AI kao štaka ili kao trener: kako uvesti AI da ljudi postanu bolji

Kad firma uvede AI alat, prvi rezultati su gotovo uvijek dobri: izvještaji se pišu brže, upiti se rješavaju brže, dokumenti se obrađuju brže. Jedno predavanje na ovogodišnjem AI Summitu u Barceloni postavilo je neugodnije pitanje: postaju li pritom i ljudi bolji — ili samo zavisniji?

To pitanje nije akademsko. Firma koja za dvije godine ima tim koji bez alata ne zna prepoznati grešku ima skriveni rizik koji se ne vidi ni u jednom izvještaju — sve dok alat ne pogriješi, ne poskupi ili ne prestane raditi.

Učinak raste. Sposobnost ne mora.

Razlika je suptilna, ali važna. AI može raditi kao štaka ili kao trener.

• Štaka: AI razmišlja umjesto čovjeka. Učinak raste, sposobnost ne. Sa AI-jem je bolje, bez njega gore nego prije.
• Trener: AI poboljšava način rada. Raste učinak, ali i sposobnost. Sa AI-jem je bolje — a kasnije bolje i bez njega.

To nije samo teorija. Istraživanje Bastanija i saradnika (2025) na srednjoškolcima koji su vježbali matematiku pokazalo je upravo taj obrazac. Učenici s neograničenim pristupom ChatGPT-u imali su znatno bolje rezultate dok su vježbali, ali su na ispitu bez AI-ja prošli lošije od onih koji ga uopšte nisu koristili. Verzija osmišljena kao tutor — koja daje smjernice umjesto gotovih rješenja — tu štetu je uglavnom izbjegla. Razlika nije bila u modelu, nego u načinu na koji je upotrijebljen.

Mehanizam je poznat svakome ko je nekad prepisao domaću zadaću. Kad dobijete gotov odgovor, preskočite upravo onaj napor iz kojeg se uči: pokušaj, grešku, ispravku. Rezultat na papiru je bolji, a u glavi ostaje manje. Odrasli na poslu nisu izuzetak.

Kad AI pogriješi, najbitnije je šta zna čovjek

Druga često navođena studija, Dell'Acqua i saradnici (2023), rađena je na 758 konsultanata kompanije BCG. Na zadacima u kojima je model dobar, konsultanti s AI-jem bili su brži i davali su oko 40% kvalitetnije rezultate. Ali na zadatku koji je izlazio iz tih granica — a izgledao je jednako — oni s AI-jem su za oko 19 procentnih poena češće dolazili do pogrešnog zaključka.

Autori to zovu „nazubljenom granicom“: model je odličan u nekim zadacima i slab u susjednim, a ta granica se ne vidi izvana. Dva zadatka mogu izgledati potpuno isto — ista vrsta dokumenta, ista vrsta pitanja — a jedan je unutar onoga što model radi pouzdano, drugi izvan. AI pomaže kad zna, a šteti kad zvuči uvjerljivo, a griješi.

Jedina odbrana je čovjek koji dovoljno razumije posao da primijeti kad nešto ne štima. I tu se krug zatvara: ako je AI godinama radio kao štaka, upravo ta sposobnost je oslabila.

Kentauri i kiborzi

Ista studija opisala je i dva načina na koje su najuspješniji konsultanti radili s AI-jem. Jedni su bili „kentauri“: jasno su dijelili posao — ovo radim ja, ovo prepuštam modelu — i birali šta ide kome. Drugi su bili „kiborzi“: stalno su se smjenjivali s modelom unutar istog zadatka, provjeravali, tražili drugu verziju, ispravljali.

Oba pristupa imaju nešto zajedničko: čovjek ostaje aktivan. Ne prihvata rezultat zato što je stigao, nego zato što ga je provjerio. To je praktična definicija AI-ja kao trenera.

Juniori su najizloženiji

Iskusna knjigovotkinja koja koristi AI za prijedlog kontiranja odmah vidi kad prijedlog nema smisla, jer je taj posao radila hiljadu puta. Junior koji je počeo raditi uz AI nema tu referencu. Ako mu alat od prvog dana daje gotova rješenja, on uči da klikne „potvrdi“, a ne da razumije zašto je nešto tačno.

Ovo je ozbiljno pitanje za svaku firmu: iz čega će za pet godina nastati iskusni ljudi, ako rutinski posao na kojem su se ljudi dosad učili radi AI? Odgovor nije zabraniti alat juniorima, nego ga dizajnirati tako da ih uči — da im objasni zašto, da ih pita prije nego što im kaže, da im pokaže gdje je pogriješio.

Isti alat, dva dizajna

Kako razlika između štake i trenera izgleda u stvarnom alatu? Uzmimo AI koji razvrstava stavke s bankovnog izvoda na konta — posao koji knjigovodstva rade svaki dan.

Dizajn kao štaka: alat sve stavke rasporedi sam i prikaže zelenu kvačicu „gotovo“. Korisnik ne vidi zašto je nešto stavljeno gdje jeste, a sigurne i nesigurne odluke izgledaju isto. Posao je brz, ali niko više ne zna objasniti zašto je uplata završila na tom kontu — i niko ne primijeti kad alat nekoliko sedmica zaredom griješi na istoj vrsti uplate.

Dizajn kao trener: alat stavke grupiše po sigurnosti. One koje odgovaraju poznatom obrascu knjiži uz kratko obrazloženje („isti primalac i opis kao 14 prethodnih uplata“). Nesigurne izdvaja i prvo traži od korisnika da sam izabere konto, pa tek onda pokaže svoj prijedlog. Svaka ispravka se bilježi, a tim jednom mjesečno pogleda listu ispravki: gdje alat griješi, koje pravilo treba dopuniti, šta junior još nije savladao.

Drugi dizajn je možda sekundu-dvije sporiji po stavci. Ali nakon šest mjeseci firma ima i brži proces i tim koji ga razumije — a lista ispravki postaje najbolji materijal za obuku novih ljudi.

Kognitivni kapital

Predavanje je to nazvalo kognitivnim kapitalom: ljudska sposobnost prosuđivanja, stručnost, kritičko razmišljanje, kreativnost, prilagodljivost i učenje. Svaki proces u koji uvedemo AI ujedno je okruženje u kojem ljudi te sposobnosti ili razvijaju ili gube. Zato uz pitanje „šta AI može raditi?“ treba postaviti još dva:

• Šta čovjek i dalje treba sam da vježba?
• Gdje ljudska odluka mora ostati odgovorna?

Kako to izgleda u praksi

U AI rješenjima za obradu dokumenata, podataka ili upita ovo se prevodi u nekoliko jednostavnih pravila dizajna:

1. AI predlaže, čovjek potvrđuje — posebno tamo gdje greška ima posljedice: knjiženja, cijene, ugovori.
2. Pokaži obrazloženje, ne samo rezultat. Kad AI izvuče podatke iz fakture, korisnik vidi odakle je šta uzeto i može to provjeriti za sekundu.
3. Označi nesigurnost. Polje koje je model pročitao s lošeg skena ili iz neobičnog formata treba izgledati drugačije od onog u koje je siguran.
4. Ljudima ostavi zadatke koji grade stručnost. Automatizuj ponavljanje, ne prosuđivanje.
5. Nauči tim gdje je model slab. Nekoliko primjera u kojima AI griješi vrijedi više od deset u kojima briljira.
6. Mjeri i sposobnost, ne samo brzinu. Može li tim i dalje uraditi posao kad alat nije dostupan?

Nijedno od ovih pravila ne usporava rad primjetno. Provjera koja traje dvije sekunde jer je obrazloženje odmah vidljivo nije trošak — to je razlog zašto čovjek i dalje razumije šta se dešava.

Pitanja za menadžment

Prije nego što proširite AI alat na cijeli tim, vrijedi odgovoriti na nekoliko pitanja:

• Da li bi tim primijetio kad alat pogriješi na način koji izgleda uvjerljivo?
• Koji dio posla ljudi više ne rade sami — i je li to svjesna odluka ili se desilo samo od sebe?
• Kako juniori u timu uče posao koji alat sada radi umjesto njih?
• Šta bi se desilo s rokovima da alat sutra nije dostupan sedam dana?

Poruka sa kraja predavanja bila je kratka: provjeri, ispravi, preuzmi odgovornost. AI koji ljude ostavlja sposobnijima vrijedi više od AI-ja koji ih samo ubrzava.