Piše: Lazar Jovanović, Chief Digital and AI Officer – Represent System
Velika očekivanja, skromni rezultati
Kompanije širom sveta ulažu milijarde u obuke iz veštačke inteligencije (AI) za svoje zaposlene, nadajući se revoluciji u poslovanju. Globalno se na korporativnu obuku troši preko 350 milijardi dolara godišnje, a AI je postala ključna stavka u budžetima razvoja talenata. Ipak, realnost je surova: većina tih inicijativa ne donese željene promene. Istraživanja pokazuju da čak 60–90% veština stečenih na treninzima biva zaboravljeno ili nikad primenjeno u praksi, a samo 12% zaposlenih zaista primenjuje nove veštine naučene kroz korporativne obuke na svom poslu. Posledica? Razočarani menadžeri, demotivisani timovi i propuštene prilike za inovaciju.
Zašto se to dešava baš sa AI edukacijom, koja bi trebalo da bude pokretač transformacije? Problem nije u nedostatku entuzijazma za učenje – čak 74% zaposlenih oseća da ne dostiže svoj puni potencijal zbog manjka prilika za razvoj. Problem je u tome šta i kako učimo. Prečesto se AI obuke svode na generičke online kurseve ili ad-hoc radionice, bez jasne veze sa poslovnom strategijom i svakodnevnim zadacima zaposlenih. Top menadžment želi brze rezultate i ROI, HR odeljenja žure da “čekiraju” trening sa liste, tehnički timovi neretko dobijaju previše teorije, a netehnički timovi ostaju zbunjeni tehno-žargonom. Rezultat je “knjiga leži na polici” efekat – nakon obuke, zaposleni se vrate starim navikama i performanse ostanu iste.
Hajde da vidimo zašto se to događa i kako da AI edukacija postane prava investicija, a ne trošak bez rezultata.
Generički pristup i nerelevantan sadržaj
“One-size-fits-all” pristup i nerelevantan sadržaj. Jedan od glavnih problema je univerzalni pristup edukaciji, gde svi zaposleni dobijaju isti kurs ili obuku bez obzira na njihovu ulogu ili specifične potrebe posla. Istraživanje ATD-a pokazalo je da 62% HR menadžera smatra da njihovi programi učenja ne zadovoljavaju stvarne potrebe polaznika; ukoliko zaposleni ne vide obuku kao relevantnu i praktično primenjivu, biće frustrirani i otporni. Top menadžmentu nije potrebna ista vrsta obuke kao tehničkom timu ili marketing stručnjacima.
Na primer, u Represent System-u smo jasno razdvojili treninge za različite grupe zaposlenih – top menadžment je dobio strateške radionice o uticaju AI-ja na biznis, tehnički timovi su imali praktične, tehničke obuke, dok su marketing timovi prošli radionice sa fokusom na kreativne AI alate. Ključ je bio prilagođavanje sadržaja specifičnim potrebama, što je značajno povećalo angažovanost zaposlenih.
Nedostatak praktične primene i veze sa poslom
Nema veze sa stvarnim “use-case”-ovima i poslovnim procesima. Česta greška je da kompanije kupuju generički kurs (“AI 101”) koji daje dobru osnovu, ali ne pokazuje kako ta znanja rešavaju konkretan problem te kompanije. Zaposleni se onda pitaju: šta ja sada radim s tim? Bez mosta ka praksi, znanje ispari. Čak 75% menadžera je nezadovoljno funkcijom korporativnog učenja baš zato što ona ne doprinosi performansama biznisa. AI edukacija koja ostaje samo na teorijskom nivou teško će zaživeti u kompaniji. Ako zaposleni ne vide kako nova znanja direktno rešavaju njihove svakodnevne probleme, teško će ih primeniti.
Rešenje: integracija obuke sa realnim projektima. Najbolje učenje dešava se on-the-job, kroz rad na stvarnim studijama slučaja iz poslovanja firme. Lean learning pristup preporučuje: nauči ono što ti treba, primeni odmah u praksi, dobiješ povratnu informaciju, pa nadogradi znanje. Na primer, ako firma želi da uvede AI za poboljšanje korisničke podrške, obuka za taj tim treba da bude usmerena baš na taj cilj – nakon teorijskog dela o AI, zaposleni bi trebali da rade na prototipu chatbot-a za svoju kompaniju kao praktičnom zadatku. Оvde i microlearning može biti podrška: kratke lekcije koje prate faze projekta (priprema podataka, treniranje modela, merenje učinka…) daju znanje baš kad zatreba, što osigurava da se odmah primenjuje.
Kada smo ispred Represent System-a organizovali obuku za kompaniju Bambi, sadržaj smo vezali direktno za njihove poslovne izazove – kreiranje personalizovanih kampanja za Plazmu ili automatizaciju ponavljajućih zadataka. Zaposleni su odmah primenili znanja u svom radu, što je rezultiralo visokom stopom usvajanja novih veština.
AI edukacija kao jednokratni događaj
Nedostatak kontinuiteta i praćenja (jednokratni događaj bez nastavka). Mnoge AI edukacije počnu entuzijastično – najavi se interni AI dan, dovede se predavač, zaposleni izađu nadahnuti – ali posle toga, tišina. Ako organizacija nema plan kako da održi zamajac učenja, efekat inicijalne obuke dramatično opada. Harvard Business Review je još 2016. upozorio da u klasičnim “šalji ljude na kurs” programima “učenje ne vodi poboljšanju učinka, jer se ljudi ubrzo vrate starim načinima rada”. Često se AI edukacije organizuju kao jednokratni događaji nakon kojih zaposleni ostaju prepušteni sami sebi. Bez kontinuirane podrške i praćenja primene znanja, vrlo lako se vraćaju starim navikama.
U Represent-u smo ovaj izazov rešili uvođenjem kontinuiranih follow-up sesija, internih mentora i mesečnih sastanaka gde zaposleni razmenjuju iskustva u primeni AI alata. Time smo ugradili učenje u kulturu rada: ako timovi na redovnim sastancima imaju agendu “šta novo smo naučili ili primenili ove nedelje”, šalje se poruka da je učenje stalni deo posla, a ne jednokratni napor.
Pogrešna metrika uspeha
Loša metrika uspeha i “čekiranje kutije”. Peter Drucker je rekao: “Ono što se meri, to se i upravlja”. U AI edukaciji često merimo pogrešne stvari. Mnogi HR menadžeri uspeh AI edukacije mere brojem ljudi koji su završili kurs ili brojem sati treninga, što ne govori mnogo o stvarnim rezultatima. Umesto toga, treba pratiti kako se naučeno primenjuje u praksi i koliko doprinosi stvarnim poslovnim rezultatima.
Na primer, ako je cilj obuke u prodajnom timu da nauče koristiti AI za kvalifikaciju lead-ova, posle 3 meseca izmerite – da li je brzina obrade leadova porasla, da li se povećala stopa konverzije? Ako jeste, to je success metric koji opravdava ulaganje. Gartnerova istraživanja pokazuju da 70% zaposlenih smatra da ne vlada veštinama potrebnim za posao, što implicira da se obuke moraju vezati upravo za te kritične veštine i meriti napredak u njihovoj primeni. Još jedan aspekt metrike je povratna sprega sa polaznicima – kvalitetne organizacije traže od polaznika plan primene nakon obuke i prate ga.
U Represent-u smo primenjivali jasne poslovne KPI-jeve nakon obuka – koliko je skraćeno vreme rada na određenim procesima, koliko je poboljšana efikasnost timova i slično.
Mindset i organizaciona kultura
Konačno, možda najvažniji faktor je mindset zaposlenih i celokupna organizaciona kultura. Ukoliko zaposleni ne vide AI kao alat koji im pomaže, već kao pretnju ili nepotreban dodatak, edukacija neće biti uspešna.
Rešenje: paralelno sa tehničkom obukom raditi i na kulturi i mindsetu. To znači da lideri treba otvoreno da komuniciraju zašto uvode AI i da to nije pretnja već šansa da ljudi rade pametnije, kreativnije poslove. Treba normalizovati upotrebu AI – npr. menadžeri mogu javno pohvaliti zaposlenog koji je uz pomoć AI ubrzao neki proces, čime skidaju stigmu sa korišćenja novih alata. U treninge treba ugraditi i teme poput etike AI, kako AI utiče na uloge i zašto je ljudski faktor i dalje nezamenljiv da bi se smanjio strah. Mentorski programi i interni AI ambasadori mogu pomoći kolegama da prevaziđu nesigurnost. Takođe, podsticaji igraju ulogu: McKinsey je utvrdio da zaposleni vide formalnu obuku, integraciju AI u workflow i pristup alatima kao glavne faktore koji bi ih motivisali da više koriste AI. Dakle, obuka mora doći u paketu sa omogućavanjem da kompanija obezbedi alate, vreme za vežbanje i nagrade za inovativnu upotrebu AI. Samo u okruženju gde je eksperimentisanje poželjno i gde se greške na putu učenja tolerišu, ljudi će zaista prigrliti AI znanja. U suprotnom, obuka ostaje “teorija za nekog drugog”, a transformacija izostaje.
Mi smo uspeli da ovu prepreku prevaziđemo kroz otvorenu komunikaciju od strane menadžmenta, gde smo jasno komunicirali da je AI prilika, a ne pretnja. Organizovali smo interne AI ambasadore koji su podržavali kolege i pomogli im da prevaziđu strah od korišćenja novih tehnologija.
Primer iz prakse: Represent Academy i Bambi – praktična AI obuka koja daje rezultate
Teoriju najbolje ilustruju realni primeri. Jedan takav dolazi iz našeg regiona, gde je kompanija Represent Academy sprovela program AI edukacije sa vrlo konkretnim, merljivim uspehom. U maju 2025, preko 60 zaposlenih kompanije Bambi (regionalnog konditorskog lidera) prošlo je intenzivan, praktičan trening nazvan „AI u svakodnevnom poslovanju“. Ovu in-house radionicu osmislili smo sa jasnim ciljem: da zaposleni odmah posle treninga mogu upotrebiti naučeno na svom radnom mestu.
Iz ličnog iskustva u Represent Systemu, naučili smo i jednu važnu lekciju: edukacija o AI ne menja organizaciju samo tako što ljudi steknu nove veštine, već i tako što se oko tog procesa učenja gradi jedna pozitivna promena mindseta.
Kako AI edukaciju učiniti uspešnom?
- Prilagodite edukaciju specifičnim potrebama zaposlenih
- Vežite edukaciju za realne probleme i svakodnevne zadatke
- Obezbedite kontinuiranu podršku nakon edukacije
- Definišite jasne i merljive poslovne rezultate
- Gradite organizacionu kulturu koja podržava i podstiče korišćenje AI
AI nije čarobni štapić – to je alat koji može doneti ogromnu vrednost samo ako zaposleni jasno vide njegovu korist i ako im kompanija pruži pravu podršku i uslove za primenu novih znanja. Naše iskustvo pokazuje da se uz pravi pristup AI edukacija može pretvoriti iz troška u jednu od najboljih investicija u budućnost kompanije.
