Šest grešaka pri uvođenju AI automatizacije u SMB

Posted on Nov 5 • Originally published at lazar-milicevic.com

Poslednjih nekoliko godina gledam isti obrazac. Firma od dvadeset ljudi kupi licencu, neko napravi impresivan demo, svi klimnu glavom, i tri meseca kasnije niko ne zna da kaže da li je išta uštedeno. Tehnologija je ređe problem nego što se misli. Greške se gotovo uvek prave pre prve linije koda.

Najčešća greška je odluka "uvodimo AI" bez odgovora na pitanje koji se konkretan posao danas radi ručno, koliko traje i ko ga radi. Alat bez tog odgovora postaje igračka za entuzijaste, a ostatak tima ga ignoriše.

Pre bilo kakvog izbora modela ili platforme radim jednostavnu stvar: tabelu od pet kolona koju popuni neko ko taj posao stvarno radi, ne direktor.

Iz ove tabele obično odmah vidim gde je pravi kandidat. Prvi red je dobar (visoka frekvencija, kratak posao, greška je popravljiva). Treći je loš kandidat za početak, jer je retko, pa se ušteda teško dokazuje.

Na sličnom principu sam radio automatizaciju koja je štedela više od 73 sata mesečno kroz četiri povezana sistema (192% ROI u prvoj godini). Nijedan od ta četiri sistema nije bio spektakularan. Svaki je bio izabran zato što je tabela pokazala da boli.

Bez definisanih KPI-jeva pre starta, svaki projekat se na kraju svede na utisak. Utisak je nepouzdan, a budžet za sledeći kvartal se ne odobrava na osnovu utiska.

Ovo nije samo moje iskustvo. U McKinsey analizi "The state of AI" praćenje jasno definisanih KPI-jeva za gen AI rešenja izdvojeno je kao praksa sa najvećim uticajem na EBIT, a manje od jedne petine ispitanika kaže da njihova organizacija to zaista radi ( https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai-how-organizations-are-rewiring-to-capture-value ). Drugim rečima, najvrednija navika je ujedno i najređa.

Isti princip sam primenio kod serverless integracije AWS + Zendesk koja je firmi donela prvu usklađenost sa SLA ugovorom. Metrika je bila jasna od prvog dana (vreme odgovora naspram ugovorenog), pa nije bilo rasprave da li je uspelo.

Mala firma ima manje prostora za eksperimente, a ipak se najduže zadržava u fazi eksperimenta. McKinsey navodi da je među firmama sa prihodom iznad 5 mlrd USD skoro polovina u fazi skaliranja AI-ja, a među firmama sa prihodom ispod 100 mil USD to važi za 29% ( https://www.mckinsey.com/capabilities/growth-marketing-and-sales/our-insights/the-state-of-ai-2025 ). Manje firme dakle ređe pređu sa probe na stvarnu upotrebu.

Razlog je banalan: pilot koji radi "na tvom laptopu" nema vlasnika, nema monitoring i nema plan za slučaj da padne. Ljudi se vrate starom načinu rada čim demo ne uspe jednom.

Najskuplji pilot je onaj koji se nikad ne završi, jer troši pažnju tima, a ne donosi ni uštedu ni jasnu odluku.

LLM će pogrešiti, i to ponekad uverljivo. Sistem u kome nema plana za tu grešku nije automatizacija, nego kocka. Ovo je razlika koju mali timovi najčešće shvate tek posle prvog incidenta.

Tri stvari koje ugrađujem u svaki sistem koji radi bez nadzora:

Kratak primer validacije, jer je ona najjeftinija i najčešće preskočena:

def prihvati_iznos ( izlaz_modela: dict ) -> float | None: try: iznos = float ( izlaz_modela [ " iznos " ]) except ( KeyError, ValueError, TypeError ): return None # ide u ručnu proveru if not ( 0 < iznos < 1_000_000 ): return None # sumnjivo, ide u ručnu proveru return iznos Enter fullscreen mode Exit fullscreen mode Nije elegantno, ali ovakva provera hvata većinu loših slučajeva pre nego što dođu do računovodstva. Opseg biraš prema svom poslu.

O tome sam detaljnije pisao u tekstu o tome zašto prompt radi u testu, a pada uživo. Kratko: test podaci su uvek čistiji od stvarnih.

Prodavci su naučili da reč "agent" prodaje bolje od reči "chatbot", pa se stari proizvodi preimenuju. Gartner je u saopštenju od 25. juna 2025. opisao taj fenomen kao "agent washing" i procenio da je samo oko 130 od hiljada "agentic" vendora stvarno. Isto saopštenje predviđa da će preko 40% agentic AI projekata biti otkazano do kraja 2027, zbog rastućih troškova, nejasne poslovne vrednosti ili nedovoljne kontrole rizika ( https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027 ). Podsećam da je to predviđanje, ne merenje.

Kako ja filtriram marketing, kroz pet pitanja:

Ako prodavac ne može jasno da odgovori na bar tri, to je skriptovani tok sa lepim interfejsom. To nije nužno loše, nekad je to tačno ono što ti treba i jeftinije je. Ali ne treba plaćati cenu agenta za cenu automatizacije.

Razliku između pravih agenata i marketinga razradio sam u tekstu o AI agentima i agentic workflowima.

Mala firma u Srbiji često misli da je EU regulativa daleka tema, a u praksi se dotiče svakoga ko radi sa evropskim klijentima ili tržištem. Ne moraš da budeš pravnik, ali moraš znati okvir.

Šta je trenutno poznato (proveravaj kod nadležnog izvora, jer se stvari menjaju):

Praktičan zaključak: dizajniraj sistem tako da se kasnije može dokumentovati. Dnevnik odluka, jasna granica gde odlučuje čovek, i lista šta AI radi a šta ne. To je dobra inženjerska praksa i bez zakona, a kad zakon stigne, već si pola puta.

Da danas krećem u firmi od 10 do 50 ljudi, redosled bi bio ovaj:

Ne verujem u transformacione projekte za male firme. Verujem u niz malih, izmerenih pobeda koje se sabiraju.

Većina grešaka koje sam opisao nije tehnička, i zato se mogu izbeći bez velikog budžeta. Ako razmišljaš o prvom (ili o trećem, posle neuspelog) AI projektu u svojoj firmi i želiš da neko iskusan pogleda plan pre nego što se potroši novac, javi se na lazar-milicevic.com/#contact. Razgovor o tome da li nešto uopšte ima smisla automatizovati je često najkorisniji deo posla.