Револуција вештачке интелигенције на раскрсници: Бум вештачке интелигенције огледа се у дот-ком балону – Стратешка анализа рекламе и трошкова

Прљава истина о вештачкој интелигенцији: Зашто технологија троши милијарде, а не доноси профит

Технолошки пејзаж се налази на раскрсници, дефинисаној брзим успоном вештачке интелигенције (ВИ). Талас оптимизма, подстакнут напретком генеративне ВИ, покренуо је инвестициону френезију која по свом интензитету и обиму подсећа на дот-ком балон крајем 1990-их. Стотине милијарди долара се уливају у једну технологију, подстакнуте чврстим уверењем да је свет на ивици економске револуције историјских размера. Астрономске процене вредности компанија којима често недостају профитабилни пословни модели су уобичајене, а менталитет златне грознице захватио је и етаблиране технолошке гиганте и безброј стартапова. Концентрација тржишне вредности у рукама неколико компанија, такозваних „Величанствених седам“, одражава доминацију миљеника Насдака из прошлости и подстиче забринутост због прегрејане тржишне динамике.

Централна теза овог извештаја је, међутим, да, упркос површним сличностима у расположењу на тржишту, основне економске и технолошке структуре показују дубоке разлике. Ове разлике резултирају јединственим низом могућности и системских ризика који захтевају нијансирану анализу. Док је дот-ком хајп изграђен на обећању о новом интернету, данашња вештачка интелигенција је већ уграђена у многе пословне процесе и потрошачке производе. Природа уложеног капитала, зрелост технологије и структура тржишта стварају фундаментално другачију почетну тачку.

У вези са овим:

• Да ли се дот-ком балон из 2000. године понавља? Критичка анализа тренутног бума вештачке интелигенције

Паралеле са ером дот-ком компанија

Сличности које карактеришу тренутну тржишну дебату и изазивају осећај дежа виа код многих инвеститора су неоспорне. Пре свега, ту су екстремне процене вредности. Крајем 1990-их, односи цене и зараде (P/E коефицијенти) од 50, 70 или чак 100 постали су норма за акције Nasdaq-а. Данас, циклично прилагођена процена S&P 500 достиже 38 пута већу зараду из прошле деценије – ниво који је у скоријој економској историји превазиђен само током врхунца дот-ком балона. Ове процене вредности се мање заснивају на тренутној заради, а више на очекивањима будућих монополских приноса на трансформисаном тржишту.

Још једна заједничка карактеристика је веровање у трансформативну моћ технологије, која се протеже далеко изван технолошког сектора. Баш као и интернет, вештачка интелигенција обећава да ће фундаментално преобликовати сваку индустрију - од производње и здравства до креативних индустрија. Ова нарација о свеобухватној револуцији оправдава, у очима многих инвеститора, изузетан прилив капитала и прихватање краткорочних губитака у корист дугорочне доминације на тржишту. Овај менталитет златне грознице не утиче само на инвеститоре већ и на компаније под притиском да имплементирају вештачку интелигенцију како би избегле заостајање, додатно подстичући потражњу и, последично, процене вредности.

Кључне разлике и њихов утицај

Упркос овим паралелама, разлике у односу на дот-ком еру су кључне за разумевање тренутне тржишне ситуације и његовог потенцијалног развоја. Можда најважнија разлика лежи у извору капитала. Дот-ком балон су углавном финансирали мали инвеститори, често спекулишући на кредит, као и прегрејано тржиште иницијалне јавне понуде (ИПО). Ово је створило изузетно крхак, тржишно вођен циклус. Данашњи бум вештачке интелигенције, с друге стране, није првенствено финансиран спекулативним приватним инвеститорима, већ препуним касама најпрофитабилнијих светских корпорација. Гиганти попут Мајкрософта, Мете, Гугла и Амазона стратешки улажу своје огромне профите из успостављених пословних области у изградњу следеће технолошке платформе.

Ова промена у структури капитала има дубоке последице. Тренутни бум је далеко отпорнији на краткорочно расположење на тржишту. То је мање чисто спекулативна помама, а више стратешка, дугорочна борба за технолошку превласт. Ове инвестиције су стратешка неопходност да би „Седам величанствених“ преживело следећи рат платформи. То значи да се бум може одржати чак и ако апликације вештачке интелигенције остану непрофитабилне током дужег периода. Потенцијално пуцање балона би се стога вероватно манифестовало не као широки колапс тржишта мањих компанија, већ као стратешки отписи и масивни талас консолидације међу главним играчима.

Друга кључна разлика лежи у технолошкој зрелости. Око преласка у нови миленијум, интернет је био млада, још увек неу потпуно развијена инфраструктура са ограниченим пропусним опсегом и ниском пенетрацијом. Многи пословни модели тог доба су пропали због технолошких и логистичких реалности. Насупрот томе, данашња вештачка интелигенција, посебно у облику великих језичких модела (LLM), већ је чврсто интегрисана у свакодневне пословне операције и широко коришћене софтверске производе. Технологија није само обећање, већ већ коришћени алат, што њено усидрење у економији чини знатно чвршћим.

Зашто хајп око вештачке интелигенције није копија дот-ком балона — а ипак може бити опасан

Иако обе фазе карактерише висок оптимизам, оне се разликују по кључним карактеристикама: Док је дот-ком балон око 2000. године био обележен изузетно високим односима цене и зараде (50–100+) и снажним фокусом на „очи“ и раст, бум вештачке интелигенције око 2025. године показује циклично прилагођен однос цене и зараде од око 38 за S&P 500 и померање фокуса ка очекиваним будућим монополима. Извори финансирања се такође разликују: Тада су доминирали IPO-и, инвеститори финансирани дужничким финансирањем и ризични капитал; данас финансирање долази првенствено од профита технолошких гиганата и стратешких инвестиција. Технолошка зрелост се такође значајно разликује – интернет је још увек био у развоју на прелазу миленијума са ограниченим пропусним опсегом, док је вештачка интелигенција сада интегрисана у пословни софтвер и крајње производе. Коначно, постаје очигледан другачији структурни карактер тржишта: дот-ком фазу је карактерисао велики број спекулативних стартапова и акција у настајању са Nasdaq-а, док тренутни бум вештачке интелигенције карактерише екстремна концентрација на неколико компанија „Седам величанствених“; Истовремено, усвајање од стране крајњих корисника је данас много веће, са стотинама милиона корисника водећих апликација вештачке интелигенције.

Централно питање

Ова анализа води до централног питања које ће водити овај извештај: Да ли смо на почетку одрживе технолошке трансформације која ће редефинисати продуктивност и просперитет? Или је индустрија у процесу изградње колосалне, капитално интензивне машине без профитабилне сврхе, стварајући тако балон потпуно другачије врсте – онај који је концентрисанији, стратешкији и потенцијално опаснији? Следећа поглавља ће истражити ово питање из економске, техничке, етичке и тржишно-стратешке перспективе како би се насликала свеобухватна слика револуције вештачке интелигенције на њеној кључној раскрсници.

Економска стварност: Анализа неодрживих пословних модела

Јаз од 800 милијарди долара

У сржи економских изазова индустрије вештачке интелигенције лежи огромна, структурна неусклађеност између експлозивно растућих трошкова и недовољних прихода. Алармантна студија консултантске фирме Bain & Company квантификује овај проблем, предвиђајући финансијски јаз од 800 милијарди долара до 2030. године. Према студији, индустрија би до тада морала да генерише годишњи приход од око 2 билиона долара како би покрила растуће трошкове рачунарске снаге, инфраструктуре и енергије. Међутим, прогнозе указују да ће овај циљ бити значајно пропуштен, што поставља фундаментална питања о одрживости тренутних пословних модела и оправданости астрономских процена вредности.

Ова разлика није апстрактни сценарио будућности, већ резултат фундаменталне економске погрешне процене. Претпоставка да широка база корисника, каква је успостављена у доба друштвених медија, аутоматски доводи до профитабилности показује се обмањујућом у контексту вештачке интелигенције. За разлику од платформи као што су Фејсбук или Гугл, где је маргинални трошак додатног корисника или интеракције близу нуле, са моделима вештачке интелигенције, сваки захтев – сваки генерисани токен – ствара стварне и нетривијалне рачунарске трошкове. Овај модел „плаћања по мисли“ поткопава традиционалну логику скалирања софтверске индустрије. Велики број корисника се тако трансформише из потенцијалног покретача профита у растући покретач трошкова, све док монетизација не прелази текуће оперативне трошкове.

Студија случаја OpenAI: Парадокс популарности и профитабилности

Ниједна компанија не илуструје овај парадокс боље од OpenAI-ја, водеће компаније генеративне вештачке интелигенције. Упркос импресивној процени вредности од 300 милијарди долара и недељној бази корисника од 700 милиона, компанија бележи велике губитке. Ови губици су износили приближно 5 милијарди долара у 2024. години и предвиђа се да ће до 2025. године достићи 9 милијарди долара. Суштина проблема лежи у ниској стопи конверзије: од стотина милиона корисника, само пет милиона су плаћајући купци.

Још више забрињава сазнање да чак ни најскупљи модели претплате нису профитабилни. Извештаји указују да чак и премиум претплата „ChatGPT Pro“, са ценом од 200 долара месечно, послује са губитком. Напредни корисници који интензивно користе могућности модела троше више рачунарских ресурса него што покрива њихова претплата. Сам извршни директор Сем Алтман описао је ову ситуацију са трошковима као „луду“, истичући фундаментални изазов монетизације. Искуство компаније OpenAI показује да класични SaaS (софтвер као услуга) модел достиже своје границе када вредност коју корисници добијају од услуге премашује трошкове њеног пружања. Индустрија стога мора развити потпуно нови пословни модел који иде даље од једноставних претплата или оглашавања и на одговарајући начин одређује цену „интелигенције као услуге“ – задатка за који тренутно не постоји утврђено решење.

Инвестициона лудило без икаквих изгледа за повраћај

Проблем недовољне профитабилности није ограничен само на OpenAI, већ прожима целу индустрију. Велике технолошке компаније су у правој инвестиционој лудили. Microsoft, Meta и Google планирају комбиновану потрошњу од 215 милијарди долара на пројекте вештачке интелигенције до 2025. године, док Amazon намерава да инвестира додатних 100 милијарди долара. Ова потрошња, која се више него удвостручила од увођења ChatGPT-а, првенствено се усмерава на проширење дата центара и развој нових модела вештачке интелигенције.

Међутим, ова огромна капитална инвестиција је у оштрој супротности са досадашњим повраћајем инвестиција. Студија Масачусетског технолошког института (МИТ) открила је да 95% анкетираних компанија, упркос значајним улагањима, не постиже мерљив повраћај инвестиције (ROI) од својих AI иницијатива. Главни разлог за то је такозвани „јаз у учењу“: Већина AI система није у стању да учи из повратних информација, да се прилагоди специфичном пословном контексту или да се побољша током времена. Њихова корист је често ограничена на повећање индивидуалне продуктивности запослених, без да то резултира видљивим утицајем на биланс успеха компаније.

Ова динамика открива дубљу истину о тренутном буму вештачке интелигенције: то је углавном затворен економски систем. Стотине милијарди које су инвестирали технолошки гиганти не стварају првенствено профитабилне производе за крајње кориснике. Уместо тога, они се директно испоручују произвођачима хардвера, пре свега компанији Nvidia, и назад у сопствене cloud одељења корпорација (Azure, Google Cloud Platform, AWS). Док одељења за вештачку интелигенцију бележе милијарде губитака, cloud и хардверски сектори доживљавају експлозиван раст прихода. Технолошки гиганти ефикасно пребацују капитал из својих профитабилних основних пословања у своје вештачке интелигенције, које затим троше тај новац на хардвер и cloud услуге, чиме повећавају приходе других делова корпорације или њених партнера. У овој фази масовне изградње инфраструктуре, крајњи корисник је често само секундарно разматрање. Профитабилност је концентрисана на дну технолошког стека (чипови, cloud инфраструктура), док слој апликације делује као огроман губиташ.

Претња поремећаја одоздо

Скупи, ресурсно интензивни пословни модели успостављених провајдера додатно су поткопани растућом претњом одоздо. Нови, јефтини конкуренти, посебно из Кине, брзо улазе на тржиште. Кинески модел Deepseek R1, на пример, својим брзим продором на тржиште показао је колико је тржиште вештачке интелигенције нестабилно и колико брзо успостављени провајдери са скупим моделима могу бити под притиском.

Овај развој је део ширег тренда где модели отвореног кода нуде „довољно добре“ перформансе за многе случајеве употребе по знатно нижој цени. Компаније све више откривају да им нису потребни најскупљи и најмоћнији модели за рутинске задатке попут једноставних класификација или резимирања текста. Мањи, специјализовани модели често нису само јефтинији, већ и бржи и лакши за имплементацију. Ова „демократизација“ вештачке интелигенције представља егзистенцијалну претњу пословним моделима заснованим на маркетингу врхунских перформанси по премиум ценама. Када јефтиније алтернативе нуде 90% перформанси за 1% цене, главним добављачима постаје све теже да оправдају и монетизују своја огромна улагања.

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

Цена интелигенције: инфраструктура, енергија и прави покретачи потрошње на вештачку интелигенцију

Трошкови обуке наспрам трошкова закључивања: дводелни изазов

Трошкови вештачке интелигенције могу се поделити у две главне категорије: трошкове обуке модела и трошкове њиховог покретања, познате као инференција. Обука великог језичког модела је једнократни, али изузетно скуп процес. Захтева огромне скупове података и недеље или месеце рачунарског времена на хиљадама специјализованих процесора. Трошкови обуке добро познатих модела илуструју обим ових инвестиција: GPT-3 је коштао око 4,6 милиона долара, обука GPT-4 је већ потрошила преко 100 милиона долара, а трошкови обуке за Google-ов Gemini Ultra процењују се на 191 милион долара. Ови износи представљају значајну препреку за улазак и учвршћују доминацију финансијски моћних технолошких компанија.

Иако трошкови обуке доминирају насловима, инференција представља далеко већи и дугорочнији економски изазов. Инференција се односи на процес коришћења претходно обученог модела за одговарање на упите и генерисање садржаја. Сваки кориснички упит ствара рачунарске трошкове који се акумулирају током употребе. Процене сугеришу да трошкови инференције могу чинити 85% до 95% укупних трошкова модела током целог његовог животног циклуса. Ови текући оперативни трошкови су главни разлог зашто је пословне моделе описане у претходном поглављу тако тешко монетизовати. Скалирање корисничке базе директно доводи до скалирања оперативних трошкова, окрећући традиционалну софтверску економију наглавачке.

Хардверска замка: Златни кавез компаније NVIDIA

У сржи експлозије трошкова лежи критична зависност целе индустрије од једног типа хардвера: високо специјализованих графичких процесорских јединица (GPU) које производи готово искључиво једна компанија, Nvidia. Модели H100 и новије генерације B200 и H200 постали су де факто стандард за обуку и покретање вештачке интелигенције. Ова тржишна доминација је омогућила Nvidia-и да налаже прекомерне цене за своје производе. Куповна цена за један H100 GPU креће се од 25.000 до 40.000 долара.

У вези са овим:

• Бизаран амерички бум: Шокантна истина открива шта би се заиста догодило без помпе око вештачке интелигенције

За већину компанија, куповина овог хардвера није опција, што их приморава да изнајмљују рачунарску снагу у облаку. Међутим, чак и овде су трошкови огромни. Цене изнајмљивања једног врхунског графичког процесора крећу се од 1,50 долара до преко 4,50 долара по сату. Сложеност модерних вештачких интелигенција модела погоршава овај проблем. Велики језички модел често не стаје у меморију једног графичког процесора. Да би се обрадио један сложени упит, модел мора бити распоређен по кластеру од 8, 16 или више графичких процесора који раде паралелно. То значи да цена једне корисничке сесије може брзо да се попне на 50 до 100 долара по сату када се користи наменски хардвер. Ово екстремно ослањање на скуп и оскудан хардвер ствара „златни кавез“ за индустрију вештачке интелигенције: она је приморана да велики део својих инвестиција пренесе на једног добављача, што смањује марже и повећава трошкове.

Незасита жеља: Потрошња енергије и ресурса

Огромни захтеви за хардвером доводе до још једног, често потцењеног фактора трошкова са глобалним последицама: огромне потрошње енергије и ресурса. Рад десетина хиљада графичких процесора (GPU) у великим центрима података генерише огромне количине отпадне топлоте, коју морају да распрше сложени системи хлађења. То резултира експоненцијално растућом потражњом за електричном енергијом и водом. Прогнозе сликају алармантну слику: очекује се да ће се глобална потрошња електричне енергије у центрима података више него удвостручити на преко 1.000 терават-сати (TWh) до 2030. године, што је еквивалентно тренутној потрошњи електричне енергије целог Јапана.

Удео вештачке интелигенције у овој потрошњи енергије несразмерно расте. Између 2023. и 2030. године, очекује се да ће се потрошња електричне енергије повећати једанаест пута само због примене вештачке интелигенције. Паралелно са тим, потрошња воде за хлађење дата центара ће се скоро учетворостручити на 664 милијарде литара до 2030. године. Видео продукција је посебно енергетски интензивна. Овде се трошкови и потрошња енергије квадратно скалирају са резолуцијом и дужином видеа, што значи да клип од шест секунди захтева скоро четири пута више енергије него клип од три секунде.

Овај развој догађаја има далекосежне последице. Бивши извршни директор компаније Гугл, Ерик Шмит, недавно је тврдио да природно ограничење вештачке интелигенције није доступност силицијумских чипова, већ доступност електричне енергије. Закони скалирања вештачке интелигенције, који кажу да већи модели боље функционишу, директно се сукобљавају са физичким законима производње енергије и глобалним климатским циљевима. Тренутни пут „веће је боље“ није ни физички ни еколошки одржив. Будући пробоји стога неизбежно морају доћи од побољшања ефикасности и алгоритамских иновација, а не од чистог скалирања грубом силом. Ово отвара огромну тржишну прилику за компаније способне да пруже високе перформансе уз радикално нижу потрошњу енергије. Ера чистог скалирања се ближи крају; ера ефикасности почиње.

Невидљиви трошкови: Поред хардвера и струје

Поред очигледних трошкова хардвера и енергије, постоји низ „невидљивих“ трошкова који значајно повећавају укупне трошкове власништва (TCO) система вештачке интелигенције. Међу њима су најважнији трошкови особља. Висококвалификовани истраживачи и инжењери вештачке интелигенције су ретки и скупи. Плате за мали тим могу брзо да достигну и 500.000 долара за период од само шест месеци.

Још један значајан фактор трошкова је прикупљање и припрема података. Висококвалитетни, очишћени и за обуку спремни скупови података су основа сваког високо ефикасног модела вештачке интелигенције. Лиценцирање или куповина таквих скупова података може коштати преко 100.000 долара. Томе се додају трошкови припреме података, што захтева и рачунарске ресурсе и људску стручност. Коначно, не смеју се занемарити ни текући трошкови одржавања, интеграције са постојећим системима, управљања и обезбеђивања усклађености са прописима. Ове оперативне трошкове је често тешко квантификовати, али представљају значајан део укупних трошкова власништва (TCO) и често се потцењују током буџетирања.

„Невидљиви“ трошкови вештачке интелигенције

Ова детаљна анализа трошкова открива да је економија вештачке интелигенције много сложенија него што се на први поглед чини. Високи варијабилни трошкови инференције ометају широку примену у пословним процесима осетљивим на цене, јер су ти трошкови непредвидиви и могу драматично порасти са употребом. Компаније оклевају да интегришу вештачку интелигенцију у основне процесе великог обима производње док се трошкови инференције значајно не смање или се не појаве нови, предвидљиви модели цена. Као резултат тога, најуспешније ране примене налазе се у областима високе вредности, а малог обима производње, као што су откривање лекова или сложени инжењеринг, а не у алатима за продуктивност масовног тржишта.

„Невидљиви“ трошкови вештачке интелигенције обухватају неколико области: Хардвер (посебно графичке процесоре) првенствено је вођен величином модела и бројем корисника – типични трошкови се крећу од 1,50 до 4,50+ долара по графичкој картици по сату за изнајмљивање, док куповина графичке процесора може коштати од 25.000 до 40.000+ долара. Енергија и хлађење зависе од рачунарског интензитета и ефикасности хардвера; прогнозе предвиђају удвостручавање глобалне потрошње енергије у центрима података на преко 1.000 TWh до 2030. године. Трошкови софтвера и API-ја заснивају се на броју захтева (токена) и типу модела; цене се крећу од приближно 0,25 долара (Мистрал 7Б) до 30 долара (ГПТ-4) по милиону токена. За податке – у зависности од квалитета, количине и лиценцирања – трошкови прибављања скупова података могу лако премашити 100.000 долара. Трошкови особља, под утицајем недостатка вештина и потребе за специјализацијом, могу премашити 500.000 долара за мали тим током шест месеци. Коначно, одржавање и управљање, вођени сложеношћу система и регулаторним захтевима, резултирају текућим оперативним трошковима које је тешко прецизно квантификовати.

Између рекламе и стварности: Технички недостаци и ограничења тренутних система вештачке интелигенције

Студија случаја Google Gemini: Када се фасада сруши

Упркос огромној хајпу и милијардама инвестиција, чак се и водеће технолошке компаније боре са значајним техничким проблемима у испоруци поузданих вештачких интелигенција. Гуглове потешкоће са њиховим вештачким интелигенцијалним системима Gemini и Imagen служе као живописан пример изазова у целој индустрији. Недељама корисници пријављују фундаменталне кварове који далеко превазилазе мање програмске грешке. На пример, технологија генерисања слика Imagen често није у стању да креира слике у жељеним форматима корисника, као што је уобичајени однос ширине и висине 16:9, већ уместо тога производи искључиво квадратне слике. У озбиљнијим случајевима, слике се наводно генеришу, али се уопште не могу приказати, што функцију чини практично неупотребљивом.

Ови тренутни проблеми су део понављајућег обрасца. Још у фебруару 2024. године, Google је морао потпуно да онемогући приказ људи у Џеминију након што је систем генерисао историјски апсурдне и нетачне слике, попут немачких војника са азијским цртама лица. Квалитет генерисања текста је такође редовно критикован: корисници се жале на недоследне одговоре, прекомерну склоност ка цензурисању чак и безопасних упита, па чак и на слање порука мржње. Ови инциденти показују да је, упркос свом импресивном потенцијалу, технологија још увек далеко од поузданости потребне за широку употребу у критичним апликацијама.

Структурни узроци: Дилема „Крени се брзо и ломи ствари“

Корени ових техничких недостатака често леже у структурним проблемима унутар процеса развоја. Огроман конкурентски притисак, посебно вођен успехом OpenAI-а, довео је до брзог развоја производа у Google-у и другим компанијама. Менталитет „крени се брзо и ломи ствари“, који потиче из ране ере друштвених медија, показао се изузетно проблематичним за системе вештачке интелигенције. Док грешка у традиционалној апликацији може утицати само на једну функцију, грешке у моделу вештачке интелигенције могу довести до непредвидивих, штетних или срамотних резултата који директно поткопавају поверење корисника.

Још један проблем је недостатак интерне координације. На пример, док апликација Google Photos добија нове функције за уређивање слика засноване на вештачкој интелигенцији, основно генерисање слика у Џеминију не функционише исправно. Ово указује на недовољну координацију између различитих одељења. Штавише, постоје извештаји о лошим условима рада код подизвођача одговорних за „невидљиве“ трошкове вештачке интелигенције, као што су модерирање садржаја и побољшања система. Временски притисак и ниске плате у овим областима могу додатно угрозити квалитет ручне оптимизације система.

Гуглов начин на који се ови проблеми решавају је посебно проблематичан. Уместо проактивног саопштавања проблема, корисници су често наведени да верују да систем функционише беспрекорно. Овај недостатак транспарентности, заједно са агресивним маркетингом за нове, често подједнако баговите функције, доводи до значајне фрустрације корисника и трајног губитка поверења. Ова искуства уче тржиште важној лекцији: поузданост и предвидљивост су вредније за предузећа од спорадичних вршних перформанси. Нешто мање моћан, али 99,99% поуздан модел је далеко кориснији за пословно критичне апликације од врхунског модела који производи опасне халуцинације у 1% случајева.

Креативне границе креатора слика

Поред пуких функционалних грешака, креативне могућности тренутних генератора слика помоћу вештачке интелигенције достижу и јасне границе. Упркос импресивном квалитету многих генерисаних слика, системима недостаје право разумевање стварног света. То се манифестује у неколико области. Корисници често имају само ограничену контролу над коначним резултатом. Чак и веома детаљна и прецизна упутства (промптови) не воде увек до жељене слике, јер модел тумачи упутства на начин који није у потпуности предвидљив.

Недостаци постају посебно очигледни приликом рендеровања сложених сцена са више људи или објеката који међусобно делују. Модел се бори да прецизно представи просторне и логичке односе између елемената. Озлоглашени проблем је његова немогућност да правилно прикаже слова и текст. Речи на сликама генерисаним вештачком интелигенцијом често су нечитљива гомила знакова, што захтева ручну накнадну обраду. Ограничења се такође јављају приликом стилизовања слика. Чим жељени стил превише одступа од анатомске стварности на којој је модел трениран, резултати постају све више искривљени и неупотребљиви. Ова креативна ограничења показују да, иако су модели способни да рекомбинују обрасце из својих података за обуку, недостаје им дубоко концептуално разумевање.

Јаз у корпоративном свету

Збир ових техничких недостатака и креативних ограничења директно се преводи у разочаравајуће пословне резултате о којима се говорило у 2. поглављу. Чињеница да 95% компанија не успева да постигне мерљив повраћај инвестиције од својих инвестиција у вештачку интелигенцију је директна последица непоузданости и нефлексибилних токова рада тренутних система. Систем вештачке интелигенције који даје недоследне резултате, повремено се руши или производи непредвидиве грешке не може се интегрисати у пословно критичне процесе.

Уобичајени проблем је неслагање између техничког решења и стварних пословних потреба. Пројекти вештачке интелигенције често не успевају јер су оптимизовани за погрешне метрике. На пример, логистичка компанија може развити модел вештачке интелигенције који оптимизује руте за најкраћу укупну удаљеност, док је оперативни циљ заправо минимизирање кашњења у испорукама – циљ који узима у обзир факторе као што су обрасци саобраћаја и временски прозори испоруке, које модел игнорише.

Ова искуства доводе до важног увида у природу грешака у системима вештачке интелигенције. У традиционалном софтверу, грешка се може изоловати и поправити циљаном променом кода. Међутим, „грешка“ у моделу вештачке интелигенције – као што је генерисање дезинформација или пристрасног садржаја – није једна неисправна линија кода, већ ново настало својство које произилази из милиона параметара и терабајта података за обуку. Исправљање такве системске грешке захтева не само идентификацију и исправљање проблематичних података, већ често и комплетну, вишемилионску реобуку модела. Овај нови облик „техничког дуга“ представља огромну, често потцењену, континуирану одговорност за организације које користе системе вештачке интелигенције. Једна вирусна грешка може довести до катастрофалних трошкова и штете по репутацију, доводећи укупне трошкове власништва далеко изнад почетних процена.

Етичке и друштвене димензије: Скривени ризици доба вештачке интелигенције

Системске пристрасности: Огледало друштва

Један од најдубљих и најтежих изазова са којима се суочава вештачка интелигенција је њена склоност не само да репродукује друштвене предрасуде и стереотипе, већ често и да их појачава. Модели вештачке интелигенције уче препознавањем образаца у огромним количинама података које генеришу људи. Пошто ови подаци обухватају целокупност људске културе, историје и комуникације, они неизбежно одражавају њене инхерентне предрасуде.

Последице су далекосежне и видљиве у многим применама. Генератори слика вештачке интелигенције, када се од њих затражи да прикажу „успешну особу“, претежно производе слике младих, белих мушкараца у пословној одећи, преносећи узак и стереотипан поглед на успех. Захтеви за појединце у одређеним професијама доводе до екстремног стереотипног представљања: програмери софтвера су готово искључиво приказани као мушкарци, стјуардесе скоро искључиво као жене, што озбиљно искривљује стварност ових професија. Језички модели могу несразмерно повезати негативне карактеристике са одређеним етничким групама или појачати родне стереотипе у професионалним контекстима.

Покушаји програмера да „исправе“ ове пристрасности једноставним правилима често су спектакуларно пропали. Покушај вештачког стварања веће разноликости довео је до историјски апсурдних слика попут етнички разноврсних нацистичких војника, истичући сложеност проблема. Ови инциденти откривају фундаменталну истину: „Пристрасност“ није техничка грешка која се може лако поправити, већ инхерентна карактеристика система обучених на људским подацима. Потрага за јединственим, универзално „непристрасним“ моделом вештачке интелигенције је стога вероватно погрешно схватање. Решење не лежи у немогућем елиминисању пристрасности, већ у транспарентности и контроли. Будући системи морају омогућити корисницима да разумеју инхерентне тенденције модела и прилагоде његово понашање специфичним контекстима. Ово ствара сталну потребу за људским надзором и контролом („човек у петљи“), што је у супротности са визијом потпуне аутоматизације.

Заштита података и приватност: Нова линија фронта

Развој великих језичких модела отворио је нову димензију ризика по приватност података. Ови модели се обучавају на незамисливо великим количинама података са интернета, често прикупљеним без изричите сагласности аутора или носилаца података. То укључује личне објаве на блоговима, доприносе на форумима, приватну преписку и друге осетљиве информације. Из ове праксе произилазе две кључне претње по приватност.

Прва опасност је „меморисање података“. Иако су модели дизајнирани да уче опште обрасце, они могу ненамерно да запамте специфичне, јединствене информације из својих података за обуку и да их репродукују на захтев. То може довести до ненамерног откривања личних података (PII) као што су имена, адресе, бројеви телефона или поверљиве пословне тајне које су биле укључене у скуп података за обуку.

Друга, суптилнија претња су такозвани „напади закључивања о чланству“ (MIAs). У овим нападима, нападачи покушавају да утврде да ли су подаци одређене особе били део скупа података за обуку модела. Успешан напад би, на пример, могао да открије да је особа писала о одређеној болести на медицинском форуму, чак и ако тачан текст није приказан. Ово представља значајно кршење приватности и поткопава поверење у безбедност система вештачке интелигенције.

Машина за дезинформације

Једна од најочигледнијих и најнепосреднијих опасности генеративне вештачке интелигенције је њен потенцијал да генерише и шири дезинформације у невиђеним размерама. Велики језички модели могу да произведу текстове који звуче уверљиво, али потпуно измишљене, такозване „халуцинације“, једним притиском на дугме. Иако ово може довести до необичних резултата са безопасним упитима, постаје моћно оружје када се користи злонамерно.

Технологија омогућава креирање лажних вести, пропагандних текстова, измишљених рецензија производа и персонализованих фишинг имејлова у великим размерама који се практично не разликују од садржаја који су написали људи. У комбинацији са сликама и видео записима генерисаним вештачком интелигенцијом (дипфејкови), ово ствара арсенал алата способних за манипулисање јавним мњењем, поткопавање поверења у институције и угрожавање демократских процеса. Способност генерисања дезинформација није квар технологије, већ једна од њених основних могућности, што регулацију и контролу чини хитном друштвеном одговорношћу.

Ауторска права и интелектуална својина: Правно минско поље

Начин на који се модели вештачке интелигенције обучавају покренуо је талас парница око ауторских права. Пошто се модели обучавају на подацима са интернета, то неизбежно укључује дела заштићена ауторским правима као што су књиге, чланци, слике и код, често без дозволе носилаца права. Резултат су биле бројне тужбе аутора, уметника и издавача. Централно правно питање да ли обука модела вештачке интелигенције спада под доктрину „поштене употребе“ остаје нерешено и вероватно ће заокупљати судове годинама које долазе.

Истовремено, правни статус самог садржаја генерисаног вештачком интелигенцијом је нејасан. Ко је аутор слике или текста који је креирала вештачка интелигенција? Корисник који је унео промпт? Компанија која је развила модел? Или чак и нељудски систем може бити аутор? Ова несигурност ствара правни вакуум и представља значајне ризике за компаније које желе да комерцијално користе садржај генерисан вештачком интелигенцијом. Тужбе због кршења ауторских права су реална могућност ако генерисано дело ненамерно репродукује елементе из података за обуку.

Ови правни и ризици заштите података представљају неку врсту „успаване обавезе“ за целу индустрију вештачке интелигенције. Тренутне процене вредности водећих компанија за вештачку интелигенцију једва одражавају овај системски ризик. Пресуда суда против велике компаније за вештачку интелигенцију – било да се ради о масовном кршењу ауторских права или о озбиљном кршењу безбедности података – могла би да постави преседан. Таква пресуда би могла да примора компаније да преобучавају своје моделе од нуле са лиценцираним, „чистим“ подацима, што би довело до астрономских трошкова и обезвређивања њихове највредније имовине. Алтернативно, могле би се изрећи огромне казне према законима о заштити података, попут GDPR-а. Ова неквантификациона правна несигурност представља значајну претњу дугорочној профитабилности и стабилности индустрије.

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

Стратегије оптимизације: Путеви ка ефикаснијим и исплативијим моделима вештачке интелигенције

Основе оптимизације трошкова на нивоу апликације

С обзиром на огромне трошкове рада и развоја система вештачке интелигенције, оптимизација је постала кључна дисциплина за економску исплативост. Срећом, постоји низ стратегија на нивоу апликације које компаније могу да примене како би значајно смањиле трошкове без значајног угрожавања перформанси.

Једна од најједноставнијих и најефикаснијих метода је брза оптимизација. Пошто трошкови многих вештачке интелигенције директно зависе од броја обрађених улазних и излазних токена, формулисање краћих и прецизнијих инструкција може довести до значајних уштеда. Уклањањем непотребних речи за попуњавање и јасним структурирањем захтева, улазни токени, а самим тим и трошкови, могу се смањити и до 35%.

Још једна фундаментална стратегија је избор правог модела за задатак који је пред нама. Није свакој апликацији потребан најмоћнији и најскупљи доступни модел. За једноставне задатке попут класификације текста, екстракције података или стандардних система за одговарање на питања, мањи, специјализовани модели су често сасвим адекватни и далеко исплативији. Разлика у цени може бити драматична: док премиум модел попут GPT-4 кошта око 30 долара по милиону излазних токена, мањи модел отвореног кода попут Mistral 7B кошта само 0,25 долара по милиону токена. Паметним избором модела заснованих на задацима, организације могу постићи огромне уштеде трошкова, често без икакве приметне разлике у перформансама за крајњег корисника.

Трећа моћна техника је семантичко кеширање. Уместо генерисања новог одговора из вештачке интелигенције модела за сваки захтев, систем кеширања чува одговоре на често постављана или семантички слична питања. Студије показују да се до 31% LLM захтева понавља по садржају. Имплементацијом семантичког кеша, компаније могу смањити број скупих API позива до 70%, што смањује трошкове и повећава брзину одговора.

У вези са овим:

• Крај обуке за вештачку интелигенцију? Стратегије вештачке интелигенције у транзицији: „Нацрт“ приступ уместо планина података – Будућност вештачке интелигенције у компанијама

Техничка детаљна анализа: Квантизација модела

За компаније које користе или прилагођавају сопствене моделе, напредније техничке методе нуде још већи потенцијал оптимизације. Једна од најефикаснијих техника је квантизација модела. Ово је процес компресије који смањује прецизност нумеричких тежина које чине неуронску мрежу. Типично, тежине се конвертују из високо прецизног 32-битног формата са покретним зарезом (FP32) у 8-битни целобројни формат ниже прецизности (INT8).

Ово смањење величине података има две кључне предности. Прво, драстично смањује меморијске захтеве модела, често за фактор четири. Ово омогућава већим моделима да раде на јефтинијем хардверу са мање меморије. Друго, квантизација убрзава закључивање – време које је моделу потребно да стигне до одговора – за фактор два до три. То је зато што се прорачуни са целим бројевима могу изводити много ефикасније на модерном хардверу него са бројевима са покретним зарезом. Компромис са квантизацијом је потенцијални, али често минималан, губитак тачности познат као „грешка квантизације“. Постоје различите методе за одржавање тачности, као што је квантизација након обуке (PTQ), која се примењује на претходно обучен модел, и обука свесна квантизације (QAT), која симулира квантизацију током процеса обуке.

Техничка детаљна анализа: Дестилација знања

Још једна напредна техника оптимизације је дестилација знања. Ова метода се заснива на парадигми „наставник-ученик“. Веома велики, сложен и скуп „модел наставника“ (нпр. GPT-4) се користи за тренирање много мањег, ефикаснијег „модела ученика“. Кључно је да модел ученика не учи само да имитира коначне одговоре наставника („тешке циљеве“). Уместо тога, тренира се да реплицира интерне мисаоне процесе и расподеле вероватноће модела наставника („меке циљеве“).

Учењем „како“ модел наставника долази до својих закључака, модел ученика може постићи упоредиве перформансе на одређеним задацима, али са делићем рачунарских ресурса и трошкова. Ова техника је посебно корисна за прилагођавање моћних, али ресурсно интензивних модела опште намене специфичним случајевима употребе и њихову оптимизацију за употребу на јефтинијем хардверу или у апликацијама у реалном времену.

Даље напредне архитектуре и технике

Поред квантизације и дестилације знања, постоји низ других обећавајућих приступа повећању ефикасности:

• Генерисање проширеног претраживања (RAG): Уместо директног складиштења знања у моделу, што захтева скупу обуку, модел приступа спољним базама знања по потреби. Ово побољшава актуелност и тачност одговора и смањује потребу за сталном поновном обуком.
• Адаптација ниског ранга (LoRA): Метода финог подешавања која ефикасно користи параметре и подешава само мали подскуп параметара модела, а не све милионе. Ово може смањити трошкове финог подешавања за 70% до 90%.
• Резидација и мешавина стручњака (MoE): Резидација подразумева уклањање сувишних или неважних параметара из обученог модела како би се смањила његова величина. MoE архитектуре деле модел на специјализоване „стручне“ модуле и активирају само релевантне делове са сваким захтевом, значајно смањујући рачунарско оптерећење.

Ширење ових стратегија оптимизације сигнализира значајан процес сазревања у индустрији вештачке интелигенције. Фокус се помера са једноставног јурења за врхунским перформансама у бенчмарковима на постизање економске исплативости. Конкурентска предност више не лежи искључиво у највећем моделу, већ све више у најефикаснијем моделу за дати задатак. Ово би могло отворити врата новим играчима специјализованим за „ефикасност вештачке интелигенције“, изазивајући тржиште не кроз сирову снагу, већ кроз супериорни однос цене и перформанси.

Међутим, истовремено, ове стратегије оптимизације стварају нови облик зависности. Технике попут дестилације знања и финог подешавања чине екосистем мањих, ефикаснијих модела фундаментално зависним од постојања неколико ултра-скупих „модела наставника“ из OpenAI-а, Google-а и Anthropic-а. Уместо неговања децентрализованог тржишта, ово би могло да учврсти феудалну структуру у којој неколико „господара“ контролише извор интелигенције, док велики број „вазала“ плаћа за приступ и развија зависне услуге засноване на њему.

Стратегије оптимизације операција вештачке интелигенције

Кључне стратегије оперативне оптимизације вештачке интелигенције укључују брзу оптимизацију, која подразумева формулисање краћих и прецизнијих инструкција ради смањења трошкова закључивања – ово може довести до смањења трошкова и до 35% и релативно је ниске сложености. Избор модела се ослања на коришћење мањих, јефтинијих модела за једноставне задатке током закључивања, потенцијално постижући уштеде од преко 90% уз слично ниску сложеност имплементације. Семантичко кеширање омогућава поновну употребу одговора на сличне упите, смањује API позиве до приближно 70% и захтева умерен напор. Квантизација смањује нумеричку прецизност тежина модела, побољшавајући брзину закључивања и коришћење меморије за фактор 2–4, али долази са високом техничком сложеношћу. Дестилација знања описује обуку малог модела помоћу великог модела „наставника“, што значајно смањује величину модела уз одржавање упоредивих перформанси – овај приступ је веома сложен. RAG (Retrieval-Augmented Generation) користи екстерне базе података знања током извршавања, избегава скупу поновну обуку и има средњу до високу сложеност. Коначно, LoRA (Low-Rank Adapters) нуди параметарски ефикасно фино подешавање током обуке и може смањити трошкове обуке за 70–90%, али је такође повезан са великом сложеношћу.

Динамика и изгледи тржишта: Консолидација, конкуренција и будућност вештачке интелигенције

Поплава ризичног капитала: Убрзивач консолидације

Индустрија вештачке интелигенције тренутно доживљава невиђени прилив ризичног капитала, што има трајан утицај на динамику тржишта. Само у првој половини 2025. године, 49,2 милијарде долара ризичног капитала је уложено у генеративну вештачку интелигенцију широм света, што је већ премашило укупан износ за целу 2024. годину. У Силицијумској долини, епицентру технолошких иновација, 93% свих инвестиција у компаније које се развијају сада је у сектору вештачке интелигенције.

Овај прилив капитала, међутим, не доводи до широке диверзификације тржишта. Напротив, новац је све више концентрисан у малом броју већ етаблираних компанија у облику мега-рунди финансирања. Послови попут рунде од 40 милијарди долара за OpenAI, инвестиције од 14,3 милијарде долара у Scale AI или рунде од 10 милијарди долара за xAI доминирају тржиштем. Док се просечна величина послова у касној фази утростручила, финансирање стартапова у раној фази је опало. Овај развој догађаја има далекосежне последице: уместо да делује као мотор за децентрализоване иновације, ризични капитал у сектору вештачке интелигенције убрзава централизацију моћи и ресурса међу етаблираним технолошким гигантима и њиховим најближим партнерима.

Огромна структура трошкова развоја вештачке интелигенције погоршава овај тренд. Од првог дана, стартапови зависе од скупе клауд инфраструктуре и хардвера великих технолошких компанија попут Амазона (AWS), Гугла (GCP), Мајкрософта (Azure) и Нвидије. Значајан део масивних рунди финансирања које прикупљају компаније попут OpenAI или Anthropic директно се враћа њиховим инвеститорима у облику плаћања за рачунарску снагу. Ризични капитал стога не ствара независне конкуренте, већ финансира купце технолошких гиганата, додатно јачајући њихов екосистем и тржишну позицију. Најуспешније стартапове често на крају преузимају главни играчи, што додатно убрзава концентрацију на тржишту. Екосистем стартапова за вештачку интелигенцију се тако развија у де факто цевовод за истраживање, развој и аквизицију талената за „Седам величанствених“. Крајњи циљ не делује као живо тржиште са много играча, већ као консолидовани олигопол у коме неколико компанија контролише основну инфраструктуру вештачке интелигенције.

Талас спајања и аквизиција и битка гиганта

Паралелно са концентрацијом ризичног капитала, тржиште захвата масовни талас спајања и аквизиција (M&A). Глобални обим трансакција M&A порастао је на 2,6 билиона долара у 2025. години, вођен стратешким стицањем стручности у области вештачке интелигенције. „Седам величанствених“ су у срцу овог развоја. Они користе своје огромне финансијске резерве како би стратешки стекли перспективне стартапове, технологије и базе талената.

За ове корпорације, доминација у области вештачке интелигенције није опција, већ стратешка нужност. Њихови традиционални, високо профитабилни пословни модели – као што су пакет Microsoft Office, Google претрага или Meta платформе друштвених медија – ближе се крају свог животног циклуса или стагнирају у расту. Вештачка интелигенција се види као следећа велика платформа, и сваки од ових гиганата тежи глобалном монополу у овој новој парадигми како би осигурао своју тржишну вредност и будућу релевантност. Ова битка гиганата води до агресивног тржишта аквизиција које отежава независним компанијама опстанак и скалирање.

Економске прогнозе: Између чуда продуктивности и разочарања

Дугорочне економске прогнозе за утицај вештачке интелигенције су дубоко амбивалентне. С једне стране, постоје оптимистична предвиђања која обећавају нову еру раста продуктивности. Процене сугеришу да би вештачка интелигенција могла повећати БДП за 1,5% до 2035. године и значајно подстаћи глобални економски раст, посебно почетком 2030-их. Неке анализе чак предвиђају да би технологије вештачке интелигенције могле генерисати преко 15 билиона долара додатних глобалних прихода до 2030. године.

С друге стране, ту је и отрежњујућа реалност садашњости. Као што је претходно анализирано, 95% компанија тренутно не види мерљив повраћај инвестиција од својих инвестиција у вештачку интелигенцију. У Gartner Hype Cycle-у, утицајном моделу за процену нових технологија, генеративна вештачка интелигенција је већ ушла у „корито разочарања“. У овој фази, почетна еуфорија уступа место схватању да је имплементација сложена, користи често нејасне, а изазови већи него што се очекивало. Ова разлика између дугорочног потенцијала и краткорочних тешкоћа обликоваће економски развој у наредним годинама.

У вези са овим:

• Ефикасност вештачке интелигенције без стратегије за вештачку интелигенцију као предуслова? Зашто компаније не би требало слепо да се ослањају на вештачку интелигенцију

Балон и монопол: Двоструко лице револуције вештачке интелигенције

Анализирање различитих димензија бума вештачке интелигенције открива сложену и контрадикторну укупну слику. Вештачка интелигенција се налази на кључној раскрсници. Тренутни пут чистог скалирања – све већи модели који троше све више података и енергије – показује се ни економски ни еколошки одрживим. Будућност припада оним компанијама које савладају танку линију између рекламе и стварности и фокусирају се на стварање опипљиве пословне вредности кроз ефикасне, поуздане и етички одговорне системе вештачке интелигенције.

Динамика консолидације такође има геополитичку димензију. Доминација САД у сектору вештачке интелигенције учвршћује се концентрацијом капитала и талената. Од 39 глобално признатих „једнорога“ у области вештачке интелигенције, 29 се налази у САД, што чини две трећине глобалних инвестиција ризичног капитала у овом сектору. Европи и другим регионима је све теже да прате развој основних модела. Ово ствара нове технолошке и економске зависности и чини контролу над вештачком интелигенцијом кључним геополитичким фактором моћи, упоредивим са контролом над енергетским или финансијским системима.

Извештај се завршава признавањем централног парадокса: индустрија вештачке интелигенције је истовремено спекулативни балон на нивоу примене, где већина компанија послује са губитком, и револуционарна, монополска промена платформе на нивоу инфраструктуре, где неколико компанија остварује огромне профите. Главни стратешки изазов за доносиоце одлука у бизнису и политици у наредним годинама биће разумевање и управљање овом двоструком природом револуције вештачке интелигенције. Више није само питање усвајања нове технологије, већ редефинисања економских, друштвених и геополитичких правила игре за доба вештачке интелигенције.

☑️ 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

Фокус индустрије: B2B, дигитализација (од AI до XR), машинство, логистика, обновљиви извори енергије и индустрија

Више информација овде:

• Експертски пословни центар

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