Kad se direktor seti veštačke inteligencije u proizvodnji, često zamišlja prozračnu halu gde roboti predviđaju kvarove, optimizuju proizvodnju i šapuću KPI-jevima da porastu. Ali realnost je najpre statistika i pakleno dosadan kurs učenja za sve uključene. Nije to krivica tehnologije, to je kriza implementacije.
Prema najnovijim podacima iz industrijskih izvora, mnogi AI projekti nikada ne izađu iz faze pilotiranja, negde oko manje od polovine prelazi u serijsku proizvodnju. Razlozi? Nisu (samo) tehnički već često su organizacioni, strateški pa čak i ljudski.
1. Greška: “Hajde prvo alat, pa ćemo kasnije misliti”
Kao kad kupiš skupi čekić pre nego što si izmerio dasku, classic greška. Mnoge firme krenu od AI alata pre nego što definišu pravi poslovni cilj. Studije sugerišu da upravo ovaj redosled stavlja tehnologiju ispred poslovne svrhe, pa projekti ostanu fino urađeni pilot projekti bez jasno merljivog uticaja na poslovanje.
Naučni rad “Artificial Intelligence Adoption in the Manufacturing Sector” koristi TOE model (Technology-Organization-Enviroment) da objašnjava kako tehnološki potencijali, organizaciona spremnost i spoljašnji pritisci moraju harmonično da se poklope i ako jedan od ova tri elementa nosi naočare sa jačim dioptrijama, AI projekat neće preći sa papira na liniju.
Drugim rečima: prvo pitanje koje menadžer treba da postavi nije “Koji model?”, već “Koji biznis problem rešavamo?”
2. Podaci su prljavi i niko ne voli prljave podatke
U realnosti, podaci su često nepovezani, nepotpuni ili nemaju zajednički “jezik”. Nauka pokazuje da su neuređeni i slabi podaci jedan od ključnih faktora neuspeha AI-a u industriji. Bez čiste, integrisane i istorijske baze podataka, algoritam ne može naučiti ono što bi trebalo da predvidi.
A da ironija bude potpuna: upravo kad AI krene da pravi svoje “zaključke” na takvim podacima, može dovezati do lažnih optimizacija a onda direktor dobije KPI koji je, tehnički, impresivan, ali potpuno beskoristan.
3. Struktura i organizacija kad IT i biznis govore različite jezike
Često se dešava da timovi izgledaju ovako: IT radi svoje skripte, proizvodnja svoje operativne procedure, a menadžment očekuje čuda. Ali AI nije aplikacija kao CRM već on živi u ukrštenoj tački između procesa, ljudi, i tehnologije.
Studije pokazuju da organizaciona spremnost od podrške vrha firme do jasnih internalnih komunikacionih kanala često predvidi uspeh AI projekta više nego sama tehnologija. Bez toga, projekat je kao orkestar bez dirigenta: sve note postoje, ali muzika nikad ne postane simfonija.
4. Nedostatak talentovanih ljudi
“Imamo super data lake”, kaže CEO. “Ali nemamo nijednog ko zna da ga upravlja”, dodaje CTO sa teškom mukom. To nije vic, to je realnost. Nedostatak internog znanja o AI, mašinskom učenju, obradi podataka ili industrijskoj analitici je jedna od najvećih barijera širom sveta.
Jednostavno rečeno ako projekat zavisi od jednog stručnjaka koji zna kako da “primeni” bazu podataka, to nije održiv model.
5. “Black box” i poverenje u odluke koje ne vidimo
AI modeli, naročito oni zasnovani na dubokom učenju, često su “crne kutije”: donesu odluku, ali ne mogu lepo da objasne zašto. To stvara otpor u proizvodnji gde ljudi znaju da ako ne mogu da razumeju odluku ne mogu ni da je prihvate.
Ovaj problem “transparentnosti” je naročito važan za menadžere koji moraju da objasne odluke pred odborom ili klijentima i zato mnogi projekti stanu pre nego što “postanu živi”.
6. Prevelika očekivanja i nerealni ROI
AI nije instant magija. Naučna i industrijska literatura beleže tzv. AI paradoks produktivnosti , kratkoročno produktivnost može i da padne dok ljudi uče da rade sa novim sistemima, a procesi se re-definišu.
Za direktora to znači da mora da planira prelaznu zonu. Ako očekujete da sledećeg meseca robot “spasi kvartal”, promašili ste.
Zaključak: AI kao maraton, a ne sprint
Da parafraziramo, AI u proizvodnji nije čarobni štapić, već složen projektni izazov. Tehnički potencijal je ogromан, ali najčešće greške nisu u tehnologiji već u strategiji, organizaciji, podacima i ljudima.
Menadžer koji razume da AI implementacija zahteva:
- jasno definisan cilj,
- uredne i integrisane podatke,
- organizacionu spremnost i cross-funkcionalnu saradnju,
- realistična očekivanja…
…već ima više od pola bitke za uspeh.
Za one koji žele da zarone u literaturu
Ako ti treba ozbiljna akademska supstanca, evo nekoliko radova na koje se možeš osloniti:
1. AI Asset Management for Manufacturing (AIM4M): Development of a Process Model for Operationalization — model za operativizaciju AI u proizvodnji. (PDF: https://arxiv.org/abs/2509.11691)
2. Applications and Societal Implications of AI in Manufacturing: A Systematic Review — širi pregled implikacija AI. (PDF: https://arxiv.org/abs/2308.02025)
3. Artificial Intelligence Adoption in the Manufacturing Sector (TOE Framework) — teorijska analiza ključnih faktora uspeha.
4. AI Trustworthiness in Manufacturing — fokus na izazovima poverenja, etike i “crnih kutija”.
Autor: Gojko Zalucki
Kontakt: gojko@zalucki.rs
Web: zalucki.rs & businesscon.rs
