Успех потрошача као обмана | Велико разочарање: Када вештачка интелигенција закаже у фабрици

„Илузија размишљања“: Зашто је хајп око ChatGPT-а пропао на фабричком погону

Док се свет још увек диви креативним могућностима ChatGPT-а, у реалној економији се одвија сасвим другачија драма. Нови подаци показују да сан о револуцији вештачке интелигенције у индустрији прети да постане најскупље разочарање у дигиталној историји.

Постоји мамурлук после златне грознице. Три године је генеративна вештачка интелигенција доминирала насловима, подизала цене акција и наговештавала еру неограничене продуктивности. Али свако ко завири иза кулиса блиставих технолошких демонстрација и види где се одвија стварање праве вредности – у производним халама, логистичким центрима и билансима стања индустрије – доживљава грубо буђење.

Оно што функционише као користан четбот у приватном животу често спектакуларно закаже у сложеним машинама индустријске производње. Бројке су алармантне: Док технолошки гиганти упумпавају трилионе у центре података, према недавним студијама МИТ-а и МекКинсија, 95 одсто имплементација вештачке интелигенције у компанијама је неефикасно. Уместо обећане експлозије ефикасности, доживљавамо експлозију трошкова без поврата инвестиције.

Од „јаза у учењу“ и недостатка стратегија за податке до капитулације немачких малих и средњих предузећа: Овај чланак немилосрдно разоткрива зашто би балон вештачке интелигенције могао да пукне, зашто вештачка интелигенција често само симулира „илузију размишљања“ и зашто ће 2026. бити кључна година за цео технолошки сектор. Анализа широко распрострањеног разочарања – и питање шта ће остати након хајпа.

У вези са овим:

• „Структурно банкротирали“? Губиташки посао ChatGPT-а: Шокантна истина о пословном моделу OpenAI-а

Зашто сан о аутоматизованој фабрици постаје најскупље разочарање у дигиталној историји

Након три године необуздане хајпе око ChatGPT-а и генеративне вештачке интелигенције, настаје прекретница. Оно што је најављено као револуција продуктивности све се више открива као класичан образац технолошке хиперболе: импресивни демонстрациони ефекти сударају се са отрежњујућом пословном реалношћу. Док милиони људи широм света користе вештачку интелигенцију за текст, слике и свакодневне дигиталне задатке, обећани пробој се није остварио тамо где се одвија стварно стварање економске вредности – у производним халама, монтажним линијама и сложеним индустријским процесима.

Бројке говоре саме за себе. Анализа компаније McKinsey из 2025. године открива пун обим неслагања: Док 78 одсто компанија сада користи вештачку интелигенцију у неком облику, подједнако велики проценат не може да открије никакву мерљиву корист. Масачусетски институт за технологију иде још даље у својој свеобухватној студији, долазећи до осуђујућег закључка: 95 одсто свих имплементација вештачке интелигенције у предузећима не показује никакав утицај на биланс успеха. Само пет одсто пилот пројеката чак и прелази из фазе тестирања у стварну спремност за производњу. Оно што се овде појављује није привремена тешкоћа у прилагођавању, већ структурни квар са дубоко укорењеним узроцима који ће имати далекосежне последице.

Успех потрошача као обмана

Широко распрострањено прихватање вештачке интелигенције у приватној сфери створило је опасну илузију. OpenAI извештава о запањујућих 800 милиона недељних корисника ChatGPT-а за септембар 2025. године, што је осам пута више од новембра 2023. У Немачкој, 64 процента становништва користи четботове или гласовне асистенте покретане вештачком интелигенцијом најмање једном недељно; међу младима од 16 до 29 година, ова бројка расте на 89 процената. Ове импресивне стопе усвајања остављају утисак технологије која се успешно етаблирала. Међутим, овај утисак је фундаментално обмањујући када се узме у обзир стварно стварање вредности.

Употреба од стране потрошача је концентрисана на апликације са ниским економским утицајем: одговарање на свакодневна питања, креирање текста за личне сврхе и генерисање слика за забаву. 87 процената корисника искључиво користи бесплатне верзије услуга. Само ова чињеница илуструје ограничену спремност за плаћање и самим тим перципирану економску вредност. Иако OpenAI генерише импресиван процењени годишњи приход од 12 милијарди долара, овај успех првенствено произилази из самог броја корисника и пословних лиценци, а не из доказаних повећања продуктивности у реалној економији.

Прави тест за вештачку интелигенцију није у генерисању садржаја за друштвене мреже или одговарању на тривијална питања, већ у сложеним окружењима индустријске производње, логистике и контроле производње. Овде системи морају да се носе са физичким процесима, разноврсним мешавинама производа, променљивим спецификацијама и сложеним машинским екосистемима. И управо ту недостаци постају очигледни.

Парадокс продуктивности се враћа

Оно што се тренутно појављује је забрињавајуће понављање феномена који економисти већ познају из 1980-их: Соловљев парадокс. Нобеловац Роберт Солов је 1987. године чувено приметио да је рачунарско доба видљиво свуда осим у статистици продуктивности. Ова парадоксална ситуација поновила се са дигитализацијом 2000-их. Према подацима ОЕЦД-а, упркос огромним улагањима у дигитализацију, продуктивност у Немачкој је расла за само 0,7 процената годишње између 2010. и 2018. године. Између 1992. и 2010. године, чак је падала за 1,55 процената годишње.

Сада сведочимо трећој верзији овог парадокса продуктивности, овог пута са вештачком интелигенцијом као наводном прекретницом. Анализа компаније McKinsey из 2025. године показује да ће 92% компанија повећати своја улагања у вештачку интелигенцију, али само један проценат има зрелу имплементацију. У ствари, 67% наводи да је барем једна иницијатива у вези са вештачком интелигенцијом смањила укупну продуктивност. Ове бројке откривају разарајућу разлику између обима улагања и остварених приноса.

Разлози за овај понављајући парадокс су вишеструки. Фундаментални изазов лежи у самој природи модерних система вештачке интелигенције. Тренутно доминантни модели великих језика заснивају се на статистичком препознавању образаца у подацима за обуку, а не на систематском логичком резоновању или истинском разумевању. Студија компаније Apple из јуна 2025. године сажето је сумирала проблем: чак и такозвана објашњива вештачка интелигенција, која корак по корак описује свој процес решавања проблема, само генерише илузију размишљања. Ово фундаментално ограничење чини системе непоузданим за примене где су прецизност и конзистентност кључне – управо квалитети неопходни у индустријским производним процесима.

Неуспех у индустријској стварности

Имплементација вештачке интелигенције у производним окружењима наилази на низ сталних препрека које се не могу превазићи пуким технолошким побољшањима. Студија МИТ-а идентификује такозвани јаз у учењу као кључни проблем: Већина система вештачке интелигенције не може да учи из оперативних повратних информација, да се прилагоди променљивим контекстима или да се побољша током времена. Деведесет процената анкетираних пословних корисника преферира људске колеге у односу на вештачку интелигенцију за сложене, дугорочне пројекте, јер системи захтевају опсежан унос сваки пут када се користе и не граде трајни контекст.

Овај структурни недостатак погоршавају бројни организациони и технички фактори. Немачки економски институт (IW) и разна истраживања у индустрији приказују конзистентну слику: 76 одсто малих и средњих предузећа (МСП) бори се са недовољним квалитетом података и фрагментираним силосима података. 68 одсто нема добро развијену стратегију за вештачку интелигенцију. 82 одсто пријављује значајне недостатке вештина у области вештачке интелигенције. Немачка тренутно има мањак од 244.000 стручњака из области природне интелигенције, технологије, математике и математике (STEM), укључујући 29.500 ИТ стручњака. Ове бројке илуструју да се проблем протеже далеко изван технолошких ограничења.

Да би производна компанија успешно имплементирала вештачку интелигенцију, потребан је читав низ предуслова: висококвалитетни, структурирани и интегрисани подаци из различитих извора; техничка инфраструктура за прикупљање, складиштење и обраду ових података; стручњаци са стручним знањем како у науци о подацима, тако и у специфичним производним процесима; организационе структуре за управљање променама и неговање прихватања; и јасни оквири управљања за одговорности и управљање ризицима. Ако чак и један од ових елемената недостаје, пројекти ће вероватно пропасти.

Реалност у немачким производним компанијама је отрежњујућа. Студија Универзитета у Кобленцу показује да, иако две трећине од 120 анкетираних компанија већ наводе да користе вештачку интелигенцију, 80% њих то чини тек око две године. Пажљивији поглед на стварне производне праксе открива да су процеси засновани на вештачкој интелигенцији још увек далека перспектива за већину производних компанија. Највећа препрека је консолидација и доступност података, а одмах затим следи недостатак квалификованих радника, што додатно оптерећује већ ограничене ИТ ресурсе.

Експлозија трошкова без поврата инвестиције

Паралелно са недостатком оперативних користи, инвестициони трошкови ескалирају до вртоглавих размера. Глобална потрошња на центре података са вештачком интелигенцијом процењује се на 600 милијарди долара у 2025. години и предвиђа се да ће порасти на између 3 и 4 билиона долара до 2030. године. Ово представља годишњу стопу раста од 46 процената. McKinsey чак предвиђа потребу за 7 билиона долара до 2030. године само за инфраструктуру центара података. OpenAI, кроз своју иницијативу Stargate са Oracle-ом и Softbank-ом, планира центре података вредне 500 милијарди долара. Генерални директор компаније Meta, Марк Закерберг, предвиђа трошкове од 600 милијарди долара до 2028. године.

Ове огромне суме морају се на крају исплатити. Секуоија Капитал је израчунао да би индустрија вештачке интелигенције морала да генерише 600 милијарди долара годишњег прихода да би оправдала тренутна улагања, препреку коју је готово немогуће превазићи у кратком року. Голдман Сакс је издао оштра упозорења да 1 билион долара улагања у вештачку интелигенцију можда неће донети очекиване приносе. Аналитичар Џим Ковело је то рекао отворено: Претеривање са стварима које свету нису потребне или за које није спреман обично се лоше завршава.

Енергетска компонента је посебно проблематична. Цене капацитета у кључном PJM региону у САД попеле су се на 329 долара по мегават-дану за годину испоруке 2026/2027, што је скоро девет пута више у поређењу са 2025/2026. Овај критични притисак на ефикасност приморава хиперскалере да одмах усвоје енергетски ефикасне архитектуре. Међутим, чак и са побољшаним архитектурама, тренутак наглог растућа се назире средином 2026. године, када понуда вођена капиталним издацима расте брже од монетизоване потрошње. У овом сценарију, цена по токену могла би се приближити нули, што би довело до брзе девалвације новоизграђених капацитета за закључивање.

Ситуација подсећа на дот-ком балон из раних 2000-их, када су огромна улагања у оптичке каблове довела до прекомерног капацитета који никада није у потпуности искоришћен. Многи новоизграђени центри података са вештачком интелигенцијом могли би да доживе сличну судбину ако се потражња не развија пројектованим темпом. Гартнеров „Hype Cycle“, добро успостављени алат за прогнозирање технолошких циклуса, сугерише да би вештачка интелигенција могла да уђе у своју трећу фазу, доба разочарања, 2026. године. У овој фази, ограничења и високи трошкови постају очигледни, проблеми са скалирањем и недостатак одрживих пословних модела доводе до неуспеха многих пројеката и нестанка добављача.

Немачка средња класа капитулира

Док технолошки гиганти настављају да улажу милијарде у вештачку интелигенцију, у немачким малим и средњим предузећима (МСП) појављује се запажен тренд: стратешко повлачење. Истраживање спроведено међу 200 МСП, објављено у јануару 2026. године од стране консултантске куће за менаџмент Horvath, открива да ће ове компаније потрошити само 0,35 одсто својих прихода на технологије вештачке интелигенције у 2025. години, у поређењу са 0,41 одсто у 2024. години. То значи да МСП улажу око 30 одсто мање од целокупног тржишта, а та разлика се све више шири.

Разлози за овај развој догађаја су откривајући. Геополитичке тензије су узнемириле многе компаније средње величине и помериле њихов фокус на оптимизацију трошкова. Међутим, што је још важније, ране примене вештачке интелигенције можда нису донеле очекиване добитке у ефикасности. Хајко Финк, директор студије и члан одбора Хорват, снажно упозорава: Ако се трансформација вештачке интелигенције сада масовно не убрза, технолошки јаз ће се развити у егзистенцијални стратешки ризик.

Изазови са којима се суочавају мала и средња предузећа (МСП) су вишеструки и дубоко укорењени. Бирократске препреке и спор напредак у дигитализацији значајно нарушавају њихову способност да имплементирају вештачку интелигенцију. Забринутост у вези са заштитом података и дигиталним суверенитетом додатно отежава усвајање. Свеобухватна студија о вештачкој интелигенцији код малих и средњих предузећа из 2025. године слика драматичну слику: иако 86% препознаје значај вештачке интелигенције, само 23% је успешно имплементирало конкретне пројекте вештачке интелигенције. Само 32% има добро развијену стратегију за вештачку интелигенцију, а свега 19% је основало посвећеног менаџера или тим за вештачку интелигенцију.

Проблеми са подацима се показују као главна Ахилова пета. 76 одсто малих и средњих предузећа (МСП) бори се са недовољним квалитетом података и изолацијом података између система. 83 одсто нема свеобухватну стратегију за податке. 69 одсто чак ни не зна који су им подаци потребни за примене вештачке интелигенције. 58 одсто нема структуре управљања подацима. Ове бројке илуструју да проблем почиње много пре стварне имплементације вештачке интелигенције: Недостаје основна дигитална инфраструктура.

Овоме се додаје и недостатак управљања. Иако 91 одсто сматра безбедност и усклађеност вештачке интелигенције кључним, 76 одсто нема оквир за управљање вештачком интелигенцијом. Ова неслагања представља значајан правни и репутациони ризик, посебно са Законом ЕУ о вештачкој интелигенцији, који је ступио на снагу у августу 2024. године. Иако регулатива ствара неопходан оквир за одговорну употребу вештачке интелигенције, многе компаније је доживљавају као прекомерну регулацију која их ставља у конкурентски неповољан положај у поређењу са САД и Кином. Док се европске компаније боре кроз џунглу нових прописа, технолошки гиганти у Северној Америци и Азији и даље уживају у релативно слободној функцији.

Овде ћете сазнати како ваша компанија може брзо, безбедно и без високих баријера за улазак имплементирати прилагођена решења за вештачку интелигенцију.

Управљана AI платформа је ваше свеобухватно и безбрижно решење за вештачку интелигенцију. Уместо да се бавите сложеном технологијом, скупом инфраструктуром и дуготрајним процесима развоја, добијате готово решење прилагођено вашим потребама од специјализованог партнера – често у року од само неколико дана.

Кључне предности на први поглед:

⚡ Брза имплементација: Од идеје до апликације спремне за употребу за дане, а не месеци. Нудимо практична решења која стварају тренутну додату вредност.

🔒 Максимална безбедност података: Ваши осетљиви подаци остају код вас. Гарантујемо безбедну и усклађену обраду без дељења података са трећим лицима.

💸 Без финансијског ризика: Плаћате само за резултате. Велика почетна улагања у хардвер, софтвер или особље су потпуно елиминисана.

🎯 Фокусирајте се на свој основни посао: Концентришите се на оно што најбоље радите. Ми се бринемо о целокупној техничкој имплементацији, раду и одржавању вашег вештачке интелигенције.

📈 Спремно за будућност и скалабилно: Ваша вештачка интелигенција расте са вама. Обезбеђујемо континуирану оптимизацију и скалабилност и флексибилно прилагођавамо моделе новим захтевима.

Више информација овде:

• Решење за управљану вештачку интелигенцију - Индустријске услуге вештачке интелигенције: Кључ конкурентности у секторима услуга, индустрије и машинства

Где вештачка интелигенција заправо ствара додатну вредност

Упркос углавном отрежњујућој укупној слици, постоје области и случајеви употребе где вештачка интелигенција очигледно генерише додатну вредност. Међутим, ове приче о успеху су веома специфичне и прате препознатљиве обрасце који се значајно разликују од неуспелих масовних пројеката.

Студија компаније IBM из октобра 2025. године показује да 62 одсто компанија у Немачкој већ постиже значајно повећање продуктивности захваљујући вештачкој интелигенцији. Скоро половина очекује мерљив повраћај инвестиције у року од дванаест месеци, првенствено кроз побољшано задовољство запослених, уштеду времена и повећање прихода. Студија компаније SAP долази до сличних закључака: просечан повраћај инвестиције у вештачку интелигенцију је 16 одсто у првој години и очекује се да ће се скоро удвостручити на 31 одсто у року од две године. 64 одсто испитаника је изјавило да је задовољно тренутним повраћајем инвестиције, што је више него код било које друге технолошке инвестиције.

Међутим, ове позитивне бројке су знатно ублажене када се детаљније погледа где и како се вредност ствара. Студија МИТ-а идентификује кључни образац: Успешне имплементације вештачке интелигенције фокусирају се на аутоматизацију бек-офиса, а не на грандиозна обећања револуционисаних производних процеса. Аутоматизација докумената, процеси набавке и процене ризика показују највеће повраћаје. Успешне имплементације штеде између два и десет милиона долара годишње смањењем аутсорсинга пословних процеса. Трошкови агенција падају за 30 процената када алати вештачке интелигенције преузму креативне и аналитичке задатке.

У вези са овим:

• Од експериментисања до скалирања и индустријализације: Вештачка интелигенција у предузећима 2026. као прекретница ка структурираном пословању

Фундаментални проблем се открива у расподели инвестиција

Више од половине буџета за генеративну вештачку интелигенцију троши се на маркетинг и продају, иако аутоматизација пословних простора често генерише већи принос. Ова погрешна расподела је симптоматична за усвајање технологије вођено рекламом, а не рационалном анализом трошкова и користи.

У самој индустријској производњи, успеси су спорадични и ограничени на специфичне примене. Предиктивно одржавање, које користи машинске податке за рано откривање хабања или кварова, показује очигледан успех. Произвођачи аутомобила попут Фолксвагена користе вештачку интелигенцију у својим фабрикама за анализу података сензора, минимизирајући непланиране застоје. Форд користи вештачку интелигенцију за аутоматизацију производних процеса као што су заваривање и монтажа. Џенерал моторс је смањио застоје за 20 процената кроз предиктивно одржавање.

Контрола квалитета коришћењем рачунарског вида је још једно подручје са документованим успехом. Системи подржани вештачком интелигенцијом анализирају слике са камера у реалном времену и откривају чак и микроскопске дефекте, значајно повећавајући поузданост. Анализа показује да потпуно имплементирана вештачка интелигенција инфраструктура може да оствари повраћај инвестиције од 200 до 300 процената кроз смањење дефеката и брже циклусе инспекције. Оптимизација ланца снабдевања и залиха постиже повраћај инвестиције од 150 до 250 процената спречавањем несташица залиха и побољшањем управљања ланцем снабдевања.

Кључно је да ови успеси не произилазе из једноставне имплементације стандардних вештачке интелигенције по принципу „укључи и користи“, већ из дубоке, прилагођене интеграције у специфичне процесе, праћене значајним управљањем променама и континуираним прилагођавањем. Подаци МИТ-а показују да екстерна партнерства достижу спремност за производњу отприлике двоструко чешће него интерни развој, 67 процената у поређењу са 33 процента. Успешни купци третирају добављаче вештачке интелигенције не као добављаче софтвера, већ као пословне партнере и мере успех пословним резултатима, а не техничким референтним вредностима.

Сива економија вештачке интелигенције као индикатор

Фасцинантан феномен се јавља након детаљније анализе образаца коришћења: У 90 процената анкетираних компанија, запослени користе приватне алате за вештачку интелигенцију за свој посао, иако је само 40 процената компанија стекло званичне лиценце за вештачку интелигенцију. Ова такозвана сива економија вештачке интелигенције показује фундаменталну контрадикцију: појединци могу успешно користити вештачку интелигенцију ако су алати флексибилни и једноставни за коришћење. Институционална имплементација, с друге стране, не успева због сложености, недостатка интеграције и организационих баријера.

Овај паралелни свет незваничне употребе вештачке интелигенције има неколико импликација. Прво, он показује да сама технологија може бити корисна ако је лако доступна. Друго, открива огроман проблем управљања: 81 одсто компанија нема смернице за коришћење алата вештачке интелигенције. 64 одсто има забринутости у вези са приватношћу података. 73 одсто не може да измери добитке у продуктивности. 58 одсто пријављује проблеме са квалитетом резултата вештачке интелигенције. Без холистичког концепта радног места са вештачком интелигенцијом, „скрита“ ИТ и неефикасни алати представљају стваран ризик.

Разлика између употребе од стране појединачних потрошача и неуспеле имплементације у предузећима симптоматична је за основни проблем вештачке интелигенције у њеном тренутном облику. Системи су оптимизовани за једноставне, појединачне случајеве употребе са ниским ризиком и сложеношћу. Међутим, они систематски не успевају када их је потребно уградити у сложене организационе контексте са високим захтевима за квалитет и поузданост. Такозвани јаз у учењу – немогућност система да уче из повратних информација и прилагоде се контекстима – чини их непогодним за дугорочне, сложене пројекте који доминирају у индустријским предузећима.

Разлике специфичне за индустрију

МИТ-ова анализа открива још један кључни образац: Само две од девет проучаваних индустрија – технологија и медији – показују истинске структурне промене кроз вештачку интелигенцију. У седам других индустрија, укључујући производњу, трансформација остаје недостижна упркос значајним пилот активностима. Ова дивергенција специфична за индустрију није случајност, већ одражава фундаменталне разлике у сложености и захтевима.

Технолошке и медијске компаније послују у дигиталним окружењима са структурираним подацима, високом стандардизацијом процеса и кратким циклусима итерације. Њихови пословни модели засновани су на софтверу и дигиталним услугама, а не на физичким производима са сложеним ланцима снабдевања и производним процесима. Имају велике базе научника за податке и стручњака за вештачку интелигенцију. Њихова организациона култура је усмерена ка брзом усвајању технологије. Сви ови фактори фаворизују успешну имплементацију вештачке интелигенције.

Производне и индустријске компаније се суочавају са потпуно различитим изазовима. Производна окружења су дефинисана нијансама: променљивим миксом производа, променљивим спецификацијама, променљивом потражњом и сложеним машинским екосистемима. Када модели вештачке интелигенције превиђају ове реалности, лажни аларми се шире, а поверење радника се смањује. Савет за лидерство у производњи процењује да већина података о производњи у стварном свету остаје неискоришћена. Када се пропусти контекст, вештачка интелигенција је склона скупим грешкама, као што је класификација буке процеса као дефекта или превиђање стварних сигнала за побољшање.

Овоме се додаје проблем фрагментираних ИТ и ОТ пејзажа. Деценијама старе архитектуре често изолују оперативне технолошке системе, који генеришу машинске податке, од информационо-технолошких система, који су одговорни за процесне и пословне податке. Ова фрагментација замагљује кључне сигнале и значи да модели вештачке интелигенције функционишу са делимичним, застарелим или недоследним погледом на стварност у производном погону. Превазилажење ових структурних баријера захтева огромна улагања у инфраструктуру која се исплате само на дужи рок.

Делојтово истраживање о паметној производњи из 2025. године показало је да 92 одсто произвођача верује да ће паметна производња покренути будућу конкурентност, али 84 одсто не може аутоматски да реагује на податке засноване на интелигенцији. Глобално истраживање компаније S&P показује да је 42 одсто организација напустило већину иницијатива за вештачку интелигенцију до 2025. године, у поређењу са само 17 одсто у 2024. години. Извештај RAND-а из 2024. године закључује да преко 80 одсто индустријских пројеката вештачке интелигенције пропада, а та бројка се приписује сложености процеса, лошем квалитету података и недостатку контекста из стварног света.

Размере прекршених обећања

Да бисмо у потпуности схватили обим овог разочарања, вреди се осврнути на обећања дата 2023. и 2024. године. У јануару 2025. године, извршни директор OpenAI-а, Сем Алтман, тријумфално је на свом блогу објавио да сада знају како да конструишу општу вештачку интелигенцију. Тврдио је да ће агенти вештачке интелигенције имати приметан утицај на резултате компаније касније исте године. Затим, у новембру 2025. године, Алтман је сматрао значајним достигнућем то што је ChatGPT коначно могао правилно да обрађује цртице. Ова разлика између тежњи и стварности илуструје колико су очекивања и стварне могућности били удаљени.

Институт за економска истраживања, који је ангажовао Гугл, предвидео је да би употреба генеративне вештачке интелигенције могла повећати бруто додату вредност у немачком производном сектору до 7,8 процената, што је еквивалентно 56 милијарди евра. Међутим, стварност је сасвим другачија. Продуктивност рада у машинству и другим областима производног сектора остала је практично непромењена од 2018. године, повећавајући се за само 0,4 процента годишње. За сада нема знакова дивиденде вештачке интелигенције.

Макинзи је предвидео да ће вештачка интелигенција повећати продуктивност са огромним потенцијалом за глобалну економију. Голдман Сакс је, с друге стране, упозорио да је, упркос високим трошковима, технологија далеко од корисне. Претеривање са стварима које свет не користи или за које није спреман обично се лоше завршава. Фирма за ризични капитал Секвоја и хеџ фонд Елиот већ виде технолошке компаније на територији балона.

Критички гласови у научној заједници су све гласнији. Когнитивни научник Гари Маркус упозорава да, иако све више компанија експериментише са овом технологијом, не виде никаква значајна побољшања. Студија компаније Форестер предвиђа да ће око четвртине планираних инвестиција у вештачку интелигенцију бити одложено до 2026. године. Бостонска консалтинг група приказује стагнацију купљену по високој цени: само занемарљиво мали проценат компанија је до сада успео да претвори своја огромна улагања у стварну додату вредност.

Структурни узроци квара

Анализа неуспелих пројеката вештачке интелигенције открива доследан образац структурних узрока који се не могу отклонити итеративним побољшањима алгоритама. Главна препрека је недостатак управљања. Већина компанија третира вештачку интелигенцију као још један ИТ пројекат, а не као екосистем који захтева континуирано одржавање. Недостају јасне одговорности, оквири за управљање ризицима и механизми за континуирано обезбеђивање квалитета.

Проблем зрелости података представља другу фундаменталну препреку. Анализа технолошких компанија заснована на преко 20.000 сати истраживања у више од 50 компанија открива да само 14 процената поседује неопходне основе за успешну имплементацију вештачке интелигенције. Већина се бори са фрагментираним подацима, недоследним системима и недостатком управљања подацима. Без висококвалитетних, структурираних и приступачних података, чак и најнапреднији алгоритми остају неефикасни.

Јаз у вештинама додатно погоршава проблем. Немачкој тренутно недостаје 244.000 стручњака из области СТЕМ, укључујући 29.500 ИТ специјалиста. За стручњаке за рачунарске науке, укључујући научнике података и стручњаке за вештачку интелигенцију, предвиђа се да ће јаз у вештинама достићи 18.655 до 2027. године. Највеће релативно повећање очекује се међу менаџерима у ИТ мрежном инжењерству и ИТ администрацији. Компаније се суочавају са дилемом да им је потребна стручност за успешну имплементацију вештачке интелигенције која је ретко доступна на тржишту.

Дефицит у управљању променама чини четврти стуб неуспеха. Техничка имплементација је само пола једначине. Без свеобухватног управљања променама, прихватање пада у други план. Пружалац финансијских услуга имплементирао је софистицирани систем за откривање превара, али је имао мали ефекат због недостатка интеграције у процес одобравања, јер су запослени редовно заобилазили систем. Оператори и инжењери су често скептични када препоруке вештачке интелигенције нису у складу са стварношћу у производном погону или потичу из система црне кутије који не пружају транспарентно образложење.

Погрешна расподела ресурса погоршава ове структурне проблеме. Више од половине буџета за генеративну вештачку интелигенцију троши се на продају и маркетинг, иако аутоматизација пословних простора често генерише већи принос. Компаније се баве пројектима који нису успоставиле фундаменталну дигиталну инфраструктуру. Оне се ослањају на савршене демо податке који одмах пропадају у стварним условима. Систематски потцењују напоре потребне за интеграцију, одржавање и континуирано прилагођавање.

Следећих двадесет четири месеца као раскрсница

Наредне две године биће кључне за даљи развој вештачке интелигенције у производњи и индустрији. Неколико трендова указује на то да ће 2026. и 2027. бити преломни период у којем ће се победници и губитници јасно разликовати.

Гартнеров циклус хајпа сугерише да ће вештачка интелигенција ући у долину разочарања 2026. године. Током ове фазе, ограничења и високи трошкови постају јасно очигледни. Проблеми са скалирањем и недостатак одрживих пословних модела доводе до неуспеха многих пројеката и нестанка добављача. Међутим, ова фаза није катастрофа, већ неопходна корекција тржишта. Технологије које напредују кроз циклус хајпа достижу плато продуктивности након долине разочарања, где долази до стварања стварне вредности.

Динамика инвестиција указује на потенцијални тренутак наглог раста средином 2026. године. Ако понуда, вођена капиталним издацима, расте брже од монетизоване употребе, цена по токену могла би се приближити нули. То би довело до брзе девалвације новоизграђеног капацитета за закључивање и приморало на масовне отписе. Компаније које су прекасно схватиле да њихова улагања у вештачку интелигенцију не генеришу повраћај мораће да направе болна прилагођавања.

Истовремено, појављује се нова генерација вештачке интелигенције (AI) система, позната као агентска вештачка интелигенција. Ови системи поседују перзистентну меморију и итеративно учење, чиме се директно баве јазом у учењу који компаније идентификују као главну препреку. Рани експерименти са агентима за корисничку подршку који аутономно обрађују комплетне упите или агентима за финансијске процесе који прате рутинске трансакције, показују обећавајући потенцијал. Компаније које сада улажу у адаптивне, дубоко интегрисане AI системе стварају конкурентске предности које ће касније бити тешко надокнадити.

Регулаторни пејзаж ће такође играти кључну улогу. Закон ЕУ о вештачкој интелигенцији успоставља обавезујући правни оквир са прелазним периодима од шест до 36 месеци и потенцијално значајним казнама за непоштовање прописа. Иако ово ствара обавезе усклађености и оптерећења документацијом, вештачка интелигенција „Произведено у Европи“ може се сматрати и печатом квалитета. Компаније које рано имплементирају захтеве усклађености могу се позиционирати као пионири у области поуздане вештачке интелигенције. Питање је да ли ће европска регулатива створити очекивану предност у погледу поверења или ће првенствено деловати као конкурентски недостатак у поређењу са САД и Кином.

Шта следи разочарање?

Тренутно разочарање које окружује вештачку интелигенцију у производњи и индустрији није привремена тешкоћа у прилагођавању, већ неизбежан резултат преувеличаних очекивања услед сусрета са структурно непотпуном технологијом. Системи који се тренутно називају вештачком интелигенцијом су високо софистицирани алати за специфичне случајеве употребе, а не универзални решавачи проблема. Они могу да препознају обрасце у подацима, али не могу систематски и логички да размишљају. Могу да аутоматизују једноставне задатке, али не могу самостално да оптимизују сложене производне процесе. Могу да подрже људску стручност, али је не могу заменити.

Ова спознаја не означава крај иновација у области вештачке интелигенције, већ почетак реалније фазе. Компаније које ће успети у наредним годинама су оне које вештачку интелигенцију не виде као чаробни штапић, већ као алат који захтева пажљиву интеграцију, континуирано одржавање и реална очекивања. Оне неће улагати у пројекте који долазе до луне, већ у фундаменталне дигиталне темеље: квалитет података, системску интеграцију, развој вештина и управљање организационим променама.

Стварање вредности у наредним годинама ће се првенствено јављати у уско дефинисаним случајевима употребе где до изражаја долазе снаге вештачке интелигенције, препознавања образаца у великим скуповима података, аутоматизације понављајућих задатака и брзе обраде структурираних информација. Предиктивно одржавање ће наставити да добија на значају. Контрола квалитета заснована на рачунарском виду ће се успоставити. Аутоматизација бек-офиса ће донети значајне уштеде трошкова. Међутим, визија аутономних, самооптимизујућих фабрика ће остати научна фантастика у догледној будућности.

Немачка мала и средња предузећа суочавају се са стратешком прекретницом. Тренутна невољност да се инвестира у вештачку интелигенцију је разумљива с обзиром на разочаравајуће резултате ранијих пројеката. Међутим, потпуна апстиненција није решење. Компаније које сада стварају основне предуслове – инфраструктуру података, дигиталне процесе и развој вештина – моћи ће да имају користи од следеће генерације система вештачке интелигенције када буду сазрели. Они који наставе да чекају и гледају ризикују да потпуно заостају.

Разочарање које окружује вештачку интелигенцију у производњи и индустрији је у крајњој линији неопходна корекција преувеличаних очекивања. Оно нас тера да се суочимо са непријатним реалностима: да сама технологија не доноси трансформацију, да су организациони и људски фактори барем једнако важни као и алгоритми, и да одрживо стварање вредности захтева време и систематски рад. Вештачка интелигенција је доказала своју додатну вредност за текст и слике. За економску компоненту у производњи и индустрији, овај доказ још увек чека, и остаје да се види да ли и када може бити обезбеђен.

☑️ Наш пословни језик је енглески или немачки

☑️ НОВО: Преписка на вашем матерњем језику!

 

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.

 

 

☑️ Подршка малим и средњим предузећима у стратегији, консултацијама, планирању и имплементацији

☑️ Креирање или реорганизација дигиталне стратегије и дигитализације

☑️ Проширење и оптимизација међународних продајних процеса

☑️ Глобалне и дигиталне B2B платформе за трговање

☑️ Пионирски развој пословања / Маркетинг / Односи с јавношћу / Сајмови

Xpert.Digital поседује дубинско знање у различитим индустријама. То нам омогућава да развијемо прилагођене стратегије прецизно усклађене са захтевима и изазовима вашег специфичног тржишног сегмента. Континуираном анализом тржишних трендова и праћењем развоја у индустрији, можемо деловати проактивно и понудити иновативна решења. Комбинација искуства и стручности ствара додатну вредност и пружа нашим клијентима одлучујућу конкурентску предност.

Више информација овде:

• Искористите предности 5 области стручности компаније Xpert.Digital у једном пакету – већ од 500 евра месечно