Momir ĐEKIĆ

1. avgust 2025.

Nije dovoljno to što svaka konferencija u naslovu pominje veštačku inteligenciju, niti da gotovo polovina investicionih sredstava odlazi u AI startape. Nemoguće je zaboraviti da se na gotovo svakom sastanku u upravama i odborima na planeti izgovara skraćenica „AI”, ali kada stignu do praktičnih odluka o daljim koracima digitalne transformacije, dilema između kupovine gotovih ili razvoja vlastitih rešenja postaje kompleksnija nego ikada.

Upravo zahvaljujući velikom zamahu u razvoju generativnih i specijalizovanih modela, brzina kojom se pojavljuju sve naprednije alatke preti da svaki „in-house” projekat, pre nego što generiše merljive rezultate. U takvom ambijentu, odluka da se investiraju desetine ili stotine hiljada evra u sopstveni softver više nije puko pitanje kontrole nad kôdom, već balansiranje između trenutne agilnosti, predvidivih troškova i održive konkurentske prednosti.

U današnjem poslovnom sistemu, svakoga dana i sve više, strateški fokus menadžerskih timova se pomera ka brzini implementacije, povratu investicije i smanjenju rizika povezanog sa zastarevanjem tehnologije. Veštačka inteligencija ubrzala je proces zamene tehnoloških rešenja do te mere, da se i svega nekoliko godina stara rešenja sada posmatraju kao neadekvatna. Uprkos tome što povrat investicije u takva rešenja još uvek nije dostignut, već se planiraju investicije u nova, veštačkom inteligencijom protkana.

Deluje da je u sve sale za sastanke došla ista vest o tome kako je za gotovo 50 odsto porastao broj organizacija koje AI u svom poslovanju koriste svakodnevno. Kako god percepcija donosilaca odluka izgledala, pitanje upotrebe AI je, za veoma kratko vreme, od svega par kvartala, prešlo put od zanimljivosti do imperativa konkurentske održivosti.

Putevi primene

Izvestan broj kompanija je talas uvođenja AI prihvatio tako što je svoje inženjerske resurse brzo dodelio izradi sopstvenih rešenja, zasnovanih na procesima, infrastrukturi i podacima unutar kompanije. Ipak, velika većina stručnjaka ima jasan i nedvosmislen komentar na takve poteze. Oni su saglasni da kompanije koje nastave da agresivno grade sopstvene AI modele, umesto da integrišu već istrenirane API-je postojećih svetskih lidera, teško da će moći da isprate tempo inovacija.

Prema dostupnim informacijama, prosečno vreme potrebno za internu izgradnju i lansiranje AI servisa iznosi između devet i 18 meseci, dok se ista funkcionalnost može integrisati putem API-ja u roku od nekoliko nedelja, a uz manje od 20 odsto ukupnog troška razvoja. Pored ubrzanja procesa, ključna prednost kupovine (ili najma) postojećeg modela ogleda se u kontinuiranoj nadogradnji i automatizovanom održavanju.

Eklatantan primer za uporedivu situaciju možemo pronaći u bliskoj istoriji velikih sistema, poput banaka. Nakon što su izgradili sopstveni sistem za kreditnu ocenu, finansijski giganti su morali da ulože dodatne milione dolara u njegovo održavanje i ažuriranje, samo da bi se približili performansama koje bi im API-ji za mašinsko učenje velikih platformi u „oblaku” omogućavali odmah po puštanju u rad. Iskustvo nas uči kako je ključno u dugoročnoj eksploataciji upoređivati ukupnu cenu vlasništva (eng. TCO - total cost of ownership). U slučaju kompleksnih rešenja, ukupna cena se ne sastoji samo iz troškova inicijalnog razvoja, već i iz kontinuiranih izdataka za održavanje, licence, ljudske resurse i infrastrukturu. Čest je slučaj da kompanija koja donese odluku da samostalno stvori neko rešenje ne uzme u obzir neku od ovih stavki, na dovoljno dugom vremenskom periodu eksploatacije od bar tri do pet godina. Na taj način, ona znatno potcenjuje stvarne troškove. Ovo je i delimičan razlog zbog kog kompanije vremenom imaju sve manji apetit za izradu rešenja - većina je znatno probila inicijalno dogovoreni budžet.

U današnjem vremenu, reakcija tržišta na nova AI rešenja je toliko brza, da zaostala funkcionalnost može da znači gubitak tržišnog udela. Pritisnuti uvećanim troškovima upotrebe, kompanije koje grade sopstvena rešenja, čak i one sa razvijenom infrastrukturom ili koje su tehnološki lideri, sve više kombinuju kupljene AI servise sa sopstvenim modelima. U tim slučajevima, sopstvena rešenja i modeli su namenjeni, takozvanoj, finoj personalizaciji, koja, zahvaljujući podacima iz sopstvenih baza, nudi „završnu obradu” rezultata koje može da ponudi javno dostupan AI model, poput onog koje razvijaju OpenAI, Anthropic, Google, Microsoft i drugi. Takav hibridni pristup omogućava liderima AI tranzicije da ubrzaju vreme plasiranja novih usluga, a da istovremeno zadrže diferencijaciju u odnosu na konkurenciju.

Hibridi nisu samo u automobilskoj industriji

Hibridni princip prati ideju o takozvanoj „best of breed” arhitekturi, u kojoj se kombinuju kupljeni slojevi za prepoznavanje govora, slike, teksta i analitiku podataka, sa razvojem internih slojeva, fokusiranih na specifične modele i algoritme koji nose stvarnu konkurentsku vrednost. Važno je napomenuti da, uprkos uvreženom mišljenju, alatke nisu te koje donose konkurentsku prednost. Nijedna kompanija neće postati lider na tržištu, jer je kupila novi alat za kategorizaciju proizvoda. Način na koji će prednost u odnosu na tržišne takmace zapravo kreirati, ogleda se u integraciji novokupljenih alatki i sopstvenih procesa. Merenje i praćenje performansi se podrazumeva.

U tom kontekstu, deluje da izgradnja sopstvenog AI rešenja postaje opravdana samo u onim segmentima u kojima kompanija može da predstavi jedinstveni skup podataka ili algoritamska unapređenja trenutno nedostupna na tržištu. U odsustvu tako postavljene strategije, originalno rešenje rizikuje da bude nedovoljno diferencirano, a time i nelikvidno na tržištu.

Pitanje infrastrukture podataka, imajući u vidu pretpostavke hibridnih rešenja, postaje još kritičnije. Brojna istraživanja potvrđuju da je gotovo osam od deset AI projekata osuđeno na neuspeh, ako ne postoji agilna, skalabilna i bezbedna platforma za obradu podataka. Spisak potrebnih elemenata za posedovanje takve platforme uključuje automatizovane sisteme za uvoz podataka, njihovo čišćenje, transformaciju i čuvanje, kao i mehanizme za kontinuiranu obuku i evaluaciju modela.

Ako se ponovo vratimo na banke i njihove investicije u prethodnom ciklusu digitalne transformacije, one institucije koje su investirale u modernizaciju svojih struktura podataka i implementaciju naprednijih sistema organizacije funkcionalnosti, ostvarile su smanjenje vremena za treniranje modela za čak 60 odsto, te povećanje tačnosti predikcija za više od 15 odsto. U svetu brzo rastućih tehnologija, ovo je izuzetan rezultat.

Ekonomski gledano, analiza troškova ukazuje na to da fiksni troškovi izgradnje, obezbeđivanja, nadogradnje i skaliranja AI infrastrukture najčešće prevazilaze varijabilne troškove najma, posebno u slučaju srednjih i manjih organizacija. Naravno, za one retke poslovne entitete koji raspolažu specifičnim i izuzetno vrednim skupovima podataka, poput biotehnoloških kompanija ili zdravstvenih institucija sa anonimnim medicinskim zapisima, investicija u sopstvenu platformu može da bude dugoročno isplativa. U takvim slučajevima, izgradnja sopstvenog rešenja omogućava veću kontrolu nad procesom i otvara vrata za inovacije koje aktuelno tržište servisa još ne podržava.

Sredina je vrlina

S obzirom na navedeno, u opštem slučaju se preporučuje oprezno optimističan pristup. Prvo je potrebno odrediti karakter rešenja koje namerava da se pripremi. Ako se radi o uštedi troškova, potrebno je napraviti temeljnu analizu postojećih troškova vremena, novca i ljudskih resursa na ključne procese u kompaniji. Ako je, pak, plan da se napredak ostvari na prihodnoj strani, potrebno je znati performanse postojećih proizvoda i usluga i jasno označiti ciljeve za povećanjem performansi.

Zatim, potrebno je identifikovati sve AI scenarije u kojima se očekuje jasan ROI u roku od nekoliko meseci. Ova brza rešenja treba mapirati na postojeće AI servise i napraviti jasan plan potrošnje i očekivanih rezultata. Za napredne ili strateški osetljive modele, preporuka za investiciju u izgradnju ide u korist samo onih komponenata koje je moguće diferencirati jedinstvenim podacima ili algoritamskim unikatnostima. Na kraju, od izuzetne je važnosti kontinuirano jačanje infrastrukture podataka kroz automatizaciju i skalabilne procese, kako bi se smanjilo vreme treniranja i povećala pouzdanost modela.

Još jedno temeljno pitanje AI rešenja mora da bude bezbednost. I ptice na grani znaju da besplatna rešenja velikih svetskih AI igrača mogu da iskoriste podatke koji su im podeljeni da nad njima rade odbranu. Nedovoljno obaveštene i stručne, vodeće osobe mnogih kompanija unapred donose sud kako ne postoji bezbednost u korišćenju gotovih rešenja. To danas svakako ne stoji, bar ne za rešenja pomenutih vodećih platformi.

Korisnici ne moraju da biraju između brzine i bezbednosti, uprkos tome što će ih kreatori sopstvenih rešenja, koji su realizovali milionske investicije u njih, uveravati da je to jedina istina. Iako je u početku bilo izazova i svojevrsnih kompromisa, plaćena rešenja osnovnih modela kompanija OpenAi, Google, Anthropic i Microsoft su više nego bezbedna, sa veoma kvalitetnim sistemima za zaštitu podataka.

U prethodnom periodu, nemali broj tehnoloških kompanija kreirao je sopstvene AI modele koji svoje aktivnosti obavljaju unutar izolovanih „kapsula” za obradu podataka, koje puštaju podatke unutar njih, ali ih ne puštaju van. Na taj način, podaci koje bi korisnik podelio sa takvim rešenjem, ne mogu da budu iskorišćeni za dublje treniranje modela. Ipak, takva rešenja najčešće koriste starije verzije komercijalnih modela, te uopšte ne nude napredne mogućnosti. Dodatno, njihova sposobnost integracije u radne tokove procesa korisnika je na znatno nižem nivou od komercijalnih modela velike četvorke. Naposletku, jasno je: sa najvećima se ne treba takmičiti, već njihova rešenja iskoristiti na najbolji mogući način.

• • •

U eri veštačke inteligencije, pravi odgovor na dilemu „build vs buy” očigledno ne leži u apsolutnom izboru jedne opcije, već u sposobnosti organizacije da kombinuje najbolje iz oba sveta, održava agilnost kroz kupovinu gotovih servisa i gradi sopstveno, tamo gde zaista poseduje neravnopravne prednosti. Postaje sve jasnije da samo sveobuhvatan, strateški pristup može imati uslove da proizvede održivu konkurentsku prednost.