Organizacije traže “AI-native” kadrove, ali tržište rada ne prati tempo

Dok kompanije ubrzano uvode umjetnu inteligenciju u svoje poslovne procese, tržište rada sve teže prati tempo promjena. AI više nije izolirana tema istraživačkih laboratorija, tehnoloških timova ili inovacijskih odjela, nego se sve brže spušta u prodaju, marketing, korisničku podršku, financije, proizvodnju, logistiku, pravne službe, sigurnost i upravljanje ljudskim potencijalima. Upravo zato organizacije više ne traže samo klasične IT stručnjake, nego kadrove koji razumiju podatke, modele, poslovni kontekst, regulatorne zahtjeve i način na koji se umjetna inteligencija stvarno ugrađuje u radne procese. 

Pojam AI-native kadrova pritom ne označava samo ljude koji znaju koristiti generativne alate. Riječ je o stručnjacima i poslovnim korisnicima koji razumiju kako se AI koristi za promjenu procesa, donošenje odluka, automatizaciju zadataka, upravljanje znanjem i stvaranje novih proizvoda ili usluga. To uključuje tehničke profile poput data inženjera, MLOps stručnjaka, AI arhitekata, stručnjaka za podatkovne platforme, stručnjaka za sigurnost modela i cloud infrastrukturu, ali i poslovne profile poput AI product ownera, stručnjaka za upravljanje promjenama, analitičara procesa, pravnika za regulatornu usklađenost i menadžera koji mogu prepoznati gdje AI ima smisla, a gdje samo stvara dodatnu složenost.

Najveći problem nije u tome što nedostaje zanimanja za umjetnu inteligenciju. Naprotiv, interes zaposlenika, menadžera i poslodavaca nikada nije bio veći. Problem je u tome što se potražnja pomaknula brže od obrazovnog sustava, internih programa edukacije i klasičnih modela zapošljavanja. Tvrtke koje danas pokušavaju zaposliti iskusnog data inženjera, ML inženjera ili AI arhitekta natječu se ne samo s lokalnim konkurentima, nego s globalnim tržištem rada, međunarodnim konzultantskim kućama, tehnološkim kompanijama, startupima i remote poslovima koji često mogu ponuditi plaće izvan dosega manjih tržišta.

Posebno je važna promjena u tome što se AI projekti sve manje mogu graditi samo oko jednog profila. U prvoj fazi mnoge su organizacije tražile data znanstvenike, vjerujući da je dovoljno zaposliti nekoliko stručnjaka koji će razviti modele i pokrenuti pilotske projekte. No iskustvo je pokazalo da bez kvalitetnih podataka, pouzdane infrastrukture, sigurnosne kontrole, integracije s poslovnim aplikacijama i jasnog vlasništva nad procesima AI projekt brzo zapne. Model može biti tehnički dobar, ali ako nema pristup relevantnim podacima, ako ga nitko ne održava, ako nema jasnog poslovnog cilja ili ako ga zaposlenici ne prihvate, njegova stvarna vrijednost ostaje ograničena.

Zato se u središte sve više vraćaju data inženjeri. Oni su često manje vidljivi od AI stručnjaka koji razvijaju modele, ali bez njih nema stabilne AI primjene. Organizacije trebaju ljude koji znaju izgraditi podatkovne tokove, očistiti i strukturirati podatke, povezati različite izvore, upravljati kvalitetom podataka, osigurati dostupnost i omogućiti da modeli rade na vjerodostojnim informacijama. Generativna umjetna inteligencija dodatno je povećala taj pritisak jer tvrtke sada žele uključiti nestrukturirane podatke, dokumente, e-mailove, transkripte, prezentacije, slike, video i interne baze znanja u nove AI aplikacije.

Drugi kritični sloj su MLOps i LLMOps kompetencije. Kada AI prijeđe iz eksperimenta u proizvodnu primjenu, potrebno je pratiti performanse modela, verzije, sigurnost, troškove, kvalitetu odgovora, promjene u podacima, rizik pogrešaka i usklađenost s pravilima. To je područje u kojem se spajaju softversko inženjerstvo, DevOps praksa, podatkovna znanost, sigurnost i upravljanje rizicima. Bez tih kompetencija tvrtke mogu relativno brzo napraviti atraktivan demo, ali vrlo teško mogu izgraditi sustav koji radi pouzdano, skalabilno i sigurno u stvarnom poslovnom okruženju.

Sve vidljiviji postaju i profili koji se bave upravljanjem AI rizicima. Uvođenje EU AI Acta, stroži zahtjevi za zaštitu podataka, kibernetičku sigurnost i transparentnost algoritamskog odlučivanja znače da organizacije više ne mogu AI promatrati samo kao tehnološki alat. Potrebni su stručnjaci koji razumiju regulatorni okvir, procjenu rizika, dokumentiranje modela, odgovornost za odluke, zaštitu osobnih podataka, upravljanje dobavljačima i kontrolu nad korištenjem vanjskih AI platformi. U reguliranim sektorima poput financija, zdravstva, javnog sektora, telekoma i kritične infrastrukture to će postati jednako važno kao i sama tehnička sposobnost razvoja modela.

Posebno se promijenila rasprava o prompt inženjerima. U prvim mjesecima eksplozije generativne umjetne inteligencije taj se profil često prikazivao kao novo samostalno zanimanje, no tržište se sve više pomiče prema širem razumijevanju AI pismenosti. Sposobnost oblikovanja kvalitetnih upita i rada s generativnim alatima ostaje važna, ali sama po sebi nije dovoljna. Puno veću vrijednost imaju ljudi koji znaju povezati upite, podatke, alate, procese, validaciju rezultata i poslovni cilj. Drugim riječima, prompt vještine postaju dio šireg radnog profila, a ne nužno zasebna profesija.

Za manja tržišta poput Hrvatske i regije izazov je još izraženiji. Hrvatska ima snažan ICT sektor, kvalitetne inženjere i sve veći broj tvrtki koje rade za međunarodne klijente, ali baza specijaliziranih AI kadrova ostaje ograničena. Dodatni problem je što najbolji stručnjaci mogu raditi za globalne poslodavce bez odlaska iz zemlje, što povećava pritisak na lokalne plaće i otežava zadržavanje ljudi u domaćim tvrtkama, javnom sektoru i tradicionalnim industrijama. To nije samo problem IT kompanija, nego i banaka, osiguravatelja, telekoma, industrijskih poduzeća, bolnica, gradova, energetskih tvrtki i javne uprave, jer svi oni žele koristiti AI, ali nemaju dovoljno ljudi koji mogu voditi ozbiljne projekte.

Organizacije na taj pritisak odgovaraju na nekoliko načina. Prvi je interno osposobljavanje zaposlenika, od osnovne AI pismenosti do naprednih programa za tehničke i poslovne timove. Drugi je suradnja s fakultetima, veleučilištima i privatnim edukacijskim centrima, kroz specijalističke programe, gostujuća predavanja, studentske projekte, prakse i industrijske laboratorije. Treći je oslanjanje na vanjske konzultante i integratore koji mogu ubrzati prve projekte, postaviti arhitekturu i pomoći u prijenosu znanja na interne timove. No nijedan od tih modela nije dovoljan ako organizacija nema jasnu strategiju koje vještine zaista treba razvijati.

Najčešća pogreška je pokušaj da se svi zaposlenici educiraju na isti način. AI pismenost mora biti široka, ali ne može biti jednaka za sve. Uprava mora razumjeti strateške mogućnosti, rizike, investicijske odluke i odgovornost. Menadžeri moraju znati prepoznati procese u kojima AI donosi vrijednost. Tehnički timovi moraju znati raditi s podacima, modelima, integracijama i sigurnošću. Pravni, compliance i sigurnosni timovi moraju razumjeti rizike i regulatorne zahtjeve. Krajnji korisnici moraju znati sigurno i učinkovito koristiti alate u svakodnevnom radu. Bez takve segmentacije edukacije često postaju općenite, kratkotrajne i nedovoljno povezane s poslovnim ciljevima.

Druga pogreška je fokus samo na alate. Mnoge tvrtke uvode generativne AI platforme, chatbotove i asistente prije nego što su riješile podatke, procese, odgovornosti i pravila korištenja. To često dovodi do neujednačene primjene, neslužbenog korištenja javnih AI alata, curenja osjetljivih podataka i situacije u kojoj zaposlenici eksperimentiraju brže nego što IT, sigurnost i uprava mogu postaviti kontrolu. U tom smislu, manjak AI kadrova nije samo problem zapošljavanja, nego i problem upravljanja promjenom.

Za ICT sektor to otvara važnu poslovnu priliku. Tvrtke koje su dosad nudile razvoj softvera, infrastrukturu, cloud, sigurnost, poslovne aplikacije ili podatkovnu analitiku mogu se pozicionirati kao partneri za AI enablement. To znači razvoj akademija, bootcampova, specijaliziranih programa za menadžere, radionica za industrijske korisnike, programa za javni sektor i internih modela certificiranja. No da bi takvi programi imali stvarnu vrijednost, moraju biti vezani uz konkretne poslovne scenarije, podatke i procese, a ne samo uz općenito upoznavanje s generativnim alatima.

Jednako važan prostor otvara se za javno-privatne inicijative. AI vještine neće se moći razviti samo kroz tržište rada i kratke komercijalne edukacije. One moraju ući u formalno obrazovanje, od osnovne digitalne pismenosti do naprednih STEM, ekonomskih, pravnih i društvenih programa. Umjetna inteligencija nije samo tehnička disciplina, nego opća poslovna i društvena kompetencija. Budući ekonomisti, pravnici, liječnici, novinari, inženjeri, nastavnici i javni službenici morat će razumjeti kako AI mijenja njihov rad, koje rizike donosi i kako se koristi odgovorno.

Ključno pitanje za organizacije zato više nije hoće li uvoditi umjetnu inteligenciju, nego imaju li ljude koji mogu tu tehnologiju pretvoriti u stvarnu poslovnu vrijednost. AI projekti bez vještina završavaju kao demonstracije mogućnosti, a ne kao promjena poslovanja. U sljedećoj fazi prednost neće imati samo tvrtke koje kupe najbolje alate, nego one koje izgrade kombinaciju tehničkih, podatkovnih, poslovnih i regulatornih kompetencija. U vremenu u kojem se tehnologija brzo demokratizira, upravo će ljudi, njihovo znanje i sposobnost prilagodbe postati najvažnija razlika između površnog eksperimentiranja i stvarne AI transformacije.