ROI за AI пројекат

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:

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.

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.

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.

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.

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.

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.