Заблуда интелигенције: Зашто данашњи модели вештачке интелигенције нису паметнији од кућне мачке

Еплова откривајућа студија: Зашто вештачка интелигенција не успева у једноставној логици

Потенцијал од 440 милијарди или замка трошкова? Где вештачка интелигенција заиста ствара вредност – а где не

Вештачка интелигенција се слави као технолошка револуција нашег времена – спасилац који компанијама обећава гигантске добитке у продуктивности и милијарде додате вредности. Али свако ко завири иза кулиса алгоритама сусреће се са запањујућим парадоксом: исти језички модели који обрађују миленијуме знања за милисекунде не успевају у једноставним логичким закључцима које свако дете основношколског узраста може лако да схвати. Научне студије технолошких гиганата попут Епла и реномираних универзитета све више показују да данашњим системима вештачке интелигенције недостаје истинско разумевање света. Они су бриљантни, веома сложени препознавачи образаца, али лоши мислиоци. Ово ствара опасну напетост за пословање и друштво. Тамо где се вештачка интелигенција стратешки користи као алат за огромне скупове података, она има огроман потенцијал. Међутим, слепо ослањање на њену наводну интелигенцију за сложене, стратешке одлуке ризикује скупе халуцинације и озбиљне правне последице. Време је за трезвену процену: Шта паметна машина заиста може да уради – и где су њене слепе тачке?

Паметна машина и њене слепе тачке

Зашто вештачка интелигенција преплављује свет подацима – али не успева да размишља

Свако ко свакодневно ради са вештачком интелигенцијом брзо примећује фундаментални парадокс: иста технологија која обрађује милионе података за неколико секунди и делује без напора, не успева у логичким закључцима које би средњошколац могао да реши за неколико минута. Ово запажање није изоловани анегдотски налаз, већ структурна карактеристика модерних система вештачке интелигенције, коју сада подржава све већи број научних студија. Економске импликације ове неслагања су значајне: оно одређује где вештачка интелигенција заиста ствара вредност, а где постаје скупо разочарање.

Гигантска рачунарска машина – тријумф у обради огромних количина података

Ако прво размотримо шта је вештачка интелигенција заиста способна, запрепашћење које је ова технологија изазвала постаје разумљиво. Модели великих језика (LLM) су тренирани на текстовима које би, према проценама Нухе Дзири из Аленовог института за вештачку интелигенцију, човеку требало око 20.000 година да прочита. Ово није метафора, већ мера самог капацитета за обраду статистичких образаца који је у основи модерних система вештачке интелигенције.

Ова могућност нуди огроман потенцијал за економију. Студија „Дигитални фактор“, коју су спровели IW Consult и Implement Consulting Group у име компаније Google, процењује укупан економски потенцијал генеративне вештачке интелигенције за Немачку на око 440 милијарди евра додатне бруто додате вредности до 2034. године. Од тога, 330 милијарди евра се може приписати повећању продуктивности кроз ефикасније процесе, а додатних 110 милијарди евра новим иновацијама – на пример, кроз убрзане циклусе истраживања и развоја, који би, према студији, могли постати ефикаснији за 10 до 15 процената. Ове бројке одражавају оно у чему вештачка интелигенција заиста блиста: муњевито брзо претраживање, сортирање, компресовање и рекомбиновање структурираних и неструктурираних скупова података.

Економска основа за ову тврдњу о перформансама лежи у аналитичким могућностима модерних система вештачке интелигенције у реалном времену. Аналитика великих података, побољшана обрадом заснованом на вештачкој интелигенцији, сада омогућава компанијама да препознају обрасце у хетерогеним скуповима података са друштвених медија, сензорских мрежа, финансијских трансакција и података из ланца снабдевања – све истовремено и у милисекундама. Немачки економски институт (IW Cologne) наглашава да дигитализација откључава потенцијал у многим секторима привреде који би једноставно остали недоступни без вештачке интелигенције. За компаније то значи да је вештачка интелигенција као инфраструктура за обраду података већ јасно оправдана из пословне перспективе.

Кључно је да се ова снага мора прецизно разумети. Вештачка интелигенција је високо софистицирани препознавач статистичких образаца. Она идентификује корелације између речи, реченица и концепата на основу вероватноћа, а не на основу разумевања. Ако систем вештачке интелигенције „зна“ да „краљ“ и „краљица“ имају исти однос као „мушкарац“ и „жена“, то није зато што разуме монархију или пол, већ зато што се овај векторски однос доследно појављује у подацима за обуку. Ово је образац, а не принцип. И управо ту лежи ограничење.

Заблуда интелигенције – Шта препознавање образаца није

Јавна дебата о вештачкој интелигенцији пати од сталне заблуде: препознавање образаца се изједначава са размишљањем, статистичка повезаност са узрочним закључивањем. Ова заблуда није тривијална – она је извор надуваних очекивања у управним салама, прескупих пројеката вештачке интелигенције и разочараних корисника.

Оно што фундаментално разликује људско размишљање од машинске обраде може се илустровати примером једноставног силогизма. Ако особа прочита реченицу: „Сви сисари су топлокрвни. Китови су сисари. Стога су китови топлокрвни“, она извлачи овај закључак јер разуме логичку везу између премиса – чак и у силогизму са којим се никада раније није сусрела. Неуронска мрежа би могла доћи до истог одговора јер је статистички научила из својих података о обуци да се „китови“ често повезују са термином „топлокрвни“. Ово звучи као исти резултат. Међутим, то је фундаментално другачији процес – и овај темељ постаје крхак чим се одступи од познатог.

Филозоф Џон Серл је прикладно описао овај проблем осамдесетих година прошлог века мисаоним експериментом „Кинеске собе“: Особа седи у соби, прати правила за манипулисање симболима које не разуме и производи одговоре који, споља гледано, изгледају као да долазе од некога ко течно говори кинески. Соба не разуме кинески – она имитира разумевање. Управо то раде модерни мастер студије права: Они манипулишу симболима према статистичким вероватноћама, а да не схватају основно значење. Данашњи стручњак за вештачку интелигенцију, Мајкл Багот, професор биоетике на Папском атенеуму Регина Апостолорум у Риму, оштро то формулише из филозофске перспективе: Постоји категорична разлика између статистичког препознавања образаца машине и људског ума, који је способан да схвати метафизички принцип узрока и последице као такав.

Јан ЛеКун, главни научник за вештачку интелигенцију у компанији Мета, и Демис Хасабис, извршни директор компаније Гугл ДипМајнд, деле важну процену упркос својим конкурентним окружењима: Данашњи системи вештачке интелигенције не поседују чак ни основне когнитивне способности кућне мачке када је у питању флексибилно, контекстуално свесно резоновање. Ова процена може звучати провокативно, али допире до суштине проблема: Мачка може да препозна узрочно-последичне везе у новом окружењу и да у складу са тим прилагоди своје понашање. ЛЛМ (Велики животни модел) не може то поуздано да уради јер нема модел света, већ само репродукује обрасце из прошлих података.

Колапс под утицајем сложености – научни докази против вештачке интелигенције

Недавна научна истраживања све више истичу ограничења резоновања у вештачкој интелигенцији. Резултати су доследни и требало би их узети у обзир при свакој економској процени инвестиција у вештачку интелигенцију.

Еплова студија такозваних „Великих модела резоновања“ (ЛРМ) – модела који се често хвале због својих наводних способности резоновања – открива отрежњујући образац: Како се сложеност проблема повећава, ови системи трпе потпуни колапс у тачности. Истраживачи су идентификовали три режима перформанси. При ниској сложености, ЛРМ-ови су чак и надмашени једноставнијим моделима стандардног језика, иако су мање ефикасни. При средњој сложености, ЛРМ-ови показују благу предност. При високој сложености, оба типа система потпуно отказују. Штавише, Епл је открио контраинтуитивно ограничење скалирања: Рачунарски напор модела, мерен потрошеним токенима, повећава се са сложеношћу проблема до одређене тачке – али се затим смањује, чак и када је доступно више рачунарских ресурса. Ово указује на фундаментално архитектонско ограничење, а не само на питање капацитета.

Студија са Државног универзитета Аризоне отишла је корак даље, испитујући такозвано резоновање у ланцу мисли (CoT) – метод у којем се моделима вештачке интелигенције налаже да размишљају корак по корак пре него што одговоре. Резултат: Оно што изгледа као интелигентно резоновање испоставља се као крхка илузија. Подстицање у ланцу мисли функционише поуздано само док су подаци за тестирање структурно слични подацима за обуку. Чим се појаве нови типови задатака, измењене дужине ланца аргумената или модификовани формати подстицаја, наводне когнитивне перформансе се урушавају. Системи су бриљантни репродуктори познатих структура – ​​али беспомоћни када се суоче са заиста новим изазовима.

Еплова студија GSM Symbolic о математичком резоновању пружа додатне конкретне доказе. Тестирано је осам најсавременијих модела, укључујући GPT-4o, Gemini, Llama и OpenAI-јеве o1 варијанте. Резултат: Сви модели су показали грешке у просторном резоновању, стратешком планирању и аритметици. Посебно је упечатљива чињеница да су неки модели дали тачне одговоре, али су их оправдали погрешном логиком. Ово је посебно проблематично са економске перспективе: Одговор делује тачно, али метод којим се до њега долази није – и у следећој, мало измењеној ситуацији, систем се урушава. Уобичајени обрасци грешака укључују неосноване претпоставке, прекомерно ослањање на нумеричке обрасце и тешкоће у превођењу физичког разумевања у математичке кораке.

Анализа коришћењем Корпуса апстракције и резоновања (ARC), стандардизованог теста за флуидну интелигенцију, открива јаз између људске и машинске когниције у очигледним бројкама: Људи у просеку тачно решавају 60 процената ARC задатака. OpenAI модели, у првој верзији теста, постигли су само пет процената. Код сложених задатака планирања, као што је слагање блокова, AI модели скоро потпуно не успевају након више од 20 корака. Зебра слагалица - класична логичка слагалица - тачно је решена помоћу GPT-4 у само десет процената случајева са четири куће. Са пет кућа и пет атрибута, стопа успеха је била нула процената.

Налази у вези са композиционошћу су посебно откривајући: Иако велики језички модели разумеју функционалност појединачних операција, они имају значајне потешкоће у смисленом комбиновању ових операција како би решили сложене задатке. Они имају тенденцију да више пута примењују исте операције уместо да пронађу праву комбинацију. То је суштина њиховог недостатка комбинаторне способности: Систем може да користи градивне блокове, али их не може креативно и прикладно комбиновати у складу са ситуацијом. Овоме се додаје недостатак продуктивности у логичком смислу – то јест, немогућност самосталног генерисања нових, валидних примера из апстрактних правила. Укратко: вештачка интелигенција може да репродукује оно што је видела, али не може заиста да закључи шта би из тога требало да следи.

Xpert.Digital је B2B индустријски центар вођен подацима, којим руководи Konrad Wolfenstein . Компанија делује као екстерно, квази-интерно решење за индустријске партнере, попуњавајући оперативне празнине у маркетингу, садржају и продаји – без потребе за додатним ресурсима на страни клијента.

Више информација овде:

• Квази-интерно решење: Како Xpert.Digital затвара оперативне празнине у B2B маркетингу и продаји – Паметно пословање вођено садржајем

Халуцинације као системска грешка – Економски ризик лажне сигурности

Сама научна ограничења резоновања имала би значајне практичне последице. Али постоји и феномен који је још увек потцењен у економској евалуацији система вештачке интелигенције: халуцинације. Модели вештачке интелигенције производе чињенично нетачне информације са великом лингвистичком убедљивошћу, и то чине без икаквог уочљивог сигнала упозорења.

Анализа коју је NewsGuard спровео 2025. године открила је да је више од трећине – 35 процената – одговора водећих генеративних алата за вештачку интелигенцију садржало лажне тврдње. Широка студија агенције maxonline испитала је 150 средњих компанија у 11 индустрија у региону DACH (Немачка, Аустрија и Швајцарска). Резултат: ChatGPT је пружио потпуно тачне информације о компанији у само три процента од преко 450 стандардизованих упита. У 45 процената упита, вештачка интелигенција је измислила лажне чињенице, док је у још 37 процената одбила да пружи било какве информације. Посебно забрињавајуће: У 96 процената случајева где је вештачка интелигенција поменула имена руководилаца, она су била потпуно измишљена.

Економске последице су већ мерљиве и добијају конкретан облик. Амазон је морао да обустави алат за регрутовање заснован на вештачкој интелигенцији након што је систематски дискриминисао жене. Зиллоу је изгубио преко 500 милиона долара због неисправних алгоритама за процену вештачке интелигенције. Делоит Аустралија је влади доставио извештај, за који је платио око 440.000 аустралијских долара, који је садржао халуцинаторни садржај. Два немачка суда - Окружни суд у Келну и Регионални суд у Франкфурту на Мајни - већ су се 2025. године бавили случајевима у којима су адвокати у својим правним поднесцима цитирали халуцинаторне пресуде Савезног суда правде (BGH) које заправо нису постојале.

Извештај компаније Dataiku „Global AI Confessions“, у којем је анкетирано преко 100 лидера у области података у великим немачким компанијама, приказује узнемирујућу слику о томе како се ови ризици управљају. 76% немачких лидера у области података пријавило је да се прошле године суочило са пословним проблемима због халуцинација изазваних вештачком интелигенцијом – рекордно висок број у свету. Истовремено, 53% немачких компанија толерише системе вештачке интелигенције који су погрешни у више од 20% одлука критичних за пословање. А 82% немачких лидера у области података изјавило је да њихов виши менаџмент потцењује време и труд потребне да се системи вештачке интелигенције доведу у производну спремност. Ове бројке откривају системски јаз у управљању који носи значајне ризике економске одговорности.

Фундаментални проблем халуцинација је структурне природе: модели вештачке интелигенције израчунавају, на основу вероватноћа, која реч или изјава статистички следи претходну – без истинског разумевања света. Ако су подаци за обуку непотпуни или искривљени, настају грешке које делују логично, али не одговарају стварности. И ове грешке се представљају са истом лингвистичком убедљивошћу као и тачне информације. Растућа количина садржаја генерисаног вештачком интелигенцијом на вебу ствара самопојачавајуће циклусе: халуцинације циркулишу, множе се и утичу на нове податке за обуку, што прети да погорша проблеме са квалитетом на дужи рок.

Архитектура као судбина – Зашто се проблем не може једноставно оптимизовати

Уобичајена заблуда у технолошкој дебати је да су описане слабости привремени проблеми који се могу превазићи већом рачунарском снагом, већим моделима или бољим подацима за обуку. Научни докази противрече овоме.

Кључни проблем лежи у самој архитектури. LLM-ови засновани на трансформаторима – доминантна парадигма тренутног таласа вештачке интелигенције – оптимизовани су за предвиђање следећег токена на основу статистичких образаца из података за обуку. Ова архитектура је изузетно моћна за управо оно за шта је дизајнирана: обраду и генерисање природног језика на основу познатих образаца. Међутим, није дизајнирана за истинско логичко резоновање, узрочно-аналитичко размишљање или генерализацију правила на заиста нове ситуације.

У свом каснијем делу „Рачунар и мозак“, Џон фон Нојман је тврдио да људски мозак – за разлику од фон Нојманових архитектура – ​​није заснован на аритметичкој прецизности. Биолошки системи флексибилно постижу оно за шта модели вештачке интелигенције захтевају огромне количине рачунарске снаге – и чак и тада често не успевају. Питање да ли будућност вештачке интелигенције лежи у једноставном повећању постојећих метода или у фундаментално другачијем приступу је стога отворено и од стратешког значаја са економске перспективе.

Недавна истраживања логичког резоновања у мастер студијама учења (LLM) потврђују да, упркос импресивном напретку који су постигли модели попут OpenAI o3 или DeepSeek-R1, способност увођења ригорозне логичке аргументације остаје отворено питање. Ови прегледи наглашавају потребу за даљим истраживањем неуро-симболичких приступа, учења појачавањем и подешавања заснованог на подацима – приступа који иду далеко даље од пуког скалирања постојећих модела. Међутим, уколико не дође до промене парадигме у фундаменталној архитектури вештачке интелигенције, описана когнитивна ограничења ће вероватно остати структурно нетакнута.

Економске последице – где вештачка интелигенција ствара вредност, а где узрокује трошкове

Научна анализа води до јасног економског закључка: вештачка интелигенција није универзални алат за размишљање, већ високо специјализовани алат за обраду. Ова диференцијација има директне импликације на инвестиционе одлуке, сценарије примене и управљање ризицима.

Вештачка интелигенција очигледно ствара вредност у областима примене које се првенствено ослањају на количину података, брзину и препознавање образаца. То укључује аутоматизовану анализу уговорних текстова за стандардне клаузуле, контролу квалитета у производњи коришћењем система за препознавање слика, сегментацију купаца на основу података о понашању, процену података сензора у реалном времену у логистици и оптимизацију ланаца снабдевања према дефинисаним параметрима. У свим овим областима, вештачка интелигенција замењује или допуњује људске капацитете за понављајуће задатке који захтевају много података – што резултира значајним повећањем ефикасности.

Употреба вештачке интелигенције постаје економски ризична где год је потребно сложено, вишеслојно размишљање, узрочна анализа, креативно решавање проблема или генерализација на заиста нове ситуације. Иако стратешке одлуке, правне процене, медицинске дијагнозе за сложене болести или научни закључци могу бити подржани системима вештачке интелигенције, они се не могу делегирати. Економска штета узрокована некритичким ослањањем на резултате вештачке интелигенције у овим областима је већ документована и наставиће да расте.

Резултати извештаја Датаику откривају посебан изазов за немачке компаније: 78 одсто немачких лидера у области података уверено је да њихово руководство прецењује тачност система вештачке интелигенције. Истовремено, 76 одсто немачких лидера у области података претпоставља да се пословне препоруке генерисане вештачком интелигенцијом у њиховим организацијама схватају озбиљније него препоруке људских запослених. Ова комбинација прецењивања технологије и систематског потцењивања људске стручности је економски опасна. Може довести до погрешних улагања, ризика од одговорности и стратешких погрешних корака.

Интелигенција као друштвена категорија – шта је у питању

Дебата о границама вештачке интелигенције на крају се дотиче питања које превазилази пуку пословну администрацију: Шта то значи за друштво када све више верује системима вештачке интелигенције који су поуздани са масовним подацима, али структурно неспособни за истинско размишљање?

Студија Московског државног универзитета и Економског факултета (HSE) истраживала је како модели вештачке интелигенције процењују људске способности стратешког размишљања. Резултат је двоструко откривајући: Тренутни модели вештачке интелигенције попут ChatGPT значајно прецењују људску рационалност – и стога губе у логичким играма против стварних учесника. вештачка интелигенција сматра човечанство далеко рационалнијим и логичнијим него што оно заправо јесте. Истовремено, истраживачи сугеришу да би интензивна употреба алата вештачке интелигенције могла дугорочно ослабити људски капацитет за критичко и независно размишљање. Ако људи све више не успевају да извлаче сопствене логичке закључке јер се ослањају на резултате вештачке интелигенције, а сама вештачка интелигенција не успева да извуче истинске логичке закључке, настаје колективни вакуум.

Станфордски индекс вештачке интелигенције за 2025. годину документује да развој вештачке интелигенције остварује импресиван напредак у многим областима. Међутим, овај напредак лежи првенствено у капацитету обраде, течности језика и ширини покривених области знања – не у основном логичком резоновању. Дарио Амодеи, извршни директор компаније Anthropic, изложио је сценарије у којима би системи вештачке интелигенције могли да надмаше добитнике Нобелове награде већ 2026. године. Ове оптимистичне прогнозе су у оштрој супротности са озбиљним лабораторијским налазима, који показују да чак и напредни модели не успевају у математици у основној школи када су задаци мало другачији.

Дебата о општој вештачкој интелигенцији (ОИ) – односно питање када ће вештачка интелигенција бити у стању да у потпуности реплицира људску мисао – остаје отворена. Анализа преко 9.800 стручних предвиђања открива широк спектар мишљења. Међутим, оно што је научно добро утврђено јесте да тренутни приступи достижу фундаменталне границе генерализујућег размишљања. Продор ОИ не би био наставак тренутног пута, већ би захтевао парадигматски скок у архитектури вештачке интелигенције, чији су временски оквир и облик потпуно нејасни.

Прецизност уместо еуфорије – последице за стратешку употребу вештачке интелигенције

Економска анализа ограничења вештачке интелигенције води до препоруке која је једноставна колико и непријатна: прецизност уместо еуфорије. Конкретно, то значи концентрисање употребе вештачке интелигенције тамо где леже њене документоване снаге, и поступање са опрезом и људским надзором тамо где њене структурне слабости стварају економске и друштвене ризике.

За компаније, то значи да системи подржани вештачком интелигенцијом за обраду података, препознавање образаца и генерисање понављајућег текста могу донети значајно повећање продуктивности и оправдани су. Међутим, системи подржани вештачком интелигенцијом за сложене одлуке, узрочне анализе, правне процене или стратешко планирање апсолутно захтевају људску валидацију и не смеју се користити као аутономни доносиоци одлука. На основу тренутних сазнања, праг толеранције многих немачких компанија у вези са грешкама вештачке интелигенције у пословно критичним апликацијама није ни економски ни правно прихватљив.

Ово представља стратешку прилику за Немачку. Међународно заостајање у усвајању генеративне вештачке интелигенције мора се премостити – али не по цену некритичког прихватања технолошких обећања. Индустријализована нација изграђена на прецизности, квалитету и инжењерској поузданости има потенцијал да успостави свестан, ризично свестан приступ вештачкој интелигенцији као конкурентској предности. Потенцијал стварања вредности од 440 милијарди евра, који студије показују за Немачку, биће остварен само ако се вештачка интелигенција примени тамо где заиста показује своје снаге – а не тамо где убедљива фасада само симулира истинску компетентност.

Интелигентна машина може бити задивљујућа у начину руковања огромним количинама података. Али када је у питању размишљање, она остаје слепи алат. Ово сазнање није разлог за одбацивање технологије – већ убедљив разлог за трезвену процену. А трезвеност је одувек била економски најисплативија полазна тачка када се ради о трансформативним технологијама.

☑️ 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

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:

• Од видљивости до поверења: Ваш скалабилни пут са Xpert.Digital