Прикривена трансформација вештачке интелигенције: Зашто се компаније сада ослањају на технологију отворене тежине из Кине – Слика: Xpert.Digital
Збогом, амерички монопол: Да ли кинеска вештачка интелигенција нуди већу безбедност података?
Јефтиније и снажније: Како кинески модели са отвореном тежином потресају тржиште
Разлика у трошковима у вештачкој интелигенцији: Како компаније могу значајно уштедети локалним пословањем
Доминација америчких технолошких гиганата у области вештачке интелигенције дуго је деловала неоспорно – све до сада. Са брзим успоном изузетно моћних кинеских модела отворене тежине попут GLM 5.2, за европске компаније се изненада отворио потпуно нови стратешки прозор. Ови модели обећавају техничку софистицираност лидера у индустрији по много нижој цени и, штавише, могу се покренути локално на сопственим серверима компаније, стварајући потпуно нове могућности за суверенитет података. Али оно што се на први поглед чини као савршен бег од зависности од скупих услуга у облаку често се у пракси испоставља као веома сложен подухват. Од варљиве лакоће брзо изграђеног пилот пројекта до строгих регулаторних захтева Европског закона о вештачкој интелигенцији и вишеструке геополитичке димензије: употреба модела отворене тежине је много више од пуког техничког ажурирања. Свако ко се фокусира искључиво на резултате бенчмаркова и занемарује организациону зрелост иде право у замку трошкова. Следећи чланак детаљно испитује зашто прелазак на локалну вештачку интелигенцију отворене тежине представља огромну прилику – и како компаније могу избећи типичне грешке у имплементацији од самог почетка.
Тиха трансформација са гласним последицама
Мало је тема које тренутно толико окупирају европске ИТ одељења као питање да ли треба интерно покретати високо-перформансне моделе кинеског језика. Са моделима попут GLM 5.2 од Zhipu AI, објављеним под МИТ лиценцом у јуну 2026. године, отворио се технолошки прозор који је био незамислив пре само неколико година. Компаније сада могу бесплатно да преузму модел са приближно 744 до 753 милијарде параметара, од којих се око 40 милијарди активно користи по упиту, и да га покрећу на сопственој или поузданој инфраструктури. Модел има контекстуални прозор од милион токена и посебно је дизајниран за вишестепене задатке, програмски рад и самосталну употребу алата. На бенчмарковима као што су SWE-bench Pro или Terminal-Bench 2.1, постиже резултате који га приближавају затвореним моделима највишег нивоа као што су GPT-5.5 или Claude Opus 4.8, уз делић цене по обрађеном токену. Ова комбинација технолошке зрелости, отвореног лиценцирања и ниске цене фундаментално мења прорачуне многих компанија, јер одједном више није само један амерички добављач који се такмичи са следећим, већ се потпуно нови геополитички елемент меша у технолошку архитектуру којом је раније доминирало неколико играча.
Од лабораторијског демонстратора до робусног пословног решења
Прави изазов, међутим, не лежи у самом моделу, већ у разлици између успешног тестирања и система спремног за производњу. Модел отворених тежина није готов алат који се може извадити из кутије и одмах применити за пословно критичне апликације. Једноставним отпремањем тежина модела на ГПУ сервер и додавањем основног интерфејса за ћаскање ствара се демонстратор, али не и платформа спремна за производњу. Ова конфузија између техничке изводљивости и организационе зрелости један је од најчешћих разлога зашто пилот пројекти вештачке интелигенције у компанијама не успевају или остају заглављени у фази тестирања. Стога, редослед имплементације не би требало да почне са моделом, већ са конкретним случајем употребе, након чега следе архитектура, повезивање података, модел безбедности, евалуација и текући рад. Придржавање овог редоследа избегава најтипичније замке: превелику инфраструктуру која никоме заправо није потребна, нејасне одговорности између ИТ-а, пословних јединица и менаџмента, и агенте вештачке интелигенције са далеко више привилегија него што њихов стварни задатак захтева.
Паметан приступ: Почните са малим да бисте размишљали велико
Свака успешна имплементација почиње одабиром задатка чије се користи могу квантификовати, а ризици ограничити. Погодни су процеси са јасним улазима, проверљивим резултатима и управљивим последицама у случају грешака, као што су претраживање техничке документације о одржавању, аутоматска класификација интерних захтева или подршка анализи софтверског кода. Мање погодне за почетне имплементације су апликације које директно контролишу производне погоне, покрећу платне трансакције или помажу у припреми кадровских одлука. Основно правило је: што је теже накнадно проверити резултат, већи је ризик од пилот пројекта који се више не може контролисати. Стога, пре него што било какав технички рад уопште почне, сваки случај употребе захтева концизан, али обавезујући профил. Који специфичан задатак треба решити, који се подаци могу користити, како ће се мерити квалитет резултата, које врсте грешака су прихватљиве, ко сноси техничку одговорност и под којим јасно дефинисаним условима ће операције бити одмах заустављене ако је потребно? Без овог претходног рада, сваки наредни технички детаљ постаје импровизација.
Величина није сама по себи циљ при избору модела
Уобичајена заблуда је да се аутоматски бира највећи доступни модел једноставно зато што најбоље функционише у бенчмарковима. GLM 5.2 је посебно дизајниран за дуге, вишестепене задатке, програмирање и коришћење екстерних алата, али његова величина такође поставља велике захтеве за меморију, графичке акцелераторе и дистрибуирано рачунарство. Произвођач, између осталог, предлаже vLLM и SGLang окружења за извршавање као одговарајуће техничке основе, јер ови оквири могу дистрибуирати модел на више графичких процесора и пружити програмски интерфејс компатибилан са уобичајеним стандардима. Међутим, за многе свакодневне пословне задатке, такав водећи модел није најекономичнији избор. За једноставну класификацију, екстракцију структурираних информација или стандардизоване одговоре, знатно мањи и јефтинији модел је често сасвим адекватан. Стога су конкретни тестови са репрезентативним пословним подацима и чврстим метрикама као што су време одзива, пропусност, захтеви за меморијом и текући оперативни трошкови кључни. Иако квантизоване или рачунарски оптимизоване варијанте модела могу значајно смањити хардверске захтеве, оне могу променити квалитет или стабилност излаза на начине који нису увек одмах очигледни. Чак ни посебно дуг контекстуални прозор није изговор за немар: што се више докумената нагура нефилтрирано у један захтев, то су већи трошкови и латенција, и већи је ризик да ће се кључне информације једноставно изгубити у поплави података.
Архитектура одређује будућу одрживост
Робусна пословна архитектура јасно раздваја најмање пет слојева: сервер модела, слој интеграције, приступ пословном знању, извршавање алата и коначно, стварну корисничку апликацију. Моделу никада не би требало директно и неконтролисано приступати из било које појединачне пословне апликације. Уместо тога, централни интеграциони слој обрађује задатке као што су аутентификација, квоте коришћења, евидентирање, стандардизовани шаблони за унос, рутирање између различитих модела и спровођење безбедносних правила. Овај средњи слој омогућава каснију замену модела отворених тежина без потребе за преписивањем свих пословних апликација. У пракси, интерна услуга тада може флексибилно да прелази између GLM 5.2, мањег локално управљаног модела и дељеног модела у облаку, у зависности од конкретног задатка, а да крајњи корисници то и не примете. Подједнако важно је доследно раздвајање развојног, тестног и производног окружења. Тежине модела, слике контејнера и конфигурационе датотеке никада не смеју бити директно преношене са лаптопа једног програмера у производно окружење без верификације. Сваки продуктивни артефакт мора бити верзионисан, тестиран и дистрибуиран путем процеса контролисаног објављивања, као што је већ стандардна пракса у традиционалном развоју софтвера.
Паметно интегришите постојеће знање компаније уместо скупе преквалификације нових вештина
За велику већину случајева употребе, генерисање проширеним претраживањем (RAG) је практичније од сложеног и скупог процеса поновног обучавања модела. Код ове методе, систем прво претражује заједничку базу знања за релевантне информације, а затим прослеђује само пронађене фрагменте текста језичком моделу. Ово омогућава коришћење приручника, интерних смерница, техничких спецификација или захтева за подршку без потребе за модификовањем самог основног модела. Међутим, квалитет такве RAG апликације зависи готово у потпуности од пажљиве припреме основних докумената. Застареле верзије докумената, недостајући метаподаци и лоша сегментација садржаја готово неизбежно доводе до непоузданих, а понекад и контрадикторних одговора. Стога, сваки документ захтева јасно дефинисаног власника, обавезујуће информације о валидности и одговарајућа права приступа. Ни под којим околностима модел не сме да пронађе и избаци информације које одговарајући корисник није овлашћен да види у оригиналном изворном систему. Одговори увек треба да наводе њихове конкретне изворе, јер то значајно олакшава стручни преглед и открива да ли је изјава заправо заснована на поузданом знању компаније или је само изведена из општих, непроверљивих параметара модела. За посебно осетљиве случајеве употребе, систему се такође може експлицитно наложити да не даје коначан одговор без одговарајућег и проверљивог извора, већ да отворено призна сваку неизвесност.
Наша стручност у Кини у развоју пословања, продаји и маркетингу
Наша стручност у Кини у развоју пословања, продаји и маркетингу - Слика: Xpert.Digital
Фокус индустрије: B2B, дигитализација (од AI до XR), машинство, логистика, обновљиви извори енергије и индустрија
Више информација овде:
Тематски центар који нуди увиде и стручност:
- Платформа знања која покрива глобалне и регионалне економије, иновације и трендове специфичне за индустрију
- Збирка анализа, увида и основних информација из наших кључних области фокуса
- Место за стручност и информације о актуелним дешавањима у пословању и технологији
- Чвориште за компаније које траже информације о тржиштима, дигитализацији и иновацијама у индустрији
Регулатива ЕУ о вештачкој интелигенцији и интерно пословање: Зашто компаније потцењују регулаторне обавезе
Геополитичка димензија избора модела
Оно што се у претходним одељцима чини као чисто технички проблем имплементације има другу, далеко мање техничку димензију која је занемарена у многим претходним дискусијама. Кинески добављачи подлежу кинеском закону, укључујући законе о националној безбедности, који могу захтевати сарадњу са владиним органима под одређеним околностима. Овај ризик се првенствено односи на коришћење cloud-базираног API-ја кинеског добављача, где се захтеви, а понекад и осетљиви подаци компаније, обрађују преко сервера у иностранству. Међутим, овај ризик се знатно мења када се отворени тегови користе локално на европској инфраструктури, јер се стварна обрада података тада одвија у потпуности под сопственом контролом компаније. Консултант са седиштем у Минхену у консултантској фирми Arthur D. Little ставља ову идеју у занимљиву формулу: Отворени модел развијен у Кини, који ради на европској инфраструктури, може, у неким аспектима, чак понудити и већи оперативни суверенитет од власничког страног модела чији се услови, цене или доступност могу променити у било ком тренутку без контроле компаније. Ова перспектива заслужује озбиљно разматрање јер фундаментално доводи у питање широко распрострањену, али поједностављену једначину „америчко једнако безбедно, кинеско једнако ризично“. Истовремено, питање дугорочног одржавања модела остаје отворено: Ко гарантује да ће безбедносне празнине бити поуздано затворене у будућим верзијама и колико је поуздан добављач чије се економско и политичко окружење фундаментално разликује од европског правног и вредносног система?
Регулаторни оквир као потцењени фактор трошкова
Један аспект који је готово у потпуности одсутан из оригиналне техничке анализе, али је кључан за сваку европску компанију, тиче се европског правног оквира за вештачку интелигенцију. Од 2. августа 2025. године, обавезне обавезе се примењују на добављаче модела вештачке интелигенције опште намене, а од 2. августа 2026. године, велика већина регулативе је у потпуности применљива, укључујући свеобухватне захтеве за системе високог ризика и опсежне обавезе транспарентности. За самостално управљани модел отворене тежине, то значи да компанија која га примењује, у својој улози такозваног оператера, преузима додатне одговорности, као што су људски надзор, евидентирање и обезбеђивање довољне стручности у области вештачке интелигенције међу својим запосленима. Штавише, модели чији кумулативни напор обуке прелази праг од 10 на степен 25 операција са покретним зарезом сматрају се моделима системског ризика и подлежу додатним, знатно строжим обавезама у погледу тестирања, процене ризика и сајбер безбедности. Свако ко користи кинески модел отворене тежине стога мора у потпуности да се придржава ових европских обавеза, без обзира на порекло модела, јер страни програмер није аутоматски подложан европском праву. Ова двострука одговорност, и техничка и регулаторна, често се потцењује у почетним пилот пројектима и касније се може показати као значајан и скуп заостатак.
Шта недостаје у чистој логици имплементације
Посматрајући логику имплементације у осам фаза у целини, јасно је да, иако технички привлачна, није комплетна у неколико кључних димензија. Прво, недостаје јасна дискусија о животном циклусу модела након почетног распоређивања. Кинески произвођачи објављују своје моделе брзим темпом; сам GLM 5.2 је већ трећи велики корак у року од само неколико месеци, и није јасно колико дуго ће старије верзије добијати безбедносна ажурирања. Компанија која данас инвестира мора размотрити колико често ће бити потребна миграција на нови модел и какве ће текуће трошкове то проузроковати. Друго, недостаје јој истинска анализа трошкова и користи која иде даље од пуког одређивања цена. Управљање моделом ових размера интерно захтева значајна улагања у графичке процесоре, хлађење, напајања и специјализовано особље – улагања која би била непотребна уз искључиво коришћење облака. Да ли је интерно управљање економски исплативо у великој мери зависи од стварног обима коришћења и требало би објективно израчунати пре него што се донесе било каква фундаментална одлука. Треће, питање одговорности у случају квара остаје нерешено. Ако самостално управљани модел допринесе последичној грешци у доношењу одлука, европски правни оквир генерално ставља одговорност на компанију која је применила модел, а не на програмера модела, чији услови лиценце обично искључују било какву гаранцију. Четврто, не постоји изјава у вези са транспарентношћу података о обуци и потенцијалним пристрасностима, што би могло бити посебно релевантно за моделе који потичу из Кине у контексту политички осетљивих тема и требало би пажљиво испитати у интерним апликацијама компаније. Пето, питање организационе интеграције је обрађено прекратко: Пилот пројекту нису потребни само технички менаџери већ и ауторитет који одлучује о проширењу, прекиду или даљем развоју пројекта пре него што дође до неконтролисаног раста појединачних одељењских решења – феномен који се у пракси често назива вештачком интелигенцијом у сенци.
Трошковна предност уз стратешко одређивање цена
Један од разлога за брзо ширење таквих модела лежи у једноставном поређењу цена. Коришћење API-ја провајдера кошта приближно 1,40 долара по милиону улазних токена и 4,40 долара по милиону излазних токена, што је отприлике једна шестина цене упоредивих затворених, врхунских модела. Са потпуним самосталним хостовањем на интерном хардверу, ови текући трошкови токена се потпуно елиминишу, што омогућава значајне уштеде при великим обимима коришћења - али само ако се почетна улагања у инфраструктуру заиста могу надокнадити. Ова структура трошкова објашњава зашто су средња предузећа са ограниченим ИТ буџетима све више заинтересована за такве отворене моделе, јер обећавају приступ најсавременијој технологији која је раније била резервисана за велике технолошке корпорације са одговарајућим буџетима.
Модели отворене тежине: Прилика или замка имплементације за компаније?
Доступност моћних кинеских модела отворене тежине значајно мења стратешке опције за европске компаније у области вештачке интелигенције, али не решава аутоматски ниједан од фундаменталних проблема имплементације. Свако ко жели да мудро користи такав модел мора схватити техничку архитектуру једнако озбиљно као и регулаторне обавезе, геополитичке ризике и једноставну пословну реалност ограничених ресурса. Права прилика лежи мање у самом моделу него у дисциплини којом компанија доследно пролази кроз цео пут од малог, проверљивог случаја употребе до робусног, усклађеног и економски исплативог континуираног рада.
📈🚀 Од видљивости до поверења 👀🤝 Ваш скалабилни пут са Xpert.Digital
Од видљивости до поверења: Ваш скалабилни пут са Xpert.Digital - Слика: Xpert.Digital
У индустријском B2B пословању, одрживи пословни односи ретко настају преко ноћи. Они се развијају корак по корак – кроз видљивост, професионалну релевантност, сталне тачке контакта и растуће поверење. Xpert.Digital-ов четворостепени модел се бави управо овим: нуди структурирани пут који почиње са управљивом улазном тачком и може се развити у дубљу сарадњу у развоју пословања ако је потребно.
Уместо ослањања на гласна маркетиншка обећања, овај модел ставља однос у први план. Компаније почињу са јасно дефинисаним, лако израчунатим мерама, а затим одлучују, на основу сопственог искуства, колико желе да прошире сарадњу. Кључни фактор за овај несметан процес изградње поверења: Платформа потпуно избегава досадне рекламне огласе, тако да уреднички фокус остаје искључиво на стручности компанија.
Више информација овде:
Ваш глобални партнер за маркетинг и развој пословања
☑️ Наш пословни језик је енглески или немачки
☑️ НОВО: Преписка на вашем матерњем језику!
Konrad Wolfenstein
Ја и мој тим смо срећни што вам можемо бити на располагању као ваш лични саветник.
Можете ме контактирати попуњавањем контакт форме овде wolfenstein@xpert.digital:или ме једноставно позовите на +49 7348 4088 965. Моја имејл адреса је
Радујем се нашем заједничком пројекту.
