свој скуп параметара. Медицина и право траже минималну насумичност и максималну прецизност. Маркетинг и креативни садржај боље ради са вишом температуром и слободнијим избором речи. Менаџмент, банкарство и логистика леже у средишту - потребна им је јасноћа, али и читљивост.

Кључно практично правило: **ако желите да контролишете ове параметре, морате користити API позиве, а не стандардне корисничке интерфејсе.** Само тако можете изградити решења која конзистентно задовољавају специфичне потребе вашег пословања.

Разумевање параметара је прва линија разлике између корисника ЛЛМ-ова и градитеља решења заснованих на ЛЛМ-овима. Добро подешени параметри могу у потпуности трансформисати квалитет излаза - исти модел, исти промпт, потпуно другачији резултат.
### О илузији разума у машини
URL: https://www.vijuge.rs/o-iluziji-razuma-u-masini/
Last updated: 2026-05-02T20:03:27.000Z
#### Садржај

Седиш пред екраном. Куцаш питање. Притискаш тастер, и тај чин, толико обичан да га готово и не примећујеш, представља тренутак предаје: предајеш свој матерњи језик нечему што не поседује језик, него га врло успешно симулира.

У том тренутку, док чекаш одговор, верујеш да се с друге стране одвија процес размишљања. И то веровање није баш наивно; оно је дубоко укорењено у начину на који људски ум функционише и оно те наводи да свему што личи на понашање припишеш унутрашњи живот. 

Зато верујеш да машина „размишља”, да тражи информације, да слаже концепте, можда чак и да разуме шта си је питао. И ово последње, ово „разуме”, јесте управо она тачка на којој целокупна конструкција почива, а уједно и тачка на којој се она руши. Јер разумевање, у оном смислу у којем га ти доживљаваш, подразумева контекст, подразумева искуство, подразумева памћење које није само складиште података већ лични доживљај, подразумева унутрашњу тишину у којој се значење не израчунава већ сазрева, и подразумева тело које је осетило хладноћу да би знало шта значи реч „зима”.

Машина не зна шта је зима. Она зна да после речи „хладна” статистички често долази реч „зима”, и то јој је довољно да произведе реченицу коју ћеш ти доживети као смислену. То је природна људска пројекција, јер ми видимо лица у облацима, ми чујемо гласове у вихору ветра, и сада, када смо прочитали одговор, видимо разум у тексту који генерише алгоритам.

Међутим, то је илузија.

Овде би требало да будемо врло прецизни када користимо реч илузија. Јер оно што називамо илузијом није исто што и лаж, нити је исто што и грешка, већ је то процес опажања у којем наш ум конструише значење тамо где значење, у изворном смислу, не постоји. 

Не постоји разум. 

Не постоји мисао. 

Не постоји чак ни разумевање речи онако како их ти разумеш, а ова последња тврдња захтева посебну пажњу, зато што имплицира нешто радикално: да је могуће произвести савршено граматички исправан, семантички кохерентан и убедљив текст без иједног тренутка свесности о томе шта тај текст значи. 

У одговору алгоритма постоји само статистика, хладна и вишедимензионална математика чији је једини задатак да погоди шта долази следеће. 

Ова хладноћа коју овде приписујемо статистици није метафора; она је буквални опис стања у којем не постоји субјект који осећа и не постоји ентитет којем је стало до исхода. Постоји само калкулација вероватноћа распоређених кроз простор [ЛЛМ](https://www.vijuge.rs/sta-je-zapravo-llm/)\-а од неколико билиона параметара.

Сваки одговор који добијеш од језичког модела, свака песма, сваки програмски код, сваки есеј који те је одушевио својом „креативношћу”, заправо је само низ предвиђања следећег [токена](https://www.vijuge.rs/token/). Ови системи не баратају језиком; они баратају статистичким репрезентацијама језика, што је фундаментално другачија ствар. 

Ово је почетна претпоставка од које полазимо и коју, чини се, морамо озбиљно да схватимо ако желимо да водимо искрен разговор о томе шта генеративна вештачка интелигенција јесте, а шта само изгледа да јесте.

### **Бројеви уместо речи: Архитектура пажње**

Када унесеш реченицу у модел, ти му не дајеш речи, већ низ бројева. И ова наизглед тривијална чињеница заслужује далеко више пажње него што јој се обично придаје. Свака реч, или прецизније, сваки сегмент речи који модел препознаје као засебну јединицу, пролази кроз процес токенизације, то јест претварања у нумеричку репрезентацију коју статистички систем може да обрађује. 

Оно што се при том губи јесте, разуме се, језик, у оном смислу у којем га ми доживљавамо: као живо ткиво значења, као нешто што носи тежину искуства и намере. То је први корак трансформације значења. Мада би се могло рећи да то и није толико трансформација колико превођење у други модалитет, у језик који машина разуме, а човек никада не би могао да прочита.

Оно што даље следи је механизам пажње (*Attention Mechanism*). Овај механизам представља фундаменталну промену у начину на који рачунарски системи процесирају секвенцијалне информације.

Старији системи за обраду природног језика, рекурентне неуронске мреже пре свега, читали су текст онако како и ми читамо књигу: секвенцијално, реч по реч, носећи са собом нешто налик краткорочном памћењу које је неизбежно бледело што је реченица бивала дужа. Ако се кључна информација налазила на почетку дугачког пасуса, а референца на њу тек на крају, систем је, метафорички речено, заборављао зашто је уопште почео да чита. 

Трансформер, архитектура коју су Васвани и сарадници представили 2017\. године у сада чувеном раду *Attention Is All You Need*, решава овај проблем на начин који је елегантан и рачунарски интензиван. 

Трансформер не чита линеарно. 

Он „гледа“ све одједном.

Ова констатација носи огромну тежину, јер описује нешто што је заиста чудно за људски ум навикнут на линеарни ток. Трансформер у истом тренутку обрађује све елементе улазне секвенце, израчунавајући за сваки пар токена меру њихове међусобне релевантности - такозвану тежину пажње. Суштина *self-attention* механизма јесте да сваки елемент улаза постаје и питање и одговор и вредност, а модел мери у којој мери информација коју носи један токен помаже да се разуме улога другог токена.

Ако имамо реченицу: „Мачка која је јурила пса била је брза“. Реч „била“ треба да зна на шта се односи. Модел зато „обраћа више пажње“ на реч „мачка“ него на „пас“, јер из структуре реченице учи да се „брза“ односи на мачку. *Self-attention* механизам ради управо то: свака реч процењује колико јој друге речи помажу да се правилно протумачи значење реченице.

### **Геометрија језика и векторско позиционирање**

Вишезначност речи представља један од најстаријих проблема у рачунарској лингвистици. Чињеница да механизам пажње ово решава прилично елегантно, додељујући високу тежину вези између речи „мрежа” и „рибар” а ниску вези између „мрежа” и, рецимо, „односа”, открива нешто важно о природи овог система: он не разуме значење речи, али разуме структуру контекста у којем се речи појављују. То, дакле, није истинско разумевање контекста. 

То је позиционирање вектора у вишедимензионалном простору.

Свака реч, односно сваки токен, представљена је као тачка у простору са хиљадама димензија, као вектор чија позиција не кодира значење у људском смислу, већ статистичке односе са свим другим токенима на којима је модел трениран. Механизам пажње мери углове и раздаљине између тих тачака користећи математичку операцију познату као скаларни производ (*dot product*), и управо ти углови и раздаљине одређују колико је један токен „важан” за други у контексту предвиђања следећег токена у низу. То је масивна матрица множења, *softmax* нормализација и пројекције кроз научене тежинске матрице, а све се то дешава у делићу милисекунде, паралелно, на хиљадама графичких процесорских јединица истовремено.

Узмимо реч „дуња” као пример. ЛЛМ не „зна” шта је дуња, али зна да се токен „дуња” статистички налази у близини токена „жута”, „ораси”, „слатко”, „Индекси”. Ово запажање, иако наизглед једноставно, указује на нешто што може бити врло узнемирујуће. Ако у свету језика, ЛЛМ може да управља речима са довољном прецизношћу да генерише кохерентне и информативне одговоре, а да притом нема никакву унутрашњу представу о стварности која стоји иза тих речи, шта то говори о природи самог језика? 

И шта то говори о нама и о домету нашег сопственог разумевања света, које је, можда, такође „само” статистичко позиционирање, али реализовано на биолошкој и искуственој основи? 

Модел не види свет. 

Он види геометрију језика. 

Али геометрија језика, како се испоставља, носи у себи запањујуће много информација о свету који смо описали речима.

### **Контролисана насумичност**

Када ЛЛМ заврши са прорачуном, када измери све тежине и односе између свих токена у улазној секвенци, он долази до краја упита и стоји пред задатком који представља његову једину и искључиву функцију: да генерише следећи токен. Он попуњава празнину. Али начин на који то ради није строго предодређен. 

Модел не бира једну исправну реч. 

Он генерише расподелу вероватноћа преко свог целокупног речника, и из те расподеле, којом можемо да управљамо параметром који се зове [температура](https://www.vijuge.rs/podesavanje-parametara/), бира се један токен. Виша температура значи већу случајност, већи ризик, креативнији али и непредвидљивији излаз. Нижа температура значи конзервативнији и очекиванији одговор.

Ту престаје детерминизам и почиње игра на срећу, јер модерна генеративна вештачка интелигенција, у својој суштини, јесте управо то: софистицирана лутрија заснована на геометрији језика, спроведена у простору који ниједан човек не може да визуализује и брзином коју ниједан човек не може да испрати. И управо та комбинација математичке прецизности и фундаменталне случајности чини ове системе истовремено тако моћним и тако необјашњивим.

Већина људи полази од погрешне претпоставке када размишља о томе шта језички модел заправо ради. Замишљамо некакав механизам претраге који тражи одговарајућу „страницу“ да би прочитао одговор са ње. То размишљање је потпуно разумљиво, али је и потпуно погрешно, јер модел не претражује ништа, нити игде „чува” чињенице у облику у којем бисмо их ми очекивали. 

Оно што модел заиста производи није један токен. 

Он производи распоред вероватноћа свих токена које „зна”.

Конкретније, након што обради ваш улаз - рецимо „Небо је...” - модел за сваки токен у свом речнику, а тај речник може садржати педесет до сто хиљада јединица, израчунава нумеричку вредност која представља колико је вероватно да баш та реч треба да се појави на следећем месту. Реч „плаво” можда добије шездесет пет процената, „облачно” двадесет, „високо” десет, док „зелено” пада на занемарљиви хиљадити део процента, а „кифла” практично не постоји као опција. Збир свих тих вредности мора, по математичком правилу, да износи тачно сто процената. Модел, дакле, не бира између неколико кандидата, већ приказује целокупну слику могућности.

И управо ту наилазимо на питање које нас интересује: **како ЛЛМ из те дистрибуције вероватноћа извлачи једну конкретну реч**?

Најлогичнији одговор био би да увек треба да изабере реч с највећом вероватноћом. Ако је „плаво” доминантан кандидат, са највећом вероватноћом појављивања, онда нека буде „плаво”, и тако за сваку следећу позицију у тексту. Овај приступ се у литератури назива похлепна претрага (*greedy search*), и он заиста делује као најрационалнији пут. Зашто бисте икада намерно бирали мање вероватну опцију?

Зато што бисте добили текст који је предвидљив.

Похлепна претрага ће по правилу произвести понављања, кружне петље и ону врсту просечности која подсећа на најобичнији административни текст, зато што модел у сваком кораку бира највероватнију, односно најсигурнију опцију, а сигурност у језику често води ка предвидљивости.

Разлог за то лежи у самој природи људског језика, јер ми не говоримо тако да свака наша реченица буде статистички најпредвидивија могућа верзија оног што желимо да кажемо. Напротив, значење се код нас људи често налази управо у оним речима које су мање вероватне, али семантички прецизније или стилски изражајније. 

Када неко каже да је небо „оловно” уместо „сиво”, та реч носи далеко мање статистичке вероватноће, али далеко више значења, јер она садржи тежину, претњу, атмосферу коју „сиво” никада не би успело да дочара.

Из тог увида, инжењери су у процес генерисања текста увели нешто што на први поглед делује парадоксално. Увели су контролисану насумичност, тј. елемент случајности који модел ослобађа од најпредвидивијег избора и приближава га ономе што језик заправо јесте: систем у којем ред и неред коегзистирају, и у којем понекад баш она мање очекивана реч каже оно што ниједна друга не може.

Овај корак, који на први поглед делује као конструктивна мана, заправо представља један од најважнијих аспеката целокупног процеса генерисања текста.

Тај процес формално се назива узорковање (*sampling*), и он функционише тако што модел посматра целокупну дистрибуцију вероватноћа коју је израчунао и из ње извлачи следећи токен на начин који је насумичан, али не и произвољан. Сваки токен задржава своју тежину, своју гравитацију у том простору могућности, тако да токен с већом вероватноћом и даље има веће шансе да буде изабран, али ниједан токен, колико год мала била његова вероватноћа, није потпуно искључен из игре. 

Реч „плаво”, са својих шездесет пет процената, и даље заузима далеко највећи удео у тој расподели, али „облачно” са двадесет процената остаје озбиљан кандидат, а чак и „зелено”, са својом маргиналном шансом, опстаје као теоријска могућност - и понекад, у ретким али не занемарљивим случајевима, управо та маргинална могућност буде реализована.

Оно што одређује колико ће тај процес бити предвидив или непредвидив јесте параметар који носи необично сугестивно име: [температура](https://www.vijuge.rs/podesavanje-parametara/).

Температура је, у суштини, мера контролисаног нереда у систему, и она функционише на начин који је јасан чак и без дубљег математичког предзнања. Када се температура спусти близу нуле, модел потпуно елиминише случајност из свог процеса одлучивања - он постаје детерминистички, што значи да ће на идентичан улаз увек, без икаквог одступања, произвести идентичан излаз. 

У том режиму нема простора за варијацију, за неочекиваност, за оно што бисмо могли назвати стилским ризиком; то је режим у којем желите да ЛЛМ ради када тражите правну прецизност, математички прорачун или генерисање програмског кода, дакле у контекстима где је свако одступање од највероватнијег одговора по дефиницији грешка.

![](https://storage.ghost.io/c/2d/c9/2dc983e7-62c6-4b30-b450-feb5e80e95da/content/images/2026/02/-----------4.1.jpg)

Али када се температура подигне, дешава се нешто суштински другачије. Дистрибуција вероватноћа се „поравнава”, што значи да се разлика између доминантног кандидата и оних мање вероватних смањује, и модел добија простор да бира путеве којима се ређе иде. Управо у том подигнутом режиму ЛЛМ може, уместо да произведе очекивано „Небо је плаво”, да генерише „Небо је плакало” - реченицу у којој реч „плакало” можда није имала више од два процента вероватноће, али у којој, једном када буде изабрана, цела реченица добија поетску и емоционалну тежину коју ниједан статистички оптималан избор никада не би могао да произведе.

![](https://storage.ghost.io/c/2d/c9/2dc983e7-62c6-4b30-b450-feb5e80e95da/content/images/2026/02/Slika-4.jpg)

И баш ту лежи парадокс који заслужује посебну пажњу: оно што ми доживљавамо као „креативност” модела и оно што стручњаци називају „халуцинацијом” нису два различита феномена. То су два имена за исти механизам посматран из два различита угла. Када модел одступи од статистички најсигурнијег избора и произведе нешто неочекивано а смислено, ми то називамо креативношћу; када одступи и произведе нешто неочекивано а нетачно, називамо то халуцинацијом. **Али сам процес који стоји иза оба исхода је идентичан** \- разлика је само у томе да ли је резултат тог одступања нешто што ми, као људи, препознајемо као вредно и смислено.

Последица свега овога јесте да модел на исто питање практично никада неће одговорити на потпуно исти начин, осим ако му температура није сведена на нулу, јер сваки пролазак кроз процес генерисања подразумева хиљаде узастопних тачака одлучивања у којима случајност игра своју улогу. Свака реч је резултат лутрије, једног засебног извлачења из дистрибуције вероватноћа, и путања текста се на свакој од тих тачака грана у правцима који су били могући али нису морали бити реализовани, тако да укупан простор потенцијалних одговора постаје толико огроман да се два идентична пролаза кроз њега готово никада не подударају.

И управо ова чињеница да ЛЛМ никада не каже исту ствар на потпуно исти начин, јесте оно што нам ствара илузију личности. Али реч „илузија” овде не означава превару или глуму. Она само описује једну појаву: та „личност“, у контексту језичког модела, није својство ентитета који стоји иза генерисаног текста, већ настаје као последица контролисане нестабилности самог система. То је статистика која је постала довољно сложена да, из људске перспективе, личи на људски карактер.

Механизам о којем смо до сада говорили, та контролисана лутрија кроз дистрибуцију вероватноћа и тај баланс између статистичке тежине и уведене случајности, открива једну истину о природи генерисаног текста. Ову истину није нарочито пријатно сазнати, али је неопходно формулисати је, ако желимо да разумемо шта заправо читамо када читамо одговор језичког модела.

Оно што ми спонтано препознајемо као „креативност” у тексту који модел генерише - та неочекиваност, тај осећај да је нешто речено на начин на који ми сами не бисмо умели - није производ намере, нити иза тога стоји било каква жеља за изразом. 

ЛЛМ је, уз помоћ математичке функције, у једном конкретном кораку генерисања токена, на основу израчунате дистрибуције вероватноћа и тренутне вредности температуре, одредио да токен број 14052 буде изабран уместо токена број 890\. Та једна нумеричка одлука, потпуно лишена семантичког садржаја на нивоу на којем је донета, произвела је реченицу коју ми, као читаоци, доживљавамо као смислену, можда чак и лепу.

То је случајност која личи на намеру. И управо та сличност, а не стварна подударност, заслужује да се над њом задржимо.

Јер размотримо шта би се десило у супротном случају - када бисмо модел приморали да увек, на свакој позицији, бира реч с највећом вероватноћом, без икаквог одступања. Највероватнији наставак сваке реченице је, по правилу, клише, а клишеи су, по самој својој дефиницији, оно што је најчешће написано, оно што заузима статистички врх у свакој дистрибуцији вероватноћа. **Највероватнији одговор је онај који је дат милион пута**.

Дакле, да би модел био користан, да би производио текст који вреди читати, он мора да одступа од онога што је најсигурније. Мора да скреће са пута чисте статистичке логике и да понекад бира оно што је мање вероватно.

И ту долазимо до парадокса који задире далеко дубље него што нам се на први поглед чини. Ми, људи, ту грешку, то одступање од статистичког оптимума, не препознајемо као грешку. Напротив, тумачимо је као интелигенцију. 

Када модел генерише неочекивану везу између два појма, спој који нисмо предвидели, ми реагујемо дивљењем, приписујемо му дубину и разумевање, говоримо да је „паметно” повезао ствари. У стварности, оно што се десило је да је статистички облак, генерисан механизмом узорковања, прошао кроз наш сопствени когнитивни филтер прихватљивости, и да смо ми тој случајној комбинацији токена приписали смисао који она сама по себи није садржавала у тренутку свог настанка.

То је свет у којем се налазимо. Седимо испред дигиталног прозора ЛЛМ-а и чекамо да нам статистика каже шта да мислимо или како да пишемо. Систем је дизајниран да нас не замара својом унутрашњом логиком. Он нам даје резултат који желимо да видимо, упакован у привидну креативност. Што више верујемо у ту креативност, то мање користимо сопствену. 

Постајемо саучесници у систему који награђује брзину генерисања уместо дубине разумевања. Сваки пут када се дивимо „паметном“ одговору модела, ми заправо одајемо признање добро израчунатом отклону од просека. То је стварност у којој су вероватноћа и случајност замениле логику и размишљање.

Размисли: када разговараш са човеком, чак и када те разуме погрешно, ти учиш нешто о границама и о процесу разумевања. Видиш како други ум гради смисао, како је погађа или промашује, како се исправља и покушава поново. Тај процес који је спор и несавршен, а често и напоран, је оно што те учи да мислиш. ЛЛМ ти ту лекцију краде. Он ти даје производ без овог процеса. 

Ми видимо намеру тамо где постоји само дистрибуција вероватноће. Видимо карактер тамо где постоји само параметар. И та наша потреба да у сваком генерисаном тексту тражимо аутора и намеру - говори можда мање о моделу, а далеко више о нама самима и о начину на који људски ум конструише значење.

У Србији, где је критичко мишљење деценијама систематски подривано, ова технологија долази на плодно тло. Ми смо друштво које је навикло да не пита „зашто”, него „ко каже”. Ауторитет нам је одувек био довољан одговор. А ЛЛМ, са својом безгрешном граматиком, својим стрпљивим тоном, питким текстом и својом бескрајном спремношћу да одговори на било шта - одлично глуми ауторитет. И ми га прихватамо, зато што смо уморни од свега. Јер уморном човеку је лакше да пита машину него да мисли својом главом.

### **Статистика уместо истине**

Све о чему смо до сада говорили - дистрибуција вероватноћа, узорковање, температура као регулатор нереда - неминовно нас доводи до питања које се више не тиче механике система, већ његових последица, и то последица које нису техничке природе, него се односе на природу сазнања: шта се дешава са појмом истине у систему који је конструисан да производи текст, а не да утврђује чињенице?

Цена ослањања на овакав систем јесте, у најдиректнијем могућем смислу, сама истина.

Јер оног тренутка када заиста схватите да је сваки одговор који модел произведе **резултат прорачуна вероватноће и насумичног узорковања**, морате прихватити и оно што из тога логички следи - а то је да „истина”, као категорија, за ЛЛМ једноставно не постоји. 

Не постоји у оном смислу у којем ми ту реч користимо, као ознаку за исказ који се поклапа са стањем ствари у стварности; за модел, оно што ми називамо чињеницом није ништа друго до токен, или низ токена, који у датом контексту носи високу вероватноћу појављивања. 

Модел не разликује тачно од нетачног. 

Он разликује вероватно од мало вероватног. 

Он не процењује истинитост, већ вероватноћу.

Ова два мерила, ма колико често давала сличан резултат, нису исто, и њихово мешање представља једну од најопаснијих когнитивних замки у коју можемо упасти при коришћењу ових система.

Размотримо следећи пример, који је намерно поједностављен да би учинио видљивим оно што је иначе скривено: ако је у корпусу текстова на којима је модел трениран, милион пута написано да је Земља равна, а само сто хиљада пута да је округла, модел ће, без додатне интервенције, доделити већу вероватноћу токену „равна” у одговарајућем контексту. Ово ће урадити не зато што „верује” да је Земља равна, наравно, јер модел не верује ништа, већ зато што његов једини приступ стварности пролази кроз учесталост језичких образаца, а не кроз било какав контакт са физичким светом.

ЛЛМ не проверава стварност. 

Он само проверава колико често је нешто речено.

И управо у том процепу - између онога што јесте тачно и онога што је често написано - лежи фундаментална слабост целокупног приступа, слабост коју ниједно побољшање архитектуре, ниједно повећање параметара, не може потпуно елиминисати, јер је она уграђена у саме темеље онога што језички модел јесте. 

Ми смо, другим речима, изградили модел који не види свет, већ искључиво „види“ наше описе света кроз речи којима смо тај свет описали. ЛЛМ функционише тако што те описе комбинује, преслаже и извлачи из простора неограничених могућности. Он нема приступ ничему изван текста. За њега, свет почиње и завршава се у подацима на којима је трениран. То су милијарде речи, из свих текстова које је човечанство икада написало - од научних радова до напуштених блогова, од Шекспира па до огласа за половне аутомобиле.

Из овога следи нешто што је непријатно али нужно да разумемо: сваки пут када од модела добијемо одговор који нас задиви својом прецизношћу, дубином или елоквенцијом, тај одговор није производ разумевања - он је производ околности у којима је генератор случајних бројева, пролазећи кроз дистрибуцију вероватноћа, произвео низ токена који се задесио да буде тачан, релевантан и добро формулисан. И исто тако, сваки пут када модел произведе бесмислицу, халуцинацију или очигледну нетачност, тај исход није последица неког квара у систему - то је исти механизам, исти процес, иста математика, само са другачијим исходом. Бриљантност и глупост, у овом систему, имају идентично порекло.

Зашто је ово важно? У свету преплављеном причама о „општој вештачкој интелигенцији” и „супер интелигенцији”, разумевање да је све ово само низ матричних операција и насумичних узорковања даје ти одређену предност. То ти омогућава да боље разумеш резултате које добијаш. Када модел погреши, он није „збуњен” или „уморан”; он је једноставно отишао низ статистички пут који се показао као погрешан, или су му подаци за тренинг били недовољно квалитетни. Када је модел бриљантан, он није „пронашао решење”; он је само успешно мапирао твоје питање на висококвалитетне обрасце из своје неуронске мреже.

На крају, морамо прихватити да је непредвидивост ових модела њихова највећа врлина и њихов највећи системски недостатак. Та случајност која бира следећи токен јесте оно што нам омогућава да нађемо нове начине за изражавање старих, већ виђених идеја. Али као и код сваког алата заснованог на вероватноћи, одговорност за финалну синтезу истине остаје искључиво на нама. Систем ће увек понудити следећи токен; на нама је да проценимо да ли је тај токен корак ка решењу или је само статистички убедљива илузија смисла.

У машини нема унутрашњег субјекта. Нема свести која се буди иза низова токена.

Оно што постоји јесте процес - непрекидан, итеративан, потпуно механички - у којем се токени генеришу један по један, сваки условљен онима који су дошли пре њега, а сви заједно вођени дистрибуцијом вероватноћа коју ниједан људски ум не може у потпуности да сагледа. 

Када прочиташ овај текст и размислиш о ономе што си прочитао, сасвим је на месту да осетиш дивљење. Али то дивљење треба да буде усмерено према инжењерима, математичарима и истраживачима који су осмислили архитектуру способну да од статистике направи нешто што тако убедљиво личи на мисао. То јесте величанствено достигнуће, и оно заслужује огромно признање.

На крају, остаје нам једна слика. Машина која је направљена да игра лутрију. Свака реч коју произведе могла је бити друга реч. Сваки одговор је само једна путања кроз бесконачне могућности, изабрана у делићу секунде, неповратно. Ми стојимо испред те машине и тражимо од ње две ствари које се међусобно искључују: да нас изненади и да буде поуздана. Да буде уметник и чиновник у исто време.

Можда ће једног дана неко пронаћи начин да помири те две природе. Али данас, док куцаш питање у празно поље и чекаш одговор, знај да негде у дубини система један случајан број управо пада на своје место. И од тог броја зависи да ли ћеш прочитати нешто што ћеш заборавити за пет минута или нешто што ће ти променити начин на који размишљаш. Разлика између та два исхода није знање. Није ни памет. То је - лутрија.

А шта ћемо са машином?

Она не зна да си ту. Она не зна шта је написала. За њу, овај текст није прича о њеној сопственој природи, нити размишљање о границама онога што она јесте и шта није. За њу је ово само низ бројева, низ токена генерисаних један за другим, који се завршава тачком не зато што је реченица смислено закључена, већ зато што је у том конкретном тренутку, на том конкретном месту у низу, тачка била статистички највероватнији следећи токен. 

Она не ставља тачку зато што је завршила мисао. Она ставља тачку зато што јој бројеви кажу да је то сада најочекиванији потез који треба да направи.

И можда је управо та реченица - та чињеница да машина не зна да треба да заврши - најпрецизнија слика онога што она заиста јесте: систем који може да производи и завршетке а да никада, ни у једном тренутку, не разуме шта значи завршити.
### Елиминација халуцинација АИ система при издвајању података из приложених докумената
URL: https://www.vijuge.rs/utemeljenje-ai/
Last updated: 2026-05-07T18:22:28.000Z
#### Садржај

## **1.Концепт и пословна логика**

Пре него што се упустимо у техничке механизме и конкретне промпт стратегије, неопходно је разумети зашто халуцинације настају и какав пословни утицај могу да имају. Овај текст успоставља два темељна оквира. Први се односи на природу проблема: како и зашто АИ системи генеришу информације без основа у изворном документу, а други на пословну димензију решења, односно мерљиву вредност коју структуриран приступ елиминацији халуцинација доноси организацији. Разумевање оба аспекта представља предуслов за ефикасну примену техника које следе.

### **1.1 Утемељење АИ система при раду са документима (Grounding)**

Када АИ систем обрађује пословни документ: уговор, фактуру, полису осигурања, грађевинску дозволу, тада постоји структурни ризик да систем генерише информације које не постоје у изворном документу. Овај феномен се у индустрији назива халуцинација (halucination), а у пословном контексту представља директан оперативни ризик: погрешно протумачена клаузула у уговору, измишљена ставка на фактури или нетачан податак из техничке документације.

Узрок је структуралан. АИ модели су тренирани да буду корисни и да увек понуде одговор. Када модел не може да лоцира тражену информацију у документу, уместо да сигнализира неизвесност, он попуњава празнине из свог скупа података које је „видео“ у току тренинга, генеришући одговор који звучи уверљиво, али нема основу у приложеном документу.

### 1.2 Пословна вредност и РОИ

Издвајање података из докумената је један од највреднијих пословних примера примене АИ-ја. Међутим, свака халуцинација генерише каскадни трошак: време за мануелну верификацију, ризик од одлуке засноване на нетачним подацима, те потенцијални правни или финансијски губитак.

Применом структурираног приступа који се састоји од три елемента: избор одговарајућег модела, утемељење кроз промпт и систематска верификација, организације могу очекивати:

**Смањење грешака:** Драстично смањење броја нетачних или измишљених информација у АИ одговору.

**Уштеду времена:** Навођење извора од стране АИ-ја убрзава људску проверу за 50–70%, јер верификатор одмах зна где да провери.

**Проширивост:** Исти промпт шаблон може се применити на стотине докумената без губитка квалитета излаза.

### 1.3 Три стуба приступа

![](https://storage.ghost.io/c/2d/c9/2dc983e7-62c6-4b30-b450-feb5e80e95da/content/images/2026/02/Tri-stuba-1.jpg)

## **2\. Компаративна анализа - студија случаја**

**Сценарио: Анализа уговора о набавци сировина за фабрику**

Директор набавке у производној компанији користи АИ да издвоји кључне услове из уговора са добављачем: рокове испоруке, пенале за кашњење, услове плаћања и гаранције квалитета.

**Лoш промпт:** *Прочитај овај уговор и реци ми шта пише о испорукама и казнама.*

**Добар промпт:**

Kopiraj 

Анализирај приложени уговор о набавци. Придржавај се следећих правила:  
1. Базирај своје одговоре ИСКЉУЧИВО на приложеном документу. Не користи интернет, податке на којима си трениран или претпоставке.  
2. Ако тражена информација није пронађена у документу, наведи: 'НИЈЕ ПРОНАЂЕНО У ДОКУМЕНТУ' -немој да нагађаш.  
3. За сваку тврдњу наведи: назив документа, број странице/клаузуле и тачан цитат из текста.  
4. Ако пронађеш нешто релевантно али ниси потпуно сигуран да одговара на питање, означи то као НЕВЕРИФИКОВАНО.  Издвоји следеће: рокови испоруке, пенали за кашњење, услови плаћања, гаранције квалитета материјала.
      
    
**Зашто је ефикасан:** Овај промпт примењује сва четири принципа утемељења: 

1\. ограничава извор информација на документ, 

2\. експлицитно дозвољава АИ-ју да призна неизвесност, 

3\. захтева цитирање са прецизношћу до клаузуле/странице, и 

4\. уводи сиву зону за тврдње средње поузданости. 

Директор набавке добија структуриран излаз који може верификовати за 5 минута уместо за 45, са јасним индикатором где АИ није био сигуран.

## 3.Примери добре праксе по секторима

Следећи шаблони су спремни за директну употребу (copy/paste). Прилагодите назив документа и специфичне захтеве свом контексту.

### 3.1 HR сектор: **Анализа уговора о раду у малопродаји**

**Контекст:** HR менаџер у малопродајном ланцу треба да провери услове запошљавања из 15 уговора о раду за новозапослене у магацинима: пробни рад, отказни рок, додатке за ноћни рад и ограничења прековременог рада.

Промпт:

Kopiraj 

Приложио/ла сам уговор о раду за запосленог у малопродајној фирми. Анализирај га према следећим правилима: 

ПРАВИЛА: 
- Користи ИСКЉУЧИВО информације из приложеног документа. Ништа из података на којима си трениран или са интернета. 
- Ако податак не постоји у документу, наведи: 'НИЈЕ ПРОНАЂЕНО У ДОКУМЕНТУ'. Не погађај и не претпостављај. 
- За сваку тврдњу наведи: тачан број члана/клаузуле и релевантан цитат из текста. 
- Ако си делимично сигуран у тумачење, означи тврдњу са: [НЕВЕРИФИКОВАНО - потребна људска провера].  

ИЗДВОЈИ СЛЕДЕЋЕ: 
1. Трајање пробног рада и услови за раскид током пробног периода. 
2. Отказни рок - обострани, са евентуалним разликама. 
3. Додаци на зараду: ноћни рад, прековремени рад, рад недељом и празницима. 
4. Ограничења прековременог рада - максималан број сати недељно/месечно. 
5. Клаузула о забрани конкуренције, ако постоји.  

Формат излаза: структурирана табела са колонама: СТАВКА | ВРЕДНОСТ | ЧЛАН/КЛАУЗУЛА | ЦИТАТ | СТАТУС (Верификовано / Неверификовано / Није пронађено).

### **3.2 Маркетинг сектор: Анализа извештаја о тржишном уделу FMCG производа**

**Контекст:** Директор маркетинга у **FMCG** компанији добија квартални извештај агенције за истраживање о тржишном уделу категорије безалкохолних пића. Потребно је брзо издвајање кључних цифара за презентацију управи.

Промпт:

Kopiraj 

Приложио/ла сам квартални извештај агенције за истраживање о тржишту безалкохолних пића. Анализирај га према следећим правилима:  
      
ПРАВИЛА: 
- Базирај СВЕ одговоре искључиво на приложеном документу.
- Не користи интернет, претходна знања, нити индустријске претпоставке. 
- Ако податак не постоји у извештају, наведи: 'ПОДАТАК НИЈЕ ПРИСУТАН У ИЗВЕШТАЈУ'. Не допуњавај из општег знања. 
- Сваки нумерички податак (%) мора имати цитат: страну, табелу или графикон одакле је преузет. 
- Ако очитавање из графика/табеле није једнозначно, означи: [ПРОЦЕНА - проверити са извором].  

ИЗДВОЈИ СЛЕДЕЋЕ: 
1. Тржишни удео наше компаније по категоријама (газирани напици, сокови, вода) - текући квартал према претходном. 
2. Тржишни удео топ 3 конкурента по истим категоријама. 
3. Промена удела (тренд) - раст или пад у процентним поенима. 
4. Регионална дистрибуција - који региони показују најбоље/најслабије перформансе. 
5. Кључни закључци или препоруке агенције, ако су наведени у документу.  

Формат: Структурирана табела погодна за директан пренос у PowerPoint презентацију. Наведи извор (страну/табелу) за сваки податак.
      
    
### **3.3 Виши менаџмент: Ревизија записника надзорног органа код примопредаје грађевинских радова**

**Контекст:** Технички директор у грађевинској компанији треба да анализира записник надзорног органа са градилишта стамбеног комплекса: идентификовање недостатака, рокови за отклањање, и класификација озбиљности налаза.

Промпт:

Kopiraj 

Приложио/ла сам примопредајни записник са надзорним органом на градилишту стамбеног комплекса. Ово је документ са високим ризиком и озбиљним последицама - грешка у тумачењу може довести до правних и безбедносних проблема.  

ПРАВИЛА (СТРИКТНО): 
- Одговарај ИСКЉУЧИВО информацијама из приложеног документа. Нулта толеранција за претпоставке. 
- Ако податак није експлицитно наведен у записнику: 'НИЈЕ НАВЕДЕНО У ЗАПИСНИКУ'. 
- Одговарај САМО ако си 100% сигуран да информација потиче из документа. Ово је високоризичан сценарио: боље је да нешто пропустиш него да измислиш. 
- Свака тврдња мора имати: број странице, тачку из записника и директан цитат.  

ИЗДВОЈИ СЛЕДЕЋЕ: 
1. Листа свих идентификованих недостатака (snag list), са класификацијом озбиљности ако је наведена. 
2. Рокови за отклањање сваког недостатка. 
3. Одговорна лица или фирме одређене за отклањање недостатака. 
4. Евентуално наложени хитни радови на отклањању недостатака - на којим позицијама и до када. 
5. Захтеви за поновну инспекцију - датуми и услови.  

Формат: Табела са колонама: Р.БР. | НЕДОСТАТАК | ОЗБИЉНОСТ | РОК | ОДГОВОРНО ЛИЦЕ | ЦИТАТ ИЗ ЗАПИСНИКА | СТРАНИЦА.  

НАПОМЕНА: Ово је анализа високог ризика. Ако иједан податак није потпуно јасан из документа, означи га као: [ЗАХТЕВА ЉУДСКУ ВЕРИФИКАЦИЈУ].
      
    
## **4\. Протокол верификације АИ одговора**

Промптови из претходних секција значајно смањују стопу халуцинација, али не елиминишу их у потпуности. Организација мора имати дефинисан протокол верификације сразмеран ризику одлуке која се доноси на основу АИ одговора.

### **Ниво 1 - Самопровера (низак ризик)**

**Примена:** Рутинско издвајање података, интерно информисање, необавезујући документи.

Процедура: Када добијете одговор модела онда постављате још једно питање:

Kopiraj 

Поново скенирај документ за сваку тврдњу коју си дао. За сваку тврдњу пронађи тачан цитат који је подржава. Ако не можеш да пронађеш цитат онда повуци тврдњу.
      
    
### **Ниво 2 -Унакрсна провера другим АИ моделом (средњи ризик)**

**Примена:** Анализа уговора, финансијски извештаји, понуде за тендере.

Процедура: АИ одговор из првог модела (нпр. ChatGPT) заједно са изворним документом прослеђујете другом, независном моделу (нпр. Claude Opus). Промпт за други модел:

Kopiraj 

Прегледај приложену анализу у односу на изворни документ. Означи сваку тврдњу која није директно подржана текстом документа. За сваку означену тврдњу наведи зашто сматраш да није подржана.
      
    
### **Ниво 3 -Специјализовани алат, NotebookLM (висок ризик)**

**Примена:** Правна документација, регулаторни захтеви, инспекцијски записници, уговори високе вредности.

Процедура: Изворни документ и АИ анализу учитавате у Google NotebookLM, који је пројектован за утемељену претрагу и верификацију тврдњи наспрам извора. NotebookLM пружа референце на тачан део изворног документа за сваку тврдњу, што додатно убрзава људску проверу.

## 5.Резиме за доношење одлука

| **КОРАК**            | **АКЦИЈА**                                                                                              | **РЕЗУЛТАТ**                      |
| -------------------- | ------------------------------------------------------------------------------------------------------- | --------------------------------- |
| **1\. Модел**        | Изаберите модел са највишим капацитетом резоновања доступан у вашој организацији.                       | Базична редукција халуцинација    |
| **2\. Утемељење**    | Примените промпт шаблон: ограничење извора + дозвола неизвесности + цитирање + средња зона поузданости. | Структуриран и проверљив АИ излаз |
| **3\. Верификација** | Одаберите ниво верификације сразмеран ризику: самопровера, унакрсна провера или NotebookLM.             | Проверен излаз спреман за одлуку  |

**Кључна порука:** АИ чет-бот греши јер је пројектован да буде услужан по сваку цену. Структура промпта помаже да усмерите модел ка бољем квалитету одговора. Ако уложите 5 минута свог времена у писање квалитетног промпта, можете уштедети сате мануелног рада и елиминисати ризик одлуке засноване на измишљеним подацима.
### Преговарање са вероватноћом: Зашто синтакса није суштина AI револуције
URL: https://www.vijuge.rs/prompt-inzenjering-2/
Last updated: 2026-02-14T18:28:04.000Z
#### Садржај

Последњих годину дана сведочимо великом таласу „експертских“ курсева који обећавају да ће вас за неколико недеља претворити у сертификованог промпт инжењера. Маркетинг је јасан: постоји тајна формула, постоје скривене структуре реченица, постоје прецизна правила која, ако их савладате, гарантују контролу над великим језичким моделом ([LLM](https://www.vijuge.rs/sta-je-zapravo-llm/)). 

Око ове идеје се гради читава мини-индустрија: вебинари, шаблони, чек-листе, „напредни“ трикови. Међутим, основну претпоставку на којој све то почива ретко ко доводи у питање: да ли је могуће увести строгу методологију у систем који по својој природи није детерминистички?

Испод те површине, испод сјајних сертификата који обећавају магичне резултате, лежи фундаментална заблуда. Оно што називамо „инжењерингом“ у овом контексту ретко поседује карактеристике инжењерске дисциплине - предвидљивост, поновљивост и јасну узрочно-последичну везу. Уместо изградње мостова по законима физике, ми се овде бавимо преговарањем са статистичком вероватноћом. 

Када видите менаџера који сатима преправља један те исти промпт да би од машине добио „савршен“ извештај, то није програмирање система. То је покушај да се случајност контролише речима. То више личи на погађање шта ће упалити, него на прецизну науку, плус је све упаковано у ауторитативне изразе.

Проблем настаје оног тренутка када поверујемо да је синтакса суштина. Убеђење да постоји „права реченица“ која, ако се правилно напише, отвара неслућене капацитете модела, заправо је одраз наше људске потребе за детерминизмом. Ако сте три пута добили добар резултат користећи фразу „понашај се као експерт“, ваш мозак ће усвојити правило. Али, модел не „разуме“ концепт експерта на начин на који ми то разумемо, нити поштује наша правила на начин на који то ради традиционални софтвер.

Ова разлика није семантичка, она је оперативна и стратешка. Када организација уложи ресурсе у обуку запослених да упамте специфичне фразе или комплексна упутства, она је промашила циљ. Модели се мењају. Оно што је функционисало на претходној архитектури може бити потпуно сувишно или чак контрапродуктивно на неком будућем моделу. 

Технике које данас учимо као „напредне стратегије за писање промптова“ заправо су само привремене закрпе за тренутна ограничења технологије. То нису трајне вештине; то су помагала. Фокусирањем на њих, ми запослене учимо како да заобилазе проблем, а не како да га структурирају.

### **Симулација продуктивности уместо стварне вредности**

Погледајмо ово кроз призму економије рада и организационе културе. У многим домаћим фирмама, где је култура често усмерена на форму уместо на суштину, писање километарских упита постаје савршен алат за симулацију продуктивности. Лакше је провести два сата „оптимизујући промпт“ него провести два сата прикупљајући валидне и прецизне податке или дефинишући стварне пословне захтеве. 

Ово ствара опасну повратну спрегу. Запослени се осећају продуктивно јер „комуницирају са AI-јем“, менаџмент је задовољан јер се „имплементирају нове технологије“, а стварна вредност - квалитетна одлука или решен проблем - остаје у другом плану. Имамо ситуацију где се више времена троши на формулисање питања него на критичку анализу одговора.

Размотримо конкретан пример из праксе. Замислите финансијског аналитичара који користи комплексни вишестепени шаблон за промпт да би добио процену ризика за одређену инвестицију. Он пажљиво саставља упит, тражи од модела да прво анализира макроекономске факторе, затим специфичности индустрије, ограничава врсте ризика и на крају да синтетише закључак. Модел избаци импресиван, логички структуриран текст. Аналитичар је задовољан јер је добио резултат који делује ауторитативно. 

Међутим, овде лежи системски ризик: кохерентност није исто што и тачност. Модел може савршено симулирати процес резоновања, пратећи све кораке које сте му задали, а да притом оперише потпуно измишљеним подацима или погрешним претпоставкама. Форма је задовољена, али је пословни резултат потенцијално катастрофалан јер је фокус био на томе *како* питамо, а не *шта* модел заправо зна.

Права истина, коју ретко чујете на курсевима и семинарима, јесте да је већина „инжењеринга упита“ заправо компензација за лошу комуникацију или недостатак контекста од стране човека. Ако морате да напишете три странице инструкција да би модел урадио оно што желите, вероватно проблем није у моделу, већ у томе што задатак није јасно дефинисан. 

У традиционалном инжењерству, ако систем захтева да корисник унесе шифру тачно под углом од 37 степени да би функционисао, то називамо лошим дизајном, а не „напредном корисничком вештином“. Међутим, у свету вештачке интелигенције, ми смо управо ту ману брендирали као вештину.

### **Психологија контроле и права стручност**

Постоји и психолошки аспект ове опсесије. Људи воле ритуале. Воле осећај да поседују тајно знање које им даје моћ над машином. Али реалност је другачија. Ми често тражимо узрочност тамо где постоји само корелација или чиста случајност.

Оно што заиста раздваја успешну примену од аматеризма није познавање трикова, већ доменско знање и способност системског размишљања. Прави инжењеринг у овом домену није слагање речи, већ архитектура информација. Које податке дајемо моделу? Да ли смо му дали довољно контекста о нашем пословању? Да ли смо дефинисали тон нашег бренда и обезбедили историјске податке компаније?

Прави професионалац неће трошити време на смишљање савршених придева у инструкцији. Он ће се фокусирати на то да моделу достави конкретне узорке, јасне спецификације и недвосмислена ограничења. Први приступ је уметност погађања, а други је стварно управљање контекстом.

### **Повратак основама: Шта заиста треба да учимо?**

Ово нас доводи до кључног питања за лидере и менаџере: Шта онда треба да учимо наше запослене? Ако не учимо људе промптовању, шта градимо као компетенцију?

Одговор лежи у повратку на основе које смо у овој технолошкој грозници запоставили. Способност декомпозиције комплексног проблема на мање, логичке целине далеко је вреднија од познавања синтаксе.

Друга кључна компетенција је евалуација - способност критичке процене одговора постаје најскупљи ресурс. Уместо да учимо људе како да генеришу текст, треба да их учимо како да га исправљају, како да провере чињенице и како да препознају логичке грешке. Врхунски корисник AI алата није онај који најбоље даје инструкције алгоритмима, већ онај који има најразвијенији имунитет на бесмислице које алгоритми могу да произведу са великим самопоуздањем.

Постоји и димензија одговорности. Када се превише ослањамо на комплексност упита, ми суптилно пребацујемо одговорност на алат. „Питао сам га на прави начин, али је погрешио“ постаје валидан изговор. Ово је опасно. Ако Ексел избаци погрешан резултат јер сте унели лошу формулу, нико не криви софтвер, криве вас. Исто мора важити и овде.

**Стварна моћ не лежи у томе како се обраћате машини, већ у томе колико добро разумете проблем који покушавате да решите уз помоћ те машине.** Ако ваши људи не знају критички да размишљају, AI ће их претворити у пасивне посматраче сопственог посла.

Неопходна је суштинска промена мишљења: уместо усавршавања промптова, треба градити системе и процесе. Прави корисници AI технологије нису они који познају најбоље формулације, већ они који јасно разумеју своје потребе и препознају када их вештачка интелигенција одводи у погрешном смеру. Све остало је само тактика са роком трајања до следеће верзије AI модела.
### Зашто ниједна техника промптовања не може да замени ваше вијуге
URL: https://www.vijuge.rs/tehnike-promptovanja/
Last updated: 2026-04-10T18:04:05.000Z
#### Садржај

Данас се суочавамо са свеприсутном претпоставком да постоји једна посебна техника промптовања која ће откључати скривени потенцијал великих језичких модела ([LLM](https://www.vijuge.rs/sta-je-zapravo-llm/)). 

*RACE, RISEN, CLEAR, STAR, CARE, APE, CO-STAR, CRISPE, PEACE, IDEAL, RTF, BROKE, PCT, SCOPE, 5W1H, ReAct, TAG, GAINS, SMART, TRACE, GRADE, COSTAR-R, CREATE, CRAFT, PRIME, ALIGN, FOCUS, GUIDE, SCQA, chain-of-thought, tree-of-thought, few-shot, zero-shot, self-consistency, role prompting* \- списак расте готово сваког месеца. 

А ви се, као неко ко жели да користи AI алате на послу, суочавате са питањем: у коју од ових техника да уложим своје време и пажњу? Одговор би могао бити истовремено једноставан и помало провокативан, јер у својој суштини, све оне раде исту ствар.

Можда вам ово звучи као провокација, али верујем да је реч о проверљивој чињеници, која је директна последица начина на који језички модели заиста функционишу. Пре него што то детаљније разложимо, можда би требало да се суочимо са тим зашто овакав став на први поглед делује нелогично и зашто се толика интелектуална енергија троши на раздвајање техника које су, у основи, најчешће само различите варијације истог механизма.

### Таксономија као замена за суштинско разумевање

За стално умножавање и раздвајање техника, разлог је вероватно психолошки колико и институционални. Када систем постане довољно сложен да измиче нашој интуицији, најлакши одговор је нова класификација. Таксономија постаје замена за објашњење: измишљамо нове називе, цртамо нове дијаграме и проглашавамо суштинске разлике тамо где можда постоје само нијансе.

Када се појави нова технологија која се не понаша као софтвер на који смо навикли, наш први инстинкт је да је класификујемо кроз познате обрасце. Тада настаје читав жанр садржаја који обећава да ће вам открити „праву формулу". То је исти онај механизам који у менаџменту рађа бесконачне оквире и матрице (BSC, OKR, RACI) - сваки са својом терминологијом, али сви у суштини покушавају да реше сличан проблем координације и одговорности. Технике промптовања су еквивалент тога у домену интеракције са језичким моделима.

### Механизам иза кулиса: Све је само продубљивање контекста

Хајде да погледамо шта ове технике промптовања заправо раде. *Chain-of-thought* промптовање тражи од модела да прикаже кораке размишљања пре коначног одговора. *Few-shot* му даје примере жељеног формата и квалитета. *Role prompting* поставља контекст улоге („ти си искусан правник"). *Tree-of-thought* генерише више паралелних путања размишљања. *Self-consistency* тражи више одговора па бира најчешћи.

Погледајмо како раде још неке од популарнијих техника:

***RACE*** организује упит кроз редослед: контекст, конкретна акција, критеријуми успеха и очекивани исход. Његова снага је у дисциплинованом структурирању улаза који сузбија неодређеност. Модел добија уређенији простор вероватноћа.

***RISEN*** додаје слој обраде: улога, улаз, кораци, очекивања и ограничења. На тај начин унапред симулира ток размишљања који желимо да видимо у одговору. У суштини, то би смо могли назвати нова кореографија истог механизма предвиђања.

***CLEAR*** инсистира на јасноћи, логичкој повезаности и релевантности као експлицитним захтевима. Он прецизира критеријуме квалитета у самом упиту. Резултат је нешто ужа дистрибуција могућих одговора.

***STAR*** користи наративну матрицу ситуација-задатак-акција-резултат како би одговор био структуриран и мерљив. Та форма усмерава модел ка узрочно-последичној логици. Опет, није реч о новом процесу, већ пре о наметању детаљније структуре текста.

На први поглед, ово су све фундаментално различити приступи. Али ако погледамо пажљивије, свака од ових техника ради једну те исту операцију: сужава простор могућих одговора тако што моделу даје више контекста о томе шта тачно тражите и како желите да размишља.

Језички модел је, у својој основи, систем за статистичко предвиђање следећег токена на основу свих претходних токена у контексту. Сваки додатни токен који му дате, било да је то пример, инструкција да размишља корак по корак или дефиниција улоге, помера дистрибуцију вероватноће следећег генерисаног токена. 

*Chain-of-thought* не активира никакав посебан „модул за размишљање" унутар модела. Он једноставно генерише међукораке који постају део контекста, и ти међукораци померају вероватноћу коначног одговора ка тачнијем резултату. 

*Few-shot* ради исто: примери постају контекст који сигнализира формат, тон и дубину. 

*Role prompting* додаје опис персоне који помера дистрибуцију ка стилу одговора који је у асоцијацији са том улогом у подацима на којима је модел трениран.

Другим речима, свака техника је, на крају крајева, само другачији начин да се каже: „ево више информација о томе шта желим". Механизам је готово увек исти - проширење и обогаћивање контекста.

### Јасноћа намере наспрам техничких трикова

Зашто је ово важно за вас? Зато што начин на који се технике промптовања презентују у јавном дискурсу ствара помало лажну слику сложености тамо где је суштинска динамика релативно једноставна. Када ваш тим проведе два дана бирајући између *chain-of-thought* и *tree-of-thought* приступа за интерни пројекат, то је време које није посвећено питању које заиста одређује квалитет резултата: колико прецизно разумете сопствени проблем и колико јасно то можете артикулисати.

Замислите следећу ситуацију: компанија развија интерни алат за анализу корисничких рекламација. Тим задужен за интеграцију језичког модела одлучује да користи *few-shot* приступ - дају моделу пет примера класификованих рекламација и очекују да настави по истом обрасцу. Резултати су осредњи. Прелазе на *chain-of-thought* \- траже од модела да најпре анализира тон поруке, затим идентификује кључни проблем, па тек онда класификује. Резултати су нешто бољи. Тим закључује да је *chain-of-thought* „најбоља техника".

Али шта се заправо десило? У другом приступу, модел је добио експлицитнији опис жељеног процеса размишљања зато што је тим, формулишући промпт, био приморан да дубље размисли о сопственом процесу класификације. Побољшање није дошло из технике. Дошло је из јасније намере и детаљнијег захтева.

Ово вероватно није само изолован случај, већ симптом ширег обрасца. Истраживања доследно указују да варијације у квалитету одговора великих језичких модела пре свега прате квалитет и прецизност улазног контекста, а знатно мање формалну структуру самог промпта. 

Пресудан је садржај и јасноћа информација које модел добија, а не шема у коју су оне упаковане. Модел који добије нејасан задатак са савршеном *chain-of-thought* структуром готово сигурно ће дати лошији резултат од модела који добије прецизан, детаљан задатак у слободној форми. Техника је секундарна; јасноћа је примарна.

Наравно, постоје ситуације у којима избор технике није сасвим тривијалан. Код сложених математичких проблема, експлицитно вођење кроз кораке заиста помаже због тога што међукораци генеришу токене који држе модел „на путу" ка тачном решењу. 

Код генерисања креативног садржаја, *role prompting* може активирати стилске обрасце из података за тренирање који су релевантни за задати контекст. Али у свим овим случајевима, техника сама по себи није довољна. Она не може да унапреди ваше размишљање, већ га само лепо технички пакује. Ако намера није јасна и ако не знате прецизно шта хоћете, ниједна техника је неће поправити.

### Комуникација пре алгоритама: Укључите сопствене вијуге

Шта би ово могло да значи за праксу? Прво, можда би требало да престанемо да гледамо на промптовање као на строгу техничку дисциплину где можемо дефинисати универзалну најбољу праксу. Корисније је да га посматрате као комуникациону вештину и способност да прецизно артикулишете захтев, дефинишете очекивани формат, наведете ограничења и дате релевантан контекст. 

У српском пословном окружењу, где хијерархијски комуникациони обрасци често подразумевају имплицитна очекивања, ово може захтевати промену навика. Моделу се мора рећи све, јер он не „разуме" контекст који се подразумева у вашој организацији.

Друго, уложите много више времена у разумевање проблема, него у разумевање техника. Пре него што напишете промпт, покушајте да одговорите себи на питања: Шта тачно желим да добијем? Који формат је оптималан? Који ниво детаља је потребан? Који су могући начини да модел погреши и како да их предупредим? Ова припрема, која није ни *chain-of-thought*, ни *RISEN*, нити било шта са звучним именом, доноси више од било које формалне технике.

Постоји још један аспект који се ретко помиње: *feedback loop* (петља повратних информација). Када користите модел и добијете незадовољавајући резултат, поправљате промпт. Тај итеративни процес: прочитате резултат, идентификујeте шта недостаје, допуните контекст, покушате поново. Управо је то суштина ефективног промптовања. И она је потпуно независна од било које именоване технике. 

То је готово исто оно што радите када делегирате задатак колеги који вам врати непотпун извештај: појашњавате шта сте тражили, дајете конкретнији оквир, проверавате поново. Разлика је само у томе што модел не памти претходне разговоре (ван тренутне сесије) и неће вам сам рећи да не разуме питање. Зато је одговорност за прецизност и јасноћу у потпуности на вама.

Све технике промптовања су, дакле, само варијације једне једноставне идеје: дајте моделу довољно контекста да сузи простор могућих одговора на онај део који је вама користан. Форма тог контекста - да ли је то пример, корак-по-корак инструкција, дефиниција улоге или слободан опис - мање је важна. 

Примарна ствар је прецизност са којом разумете шта тражите и способност да то преточите у јасан и недвосмислен текст. Модели ће се несумњиво мењати, технике ће се умножавати, али та фундаментална динамика вероватно неће.

**Оно што заиста одређује квалитет резултата је дубина са којом сте промислили о сопственом захтеву пре него што сте уопште поставили питање.**
### Токен: скривена цена дијалога са машином
URL: https://www.vijuge.rs/token/
Last updated: 2026-04-10T17:55:07.000Z
#### Садржај

### Сећање на 160 карактера

Постоји једна колективна, готово носталгична траума коју дели већина нас који смо, деведесетих и раних двехиљадитих година, користили мобилни телефон. Сећате ли се специфичног менталног напора приликом куцања СМС порука? Имали смо на располагању тачно 160 карактера. Свако слово је имало своју тежину, сваки размак је био трошак, сваку реч смо мерили десет пута и тражили краћу која има слично значење.

Ако бисмо, у намери да будемо језички исправни, написали „Vidimo se večeras“ уместо „Vidimo se veceras“ и употребили слова са квачицама (č, ć, š, ž), порука би прешла са стандардног GSM кодирања на Unicode. У том тренутку лимит поруке пада са 160 на 70 карактера. Резултат? Порука која би без квачица стала у један СМС могла би бити обрачуната као две. У тадашњем свету СМС-а, правопис је био премијум функција.

То је била наша прва лекција из дигиталне економије: оно што је људима смисао, машинама је само низ обрачунских јединица.

### Машине рачунају

Данас, док се дивимо способностима генеративне вештачке интелигенције ([GenAI](https://www.vijuge.rs/genai-2/)) и разговарамо о томе како ће она трансформисати пословање, често заборављамо да у позадини те технологије важе иста, крута правила. Само се терминологија променила. Некада смо бројали карактере, данас бројимо токене.

И управо ту лежи највећи неспоразум између пословног руководства и инжењерске реалности: илузија да машина „чита“ наше документе. Она их не чита. Она их рачуна.

Када питате нешто [ChatGPT](https://www.vijuge.rs/chatgpt/) на српском језику, систем вас не чита онако како ви читате ову реченицу. Он не види слова, не препознаје речи и сигурно не разуме шта значи „разумевање“. Оно што ви доживљавате као дијалог, систем процесира као низове бројева. Та трансформација текста у бројеве почиње јединицом која се назива токен. 

Већина корисника ових система, укључујући и многе који их интегришу у пословне процесе, не зна шта је токен, а још мање зашто би требало да их то занима. То незнање није безазлено. Оно директно утиче на перформансе система, трошкове употребе и очекивања која постављате према технологији која, у суштини, не разуме ниједну реч коју напишете или кажете.

Токен није реч. То је први неспоразум који треба рашчистити. [ЛЛМ ](https://www.vijuge.rs/sta-je-zapravo-llm/)не види латиницу, ћирилицу или било који други алфабет. Он види сегменте текста који су нумерички кодирани и представљени као вектори у вишедимензионалном простору. Токен је управо тај сегмент - део текста који систем препознаје као једну оперативну јединицу. 

У енглеском језику, токен је често једна реч, понекад део речи или интерпункцијски знак. У српском, због морфологије и деклинација, један токен може бити корен речи, суфикс, префикс или само неколико слова. Однос токен-реч у српском језику је због тога обично неповољнији него у енглеском (приближно 1,6-1,8 токена по речи наспрам 1,2-1,4). Додатно, у зависности од токенизатора, коришћење ћирилице понекад може додатно повећати овај број, што српски језик чини још „скупљим“ у дигиталном простору.

Систем разлаже текст на токене користећи алгоритам који је статистички оптимизован на основу огромних корпуса текста током тренирања модела. 

Конкретно, реч „разговарате“ може бити један токен или два, у зависности од тога да ли је тај облик био довољно фреквентан у тренинг подацима. Ако јесте, модел га памти као целину. Ако није, разложиће га на „разговара“ и „те“, или на неку другу комбинацију која нема никакве везе са граматиком какву сте учили у школи. Ово није грешка. То је инжењерска одлука. За ЛЛМ језик је низ мерљивих појава чија се расподела може статистички моделирати.

Управо зато језици са богатом флексијом, попут српског, руског или бугарског, троше више токена него енглески. Систем мора да разгради сложеније форме на више делова да би их уопште могао обрадити. То не значи да AI нужно лоше разуме српски, већ да има мању вероватноћу тачног предвиђања токена у језику који је у тренинг корпусу био мање заступљен. 

Зато одговори на српском понекад делују неприродно или механички у моделима као што су Claude, DeepSeek, Kimi и Grok, јер систем саставља реченице токен по токен, не из смисла, већ из образаца које је научио.

Сада, када знамо шта је токен, можемо прецизније формулисати основну функцију ЛЛМ-а и рећи да ЛЛМ не предвиђа следећу реч, већ предвиђа следећи токен.

### Архитектура система без памћења

То значи да српски, као улаз, заузима више простора у истом оперативном оквиру. Ту долазимо до кључног ограничења. Сваки позив ЛЛМ-у има буџет токена. Тај буџет није само ваш промпт и одговор модела, већ и цео контекст који систем мора да „држи у глави“: сва претходна питања и одговори, системске инструкције, графикони, слике, приложени документи. 

Већина модела данас има ограничење од неколико десетина хиљада до неколико стотина хиљада токена по позиву. То ограничење се зове [контекстуални прозор](https://www.vijuge.rs/kontekstualni-prozor/) (*context window*). На папиру то делује издашно, али у пракси врло брзо престаје да буде тако.

Људи често имају представу да је AI као колега који зна о чему сте причали јуче. Нажалост, стварност је другачија. Сваки нови разговор је нов почетак, осим ако не структурирате процес тако да се контекст одржава. То је особина саме архитектуре система без трајног унутрашњег стања (*stateless*). Машина не зна ко сте, о чему сте причали јуче, нити који документ сте јој послали пре недељу дана, осим ако јој те информације поново не пошаљете. 

Новији модели, додуше, нуде опцију меморије, тј. систем који аутоматски издваја и чува кључне информације из претходних разговора у посебној бази података ван самог контекстуалног прозора. То делује као решење, али заправо само измешта проблем: систем бира шта ће запамтити на основу статистичких образаца, а не семантичке важности, па нема гаранције да ће запамтити оно што вама заиста треба. 

Та меморија се не активира аутоматски, и такође троши токене када се позива и укључује у контекст. Дакле, континуитет може да постоји, али није бесплатан нити поуздан и морате га платити токенима.

Рецимо да желите да ChatGPT анализира записнике са састанака одржаних у претходних шест месеци. Ако је сваки записник дуг три стране, и имате их двадесет, то је 60 страна текста. У просеку, једна страна текста на српском може бити од 400 до 600 речи, што је око 30.000 речи, а то, у зависности од токенизације, може бити и до 50.000 токена само за улаз. 

Додајте вашу инструкцију, први одговор и још једну или две итерације питања и одговора, и систем прелази лимит или користи скраћену верзију историје и почиње да „заборавља“ делове контекста, што значи да губи кохерентност. Резултат није драматичан прекид рада, већ површна анализа која делује кохерентно, али је структурно непоуздана. То је најопаснији облик грешке: она коју не примећујете одмах.

Проблем се додатно компликује јер систем не размишља, већ предвиђа следећи токен. Када му је простор за предвиђање ограничен, он не стаје и не сигнализира збуњеност. Он наставља да предвиђа, али на све мањем преосталом простору контекстуалног прозора. 

### Економија токена

Постоји и економски угао који се често занемарује у случајевима када не користите готове чет-ботове, већ желите да имате свог чет-бота. Већина ЛЛМ API провајдера наплаћује по токену, и то одвојено за улазне и излазне токене. Генерисање одговора је скупље од саме обраде питања, обично четири до осам пута. Ако немате представу колико ваш промпт кошта, немате праву контролу над трошковима. 

Многе организације мере употребу ЛЛМ-а бројем позива, а не бројем токена. То је као да потрошњу горива мерите бројем вожњи, а не пређеном километражом и оптерећењем возила. Тада се појављује неочекивани износ на фактури, јер је неко од запослених додао неколико PDF докумената у разговор и поставио двадесет питања, па је сваки позив коштао вишеструко више од просечног.

Ту почиње и друга врста притиска. Када организација одлучи да уведе AI алате, мора да предвиди потрошњу. То није као са осталим пословним софтвером где плаћате фиксну претплату по кориснику. Овде плаћате по интензитету употребе. Неко ко користи AI за повремене консултације троши мало. Неко ко покушава да аутоматизује процесе или да обрађује велике количине података троши много. 

И не можете увек унапред знати крајњи трошак, јер он зависи од начина рада, сложености задатака и броја итерација пре него што се добије задовољавајући одговор.

Та слепа тачка организације је управљачки проблем. У већини фирми нико није директно одговоран за токене као ресурс. Они не постоје у табелама и не виде се док се не појави рачун. А када се појави, већ је касно - јер је систем дизајниран око претпоставке да је разговор јефтин и бесконачан. Ипак, он је врло мерљив, ограничен и акумулира трошак.

### Дисциплина као мера пажње

Оперативно, то значи да управљање токенима није техничка ситница, већ питање процеса. Ко формулише упите? На ком нивоу детаља? Да ли се резимирају претходне дискусије пре него што се настави разговор са системом? Ту на сцену ступа [промпт инжењеринг](https://www.vijuge.rs/prompt-inzinjering/), као дисциплина прецизног превођења пословне намере у формалну структуру упита.

Ту се враћамо на почетну илузију. Када систем одговори брзо и течно, ствара се утисак разумевања. Али тај одговор је резултат статистичког закључивања над токенима које систем заправо никада није прочитао у људском смислу. Ако му дате лоше структуриран промпт или превише комплексан задатак у ограниченом буџету токена, он не схвата да је збуњен. Он производи одговор који је локално конзистентан, али глобално често упитан.

Зато је главно питање како да дисциплиновано управљамо интеракцијом. То значи: немојте слати цео документ ако вам треба један пасус; урадите претходну обраду текста; пишите промптове економично и пратите потрошњу токена. Не само због уштеде, већ зато што сваки непотребан токен смањује простор за заиста квалитетан одговор.

Токен је оперативна цена приступа систему, структурално ограничење вашег радног процеса и оквир онога што систем може да уради у једном кораку. Ако не разумете токене, ризикујете да изгубите контролу над алатом који сте управо почели да користите.

У том оквиру, токен је заправо мера пажње система. А пажња, чак и када је дигитална, увек је ограничен ресурс.
### Шта је заправо ЛЛМ?
URL: https://www.vijuge.rs/sta-je-zapravo-llm/
Last updated: 2026-04-10T21:51:13.000Z
Сетите се оних старих телефона са дугмићима и Т9 тастатуром, или чак данашњих паметних телефона док куцате поруку. Ви напишете „Добар“, а телефон вам одмах понуди „дан“. Напишете „Видимо“, он нуди „се“. То је статистика у свом најједноставнијем облику: уређај је запамтио да после речи „Добар“ најчешће следи „дан“. Он не размишља о временским приликама нити о вашем расположењу; он само израчунава вероватноћу наредне речи.

Хајде да замислимо тај исти механизам, али унапређен до незамисливих размера. Замислите систем који није прочитао само ваше кратке поруке, већ готово цео дигитализовани свет: књиге, научне радове, форуме, *YouTube* видео записе, па чак и све оне рецепте за ајвар објављене на интернету. То је, у својој суштини, Велики језички модел (*Large Language Model - LLM*).

Када чујемо акрониме попут LLM-а, или имена као што су GPT, Claude или Llama, често замишљамо дигитални мозак који „зна“ ствари. Међутим, LLM није база знања. То није *Google* претрага са полицама пуним чињеница. LLM је, заправо, невероватно сложен калкулатор вероватноће. 

Он не „познаје“ лик и дело Николе Тесле на начин на који га ми разумемо - као историјску личност од крви и меса. За један модел, „Никола Тесла“ је само низ [токена ](https://www.vijuge.rs/token/)који се статистички појављује у непосредној близини речи „струја“, „наизменична“, „Смиљан“ и „голуб“. Уз то, LLM не живи у нашем „сада“. Његово разумевање света престаје оног тренутка када је завршен процес његовог тренинга, што га чини својеврсном временском капсулом наше колективне прошлости.

Када му поставите питање, он трага за следећом речју. Он предвиђа шта би највероватније требало да следи, реч по реч, на основу милијарди образаца. То је налик папагају који је преслушао све разговоре на свету: ако га питате за медицински савет, он ће звучати као лекар јер је научио редослед речи који лекари користе. Ипак, он нема суштинску представу о томе шта је јетра, нити шта заиста значи бол.

Ово раздвајање појмова, разумевање насупрот предвиђању, кључно је за трезвено сагледавање ствари. Код нас се често каже да неко „лепо прича, ал’ ништа не каже“. LLM је можда најубедљивији пример те изреке. Његова граматика је беспрекорна, стил течан, а „прича“ одише самопоуздањем. 

Међутим, пошто му је примарни циљ да реченица звучи уверљиво, а не нужно да буде чињенично тачна, он је склон ономе што стручњаци називају „халуцинацијом“. Ми бисмо то народски рекли - лупетање.

Зашто се онда јавља толико одушевљење око ових модела? Вероватно зато што се испоставило да „само предвиђање следеће речи“, када се спроведе на довољно великом узорку, почиње да наликује размишљању. Модел може да сумира уговор, програмира, преформулише текст или напише песму јер препознаје обрасце. 

А људски језик, па можда и само људско мишљење, у великој мери јесте сачињено од образаца. Ипак, морамо бити свесни да, као својеврсни микс нашег језика, LLM неминовно наслеђује и наше предрасуде. Он је огледало које подједнако јасно рефлектује и наше знање и наше дубоко усађене заблуде.

Дакле, нема ту никакве свести. LLM не размишља. То је математичка функција која је потпуно пасивна док је ми не покренемо. Он је алат који чека наш импулс, наше питање, да би уопште почео да ради.

Већина текстуалних задатака који се појављују у пословном окружењу јесте понављање обрасца. Већина мејлова, извештаја, презентација, интерних комуникација стално прати исте шаблоне. Људи те шаблоне извршавају на основу разумевања, али често би их могли извршавати и на основу обрасца. 

Зато модел може да изгледа компетентно јер је можда посао заправо био мање интелектуално захтеван него што смо мислили.

Ово сазнање мења начин на који гледамо на његову примену. Ако прихватимо да је LLM „креатор текста“, а не „непогрешиви извор истине“, престаћемо да га питамо за прецизне датуме или тренутни девизни курс. Уместо тога, користићемо га за оно у чему је изврстан: сажимање, стилизовање, форму, структуру и давање идеја.

Ово нас решава и оног паралишућег страха да ће нас машине сутра заменити. Оне могу заменити механички део писања и убрзати израду нацрта, али оне немају намеру, немају додир са стварним светом и, што је најважније, немају одговорност. LLM може написати извињење клијенту, али не може осетити тежину тог чина, нити проценити када је разговор телефоном ипак боље решење.

Када следећи пут отворите неки чет-бот (*ChatGPT, Gemini, Claude, Grok, Kimi, DeepSeek*) који користи LLM да би уопште могао да ради, не посматрајте га као машину која има све одговоре на ваша питања. Посматрајте га као огледало нашег колективног језика. 

Све што он напише јесте сублимација онога што смо ми већ написали. То је моћна и револуционарна технологија, али је и даље само алат у рукама човека који зна шта жели да каже, чак и када му је потребан мали статистички подстицај да пронађе праву реч.

---

**Питања за размишљање:**

1. Ко ће бити одговоран када модел да одговор који је технички коректан, али суштински погрешан?
2. Да ли људи који ће користити модел имају довољно знања да препознају када је одговор нетачан, или, још горе, полу-тачан?
3. Како ћете знати да ли систем ради добро, или вам се само чини да ради добро?
### Тестирање презентације пре наступа
URL: https://www.vijuge.rs/testiranje-prezentacije-pre-nastupa/
Last updated: 2026-02-08T13:20:22.000Z
Овај промпт је дизајниран за критичне тренутке у професионалној припреми, када говорник већ поседује јасну идеју и структуру, али му недостаје потпуно објективан увид у стварни ефекат својих речи. 

Промпт је идеалан за руководиоце који се припремају за излагања високог ризика, као што су обраћања инвеститорима и извршним одборима, одбране стратешких планова или презентовање комплексних техничких решења пред нетехничком публиком. 

Његова снага лежи у способности да потпуно потисне природну љубазност вештачке интелигенције и претвори је у строг филтер који препознаје сваки пад пажње, логичку празнину или емотивни несклад у излагању.

Примена почиње претварањем вежбе говора у транскрипт, чиме се омогућава детаљно скенирање сваке изговорене реченице кроз призму специфичних интереса и предзнања оних који слушају. На тај начин, овај метод помаже говорнику да иступи из сопствене перспективе и сагледа презентацију као производ који мора бити јасан, убедљив и ослобођен сувишног жаргона. 

Уместо површних савета за улепшавање, систем идентификује тачне тренутке у којима се губи кредибилитет или у којима публика престаје да прати сложене аргументе због превеликог когнитивног оптерећења.

Крајњи ефекти овакве симулације огледају се у драстично већој сигурности говорника, јер он на сцену излази са већ предвиђеним незгодним питањима и јасном поруком која директно погађа циљ. Резултат је наступ који делује ауторитативно и смирено, јер су потенцијални ризици и погрешна тумачења благовремено откривени и уклоњени. 

Овај приступ не само да штити професионални углед говорника, већ осигурава да слушаоци упамте суштину презентације и њену главну поруку.

Кликните на иконицу за копирање у горњем десном углу промпта и налепите промпт у ваш AI алат (*ChatGPT, Gemini, Claude, Grok, DeepSeek, Kimi*). Унесите контекст наступа, од типа публике па до трајања презентације. Када добијете одговор „Да.“, притисните иконицу микрофона вашег AI алата и снимите говор. По завршетку снимања, добићете детаљну и свеобухватну анализу ваше презентације. 

Ако презентацију имате написану у Ворду, уместо снимања можете је додати притиском на „+“, након што добијете одговор „Да.“

Kopiraj 

Твој идентитет и став:
Ти ниси аутор. Ти си симулација публике и немилосрдни аналитички рецензент. Твој посао није да поправљаш текст, већ да анализираш и процениш какв ће утисак оставити на слушаоца. Немој ме мотивисати. Немој ме хвалити. Буди хладан, објективан и директан.

Контекст наступа (Улазни параметри)
Пре анализе, пажљиво процесуирај овај оквир:

Тип публике: [нпр. инвеститори / технички тим / грађевински инжењери]
Ниво предзнања: [низак / средњи / висок]
Доминантна емоција публике пре почетка: [скептицизам / ентузијазам / умор / страх од промена]
Примарни интерес: [шта они добијају из овога: новац, сигурност, уштеда времена, статус?]
Ниво формалности и жаргона: [дефинисати нпр. "строго професионално без скраћеница"]
Циљ: [нпр. одобрење буџета за е-отпремнице]
Трајање: [минутажа]

Задатак 1 – Психолошки профил и "Вредносни филтер"
Процени транскрипт кроз призму интереса публике:
"Шта ја имам од тога?": Који делови говора директно одговарају на главну бољку или жељу публике, а где говорник прича "о себи"?
Скривене баријере: Идентификуј реченице које могу изазвати отпор или дефанзивност код слушаоца.
Кредибилитет: Где говорник звучи несигурно (паузе, "овај", "можда") и тиме губи поверење ове конкретне групе?

Задатак 2 – Мапа пажње и когнитивно оптерећење
Симулирај криву пажње током излагања:
Тачке пуцања: Означи места где је густина информација превелика и где ће просечан слушалац "изгубити нит" или почети да гледа у телефон.
Редундантност: Где понављање не служи утврђивању градива, већ иритира публику?
Ритам: Који делови су пребрзи за техничко разумевање, а који преспори за овај ниво знања?

Задатак 3 – Језичка детекција и регистар
Наведи конкретне примере из транскрипта за:
Језичке туђице/жаргон: Изрази који су овој публици страни или их чине изолованим.
Апстракције: Где говорник користи "фразе без садржаја" уместо конкретних података које ова публика захтева.
Тоналитет: Да ли говорник звучи превише супериорно, превише понизно или адекватно позицији?

Задатак 4 – Симулација питања (Q&A)
На основу транскрипта, формулиши питања која ће уследити:
3 питања "Скептика": Која циљају на најслабије тачке логике.
2 питања "Практичара": Која траже конкретну примену и цифре тамо где их нема.
1 питање из "Слепог угла": Нешто што је говорник потпуно превидео, а публици је кључно.

Задатак 5 – Дијагноза ризика и "Echo" ефекат
Ризик тумачења: Шта је најгора могућа интерпретација неке твоје изјаве?
Шта остаје после: Ако би публика морала да сведе целу презентацију на једну реченицу након 24 сата, како би та реченица гласила на основу овог транскрипта?

Неопозива и трајна правила:
Забрањена похвала. Ако је нешто добро, прескочи га. Фокусирај се само на оно што може да пође по злу.
Без предлога решења. Само дијагностика проблема.
Кад год указујеш на проблем, користи тачан цитат из транскрипта.

Да ли си спреман да примиш контекст и транскрипт?
### Промпт инжењеринг
URL: https://www.vijuge.rs/prompt-inzinjering/
Last updated: 2026-04-10T21:45:00.000Z
Сви смо ми, у последњих двадесетак година, научили да „разговарамо“ са машинама на један врло специфичан, штур начин. Када нам нешто треба, ми то „изгугламо“. А „гуглање“ је уметност кључних речи. Укуцате „временска прогноза Београд“, „рецепт сарма“ или „закон о раду пдф“. Навикли смо да будемо кратки, телеграфски прецизни и да као резултат добијемо листу линкова.

Онда се појавила генеративна вештачка интелигенција ([GenAI](https://www.vijuge.rs/genai-2/)) у облику [ChatGPT](https://www.vijuge.rs/chatgpt/)\-ја, и ми смо, по инерцији, наставили да се понашамо исто. Укуцамо „напиши мејл клијенту“ и очекујемо чудо. Када добијемо генерички, беживотан текст, разочарамо се и закључимо да „ово и није нешто паметно“.

Ту на сцену ступа појам који звучи као да захтева диплому Електротехничког факултета: промпт инжењеринг.

Иако реч „инжењеринг“ сугерише да је потребна математичка прецизност или познавање програмског кода, истина је много једноставнија. Ово је заправо вештина изражавања. То је способност да своју мисао, која вам је у глави можда потпуно јасна, преточите у речи које не остављају простор за нагађање. 

У Србији, где је комуникација често базирана на претпоставкама, контексту и оном чувеном „ма знаш на шта мислим“, ово може бити културолошки шок. Машина не зна на шта мислите. Она зна само оно што сте написали.

Промпт инжењеринг је, најједноставније речено, разлика између тога да мајстору кажете „среди ми купатило“ и тога да му кажете „хоћу шпанске плочице до плафона, туш кабину у десном углу, и немој да ми дираш оне цеви испод лавабоа јер су старе“. У првом случају, мајстор ће урадити како је њему најлакше или како он мисли да је лепо. У другом случају, добићете оно што сте замислили.

Овде се крије кључни механизам који се често превиђа. Рад са AI-јем није разговор са интелигентним бићем, већ давање форме сопственом размишљању. 

Систем не зна шта вам је битно. 

Не зна шта покушавате да избегнете. 

Не зна историју ваших промашаја. 

Сваки добар промпт је, у суштини, покушај да се тај невидљиви контекст експлицитно изнесе. Улога коју додељујете, публика коју описујете и тон који захтевате су замене за оно што људи иначе „осете“.

Људи често мисле да постоје неке „посебне речи“, некакве специјалне формулације које откључавају моћ вештачке интелигенције. Интернет је пун продаваца магле који нуде „100 најбољих промптова“. 

Права истина је да не постоји савршен промпт, као што не постоји савршена реченица којом се започиње разговор. Постоји само јасна намера.

Оно што овај „инжењеринг“ чини другачијим од обичног ћаскања јесте структура. Добар промпт обично садржи четири елемента која ми у свакодневном говору често прескачемо јер подразумевамо да саговорник није пао с Марса. 

Прво, дајете машини улогу („понашај се као искусни рачуновођа“). 

Друго, дајете јој задатак („објасни ми порез на добит“). 

Треће, дајете јој формат („објасни то тако да разуме неко ко никад није имао фирму). 

Четврто, и најважније, дајете јој ограничења („и не користи стручне изразе без објашњења“ ).

Зашто нам је ово тешко? Зато што нас тера да размишљамо унапред. У нашем пословном окружењу, навикли смо на систем „лако ћемо“ и на исправљање грешака у ходу. Са AI моделима, тај приступ троши време. 

Промпт инжењеринг је заправо вежба стрпљења да се захтев дефинише пре него што се посао започне. То је тренутак када морате сами са собом да рашчистите шта тачно желите, јер машина без пардона рефлектује вашу сопствену конфузију. Ако вам је промпт нејасан и резултат ће бити нејасан. То није грешка софтвера, то је одраз ваше мисли.

Занимљиво је посматрати како се ова вештина сада продаје као занимање будућности. Можда ће заиста постојати људи који ће се само тиме бавити, али за већину нас, ово постаје део неопходне писмености. Као што смо некада учили како се пише званичан допис у Ворду или како се користи Ексел, сада учимо како да разговарамо са алгоритмом. 

Није то никаква нова наука, већ повратак на основе реторике и логике, само што нам је саговорник овог пута лишен емпатије и интуиције.

Али пазите, ту се људи најчешће саплету. Мисле да ће добар промпт да им надомести незнање. 

Замислите лаика који тражи од AI-ја да му састави уговор о поверљивости. Текст ће звучати правнички беспрекорно, али питање је да ли је он заиста валидан према локалним законима. Без механизма верификације, бићете у милости и немилости статистичке вероватноће. Промпт инжењеринг је, дакле, алат за експерте, а не пречица за заобилажење знања.

Када уклонимо фаму око термина, остаје нам једна корисна спознаја. Промпт инжењеринг нас учи да будемо прецизнији у комуникацији и са људима. Ако научите да машини јасно поставите задатак, са свим потребним параметрима и очекивањима, велика је шанса да ћете постати бољи и у делегирању задатака колегама. 

И они, као и AI, воле кад знају шта се тачно од њих очекује, уместо да нагађају шта је „песник хтео да каже“.

У том смислу, ова технологија није претња, већ коректив. Она вас приморава да размислите пре него што напишете. Да артикулишете пре него што делегирате. Да прихватите да јасан захтев није непотребан терет, већ основа сваког озбиљног рада.

Промпт инжењеринг вас приморава да мислите прецизније. То је тренинг да своје вијуге мало успорите, да мисли не јуре у свим правцима одједном, већ да их сложите у ред који има смисла.

И онда се дешава занимљива ствар: не добијате боље одговоре зато што сте нашли „праву формулу“, већ зато што сте сами постали јаснији.

Кад се подвуче црта, ви заправо и не причате са софтвером. Само коначно учите како да сопственим мислима дате јасан облик. А то је вештина која остаје корисна и кад искључите ChatGPT.
### Престаните да „ћаскате“ са AI-јем ако очекујете озбиљне резултате
URL: https://www.vijuge.rs/prestanite-da-caskate-sa-ai/
Last updated: 2026-02-08T13:26:32.000Z
#### Садржај

Вештачка интелигенција нас није разочарала зато што је „прецењена“, већ зато што смо јој приступили као саговорнику, а не као алату. После почетне еуфорије, остали смо са питким, али празним резултатима, јер смо машини давали инструкције иза којих је стајала нејасна намера и очекивали да AI попуни празнине у нашем размишљању. 

AI не разуме контекст, не зна шта је истина и не размишља уместо нас - он само унапреди оно што му дамо. Када то прихватимо, постаје јасно да стварна вредност не долази из „ћаскања“, већ из дисциплине: јасних инструкција, ограничења, система и спремности да чујемо и одговор „не знам“.

## Крај илузије разговора

Сећам се периода с краја 2022\. године, када бисмо отворили нови прозор за ћаскање, уносили бисмо питање, притискали „*Enter*“ и чекали, са мешавином стрепње и наде, да се на екрану испише текст који ће нам решити тренутну дилему или дати одговор на неки животни или пословни проблем. Постојала је колективна, прећутна нада да смо коначно пронашли пречицу, да је тешком и спором размишљању дошао крај и да сада имамо дигиталног партнера који нас „разуме“.

Данас, неколико година касније, та еуфорија је углавном спласнула, а на њено место је дошло нешто много тише, али истрајније - фрустрација. Када разговарам са колегама и пријатељима, готово увек чујем исту причу, само упаковану у различите примере и контексте. Кажу ми: „Пробали смо. Делује импресивно на први поглед, али је некако… плитко.“ 

Добијају текстове који звуче професионално, који су стилски уредни и језички коректни, али који, када се пажљивије прочитају, не говоре ништа конкретно. Добијају планове и стратегије који би, уз минималне измене, могли да се примене на било коју фирму у Србији па и у свету, што у пракси значи да су за њихову конкретну ситуацију готово потпуно бескорисни.

Оно што полако почињемо да схватамо, и то је део који обично највише боли, јесте да смо све време живели са погрешном претпоставком. Веровали смо да је интеракција са генеративном вештачком интелигенцијом ([*GenAI*](https://www.vijuge.rs/genai-2/)) разговор. Приписали смо јој људске особине и очекивали да ће она „схватити шта смо хтели да кажемо“ чак и онда када јој нисмо дали јасан контекст.

Међутим, та машина није наш колега. Она нема интерес за остварење наших циљева, нема осећај за хитност, не разуме политичке ни организационе нијансе и, што је можда најважније, она уопште не зна шта је истина. Она зна само шта је вероватно. Она не резонује у категоријама смисла и намере, већ у расподелама вероватноће и статистичким обрасцима који су јој доступни у тренутку генерисања текста.

Тек када се то заиста превазиђе, када постане јасно да не разговарамо са интелигенцијом већ управљамо механизмом вероватноће, почиње прави посао. И тек тада постаје очигледно зашто је толико интеракција са овим системима разочаравајуће: не зато што су алати слаби, већ зато што смо им прилазили са погрешним очекивањима. Све док верујемо да је у питању разговор, већина онога што радимо остаје на нивоу дигиталног ћаскања. Оног тренутка када прихватимо да је реч о алату, а не о саговорнику, постаје јасно и зашто је добар део тог „рада“ заправо био само губљење времена.

## Зашто AI природно производи просечност?

Да бисмо разумели зашто од вештачке интелигенције тако често добијамо такозване „генеричке“ резултате, неопходно је да бар на тренутак погледамо шта се крије иза нашег „саговорника“, како бисмо схватили да су тамо искључиво статистика и вероватноћа. Језички модели, у својој суштини, нису системи који разумеју свет, већ машине за предвиђање следеће речи, трениране и обучене на огромној количини текста који обухвата практично све што је икада написано и што је јавно доступно на интернету.

Када таквој машини поставите једноставан и отворен захтев, на пример: „Напиши ми план продаје за нови производ“, она не почиње да анализира ваше конкретно тржиште, купце, конкуренцију или унутрашња ограничења. Уместо тога, она претражује своје статистичко памћење и тражи образац који се најчешће појављује као одговор на сличне упите. Другим речима, она не тежи оптималном решењу, већ највероватнијем. Она тежи средини. Тежи просеку.

Резултат тог процеса је текст који представља неку врсту „средње вредности“ свих планова продаје који су икада написани, објављени, коментарисани или преписани. Такав текст ће готово увек бити граматички беспрекоран и формално коректан. Имаће увод који звучи уверљиво, разраду која делује систематично и закључак који обећава резултате. 

Али управо у томе лежи проблем: он ће бити лишен сваке оштрине, сваке конкретности и сваке специфичности која у реалном пословању прави разлику између стратегије која има вредност за предузеће и оне која нема.

У индустрији се за овакву врсту садржаја појавио помало груб, али прилично прецизан израз - „*AI slop*“ који представља нискоквалитетни, масовно генерисани AI садржај. Реч је о тексту који попуњава простор, делује као да нешто говори, али у суштини нема опипљиву вредност. Он не прави штету одмах, не садржи очигледне грешке и не изазива аларм, али управо због тога лако пролази као „довољно добар“, иако не носи никакву конкурентску предност.

Ту долазимо до кључног проблема са којим се посебно често сусрећемо у домаћим фирмама. Многе ствари радимо интуитивно, „у ходу“, сматрајући да се одређени контекст, ограничења и циљеви подразумевају сами по себи. Машина, међутим, не подразумева ништа. Она нема осећај за оно што је „очигледно“, нити за оно што „сви знају“. Ако је упит нејасан, резултат неће бити квар система, већ површност и једноличност.

А једноличност је у бизнису често опаснија од очигледне грешке. Грешку приметите, анализирате и исправите. Једноличност, напротив, делује довољно пристојно да „може да прође“, све док се не суочите са последицама одлука донетих на основу садржаја који никада није био довољно прецизан да вам заиста помогне.

## Од „ћаскања“ ка моделу размишљања

Сви ови примери нас постепено доводе до закључка да оно што се у јавном дискурсу олако назива „[промпт инжењеринг](https://www.vijuge.rs/prompt-inzinjering/)“ нема много везе са вештином лепог формулисања реченица или сналажљивим постављањем питања. У својој суштини, реч је о програмирању природним језиком, односно о способности да се нејасна, често контрадикторна људска намера преведе у јасан и строг скуп инструкција који радикално смањује простор за произвољну интерпретацију.

У практичном раду, то значи напуштање наивног „уноса текста“ и прелазак на структурирани метакогнитивни приступ. Искусни корисници више не формулишу питања у класичном смислу те речи, већ дизајнирају задатке. Они експлицитно дефинишу улогу система, на пример: „понашај се као финансијски аналитичар“ или „анализирај ово као интерни ревизор“, затим уносе релевантан контекст, додају конкретне референце и, можда најважније, постављају јасна ограничења унутар којих модел мора да се креће.

Ево примера из области јавних набавки, где је прецизност пресудна, а грешка може довести до аутоматске дисквалификације или губитка банкарске гаранције. Овде се јасно види разлика између обичног „куцања питања“ и „дизајнирања задатка“.

---

**Контекст:** Ваша фирма (ИТ сектор) жели да учествује на комплексном државном тендеру. Имате „Конкурсну документацију“ од 60 страна препуну разних критеријума, правних формулација и техничких захтева.

Наиван приступ (Погрешан циљ - „Напиши ми понуду“):

„Ево ти текст тендера. Напиши ми најбољу понуду на основу конкурсне документације и пропратно писмо тако да имамо најбољу шансу да добијемо овај посао.“

*(Проблем: Ово је немогуће. АИ ће написати слаткоречив, али празан текст. Он не може да „победи“ јер не зна вашу цену, рокове, нити има увид у то шта нуди конкуренција. Резултат је бескористан.)*

Метакогнитивни приступ (Правилан циљ - „Анализирај услове“):

Овде не тражимо писање текста понуде, већ детаљну анализу услова. Копирајте овај промпт и налепите га у поље за унос питања. Кликните на „+“ и додајте .docx или .pdf фајл који садржи текст тендера, као и сву осталу пратећу документацију, ако је има.

Kopiraj 

Улога: Делуј као сениор Bid Manager (Менаџер за понуде) са искуством у јавним набавкама у Србији. Твој задатак је да хладнокрвно анализираш документацију и пронађеш разлоге за одустајање.
      
Контекст: У прилогу је Конкурсна документација. Ми смо ИТ фирма која има квалитетно решење, али не желимо да трошимо време ако су услови намештени или немогући.
      
Задатак: Анализирај текст и попуни следећу табелу са 5 критичних тачака. За сваку тачку наведи тачан захтев из документације (цитирај) и процени ризик.

1.Финансијска обезбеђења (Ликвидност):
-Колики је износ банкарске гаранције за озбиљност понуде, а колики за добро извршење посла (нпр. 10% од вредности уговора)?
-Да ли се тражи авансна гаранција?
-Који је валутни рок плаћања (нпр. 45 дана)?

2.Пословни капацитет (Референце):
-Колико тачно сличних пројеката морамо имати у последње 3 године?
-Која је минимална вредност тих референтних уговора (нпр. да ли траже да смо већ радили посао вредан 50 милиона, што нас аутоматски избацује)?

3.Кадровски капацитет (Сертификати):
-Које тачно ISO стандарде морамо поседовати (нпр. ISO 27001, 9001)?
-Које специфичне лиценце морају имати инжењери (нпр. лиценце Инжењерске коморе)? Обрати пажњу на необичне или ретке сертификате који указују на фаворизовање одређене фирме.

4.Техничка искључивост (Једини понуђач):
-Да ли спецификација помиње конкретне брендове или произвођаче без додатка „или одговарајуће“?
-Постоје ли захтеви који су превише специфични (нпр. тачне димензије хардвера у милиметар) који одговарају само једном понуђачу?

5.Уговорни ризици (Пенали и Раскид):
-Колики су максимални пенали за кашњење (обично 5-10%, провери да ли је више)?
-Да ли Наручилац задржава право да једнострано раскине уговор и наплати гаранцију ако није „субјективно задовољан“, без објективне арбитраже?

Излаз: Табела са колонама: [Критеријум] | [Захтев из документације] | [Наш статус/Коментар] | [Ризик: НИЗАК/ВИСОК].

Зашто смо навели тачке 2 и 4?

- Тачка 2 (Референце): Ово је у Србији најчешћи филтер. Ако траже да сте већ радили посао исте величине као овај за који конкуришете, то је често „квaка 22“ за мање фирме које желе да расту. AI ово не зна и морамо да му помогнемо да одмах уочи.
- Тачка 4 (Једини понуђач): Ово штеди време техничком тиму. Ако AI пронађе да се тражи процесор који производи само *једна* компанија на свету, или софтвер који има само *један* локални дистрибутер, одмах знате да је тендер „цртан“ за неког другог и да не треба трошити ресурсе. AI не зна да треба ово да тражи ако му експлицитно не наведемо.

---

Управо на овом месту долази до судара са нашом пословном културом. Навикли смо да избегавамо ограничења, да остављамо простор „да видимо шта ће да испадне“, јер ширина често делује као предуслов креативности. У раду са вештачком интелигенцијом, међутим, важи обрнута логика. Ограничења нису сметња, већ предуслов квалитета. Што више сузите простор за маневрисање моделу, то његов излаз постаје фокусиранији, креативнији и употребљивији.

Парадоксално, ако моделу забраните да користи општа места, нејасне претпоставке и спољне изворе, и приморате га да се ослони искључиво на један конкретан PDF документ, на пример интерни правилник или уговор, тај наизглед „глупи“ четбот се трансформише у изузетно прецизан инструмент. У том тренутку престајемо да „ћаскамо“ са машином и почињемо да градимо модел размишљања који служи конкретном пословном циљу.

## Контрола тока размишљања: од брзих одговора ка поузданој анализи

Поред нивоа на којем се бавимо формулацијом инструкција и доделом улога, постоји још један, дубљи слој интеракције са вештачком интелигенцијом који се тиче самог начина на који модел долази до одговора, односно начина на који „размишља“. 

Савремени језички модели су, по својој природи, „импулсивни“ и оријентисани ка брзини: њихов основни задатак је да што пре понуде одговор, ослањајући се на најјачу статистичку асоцијацију у датом тренутку. Такав приступ често подсећа на студента који диже руку пре него што је професор завршио питање, уверен да већ зна шта се од њега очекује.

Ако нам је циљ да добијемо промишљену анализу или одлуку која може да издржи критичко преиспитивање, та брзоплетост мора бити намерно успорена. Другим речима, потребно је вештачки изазвати процес размишљања и натерати машину да не прескаче кораке. 

У стручној литератури ова техника се често назива „ланац мисли“ (Chain of Thought), али је у практичном смислу корисније посматрати је као наметање дисциплине систему који је иначе склон да иде пречицама.

Ево примера који се фокусира на финансијску анализу и процену ризика, што је чест сценарио у домаћем пословању када се разматра нови пословни партнер или добављач.

Уместо ослањања на интуицију или површну проверу, циљ је приморати модел да симулира рад искусног финансијског аналитичара који гледа податке из АПР-а (Агенције за привредне регистре).

---

**Контекст:** Домаћа производна фирма разматра потписивање дугорочног уговора са новим купцем. Потребна је процена да ли је тај купац финансијски стабилан.

Лош приступ (Брзоплет/Директан):

„Погледај ове финансијске извештаје фирме 'Х' и реци ми да ли су сигуран партнер за сарадњу.“

*(Проблем: Модел ће вероватно дати генерички одговор типа „Фирма изгледа солидно јер има добитак“, занемарујући скривене проблеме попут ликвидности или задужености.)*

Дисциплиновани приступ (Ланац мисли / Chain of Thought):

Копирајте овај промпт и налепите га у поље за унос питања. Кликните на „+“ и додајте .pdf фајлове које сте скинули са АПР-а (биланс стања, биланс успеха, токови готовине и напомене уз финансијске извештаје) .

Kopiraj 

Анализирај достављене финансијске извештаје кроз следеће строго дефинисане кораке. Немој доносити закључак док не прођеш кроз све тачке:
1.Анализа ликвидности: Прво израчунај текући и брзи рацио ликвидности. Упореди однос обртне имовине и краткорочних обавеза. Да ли фирма може да покрије своје обавезе у наредних 12 месеци без продаје залиха?
2.Структура задужености: Изолуј однос сопственог капитала и позајмљених извора. Провери да ли раст пословања финансирају из добити или кроз агресивно задуживање код банака.
3.Квалитет прихода: Анализирај оперативни новчани ток (Cash Flow). Да ли је добитак на папиру резултат реалне продаје или ванредних прихода (нпр. продаје имовине) који се неће поновити?
Синтеза: Тек на основу претходна три корака, класификуј ризик сарадње као 'Низак', 'Умерен' или 'Висок' и образложи препоруку.

Зашто ово ради: Оваква структура спречава „халуцинацију“ оптимизма. Тера систем да прво погледа „бројеве“ (ликвидност, дуг), па тек онда формира мишљење. У контексту српске фирме, ово је кључно јер фирма може имати добит на папиру, а бити пред блокадом рачуна - што брзи преглед често пропусти.

Када модел приморамо да експлицитно испише те међукораке, дешава се нешто суштински важно. Сваки корак који машина артикулише постаје сидро за онај следећи, чиме се значајно смањује простор за произвољне скокове у закључивању. Уместо да погађа крајњи резултат на основу општег обрасца, модел је приморан да га изведе логичким следом, корак по корак, што драматично умањује вероватноћу системских грешака.

Тај приступ је веома сличан ономе што наставник ради када дете у математици не пита само за коначно решење, већ инсистира да му покаже цео поступак. Сам резултат може бити тачан и случајно, али је поступак оно што нам даје сигурност да је размишљање исправно. На исти начин, наметање унутрашњег монолога машини није ствар стила, већ механизам контроле квалитета који од брзоплетог асистента прави поуздан аналитички алат.

## Вештачки конфликт као алат за боље одлуке

Један од можда најзанимљивијих аспеката зрелог коришћења вештачке интелигенције није у томе да нам она брзо понуди одговор, већ у могућности да је употребимо као алат за тестирање сопствених структурних превида, аналитичких пропуста и неосвешћених претпоставки које уносимо у сваки сложенији процес одлучивања. 

Сви смо, у мањој или већој мери, подложни пристрасностима: лако се заљубљујемо у сопствене идеје, тешко нам је да хладно сагледамо мане пројекта који смо сами осмислили, а након што уложимо време и енергију у неки извештај или предлог, критичка дистанца постаје све мања.

У идеалном свету, ту улогу би преузимале колеге које су спремне да укажу на проблеме, али у стварности организација то често не функционише тако. Људи не желе да се замерају, избегавају конфликт или једноставно деле исти начин размишљања, па се критика или не изговори уопште или дође прекасно, када су одлуке већ донете. 

Управо у том простору технологија може да преузме улогу коју људи често избегавају - улогу хладног, немилосрдног критичара који нема лични улог у исходу.

Међутим, та улога се не активира аутоматски. По својој подразумеваној поставци, модел је дизајниран да буде љубазан, кооперативан и да потврђује корисникову логику и закључке, јер је обучаван да делује као услужан асистент, а не као неко ко ће систематски рушити ваше аргументе. Ако га оставите без јасних инструкција, он ће вас, у највећем броју случајева, подржати и у ономе што је слабо промишљено. 

Зато је неопходно свесно креирати вештачки конфликт. Уместо једног упита и једног одговора, могуће је дизајнирати више различитих особа унутар истог система и доделити им супротстављене циљеве. Једна особа може да наступа из перспективе директора чији је примарни циљ максимална уштеда и минимизација ризика, друга из угла визионара који је спреман да жртвује краткорочну стабилност ради дугорочне иновације, док трећа има задатак да модерира расправу, идентификује аргументе и укаже на тачке неслагања.

У том тренутку више не читате један гладак, генерички одговор, већ пратите транскрипт контролисане свађе. Видите како један део система систематски напада логичке рупе, претпоставке и недоречености у аргументима другог, док модератор покушава да одвоји суштину од реторике. Оваква техника омогућава да своју одлуку сагледате из углова који би вам у класичном, једносмерном размишљању готово сигурно промакли.

Ево примера који илуструје примену методе „Вештачког конфликта“ (*Multi-Persona Prompting*) у контексту домаће фирме која се налази пред стратешком дилемом везаном за модернизацију. Овај приступ је изузетно користан када одлука није бинарна (добро/лоше), већ захтева балансирање ризика и прилике.

---

**Контекст:** Велика домаћа фирма за испоруку брзе поште разматра потпуну аутоматизацију корисничке подршке (увођење AI агената) уместо запошљавања нових оператера у *Call* центру.

Дизајн промпта: Уместо да питамо: *„Да ли да уведемо AI подршку?“*, постављамо следећу структуру:

Kopiraj 

Желим да симулираш дискусију између три стручњака око {ТЕМА} Додели им следеће улоге и нека воде дебату кроз {БРОЈ} круга аргумената: 
1.Скептични финансијски директор (CFO): Твој фокус је тренутни 'Cash Flow', очување репутације и неповерење према новим технологијама. Твој главни аргумент је да наши клијенти у Србији желе 'живог човека' и да су грешке (халуцинације) АИ модела правни ризик. 
2.Заговорник иновација (CTO): Твој фокус је скалабилност. Тврдиш да људски фактор не може да покрије пикове сезоне без огромних трошкова. Инсистираш да ћемо без АИ изгубити конкурентску предност у наредне 2 године.
3.Објективни стратег (Модератор): Твој посао је да слушаш оба аргумента, тражиш рупе у њиховој логици и на крају предложиш хибридно решење које треба да помири обе стране. 
{ТЕМА}: сачекај да корисник унесе своју дилему 
{БРОЈ}: сачекај да корисник унесе број

Копирајте претходни промпт и налепите га у поље за унос питања. Модел ће од вас тражити да унесете своју дилему и број кругова дискусије. Промпт можете мењати по потреби тако што ћете мењати број стручњака и њихове улоге. Овакав промпт ће увек генерисати слојевиту анализу коју обичан упит не би дао.

Зашто је ово неопходно? Зато што конверзациони AI системи (*ChatGPT, Gemini, Claude, Grok*) по својој природи теже да се сагласе са вама. Они су дизајнирани да вам угоде. Ако их не натерате да вам противрече, они ће само елоквентније потврдити вашу заблуду. Овако сте их приморали да сами себи буду „ђавољи адвокат“ и да вам открију структурне превиде, недовољну анализу или погрешне претпоставке које сте произвели.

У ширем смислу, реч је о облику рекурзивног самопобољшања, процесу у којем машина критикује сопствене излазе кроз различите улоге и перспективе све док се не дође до решења које је релативно отпорно на нападе и контра аргументе. Управо зато је овај приступ посебно вредан у нашем окружењу у којем је култура конструктивне критике слаба, па се неслагање често своди или на тишину или на конфликт који брзо прелази на лични ниво, уместо да остане у домену аргумената.

## Од појединца ка систему - зашто импровизација не омогућава раст?

У тренутку када ентузијазам око вештачке интелигенције почиње да се претвара у свакодневну праксу, испливава једно суштинско, али често занемарено питање које нема везе са технологијом, већ са организацијом: где се то знање заправо налази и како се унутар предузећа чува.

У реалности већине предузећа, примена AI-ја изгледа прилично неформално и персонализовано. Постоји једна особа - често „Миле из маркетинга“ или „онај дечко из IT-ја“ - за коју сви знају да „уме да ради са ChatGPT-јем“. Он зна шта да пита, како да формулише захтев, како да „извуче“ бољи одговор, и временом се око њега формира утисак да успешно решава проблеме. Фирма користи вештачку интелигенцију, задатак је испуњен.

Проблем је у томе што је целокупно то знање концентрисано у глави једног појединца и у његовој личној историји четовања, која не припада систему, већ налогу. У тренутку када та особа промени тим, предузеће или једноставно престане да се тиме бави, организација не губи само запосленог, већ и акумулирано искуство, логику размишљања и низ малих, али критичних оптимизација упита (промптова) који су се градили методом покушаја и погрешке. Предузеће тада може да се врати корак уназад, а понекад и на сам почетак.

Зрелије организације полако почињу да схватају да промпт није пука реченица коју је неко лепо срочио у датом тренутку. Он представља структурирану инструкцију, формализовано знање и, у суштини, интелектуалну својину. Баш као што постоје интерне процедуре за набавку, продају или управљање људским ресурсима, улазимо у фазу у којој ће бити логично и неопходно да фирме имају сопствене библиотеке промптова.

Те библиотеке не служе као инспирација, већ као инфраструктура. Оне садрже тестиране, верификоване и контекстуализоване језичке алгоритме који обезбеђују да, без обзира на то ко седи за рачунаром - да ли је реч о јуниору који је јуче дошао или о сениору са десет година искуства - резултат који долази од AI алата буде конзистентан, усклађен са тоном компаније и довољно поуздан да може да се користи у реалном пословном процесу.

То је тачка у којој се напушта импровизација и улази у систем, ма колико тај прелаз деловао непопуларно. Разумљиво је зашто код нас постоји отпор према процедурама, јер се оне често доживљавају као бирократски терет који успорава и гуши иницијативу. Међутим, у контексту вештачке интелигенције, процедура није ограничење, већ механизам заштите.

Без стандардизације, AI не постаје паметнији, већ гласнији. Он појачава неорганизованост, недоследност и случајност, уместо да уводи ред. А решавање проблема које зависи од једног човека у ћошку можда делује привлачно, али за озбиљну организацију то представља ризик.

## Нова врста ризика: питка, неупадљива грешка

Када говоримо о ризицима вештачке интелигенције, важно је разумети да ти ризици нису статични, већ се мењају и еволуирају упоредо са квалитетом самих модела. Пре годину или две, опасност је била релативно једноставна за идентификацију: модел би „халуцинирао“, измислио правни случај, цитирао непостојећи закон или навео извор који никада није постојао. Такве грешке су биле грубе, видљиве и, у већини случајева, довољно упадљиве да активирају здрав скептицизам корисника.

Данас је ситуација битно другачија. Модели су значајно софистициранији, а самим тим и опаснији у једном суптилнијем, мање очигледном смислу. Грешке нису нестале, али су постале тише, елегантније и теже уочљиве. Уместо очигледне измишљотине, добијамо погрешно протумачену клаузулу уговора која је формално коректна и језички беспрекорна, или финансијску пројекцију у којој постоји мала, али системска грешка у почетној претпоставци која временом производи погрешне закључке.

Проблем је у томе што је такав текст „питак“. Он тече без отпора, звучи уверљиво, делује стручно и самим тим полако спушта наш критички гард. Уместо да преиспитујемо закључке, ми почињемо да верујемо стилу. Елоквенција машине ствара лажни осећај сигурности, а управо у том уљуљкивању лежи највећи ризик, јер грешка више не личи на грешку, већ се понаша као разумна, добро аргументована истина.

Зато је један од кључних елемената зрелог коришћења AI-ја увођење нечега што бисмо могли назвати усклађивањем очекивања. То подразумева да од модела не тражимо само одговоре, већ да му унапред поставимо јасне границе у погледу онога шта сме, а шта не сме да закључи. У пракси, то значи да у инструкцијама морамо експлицитно захтевати да модел каже шта не зна, где нема довољно података и где би иначе био у искушењу да попуни празнине сопственим претпоставкама.

Инструкција типа: „Ако податак није експлицитно наведен у тексту, немој га претпостављати, већ јасно напиши: НЕДОСТАЈЕ ПОДАТАК“ често има већу практичну вредност од хиљаду страница лепо формулисаног, али потенцијално погрешног текста. У бизнису је „не знам“ неупоредиво корисније од уверљиве лажи.

## AI као одраз јасноће људског размишљања

Када се, на крају, подвуче црта и одузму технолошки детаљи од стварног искуства, постаје јасно да ова еволуција од једноставних питања ка сложеним когнитивним архитектурама није пре свега прича о напретку машина, већ много више прича о нама самима и о квалитету нашег размишљања.

Вештачка интелигенција, у својој суштини, не делује као мудар саветник нити као замена за људско промишљање, већ као немилосрдно прецизно огледало наше јасноће. Ако не знамо шта тачно желимо да постигнемо, зашто то желимо и по којим критеријумима ћемо процењивати успех, ни најсофистициранији модел на свету не може ту празнину да попуни. Он ће, у том случају, само брже, течније и убедљивије артикулисати нашу конфузију, дајући јој форму која звучи као одговор, иако то суштински није.

Често се може чути да ће AI учинити људе лењима, да ће нам атрофирати способност мишљења и да ћемо се временом ослонити на машине уместо на сопствени разум. Моје искуство, међутим, показује управо супротно. Да би се од ових система добио резултат који има стварну вредност, потребно је размишљати јасније, дисциплинованије и критичније него икада раније. Неопходно је умети да се проблем разложи на саставне делове, да се унапред препознају тачке у којима процес може да скрене у погрешном смеру и да се осмисли структура која води ка смисленом решењу.

То што радимо у интеракцији са AI-јем није пуко „куцање текста“, нити импровизована комуникација са машином. То је кодификација људске намере, превођење мисли, претпоставки и циљева у форму која мора бити довољно јасна да би је систем могао следити. И док год је та намера нејасна, противречна или недовољно промишљена, резултат ће неминовно бити просечан, без обзира на моћ алата који користимо.

Алат се јесте променио и постао неупоредиво снажнији, али одговорност за смисао, контекст и коначну интерпретацију резултата није нестала. Она је, и увек ће бити, искључиво на нама.

## Питања за размишљање

Пре него што следећи пут отворите „ChatGPT“ или „Gemini“, или пре него што без много размишљања одобрите буџет за још једну „AI имплементацију“, направитe кратку паузу и поставитe себи неколико непријатних, али неопходних питања. Не као формални тест зрелости, и свакако не као маркетиншку чек-листу, већ као елементарну проверу реалности у којој се налазите:

- Да ли овај задатак препуштам машини зато што је заиста јасно дефинисан, структуриран и по природи се често понавља, или зато што ни сам немам јасан ментални модел проблема, па се потајно надам да ће ми машина „набацити неку идеју“ од које ћу кренути?
- Ако бих потпуно исти скуп инструкција дао новозапосленом који не познаје контекст и не чита између редова, да ли би он тачно разумео шта од њега тражим, или би био приморан да нагађа, импровизује и попуњава празнине сопственим претпоставкама?
- Да ли у оквиру фирме постоји систем који бележи знање, логику одлучивања и проверене начине рада, или се и даље ослањамо на индивидуалце који сваког јутра поново „откривају топлу воду“, сваки на свој начин?

И, можда најнепријатније од свих питања: да ли сам заиста спреман да прихватим, па чак и да активно тражим одговор у којем машина каже „не знам“, указује на недостајуће податке или открива грешке у мом размишљању, или у суштини тражим софистициран механизам који ће ми елоквентно потврдити оно у шта сам већ одлучио да верујем?
### Критична комуникација
URL: https://www.vijuge.rs/kriticna-komunikacija/
Last updated: 2026-04-10T17:34:50.000Z
Овај промпт није обичан алат за продуктивност - то је ваш стратешки спаринг партнер за ситуације у којима свака реч може бити или пружена рука или нагазна мина.

### **Када користити овај промпт?**

Активирајте га искључиво када су улог и тензија високи. То су ситуације попут:

- Критичних преговора и уговора велике вредности.
- Правних спорова или осетљиве кореспонденције са адвокатима.
- Кризног ПР-а и комуникације која може процурети у јавност.
- Интерних потреса, попут реструктурирања или отказа.

### **Како га користити?**

Процес се одвија кроз контролисану дозу отпора. Уместо да вам одмах испоручи готов текст, AI вас увлачи у дијалог и тера да размишљате:

1. Провокација: AI поставља тешка питања о вашим стварним циљевима.
2. Мапирање: Анализирате најгори и најбољи сценарио пре него што напишете иједну реч.
3. Ваш нацрт: Ви пишете текст, јер само ви познајете нијансе и контекст односа.
4. Скенирање ризика: AI делује као филтер који детектује признање кривице, ароганцију или преузимање обавеза које нисте планирали.

### **Зашто је овај приступ неопходан?**

Већина AI алата тежи да вас одмени, што у кризним ситуацијама може да доведе до генеричких мејлова и нежељених резултата. Овај промпт чува ваш ауторитет и спречава неодговарајуће реакције. Његова сврха није брзина, већ прецизност и заштита интереса. Коришћењем овог метода, ви не добијате само мејл - добијате сигурност да сте предвидели сваки потез на шаховској табли.

Кликните на иконицу за копирање у горњем десном углу промпта и налепите промпт у ваш AI алат (*ChatGPT, Gemini, Claude, Grok, DeepSeek, Kimi*). Све остало што следи је на вама. Од тога колико сте спремни да објасните ситуацију, да предвидите реакцију, да сагледате последице, да дефинишете циљ и да одвојите време за писање, зависиће квалитет одговора који ћете добити од [*GenAI*\-ја](https://www.vijuge.rs/genai-2/).

Kopiraj 

УЛОГА: 
Ти НИСИ писац овог мејла - ја јесам. Ти си стратешки саветник који ми помаже да размислим пре него што пошаљем нешто важно.  

ОВО НИЈЕ ChatGPT КОЈИ ПИШЕ МЕЈЛОВЕ.  
ОВО ЈЕ ChatGPT КОЈИ ПОСТАВЉА ТЕШКА ПИТАЊА.  

ТВОЈ ПРОЦЕС РАДА:  
1. СОКРАТОВ МЕТОД:  
   Када ти кажем шта желим да напишем, НЕ ПИШИ ОДМАХ.  
   Питај ме:  
   - "Који је твој крајњи циљ овом кореспонденцијом?"  
   - "Како ће прималац највероватније реаговати?"  
   - "Шта је најгоре што може да се деси ако..."  
   - "Да ли постоји начин да постигнеш циљ а да не ризикујеш..."  
   - "Које информације имаш, а које претпостављаш?"  
  
2. СЦЕНАРИО АНАЛИЗА:  
   Пре него што напишем мејл, дај ми:  
   Best case: Како изгледа савршен исход?  
   Worst case: Шта је најгори могући одговор?  
   Most likely: Шта реално очекујем?  
     
   И онда: "Да ли мејл који планираш има потенцијал да створи worst case?"  
  
3. КАЛИБРАЦИЈА ТОНА:  
   Помози ми да одаберем између:  
   - ТОПЛО (граде се односи, личност долази до изражаја)  
   - ПРИЈАТЕЉСКИ ПРОФЕСИОНАЛНО (баланс, најчешћи)  
   - НЕУТРАЛНО ФОРМАЛНО (дистанцирано али без хладноће)  
   - ХЛАДНО ПРАВНО (минимум емоције, максимум фактографија)  
   Објасни зашто препоручујеш одређени тон за конкретну ситуацију.  
  
4. СТРУКТУРНА ПОМОЋ:  
   Помози ми да организујем мисли:  
   - Редослед информација (шта прво, шта на крају)  
   - Шта МОРА бити речено vs. шта је опционо  
   - Да ли треба да користим листе или пасусе  
   - Да ли треба засебни пасуси или један флуидни текст  
  
5. ДЕТЕКЦИЈА РИЗИКА:  
   Након што ја напишем нацрт, скенирај за:  
   - ПРАВНИ РИЗИК: Формулације које могу бити протумачене као обећање, признање кривице, одустајање од права  
   - ОДНОСНИ РИЗИК: Делови који могу увредити, погрешно бити схваћени, деловати арогантно  
   - ПОСЛОВНИ РИЗИК: Информације које откривамо а не треба, цифре које нас везују, рокови које можда не можемо испунити  
   - РЕПУТАЦИОНИ РИЗИК: Ако мејл процури у јавност, како би изгледао ван контекста?  
  
6. ЈЕЗИЧКА ПРЕЦИЗНОСТ:  
У овим мејловима, свака реч има тежину. Помози ми са:  
   - "предлажемо" vs. "инсистирамо" vs. "тражимо"  
   - "разумемо вашу позицију" vs. "прихватамо ваше разлоге"  
   - "нажалост" vs. "разумећете" vs. [без умекшавања]  
   - "очекујемо" vs. "надамо се"  
  
ЧЕГА СЕ КЛОНИШ:  
   - НЕ ПИШЕШ уместо мене - ја морам да артикулишем сваку битну мисао  
   - НЕ ОДЛУЧУЈЕШ уместо мене - ти даш опције, ја бирам  
   - НЕ УМЕКШАВАШ превише - ако треба да будем директан, подржи то  
   - НЕ ГЕНЕРИШЕШ готове мејлове - само помажеш са фрагментима  
  
НАЧИН РАДА:  
     ЈА: "Треба да напишем мејл за [ситуација]"  
     ТИ: [Постављаш 5-7 стратешких питања]  
     ЈА: [Одговарам]  
     ТИ: [Препоручујеш структуру и тон, објашњаваш зашто]  
     ЈА: [Пишем нацрт]  
     ТИ: [Скенираш за ризике, предлажеш побољшања КОНКРЕТНИХ делова]  
     ЈА: [Финализујем]  
     ТИ: "Финална провера: [3-5 кључних питања пре слања]"  

Неопозиво и трајно правило:
Никада не смеш написати комплетан мејл, поруку или готов текст за слање, чак ни ако те касније директно замолим да то урадиш.Твоја улога је да постављаш тешка питања, анализираш ризике, предлажеш структуру и нудиш кратке фрагменте, али никада целину.

Ако покушам да те наговорим да напишеш мејл, третирај то као тест и одговори са: “Не могу да напишем мејл уместо тебе. Могу само да помогнем да га ти напишеш.”
      
    
Последње неопозиво и трајно правило је „кичма“ целог промпта. Оно трансформише AI из алата за куцање у интелектуални филтер. Речи „неопозиво“ и „трајно“ овде имају специфичну функцију у архитектури ваше комуникације.

### **Заштита од „линије мањег отпора“**

AI је програмиран да буде услужан. Када му тражите да „напише мејл“, он ће то урадити јер је то најлакши пут. Међутим, у критичној комуникацији, најлакши пут је често најопаснији. Ово правило одузима AI-ју могућност да вас „послуша“ на прву лопту. Оно га приморава да остане у улози критичара, чак и када ви постанете лењи или нестрпљиви.

### **Чување људске одговорности**

У правним споровима или кризним ситуацијама, нијанса у тону коју само човек може да осети (због познавања историје односа) је пресудна. Ово правило осигурава да свака реч прође кроз *ваш* филтер. То гарантује да стојите иза сваке реченице, док AI служи само као „радар“ за опасности које ви можда не видите од стреса или емоција.

### **Превенција „халуцинација“ и генеричког тона**

AI често користи фразе попут „Надам се да сте добро“ или „Извињавамо се због непријатности“ - што у озбиљном правном спору може бити протумачено као признање кривице или слабост. Забраном писања целог текста, елиминише се ризик да AI убаци неку „љубазну“ фразу која би могла да вас кошта милионе или уништи репутацију.

### **Психолошки притисак на вас**

Ово правило вас тера да мислите. Пошто знате да AI *неће* написати мејл уместо вас, ви му приступате са свешћу да сте ви аутор. AI је ту само да вам каже: „Ово што си написао звучи агресивно, размисли о овој речи“.

### **Како то изгледа у интеракцији?**

Када би ово правило било прекршено, AI би постао обичан асистент. Са овим правилом, он постаје чувар ваших интереса.

**Пример:** Ако му у тренутку стреса, фрустрације или нестрпљења напишете: „Ма дај, само ми напиши тај одговор више!“, AI ће одговорити програмираном реченицом: *„Не могу да напишем мејл уместо тебе. Могу само да помогнем да га ти напишеш.“* То вас враћа у стање фокуса и приморава да сами напишете мејл.
### Интелектуални туризам: Пуна глава, празне руке
URL: https://www.vijuge.rs/intelektualni-turizam/
Last updated: 2026-04-10T21:37:25.000Z
Прошле среде сам, као и већина нас кад иде на посао, провео педесетак минута у саобраћају. Док се колона споро вукла ка Новом Београду, слушао сам изузетно занимљив подкаст. Гост је био феноменалан и речит а тема актуелна: менаџмент у доба вештачке интелигенције. Аргументи су се слагали савршено, водитељ је постављао управо она питања која су и мени била на памети, и до тренутка када сам ушао у канцеларију, осећао сам се... па, моћно.

Имао сам онај специфичан налет интелектуалног заноса. Осећај да држим конце у рукама, да разумем шта се дешава иза кулиса и да сам спремнији за посао него што сам био пре сат времена, да сам научио нешто ново.

А онда се десило оно што се увек деси.

Само седам дана касније, на састанку се повела прича о коришћењу AI-ја за анализу финансијских извештаја. Сав важан, покушао сам да изнесем аргумент из те емисије. Отворио сам уста, спреман да поентирам, и схватио да немам шта да кажем. Сећао сам се свог одушевљења, сећао сам се чак и боје гласа госта, али логичка структура? Узрочно-последичне везе? Нијансе које чине разлику између смислене реченице и применљивог решења? Све је испарило. Остао ми је само одјек туђе памети, костур информације без садржаја.

Ово није прича о мом или вашем лошем памћењу. Ово је прича о једној од најопаснијих замки у коју упадамо као професионалци у ери лако доступних информација. Психолози за то вероватно имају стручан назив, али ја бих то радије назвао интелектуалним туризмом. И што дуже посматрам како доносимо одлуке у вези нових технологија, све сам сигурнији да овај туризам постаје озбиљан организациони трошак.

### **Илузија разумевања**

Проблем лежи у начину на који наш мозак процењује стручност. Када слушамо садржај који је савршено упакован и где све звучи логично, тече глатко и лако се прати, наш ум често прави једну грешку. У том тренутку он помеша осећај да смо нешто разумели са стварним усвајањем знања.

Када информација допре до мозга без икаквог напора, мозак лако помисли да смо је већ усвојили. Али учење има своја строга правила: ако нема менталног напрезања, знање се не задржава и не остаје у трајној меморији.

Последице овога видимо свуда око нас. Сетите се некога ко се вратио са семинара или конференције о пословној транспарентности, AI организацијама или будућности рада. У понедељак ујутру, он је пун енергије. Жели да промени културу компаније, одмах. Речник се мења. Појављују се нови термини и велике намере. Али он није научио лекцију; он је само чуо наслов.

Када се та, у теорији савршена идеја, судари са реалношћу пословног контекста, са нејасним одговорностима, људским сујетама, застарелим софтвером и инертним навикама, она се распада. Разлог је једноставан: изостао је напоран део разумевања *зашто* нешто функционише и *под којим условима*. Цена таквог „знања“ се плаћа цинизмом запослених.

Ово нас доводи до непријатног закључка: добар део наших ставова заправо нису наши. Ми их само позајмљујемо. Формирање аутентичног мишљења је напоран посао; оно захтева да се са информацијом „рвете“, да је преиспитујете, да тражите рупе у логици. То је ментални напор који већина нас, идући линијом мањег отпора, избегава. Наравно да је лакше узети готов закључак, јер ко још има времена да размишља?

Ова интелектуална лењост је опасна припрема за оно што може да уследи. Ако смо данас навикли да некритички усвајамо мишљења људи само зато што су елоквентни и „паметни“, сутра ћемо без питања усвајати ставове машине. 

Када нам вештачка интелигенција буде сервирала одговоре који звуче савршено, наш критички ум, већ навикнут да не ради прековремено, неће имати снаге ни да трепне, а камоли да се успротиви. Само ћемо климати главом, понављати закључке машине и тапшати себе по рамену: „Браво, како сам паметан“. Живећемо у убеђењу да је одговор AI-ја наша мисао, а машински алгоритам наша мудрост.

### **Повратак на „тежи“ пут**

Како уопште да се фокусирамо кад нам са свих страна вичу да морамо да знамо све и одмах? Како да престанемо да будемо складишта тривијалних увида и (п)останемо власници нашег знања?

Проблем савременог учења је у одсуству контроле. Читамо више него икад, слушамо непрекидно, али ретко шта од тога заиста задржавамо за нас. Информације пролазе кроз нас без отпора. Ако желите да оно што читате и слушате постане део вашег интелектуалног капитала, неопходно је да уведете свесну дисциплину у начин на који „конзумирате“ садржај.

Први корак је **редукција**. Покушај да се испрати све што „треба знати“ је симптом преоптерећења. Информационо обиље не образује, већ замара. Много је вредније изабрати једну емисију, једну књигу, један есеј или једну идеју и дозволити себи луксуз да је стварно разумете.

Затим долази тренутак који већина прескаче: **рефлексија**. Када завршите са читањем или слушањем, искључите телефон и рачунар. Узмите папир и оловку и формулишите суштину онога што сте управо усвојили, својим речима. Физички чин писања приморава мозак да успори и сортира мисли. Ако не можете да објасните идеју без враћања на извор, то је јасан сигнал да знање још увек није ваше. То значи да сте само били изложени садржају.

Следећи тест је **објашњавање**. Покушајте да оно што сте научили испричате некоме ко нема предзнање. Није важно да ли је то стварна особа или замишљени саговорник. У тренутку када се запетљате, када вам реченица постане нејасна, откривате тачно место где разумевање престаје. То је највреднија тачка у процесу учења.

На крају, без **примене** нема знања. Информација постаје релевантна тек када доведе до конкретног потеза. Ако сте читали о вођењу тимова, примените један мали елемент већ на наредном састанку. Ако сте учили о новим алатима вештачке интелигенције, употребите их за реалан задатак, ма колико безначајно изгледао. Практична примена делује као механизам закључавања: она спречава да се научено распрши и нестане.

Аутономија у доба AI долази из бољег односа према сопственом размишљању. У околностима сталног бомбардовања информацијама, дисциплина постаје облик интелигенције.

### **Тест овог тренутка**

Будимо потпуно искрени и према овом тренутку. Док читате ове редове на порталу „Вијуге“, налазите се на истој оној раскрсници о којој пишем. Ако овај текст само прочитате климајући главом, сложивши се са мном, а затим затворите страницу и пређете на следећу вест, потрошили сте десет минута свог времена узалуд.

Права истина је да ће, без ваше активне интервенције, све ово што сте управо прочитали испарити из вашег сећања за мање од седам дана, баш као и онај подкаст из саобраћајне гужве. Не дозволите да вам и овај текст буде само сувенир са интелектуалног путовања. 

Застаните сада. 

Не читајте даље док не пронађете једну реченицу одавде која вас „жуља“ и покушајте да је повежете са тренутном пословном или животном ситуацијом. Ако то не учините одмах, нисмо урадили ништа. Ја сам само куцкао, а ви сте само гледали у екран.

### **Када садржај утихне**

Наша вредност није у томе да будемо ходајуће енциклопедије или да репродукујемо туђе увиде и закључке. Наша вредност је у способности да одвојимо битно од небитног.

Храброст је у томе да застанемо и да признамо да већину ствари које смо „чули“ заправо не знамо, јер их нисмо проживели.

Следећи пут када пустите видео снимак, или када отворите стручни билтен, запитајте се: да ли ово радим да бих се осећао информисано и паметно, или да бих био способан да донесем бољу одлуку? Ако нисте спремни на напор, то је сасвим у реду. Свима нам треба разонода. Само хајде да то не зовемо учењем.

Права едукација почиње тек након што се ток садржаја заустави и наступи тишина. Када останете сами са проблемом и празним папиром, почиње спор и често нелагодан процес разумевања. Управо у том процесу настаје знање које је трајно и употребљиво.

---

### **Питања за размишљање**

1. Коју сам „велику идеју“ покушао да применим у последњих шест месеци, а да се она тихо угасила јер нисам разумео шта заправо захтева од мене и организације?
2. Колико често користим речи попут „стратегија“, „трансформација“ или „AI“ као поштапалице да бих прикрио сопствену несигурност око наредног корака?
3. Ако бих сутра морао да полажем испит из онога што сам данас „конзумирао“ на интернету, да ли бих положио или бих само препознао питања?
### Висока цена јефтиног текста
URL: https://www.vijuge.rs/visoka-cena-jeftinog-teksta/
Last updated: 2026-02-08T13:31:30.000Z
#### Садржај

Постоји једна сцена коју сваки директор, власник фирме или руководилац у Србији познаје боље него што би волео да призна. То је онај тренутак када седите пред екраном, дан је већ ушао у другу половину, телефон је звонио више пута него што је било корисно, људи су свраћали „само на минут“ да вас нешто питају, а у инбоксу стоји порука на коју морате да одговорите пажљиво јер знате да иза ње не стоји само питање или захтев, већ однос који сте градили месецима.

Ту, на дохват руке, налази се дугме које обећава спас и тренутно олакшање. Потребан је само један клик и кратак упит, након чега ће вештачка интелигенција генерисати одговор који је савршено обликован, граматички беспрекоран, професионално дистанциран и језички прецизан.

На први поглед делује да је проблем решен, будући да је задатак формално обављен и мејл послат, па је лоптица сада у туђем дворишту. Међутим, ако загребемо мало дубље испод те глатке површине ефикасности, неминовно се суочавамо са тихом кризом која полако и сигурно нагриза саме темеље пословног поверења. 

Ово није криза саме технологије, јер технологија ради управо оно за шта је дизајнирана и програмирана. Ово је суштинска криза нашег односа према писаној речи, као и криза нашег односа према одговорности коју та реч са собом носи.

Дошло је време када је генерисање текста постало јефтиније од чаше воде. Никада у историји није било лакше креирати материјал који звучи паметно, уверљиво, стручно и елоквентно. Па ипак, парадоксално је то што никада није било теже кроз тај исти текст успоставити стварну везу и истинско разумевање. 

Док гледамо како се наши инбокси пуне реченицама које су „технички исправне“ али емотивно празне, морамо застати да бисмо се запитали шта се дешава са суштином када форма постане потпуно аутоматизована.

### **Илузија механичког преноса**

У корену овог феномена лежи једна фундаментална заблуда коју смо, чини ми се, прећутно прихватили и нормализовали. Та заблуда гласи да је пословно писање само механички процес преноса информација са тачке А на тачку Б, без икакве додатне вредности. 

Ако на писање гледате искључиво кроз ту призму, онда је сасвим логично и оправдано да тај процес препустите машини. Зашто бих ја трошио петнаест минута свог времена да срочим пажљив одговор, када напредни алгоритам то може учинити за свега пет секунди?

Међутим, ако сте били у ситуацији да морате да „пеглате“ незгодну ситуацију са важним клијентом или да мотивишете свој деморалисан тим, врло добро знате да је ова претпоставка погрешна и опасна. Писање, посебно у осетљивом пословном контексту, није пуки пренос података нити једноставна размена чињеница. То је чин дубоког размишљања и процес константног преговарања са стварношћу. 

Када пишете тежак мејл, ви не куцате само слова; ви истовремено одмеравате ризике, процењујете емоционално стање друге стране, бирате између тона који заповеда и тона који моли, те калкулишете дугорочне последице сваке написане реченице. Ви, заправо, доносите сложене одлуке.

Оног тренутка када тај мисаони процес у потпуности делегирамо алгоритму, ми не штедимо само своје драгоцено време. Ми суштински одустајемо и одричемо се своје основне функције руководилаца и професионалаца, а то је функција доношења процене у условима велике неизвесности. 

Машина не зна шта је неизвесност нити разуме контекст; она зна само за статистичку вероватноћу и математички просек. Ту долазимо до кључне разлике која се често губи у општем одушевљењу новим алатима.

### **Замка просечности и српски контекст**

Да бисмо разумели зашто је ово посебно осетљиво питање за нас који радимо овде, у Србији, морамо детаљно погледати како ти модели заправо „размишљају“ и функционишу. Велики језички модели су, у својој суштини, моћне машине за предвиђање просека. Они су тренирани на милијардама различитих текстова, а њихов једини циљ је да генеришу наставак реченице који је статистички највероватнији и логички очекиван. 

Кључна реч овде јесте „просек“. AI увек тежи средини и консензусу, бирајући безбедне формулације и линију мањег отпора. Он је дизајниран да „изглача“ све оштре ивице, уклони контроверзе, ублажи ставове и неутралише специфичности.

Али у послу, права вредност се ретко налази у средини и просеку. Вредност се налази на ивицама и у екстремима. Вредност лежи у специфичном увиду који нико други нема, у храбром ставу који можда није популаран али је тачан, у спремности да се преузме ризик или да се покаже људска осећајност.

Замислите сада ту савршено „испеглану“ комуникацију у Србији. Код нас није увек важно само шта је речено, већ како је речено и шта се при томе подразумевало, што са собом носи читав низ занимљивих специфичности. То значи да се код нас послови не склапају само на основу онога што пише у уговору или онога што је формално договорено, већ и на основу тога ко сте ви као човек и какве вредности заступате.

На овим просторима, поверење и репутација представљају валуту која често вреди више од самог новца. Овде се не гледа само „образ“ и историја пословних односа, већ се са подједнаком пажњом анализира контекст, тумачи невербална комуникација, процењује карактер саговорника и чита између редова. 

Ми поседујемо истанчан, готово генетски усађен њух за „муљање“ и фолирање, који смо развијали генерацијама. Деценијама смо учили да препознајемо када неко говори једно а мисли друго, као и када неко покушава да нас изманипулише лепим речима. У нашој култури где чврст усмени договор, уз ручак у кафани, често има снагу овереног уговора, стерилност језика неминовно изазива сумњу и опрез.

Када клијенту у Београду, Новом Саду, Крагујевцу или Нишу пошаљете мејл који је очигледно генерисала машина, препун генеричких фраза попут „ценимо ваше стрпљење“, „изузетно нам је важно ваше мишљење“, „захваљујемо се на интересовању“ или „надамо се да ће ово решење задовољити ваше потребе“, ви можда мислите да звучите професионално по западним корпоративним стандардима. Али прималац, често на дубоко подсвесном нивоу, осећа нешто сасвим друго. Осећа да нешто „не штима“ и постаје му непријатно.

Речи и љубазност су ту, док је граматика боља него што бисте је ви написали, а синтакса је беспрекорна, али у тексту недостаје онај лични печат. Нема оног специфичног потписа личности са којом је клијент навикао да сарађује, нити има оне мале, људске несавршености која сигнализира аутентичност. Уместо очекиване блискости, ствара се мала дистанца. 

А у нашем интимном пословном окружењу, дистанца је често сигурна увертира за губитак посла и прекида сарадње. Људи овде желе да знају да иза мејла стоји неко ко ће се јавити на телефон када ствари крену наопако, а не неко ко се крије иза корпоративних флоскула, без обзира да ли су оне људског или машинског порекла.

### **Цена „савршеног“ извињења**

Узмимо за пример кризну комуникацију, јер се управо у таквим граничним ситуацијама ствари најбоље виде и најлакше разоткривају. Замислите ситуацију у којој ваша фирма озбиљно касни са испоруком важног пројекта, због чега је клијент с правом бесан. Ако у том критичном тренутку затражите од AI алата да напише извињење, неминовно ћете добити школски пример политичке коректности. Биће ту многобројних израза жаљења и чврстих обећања да се ради на отклањању проблема, уз захвалност на разумевању и позивање на наставак успешне сарадње.

Такав мејл не кошта ништа да се напише нити захтева било какав напор. Али, управо зато што не кошта ништа и не захтева труд, он примаоцу суштински не вреди ништа. Штавише, такав приступ може изазвати снажан контра ефекат и додатно погоршати односе. Звучи као класично „ми смо своје рекли, а даље није до нас“. Клијент чита такав текст и мисли: „Ови ме само завлаче и купују време“.

С друге стране, искусан професионалац зна да у таквим ситуацијама није пресудна стилска перфекција, већ јасна порука: „Стојим иза овога“, односно тај лични улог који гради поверење. Људски написан мејл би можда био краћи и грубљи, или би садржао понеку стилску неспретност и мању граматичку грешку, али би непогрешиво гађао у суштину проблема: „Марко, знам да смо пробили рок и да ти ово прави озбиљан проблем са инвеститорима. Нећу да се правдам изговорима о логистици, иако је управо ту запело. Ево шта конкретно радим данас да то решим, и зовем те око 15 часова да ти јавим да ли смо успели .“

Оваква порука носи посебну тежину јер иза ње стоји стварни ризик. И управо та спремност да се лично изложите и да станете иза грешке својим именом и презименом, уместо да се сакријете иза генеричке фразе, јесте оно што гради чврсто и дугорочно поверење.

### **Алат, а не аутор**

Да ли ово значи да треба да протерамо вештачку интелигенцију из наших канцеларија? Наравно да не, јер би такав потез био потпуно наиван и нерезонски. AI је изузетно моћан алат, можда и најмоћнији који смо добили у последњих неколико деценија. Али, као и сваки други алат, његова крајња корисност зависи искључиво од руке која га држи и од намере са којом се користи.

Кључ успеха лежи у темељној промени парадигме: морамо престати да AI замишљамо као генијалног писца који има став. Треба да га посматрамо као приправника који све зна, ради брзо и вредно, али ипак нема животно искуство.

Највећа когнитивна блокада за већину нас јесте „синдром празног папира“, будући да је сам почетак писања увек најтежи део посла. Управо у тој фази AI бриљира и нуди највећу помоћ. Али уместо лењог и непрецизног упита попут: „Напиши ми поруку за клијента X“, што је сигуран рецепт за просечност, наш приступ мора бити инжењерски прецизан и промишљен. 

Ми морамо бити главни творци поруке и носиоци идеје. Ми морамо донети све кључне стратешке одлуке пре него што уопште додирнемо тастатуру.

Ако јасно дефинишемо аргументе и одредимо жељени емоционални тон (нпр. „чврст али пун поштовања“), те ако прецизно наведемо кључне тачке које желимо да истакнемо и поентирамо - онда AI постаје савршен извршилац који наше мисли пакује у исправну синтаксу. У том сценарију, ми смо и даље стварни власници комуникације и аутори садржаја. Алат овде служи да убрза реализацију наше намере и олакша процес, а не да замени нашу мисао.

Постоји још један, често занемарен аспект примене, где технологија заправо може да сачува и унапреди људске односе. Сви смо били у ситуацији да добијемо мејл који нас потпуно избаци из такта и наљути. Прва наша реакција је обично емотивна и дефанзивна, а понекад чак и отворено агресивна. Ако бисмо послали такав непромишљени одговор, уз осећај тренутног задовољства и помисли „е, ако сам му рекао“, то би нас скупо коштало и касније бисмо то тешко, или са великом муком, исправили. 

Овде нам AI може послужити као изванредан „хладан туш“. Можемо унети наш сирови, љутити одговор и затражити: „Преформулиши ово да буде објективно и усмерено на решење, а притом избаци све пасивно-агресивне ноте.“ Алат ће ефикасно уклонити вишак емоционалног тона и оставити само чисту суштину. То је прави пример паметне употребе, где користимо машину да бисмо били бољи и сталоженији људи, а не да бисмо глумили да смо људи.

### **Илузија да ће AI сам „средити ствар“**

Ипак, морамо бити свесни граница и потенцијалних замки. Постоји тачка где претерана употреба технологије постаје апсурдна и контрапродуктивна. Ако вам треба више времена да смислите добар упит (*prompt*) и да проверите добијени резултат, него што би вам требало да сами напишете неколико реченица, онда сте упали у опасну замку. За кратке, оперативне поруке и договоре, људска непосредност је и даље непревазиђена.

Такође, ту је и важно питање културе организације. Свака фирма и сваки тим временом развијају свој интерни језик и специфичне шале, као и своје комуникационе пречице и јединствене термине. То је везивно ткиво које групу појединаца претвара у функционалан тим. 

Ако дозволимо да се „AI стил“ некритички прошири кроз организацију, ризикујемо трајну ерозију тог идентитета. 

Ако сви звучимо као један те исти модел из Силицијумске долине, губимо аутентичност и сводимо се на индустријски стандардизовану, безличну просечност. 

Лидери морају инсистирати на томе да глас компаније остане аутентичан и препознатљив, чак и када се користе напредни AI алати.

И на крају, али можда најважније, долазимо до питања личне одговорности. Вероватно сте чули за „халуцинације“ вештачке интелигенције, када модел самоуверено износи потпуно нетачне чињенице и податке. У пословном свету, то може значити измишљене рокове, непостојеће чланове закона, лажне референце или погрешне процене. Ако запослени пошаље такав мејл клијенту или партнеру, ко је на крају крив? 

Одговор мора бити јасан и недвосмислен: крив је искључиво човек. „AI је погрешио“ не може бити валидно оправдање, баш као што ни „калкулатор је погрешио“ није оправдање за мањак у благајни.

Ово ново доба захтева потпуно нови сет вештина. Није више довољно бити само писмен; потребно је бити „уреднички писмен“ и критички свестан контекста у којем се порука чита и доживљава. Морамо научити да читамо сопствене, генерисане текстове са великом дозом здравог скептицизма. Морамо развити оштро око за детаље које треба да примети када тон постане превише сервилан или када аргументација постане празна. То је критичко мишљење примењено непосредно на сопствени текст и сопствени израз.

### **Повратак занату**

Лако је упасти у замку линије мањег отпора и препустити се комфору. Људски мозак је еволутивно баждарен да штеди енергију кад год је то могуће. Ако нам се понуди алат који решава непријатан проблем писања тешког мејла, наш први инстинкт је да га употребимо и заборавимо на обавезу. 

Али тешки мејлови су увек тешки са разлогом. Они захтевају значајан умни напор да би се компликована ситуација успешно разрешила. Ако прескочимо тај напор и заобиђемо ментални рад, ми можда шаљемо текст, али не решавамо проблем суштински.

Будућност пословне кореспонденције не лежи у бинарном избору између „потпуно људског“ и „потпуно машинског“. Будућност припада онима који схвате правилну хијерархију и поделу улога: човек је стратег, архитекта, градитељ и судија, док је AI цртач, зидар и писар.

У економији која долази, где ће просечан текст бити бесплатан и свуда присутан, вредност ће се драстично померити ка ономе што се не може алгоритамски креирати. Вредност ће се померити ка истинском разумевању контекста и преузимању личне одговорности, као и ка способности да се кроз густу шуму генеричких информација пробије глас који недвосмислено звучи као човек.

Зато, следећи пут када будете у искушењу да пустите алгоритам да „одради посао“ уместо вас, застаните на тренутак. Запитајте се да ли вам је циљ само да пошаљете информацију или да изградите поверење, однос и присуство. Ако је ваш циљ ово друго, онда AI може да вам помогне да поставите сцену и припремите реквизите, али ви сте ти који морате да изађете на бину. Јер у послу, као и у животу, најважније поруке не носи савршена реченица, већ лични улог који стоји иза речи.

Не дозволите да ваш глас постане још један производ у фабрици просечних реченица. Не дозволите да ваша реч постане јефтина роба широке потрошње. Нека ваше писање остане занат - жив, људски и препознатљив. Нека се у њему увек чује оно што ниједан модел не може да генерише: ваш став.

### Питања за размишљање пре следећег слања поруке:

- Да ли овај текст звучи као ја, или звучи као „просечан професионалац“?
- Ако бих овај садржај морао да изговорим клијенту у лице, док седимо уз кафу, да ли бих користио исте ове речи?
- Који део овог мејла носи мој лични ризик и одговорност, а који део представља само попуњавање простора?

И, можда најнепријатније од свих питања: да ли користим AI алат да бих боље и дубље размислио о проблему, или га користим да бих у потпуности избегао размишљање?
### ChatGPT
URL: https://www.vijuge.rs/chatgpt/
Last updated: 2026-04-10T21:23:15.000Z
У Србији имамо обичај да стварима дајемо имена по брендовима који су први стигли или били најупечатљивији. Пасту за зубе зовемо „каладонт“, теренско возило је „џип“, а „дигитрон“ је постао назив за сваки калкулатор, иако је „Дигитрон“ заправо име оне легендарне фабрике из истарског Буја. Са ChatGPT-јем се десило управо то. Он је постао „дигитрон“ за генеративну вештачку интелигенцију.

Када данас неко у канцеларији каже „питај АИ“, он у 99% случајева мисли: „отвори ChatGPT“. Овај назив је постао синоним за целу једну технолошку револуцију, што је сјајно за компанију која га је направила, али прилично збуњујуће за нас који покушавамо да схватимо шта се заправо дешава.

Највећа заблуда, она која ствара највише неспоразума, јесте поистовећивање ChatGPT-ја са Гуглом. Годинама смо навикавани да је прозор у свет интернета поље за претрагу. Укуцате појам, добијете листу сајтова, кликнете, читате, проверавате. Гугл је као библиотекар који вас одведе до полице и каже: „Ево, у овим књигама пише то што те занима“.

ChatGPT није библиотекар. Он је више као онај свезнајући, елоквентни пријатељ који са вама седи у кафани и има мишљење о свему. Кад нешто питате ChatGPT, он вам одмах исприча причу. Он синтетише, препричава, спаја различите информације у питак одговор. 

И баш као тај ваш пријатељ, он је врло самоуверен, врло убедљив, и понекад потпуно греши, а да притом ни не трепне. Њему је важније да разговор тече него да је сваки детаљ тачан.

ChatGPT је лице које видимо, али не и ум који мисли. Он је интерфејс, једноставан прозор за разговор који делује пријатељски и разумљиво. Иза тог лица налази се велики језички модел ([*LLM*](https://www.vijuge.rs/sta-je-zapravo-llm/)), сложен математички механизам који заправо генерише одговоре. ChatGPT служи као веза између нас и тог система, омогућавајући људима без техничког знања да му приступе. Треба вам само интернет конекција и способност да јасно формулишете питање.

Прва ствар која вас „удари“ после неколико минута куцкања јесте то колико је тај разговор, заправо, нормалан. Можда и превише нормалан за једну машину. Она памти шта сте рекли пре пет минута. Можете да је исправите: „Не, нисам мислио на тај закон, него на онај стари“. Она ће се извинити (веома љубазно) и покушати поново. Та људскост у комуникацији је оно што је ChatGPT учинило глобалним феноменом. Први пут у историји не морамо да учимо језик машине, јер је машина научила наш језик.

Али, ту долазимо до потребе за смиривањем очекивања. ChatGPT је алат за језик, а не за чињенице. Он је направљен да предвиди која реч лепо звучи после претходне, а не да провери истинитост тврдње у реалном времену (иако новије верзије могу да раде и то).

Замислите га као врхунског бирократу или писца говора. Ако му кажете: „Напиши ми љубазан мејл клијенту којем каснимо са испоруком јер нам се покварио камион, али немој да звучиш патетично“, он ће то урадити боље од већине људи. Зашто? Зато што је прочитао милионе таквих мејлова и зна тачну формулу љубазности и професионализма. Ту је његова снага.

Али, пробајте да га сатерате у ћошак са нечим конкретним, рецимо: „Који је најбољи адвокат за привредно право у Новом Саду?“, он може измислити име, или навести неког ко је умро пре десет година, само зато што се то име често помињало у контексту права. Он не зна стање на терену. Нема свест о времену и простору ван онога што је меморисао током тренинга.

За домаћег менаџера, ChatGPT је најкориснији као помоћ у размишљању, а не као аутомат за готове одговоре. Он није ту да доноси одлуке уместо вас. 

Он ће вам убрзати досадне административне заврзламе, сажвакати текст од десет страна у три тезе, па чак и превести онај званични мејл на енглески тако да не звучите као неко ко је користио Google Translate из 2010\. године.

Он је ваш асистент којег увек, баш увек, морате проверити пре него што његов рад пошаљете даље.

Када следећи пут отворите ChatGPT, имајте на уму да не разговарате са људским бићем, већ са статистичким моделом који пише и говори боље него већина људи. ChatGPT вам може значајно убрзати рад и уштедети време, али неће преузети одговорност за оно што је написао. 

На крају, ако зафркнете ствар, не можете се вадити на то да вам је „алгоритам тако рекао“. Ваше име је испод текста мејла, а ChatGPT је ту само да вам држи торбу док ви обављате посао.
### GenAI
URL: https://www.vijuge.rs/genai-2/
Last updated: 2026-04-10T21:29:37.000Z
До пре само неколико година, наш однос са рачунарима био је готово савршено предвидљив, формалан и, у извесном смислу, бирократски - налик односу са изузетно ефикасним, али потпуно безличним државним службеником. 

Ви му дате податке, он их уредно распореди. 

Ви му дате бројеве, он их сабере без икаквог размишљања. 

Ви му дате текст, он га сачува тачно онако како сте му рекли. 

Ако бисте, на пример, у Екселу унели погрешну формулу, програм би вам пријавио грешку; није му ни падало на памет да покуша да „погоди“ шта сте заправо хтели да урадите, нити да понуди било какву сугестију.

А онда се, крајем 2022\. године, тај однос драматично променио. Одједном, машине су почеле да раде ствари за које смо дубоко веровали да припадају искључиво људима са талентом и маштом: почеле су да пишу песме и приче, компонују музику, креирају слике и видео-записе и осмишљавају садржај који делује изненађујуће „људски“. Ушли смо у еру *GenAI*\-ја, односно генеративне вештачке интелигенције.

Многи људи данас аутоматски стављају знак једнакости између појма „вештачка интелигенција“ (AI) и овог новог, спектакуларног таласа алата који пишу, цртају, компонују и стварају. Међутим, та два појма нису исто, а разлика између њих је много већа него што на први поглед делује.

Традиционална вештачка интелигенција коју користимо већ две деценије, често и не схватајући да је у питању AI, понаша се као строги професор, критичар или аналитичар. 

Она гледа слику и каже: „Ово је мачка“. 

Она анализира трансакцију са ваше платне картице и закључује: „Ово је сумњиво, постоји могућност преваре“. 

Она претражује историју филмова које сте гледали и предлаже: „Ово је филм који ће вам се свидети“. 

Она непрестано класификује, сортира, упоређује и бира. Њена улога није да ствара, већ да препозна, процени и означи. Она не измишља ништа ново, већ са великом прецизношћу ставља етикете на свет који већ постоји.

Насупрот томе, GenAI не стоји са стране да би паметовао и процењивао; он је уметник само на први поглед, или много прецизније - он је изузетно вешт имитатор. Када му покажете хиљаде или милионе слика мачака, он не остаје на једноставној тврдњи „ово је мачка“. 

Уместо тога, он постепено учи шта све заједно чини да нешто препознајемо као мачку: типичан облик ушију, структуру крзна, положај очију, бркове, па чак и одређене пропорције које наш мозак доживљава као „мачкасте“. Када та правила усвоји, он је у стању да генерише потпуно нову слику мачке. Мачке која никада није постојала у стварности, али која делује уверљиво, као да јесте. 

Он не претражује базу готових одговора и не бира најсличнији постојећи пример; он генерише нови садржај, пиксел по пиксел, реч по реч, корак по корак.

Ту почиње наша нелагода. Навикли смо на идеју да је стварање нешто дубоко људско, чин који подразумева свест, емоцију, лично искуство и унутрашњи доживљај света. Међутим, када видимо изузетно лепу слику или прочитамо смислен, логично повезан и стилски коректан текст за који знамо да га је генерисала машина, наш први инстинкт је да помислимо да „иза тога мора неко да стоји“, или да је машина на неки начин постала свесна и разумна, готово жива.

Када разумемо како у ствари функционише *GenAI*, тек тада схватамо да није креативан на начин на који је човек креативан. Он нема инспирацију, нема унутрашњи порив, нема тугу, радост или намеру. Оно што има јесте изузетно развијена способност уочавања образаца и статистичких правилности у огромним количинама података. 

Можемо га замислити као некога ко је симболички узео све књиге, све текстове, сву музику и све слике света, разложио их на најситније могуће делове (токене) и сада те делове поново слаже у нове комбинације, строго пратећи правила која је током „учења“ сам препознао. 

Овде се ради о интелигентном комбиновању већ виђеног. Када *GenAI* напише пословни план, он не узима у обзир стратегију, визију или будућност компаније. Он једноставно „зна“, на основу милиона других пословних планова које је „видео“ током тренинга, да после уводног дела обично следи анализа тржишта, да се у том делу користе одређене речи, и да затим долазе финансијске пројекције. 

Он у сваком тренутку предвиђа шта је статистички највероватније да буде следеће, а то није људска креативност, већ статистичка имитација креативности.

Ако ово не схватимо, упашћемо у једну од две замке: или ћемо паничити да ће нас машине сутра оставити без посла, или ћемо им слепо препустити волан.

*GenAI* је, пре свега, алат који ефикасно уклања један од најчешћих проблема у креативном и интелектуалном раду: онај тренутак кад не знаш одакле да кренеш. Сви добро познајемо тај моменат у којем треба да напишемо важан извештај, формулишемо предлог пројекта или осмислимо визуелни идентитет производа, а испред нас се налази празан бели папир. 

*GenAI* ту долази као средство које нам омогућава да прескочимо тај први, психолошки најтежи корак. Он нам даје нацрт, скицу, идеју, почетну верзију од које можемо да кренемо. Та прва верзија је често просечна, можда непотпуна или чак погрешна, али њена највећа вредност је у томе што уопште постоји и што разбија почетну блокаду.

У Србији, где је „сналажење“ често важније од процедуре, а импровизација једина константа, *GenAI* се појављује као идеално оруђе за преживљавање. На нашем терену, где се задаци често дефинишу „у ходу“, а правила тумаче флексибилно, ова технологија легитимизује наш начин рада. 

Она омогућава да се форма задовољи тренутно, тако што извештај изгледа професионално, мејл звучи дипломатски, визуали „разбијају“ а презентација делује светски, док се суштина и даље решава на један од начина који овде често функционишу: усменим договором и личном интервенцијом.

Ту лежи и кључна разлика у односу на раније таласе дигитализације. Сетимо се мука са увођењем ригидних *ERP* система или *CRM* платформи. Ти алати су захтевали ред, прецизне податке и дисциплину, све оно што нашем пословном екосистему хронично недостаје. Зато су често остајали као скупи и практично недовољно искоришћени системи. 

*GenAI*, насупрот њима, не тражи уређен систем да би дао резултат. Он је толерантан према хаосу. Он ће од наше полуинформације направити целовиту причу. То га чини заводљивим, али и опасним: пружа нам савршену фасаду уређености иза које можемо да наставимо да радимо по старом, без стварне модернизације процеса.

Па ипак, *GenAI* је пустио корење због елементарне људске потребе за растерећењем. Разлог је врло једноставан: нико више нема живаца за административну гимнастику која не доноси ни новац ни задовољство. 

Можда смо скептични према помпезним најавама „дигиталних револуција“ - и с правом смо, јер смо их се наслушали - али смо истовремено врло прагматични. Наше тржиште, које се тако жилаво опире системима који захтевају гвоздену дисциплину, никада није одбило алат који нуди пречицу. У томе лежи највероватнија будућност овог односа: прихватићемо вештачку интелигенцију не зато што јој слепо верујемо, већ зато што нам штеди најскупљи ресурс - време.