AI integracija danas: Više od tehnološkog nadogradnje
Kada prvi put čujete na sastanku izjavu poput: “Ovo nije običan tehnički upgrade, već prava revolucija,” lako je pomisliti da kolege možda pretjeruju. No, ako ste posljednjih godinu ili dvije pokušali “ubaciti AI” (Artificial Intelligence, umjetna inteligencija) u svoje poslovanje, vjerojatno već osjećate kako je ova promjena temeljito drugačija od klasičnih IT projekata.
Umjetna inteligencija danas nije samo pitanje alata – ona mijenja samu srž načina rada, odluke, pa čak i organizacijsku kulturu. Ključno pitanje više nije “hoćemo li uvesti AI”, već kako ga uklopiti u svakodnevnicu firme, u logiku poslova, uloge i procese.
AI integracija unutar tima
Gdje se integracija najčešće lomi: Očekivanja, otpor i stvarnost
U razgovorima s voditeljima i IT stručnjacima, isti obrazac se ponavlja: svi očekuju znatno veću produktivnost, ali malo tko računa na ljudski otpor ili potrebu za stalnim prilagodbama. Istraživanja iz 2025. ističu — 96% lidera vidi priliku za rast produktivnosti, dok 77% zaposlenih osjeća samo povećanje obaveza.
To je jasan signal da nešto u dizajnu AI integracije ne funkcionira idealno. Izvori upozoravaju da čak 80% projekata umjetne inteligencije ne ispuni ciljeve1. Bez obzira na metodologiju iza tih brojki, poruka je očita: tehnologija čini samo dio cijele priče — ostalo su ljudi, navike i organizacija.
Iz iskustva, balans leži u formulaciji koju koristi i Boston Consulting Group (BCG): AI integracija je 30% tehnologija, 70% načini rada. Ako se vaš plan svodi na popis alata i API-ja (Application Programming Interface) bez jasnog plana za edukaciju, promjanje uloga i mjerljive ciljeve, lako ćete promašiti suštinu.
Zašto tradicionalni change management više ne djeluje kao nekad
Klasični modeli upravljanja promjenama u IT-u bili su fazni – projekt, puštanje u rad, obuka, komunikacija, stabilizacija. Kod AI-a toga više nema. Promjene su stalne, dinamične i često nepredvidive, jer se modeli i alati ažuriraju doslovce iz tjedna u tjedan.
Danas je nužno graditi ono što stručnjaci zovu “muscle” agilnosti i kontinuiranog učenja:
- Pilot projekti umjesto masovnih implementacija odmah
- Brzo prikupljanje povratnih informacija i adaptacija pristupa
- Mjerenje usvajanja, kvalitete rada te kontinuirano osposobljavanje zaposlenika
U praksi, to znači zamjenu mentaliteta “provede pa zaboravi” s “postavi, promatraj, prilagodi”. AI nije ERP (Enterprise Resource Planning) koji se unaprijed definira i stabilizira desetljeće — to je živ sustav koji se razvija, a isto moraju i ljudi oko njega.
HR kao ključni pokretač organizacijske promjene
Jedan od najvećih zaokreta posljednjih godina je uloga ljudskih resursa (HR, Human Resources). Umjesto da sudjeluje tek na kraju projekta, HR postaje središnji orkestrator AI transformacije.
Zašto baš HR? Umjetna inteligencija:
- Mijenja opise poslova i očekivanja
- Traži nove vještine i reskilling
- Utječe na način mjerenja učinka
- Pomjera “psihološki ugovor” između zaposlenika i poslodavca
U praksi, HR inicira politike prihvatljivog korištenja generativnog AI-a, komunicira o etici i transparentnosti, rješava pitanja tipa “hoće li AI zamijeniti moj posao?”. Uspješne organizacije povezuju HR s IT-om, pravnom službom i sigurnošću, stvarajući trokut odgovornosti gdje HR nadilazi klasične funkcije obrade plaća i organizacije seminara.
Kako izgleda izvodiv AI plan: Od strategije do svakodnevne prakse
Kvalitetan AI plan nije još jedan PDF koji skuplja prašinu. To je “scaffolding”, živa struktura za provedbu:
- Povezuje AI inicijative s poslovnim ciljevima – rast prihoda, optimizacija troškova, bolji korisnički doživljaj
- Definira jasne use-caseove (mogućnosti upotrebe) s mjerljivim kriterijima uspjeha
- Obuhvaća radne predloške, setove promptova, formate radionica
- Ima ugrađene procese mjerenja i iteracije
Dobar AI plan jasno pokazuje gdje točno zaposlenik “dodiruje” AI – koji alat, koji korak u radnom procesu. Ako toga nema, često se dogodi da plan ostane apstraktan, ili ga menadžment ne prepozna kao vrijednost koja donosi realni povrat ulaganja.
Praktična obuka: Zašto “hands on” trening čini razliku
Jedna rečenica često se ponavlja: “Hands on” ili ništa. Podaci pokazuju da zaposlenici koji su praktično učili pisati promptove i koristiti AI na pravim zadacima, imaju daleko veće dobitke u produktivnosti. Unatoč tome, samo 26% tvrtki u Hrvatskoj provodi sustavnu AI edukaciju.
Najčešća praksa danas je “uključi alat, pošalji link, održi webinar” – ali promjene su rijetke dok ljudi ne osjete direktnu korist na svom poslu.
Učinkovita obuka ima tri karakteristike:
- Prilagođena personama (drugačije za prodaju, financije, IT, HR)
- Zasniva se na realnim zadacima
- Fokusira se na promptiranje i dizajn toka rada, a ne na puku funkcionalnost
Primjer: Financijski odjel može kroz 60-minutnu radionicu izraditi vlastite promptove za izvještavanje, smanjujući vrijeme pripreme kroz nekoliko praktičnih iteracija.
Takav trening smanjuje strah i podiže kvalitetu — strah “AI će me zamijeniti” pretvara se u “AI mi širi mogućnosti”.
Novi pogled na produktivnost: Vrijeme spašeno ili vrijednost oslobođena?
Mnogi menadžeri mjere uspjeh AI-a kroz sate “uštedene” na rutinskim zadacima. No, prava je metrika vrijednost koja je otključana:
- Koliko sada vremena zaposlenici provode na stručnim, kreativnim aktivnostima?
- Koliko su odluke bolje, proces brži?
- Da li su workflowovi redizajnirani tako da AI bude “u tkivu” alata, a ne samo dodatni prozor na ekranu?
Ako AI ostane izoliran, većina zaposlenika osjeća da ih je posao opteretio, a ne rasteretio. Pravu produktivnost donosi tek potpuno integrirani AI, ugrađen u Outlook, Teams, CRM i ključne radne tokove.
Balans između kontrole i eksperimentiranja
Često pitanje glasi: treba li strogo centralizirati AI alate ili dopustiti timovima da sami eksperimentiraju? Najbolja praksa iz 2025. spaja “najbolje od oba svijeta”:
- Centralni tim postavlja jasna pravila (“guardrails”) za sigurnost i usklađenost
- Postoji brz i jednostavan proces za odobrenje novih alata i pilot‐projekata
- Vodi se tracker svih aktivnih AI inicijativa
- Lokalni timovi dobivaju prostor za brze eksperimente unutar postavljenih okvira
Ovakav balans omogućuje inovaciju bez kaosa i rizika višestrukih, neusuglašenih alata.
Ključni alati: Mjerenje i održavanje u drugom valu AI-a
Izreka “Što se ne mjeri, ne može se upravljati” ovdje je posebno relevantna. AI zahtijeva više od klasičnih projektnih metrika:
- Operativni KPI-jevi: postotak automatiziranih zadataka, ciklus vremena
- Kvalitativne metrike: zadovoljstvo korisnika, kvaliteta rezultata
- Strateški pokazatelji: utjecaj na prihode, reputaciju, zadovoljstvo kupaca
Posebnu pažnju traži održavanje modela — podaci i algoritmi zahtijevaju stalnu provjeru, osvježavanje i prilagodbu regulatornim promjenama. Bez toga, AI brzo “stari” i riskira pogrešne zaključke.
Ljudi, strah i komunikacija: Što čini razliku
Pitanje “Hoće li me AI zamijeniti?” nije znak slabosti, nego poziv na jasnu komunikaciju. Praktične organizacije iz playbooka koriste nekoliko tehnika:
- Otvoreno komuniciraju što se mijenja, što ostaje humano
- Prilagođavaju poruke konkretnoj grupi zaposlenika (operativa, menadžment, IT)
- Aktivno uključuju AI “champione” – pojedince koji pozitivno prenose iskustva
- Identificiraju moguća žarišta otpora unaprijed i transparentno ih rješavaju
Tu HR ponovo igra vodeću ulogu, ali i linijski menadžeri koji svojim primjerom i podrškom mogu preokrenuti razgovor i smanjiti brige na terenu.
Prvi konkretni koraci: Kako pokrenuti AI integraciju bez kaosa
Ako vam se sve ovo čini previše, evo praktičan start-paket za svakoga tko želi izbjeći tipične zamke velikih programa:
- Isprobajte AI alate na vlastitim zadacima – po principu “lead by example”
- Napravite inventuru postojećih tehnologija – mnogi alati već imaju AI mogućnosti
- Izaberite jedan use-case s jasnim, mjerljivim ciljem
- Sastavite mali pilotski tim i identificirajte “championa”
- Postavite jednostavne, relevantne metrike i rok za evaluaciju
- Tek onda planirajte širenje na cijelu organizaciju
Poanta je: AI integracija ne počinje grandioznim planom, već dobro vođenim eksperimentom iz kojeg cijela organizacija može učiti, bez velikog rizika — ali s realnim rezultatima.
-
Brojka od oko 80% neuspjelih AI projekata javlja se u prezentacijama i industrijskim izvještajima bez potpune metodologije; korisna je kao signal rizika, a ne egzaktna statistika. ↩