AI projekti ne propadaju zbog modela, nego zbog konteksta podataka

Najveći problem generativne AI u firmama nije snaga modela, već rascjepkana interna baza znanja iz koje model pokušava da zaključi šta je tačno.

Tri godine nakon početka velikog talasa generativne AI, mnoge firme i dalje ne uspijevaju da iz pilot-projekata dođu do stvarne poslovne vrijednosti. Prema izvještaju Project NANDA iz 2025. godine, na koji se pozivaju mediji i stručni komentari, 95 posto organizacija ne ostvaruje mjerljiv povrat iz integrisanih GenAI pilot-projekata, iako je ulaganje na nivou preduzeća već dostiglo desetine milijardi dolara. Ključni problem, prema istom izvještaju, nije samo kvalitet modela, već krhki tokovi rada, manjak kontekstualnog učenja i loše usklađivanje sa svakodnevnim operacijama.

• Većina AI neuspjeha u firmama počinje od loše organizovanih i nepovezanih podataka, a ne od samog modela.
• Izvještaj Project NANDA navodi da 95 posto organizacija nema mjerljiv povrat iz GenAI pilota.
• BloombergGPT je dobar primjer zašto opšti modeli često nisu dovoljni u specijalizovanim sektorima poput finansija.
• Phylo pokušava da isti problem riješi u biologiji kroz objedinjeno okruženje rada pod nazivom Integrated Biology Environment.
• Pitanje više nije samo koliko je model pametan, nego da li zna da radi unutar tačnog poslovnog i podatkovnog konteksta.

Analiza

Suština problema je jednostavna veliki jezički modeli djeluju uvjerljivo čak i kada nemaju puni kontekst. U poslovnim sistemima to je posebno opasno, jer “praznine” rijetko znače da podaci ne postoje. Mnogo češće znače da su rasuti između CRM-a, ERP-a, tabela, starih baza, PDF dokumenata i internih bilješki koje međusobno ne “govore” istim jezikom.

Upravo to potvrđuje i izvještaj Project NANDA. U njemu se navodi da preko 80 posto organizacija istražuje ili pilotira alate poput ChatGPT-a i Copilota, dok gotovo 40 posto prijavljuje neku vrstu implementacije. Međutim, isti izvještaj naglašava da takvi alati uglavnom podižu individualnu produktivnost, ali ne daju automatski P&L efekat na nivou firme. Problem nastaje kada se AI ubaci u komplikovan sistem bez dovoljno dobrog konteksta, bez povratne sprege i bez mogućnosti da uči iz realnog poslovnog okruženja.

Drugim riječima, model može biti tehnički impresivan, ali i dalje davati pogrešne odgovore ako stoji na lošoj osnovi. To je posebno vidljivo u firmama gdje postoje različiti izvori istine jedan odjel ima podatke o kupcima, drugi o transakcijama, treći o ugovorima, a četvrti o podršci. Model tada ne “vidi” organizaciju kao jednu cjelinu, nego kao niz nepovezanih fragmenata.

Konkurencija i tržište

Jedan od najjasnijih primjera zašto opšti modeli nisu dovoljni dolazi iz finansijskog sektora. Bloomberg je 2023. predstavio BloombergGPT, model od 50 milijardi parametara treniran na kombinaciji finansijskih i opštih podataka. U radu autori navode da je model pravljen upravo zato što finansijski zadaci traže duboko domensko razumijevanje i da je treniran na 363 milijarde tokena iz Bloombergovih finansijskih izvora, uz dodatnih 345 milijardi tokena iz opštih skupova podataka. Prema rezultatima rada, takav pristup je dao bolji učinak na finansijskim zadacima bez značajnog pada na opštim benchmark testovima.

To je važna poruka za cijelo tržište nije dovoljno imati “najjači” model, nego model koji je usklađen sa jezikom, pravilima i logikom određene industrije. Finansije imaju svoju terminologiju, regulatorni okvir i obrasce komunikacije. Isto važi za zdravstvo, pravo, proizvodnju i logistiku.

Sličan obrazac sada se vidi i u nauci. Phylo sebe opisuje kao firmu koja gradi “prvo Integrated Biology Environment”, objedinjeni radni prostor u kojem biolozi i AI agenti mogu da sarađuju u jednom sistemu. Na sajtu firme navodi se da takvo okruženje treba da objedini planiranje, analizu, izvršavanje zadataka i praćenje rada, dok u njihovom tekstu o viziji objašnjavaju da je cilj smanjiti skakanje između više alata i vratiti naučniku fokus na samo istraživanje.

Tržište se, dakle, polako pomjera sa opšte fascinacije modelima ka mnogo težem pitanju kako izgraditi sisteme u kojima su podaci, procesi i AI zaista usklađeni.

Naša perspektiva

Za firme u BiH i regionu ovo je možda i važnija poruka nego za velike globalne korporacije. Većina lokalnih kompanija nema budžete da trenira sopstvene modele, ali to ne znači da ne mogu dobiti stvarnu vrijednost iz AI. Naprotiv, regionalne firme često mogu biti brže ako se fokusiraju na pravi problem.

Za poslovne korisnike koji koriste AI za posao, najveća greška je očekivanje da će model sam riješiti haos u dokumentaciji, prodaji, podršci i internim procesima. Neće. Ako su podaci nepovezani, neažurni ili zaključani u PDF fajlovima i improvizovanim tabelama, AI će samo brže proizvoditi uvjerljive, ali pogrešne odgovore.

Zato je za region važniji sljedeći redoslijed:

• prvo mapirati gdje se znanje firme zaista nalazi
• zatim urediti pristup dokumentima, bazama i procedurama
• onda definisati koji timovi i koji zadaci zaista mogu imati korist od AI
• tek nakon toga birati model, alat ili dobavljača

To je posebno bitno za banke, telekome, osiguranje, zdravstvene sisteme, javni sektor i veće trgovinske lance, gdje se odluke donose na osnovu velikog broja nepovezanih izvora. U takvom okruženju pobjednik neće biti onaj ko prvi uvede AI chatbot, nego onaj ko prvi sredi kontekst u kojem chatbot radi.

Zaključak

U narednih 12 do 24 mjeseca najviše će napredovati one firme koje prestanu da AI tretiraju kao izdvojeni softver i počnu da ga grade kao sloj iznad uređenog poslovnog znanja. Modeli će i dalje postajati jači, ali najveća razlika među kompanijama neće dolaziti iz samog modela, nego iz kvaliteta njihove interne strukture podataka, povratne sprege i domenskog konteksta. To je, u suštini, sljedeća faza tržišta: manje priče o “magiji modela”, a više rada na tome da AI konačno dobije prostor u kojem može da vidi jasno.