Sjećam se sastanka s direktorom srednje velike logističke tvrtke. Potaknut naslovima i objavama konkurencije, odlučio je biti predvodnik u korištenju umjetne inteligencije (AI) i uložio značajan iznos u softver za optimizaciju ruta pokretanu AI, uvjeren da je to "čarobni štapić" koji će smanjiti troškove goriva za 30% unutar jednog tromjesečja. Niz razgovora i mojih objašnjenja usmjerena prema upravljanju njegovim očekivanjima bila su ignorirana. Početni entuzijazam bio je zarazan. Sastanci sa svim zaposlenicima, ambiciozni ključni pokazatelji uspješnosti (KPI-jevi) i opipljivo uzbuđenje u uredu.

Očekivao se brz, linearan put do povrata ulaganja (ROI). Međutim, nakon šest tjedana, stvarnost je počela odudarati od očekivanja. Vozači su smatrali kako je novo sučelje zbunjujuće i manje intuitivno od starih metoda, što je dovelo do dužih vremena zaustavljanja. Podaci koji su hranili model bili su nedosljedni, zbog čega je AI predlagao nelogične rute. Produktivnost ne samo da nije porasla, već je opala. Moral je naglo pao, a projekt je odjednom označen kao "neuspjeh". A konzultant je dobio nogom u tur.

Ova priča savršen je primjer široko rasprostranjenog fenomena - prevelikih kratkoročnih očekivanja uvođenjem AI u poslovanje. Ova predvidljiva, opasna i često neshvaćena faza je ono što nazivam dolinom usvajanja umjetne inteligencije (AI Adoption Valley). To je procijep između početnih očekivanja potaknutih nedostatkom iskustva uvođenja AI i složene stvarnosti implementacije – faza u kojoj produktivnost paradoksalno pada prije nego što može porasti. Ovaj tekst je strateška mapa za lidere kako bi se kretali ovom dolinom, ne kao krizom, već kao nužnim prijelazom prema istinskoj transformaciji. 

Paradoks produktivnosti: bolje razumijevanje uvođenja AI

Definiranje doline usvajanja AI

Dolina usvajanja AI predvidljiv je obrazac J-krivulje karakterističan svakoj transformativnoj tehnologiji, od parnog stroja do interneta. To nije znak neuspjelog projekta, već prirodna, iako izazovna, faza usvajanja. Početni pad predstavlja troškove učenja, reinženjeringa procesa, edukacije zaposlenika i korisnika, te prevladavanja otpora promjenama. Unatoč ulaganjima i usvajanju, AI alati u početku čine mnoge zaposlenike manje, a ne više produktivnima.  

Ovaj fenomen karakterističan samo za Hrvatsku, već je globalni ekonomski fenomen vidljiv na svim tržištima. Svjedoci smo razdoblja neviđenog usvajanja AI, ali i neuspjeha AI projekata. Ovo nije kontradikcija. To je dolina koja se odvija u stvarnom vremenu. S jedne strane, usvajanje raste nevjerojatnom brzinom. McKinseyjevo izvješće za 2024. pokazuje da je opće usvajanje AI-ja skočilo sa stagnirajućih ~50% na 72%, dok se usvajanje generativne umjetne inteligencije (GenAI) gotovo udvostručilo na 65% u manje od godinu dana. PwC to potvrđuje, s 49% tehnoloških lidera koji navode da je AI "potpuno integriran" u njihovu strategiju.   

S druge strane, neuspjeh i razočaranje su sveprisutni. BCG otkriva da zapanjujućih 74% tvrtki tek treba pokazati opipljivu vrijednost od AI-ja. S&P Global izvještava da 42% tvrtki napušta većinu GenAI pilot projekata , a Gartner predviđa da će 30% GenAI projekata biti napušteno nakon faze dokaza koncepta (PoC). To je tržište koje klizi u "korito razočaranja". Suživot ova dva snažna trenda podataka najuvjerljiviji je dokaz da je dolina usvajanja umjetne inteligencije stvarna i da utječe na čitave industrije.  

Podaci ne lažu: stanje je takvo da produktivnost pada

Kako bi se paradoks učinio opipljivim, potrebno je predstaviti čvrste podatke o početnom gubitku produktivnosti. Istraživanje MIT-a iz 2025. pokazalo je da su proizvodne tvrtke koje su usvojile industrijsku umjetnu inteligenciju doživjele pad produktivnosti od 1.33 do 60 postotnih bodova prije nego što su zabilježile eventualne dobitke. Rigorozna studija METR-a pokazala je da su čak i iskusni programeri koji koriste najsuvremenije AI alate u početku bili 19% sporiji, unatoč tome što su vjerovali da su 20% brži. Ovo naglašava varljivu prirodu početne faze, gdje se aktivnost pogrešno tumači kao produktivnost.   

Zašto toliko AI inicijativa zapne?

Zaglavljivanje u dolini rijetko je posljedica neuspjeha samog algoritma. Gotovo uvijek je to neuspjeh strategije, predviđanja i organizacijske spremnosti. Analizirat ćemo četiri primarna razloga za ovaj neuspjeh.

Napuhana očekivanja nasuprot stvarnosti

Ovaj fenomen izravno odgovara Gartnerovom "vrhuncu napuhanih očekivanja", gdje rane priče o uspjehu i medijska pompa stvaraju nerealna očekivanja. Lideri, pod pritiskom da djeluju, često odobravaju projekte s vremenskim okvirima i očekivanjima povrata ulaganja koji su potpuno odvojeni od stvarnosti implementacije. Ovo početno neusklađivanje prvi je korak u dolinu.  

Nedostatak sustavno pristupa bez AI Stategije

Ovo je najčešća točka neuspjeha: nemogućnost skaliranja izvan uspješnog pilot projekta. "Čistilište pilot projekata" (Pilot Purgatory) definira se kao stanje u kojem se izgrade funkcionalni AI modeli, ali se nikada ne koriste ili integriraju u organizaciju. Ovo su tri ključna razloga:

1. Nedostatak jasnog vlasništva: AI projekti se dodjeljuju odborima gdje su svi odgovorni, pa nitko nije, pa se onda nitko time niti ozbiljno ne bavi. Proračuni za troškove uvođenja AI ne postoje ili se sklepavaju kroz razne alokacije.
2. Nepostojeća AI Strategija: organizacije započinju raditi na AI inicijativama i investirati u AI alata bez jasne vizije i plane koje ciljeve time žele postići u kojim fazama (ROI). Česti vidimo pristup tipa "Koristimo AI" umjesto "Smanjimo vrijeme odgovora korisničkoj službi za 30% koristeći bazu znanja pokretanu umjetnom inteligencijom".
3. Kulturni otpor: zaposlenici se boje gubitka posla, što dovodi do niske stope usvajanja ili čak aktivne sabotaže. Jedna studija je otkrila da trećina radnika aktivno sabotira korporativne AI inicijative. Ovo je ključan, često podcijenjen faktor.

Zašto strategija propada bez pravih temelja?

Iako se često označavaju kao "tehnički problemi", pukotine u temeljima simptomi su strateškog neuspjeha. Nedostatak čistih podataka nije problem IT odjela, to je neuspjeh vodstva da prioritetizira i uloži u upravljanje podacima kao ključnu poslovnu imovinu. Kada projekt propadne zbog problema s podacima, ključni uzrok nisu sami podaci, već strateška odluka da se nastavi bez rješavanja poznate, kritične ovisnosti. McKinsey ovo potvrđuje nazivajući delegiranje IT-u "receptom za neuspjeh" jer se AI tiče poslovne transformacije.

• Deficit podataka je ubojica projekata broj jedan. Gartnerovo otkriće da 85% AI projekata ne uspijeva zbog loše kvalitete podataka ističe se kao ključni problem. IBM-ova anketa također pokazuje da 45% lidera navodi točnost/pristranost podataka kao svoju glavnu brigu.
• Jaz u talentima i infrastrukturni dug - nedostatak kvalificiranih stručnjaka i izazov naslijeđene IT infrastrukture koja ne može podržati moderna AI opterećenja  predstavljaju značajne prepreke.  

Neusklađenost poslovnih procesa

Ovo je najdublja strateška pogreška. Mnoge organizacije koriste AI kao "Ferrari za dostavu pošte". Pokušavaju ugurati revolucionarnu tehnologiju u evolucijske, zastarjele procese. Prava vrijednost AI-ja nije u automatizaciji izoliranih, niskovrijednih zadataka, već u temeljitom redizajniranju cjelokupnih radnih procesa kako bi bili prilagođeni za korištenje AI. Jednostavno dodavanje chatbota na postojeći poslvni proces ga neće popraviti, već će samo brže istaknuti njegove nedostatke.   

AI Strategija: kako sustavno uvoditi AI

Put iz doline zahtijeva promišljenu strategiju usmjerenu na ljude i organizaciju, redefiniranje uspjeha i discipliniranu izvedbu.

1. Uložite 70% u ljude i procese

Najvažnije je educirati ljude i pripremiti ih na promjene koje dolaze uvođenjem AI tako da uzmete u obzir ključne ljudske i organizacijske pokretače. BCG-jevo pravilo "70-20-10" nalaže da uspjeh dolazi od alociranja 70% resursa ljudima i procesima, 20% tehnologiji i podacima, a samo 10% algoritmima. 

• Vodstvo s C-razine je imperativ: AI je poslovna transformacija, a ne IT projekt. Zahtijeva vidljivo, aktivno sponzorstvo od strane direktora i uprave kako bi uspio.
• Proaktivno upravljanje promjenama: lideri moraju komunicirati jasnu viziju uvođenja AI koja se temelji na rezultatima, a ne na alatima. Moraju se izravno suočiti sa strahovima zaposlenika, predstaviti AI kao pomagalo ili digitralnog asistenta, a ne samo automatizaciju, te ulagati u kontinuirano usavršavanje i edukaciju.

2. Redefinirajte uspjeh - od tech metrike do poslovne vrijednosti

Ovo izravno rješava problem nejasnog ROI-ja. Uspjeh nije model s 99% točnosti; to je smanjenje operativnih troškova za 15%. Potrebno je prebaciti fokus s testiranja radi li tehnologija na testiranje radi li poslovni model s integriranim AI-jem. Praktični okvir za mjerenje ROI-ja AI-ja uključuje definiranje jasnih ciljeva, odabir SMART KPI-jeva (uštede troškova, rast prihoda, NPS, operativna učinkovitost) i uspostavljanje početne točke za usporedbu prije početka projekta.   

3. Počnite fokusirano i planski - od jednostavnog prema složenijem

Iskustva pokazuju kako je potrebno započeti s malim, ciljanim AI projektima koji rješavaju specifičan, bolan poslovni problem. U napim AI projektima mi prvo obavimo niz intervjua s ključnim ljudima i uložimo vrijeme u bolje razumijevanje poslovanja klijenta, kako bi identificirali ona područja i poslovne procese u kojima je naizglednije postići mjerljive rezultate (postootk rasta prodktivnosti, uštede) uvođenjem AI. Također, prije implementacije AI ključni element je dizajnirati skaliranje pren principu npr. kratkoročno (6 mejseci), srednjopročno (6-12 mjeseci) i dugoročno (12-24 mjeseca). To znači da svaki pilot projekt mora imati posvećenog poslovnog vlasnika, dokumentiran put do integracije na razini poduzeća i proračun koji uzima u obzir buduće troškove skaliranja. Takav pristup osigurava sustavan pristup i sprječava da pilot projekti postanu eksperimenti bez budućnosti.  

Ovi primjeri pokazuju prijelaz s korištenja AI-ja za bolje obavljanje starih stvari na korištenje AI-ja za obavljanje potpuno novih stvari koje su prije bile nemoguće.

Zaključak: uvođenje AI je proces, a ne čarobni štapić

Dolina usvajanja umjetne inteligencije predvidljiva je, nužna i u konačnici privremena faza duboke tehnološke promjene. Početni pad produktivnosti nije znak neuspjeha, već vodeći pokazatelj duboke transformacije koja je u tijeku. Tvrtke koje će dominirati sljedećim desetljećem nisu one koje izbjegavaju uvođenje AI i realnost doline usvajanja, već one koje se njome kreću sa strateškim predviđanjem. Pobjednici će biti oni koji aktivno upravljaju očekivanjima i procesom uvođenja AI, tretiraju AI kao organizacijski, a ne tehnički izazov, duboko ulažu u svoje ljude i imaju hrabrosti preoblikovati način na koji se posao obavlja.

Bez obzira bili vi predsjednik/ca ili član/ica uprave, menadžer/ica ili poduzetnik/ca, vaša uloga kao lidera/ice nije samo kupnja tehnologije, već vođenje transformacije. Razumijevanjem terena doline usvajanja umjetne inteligencije, možete voditi svoju organizaciju kroz njezine izazove s povjerenjem i otpornošću, izlazeći ne samo netaknuti, već jači, pametniji i spremni za neviđeni rast. Težak rad obavljen u dolini je ono što gradi temelje za vrhunac istinske, održive produktivnosti.