AI čipovi i srpska industrija: plan za 2026.

Kineske kompanije su, prema navodima iz industrije, naručile preko 2 miliona Nvidia H200 AI čipova za 2026., dok Nvidia u tom trenutku ima oko 700.000 jedinica na lageru. To nije „tech trač“—to je signal koliko brzo raste globalna potražnja za računanjem potrebnim za veštačku inteligenciju.

Za proizvodne i industrijske firme u Srbiji poruka je prilično jasna: AI više nije samo softver, nego i infrastruktura. I ako infrastrukture nema (ili je preskupa, spora ili nedostupna), najbolji AI plan na papiru ostaje samo plan.

U ovom tekstu (deo serijala „Kako veštačka inteligencija transformiše proizvodnju i industriju u Srbiji“) prebacujem fokus sa same vesti o Nvidiji na ono što je važno za domaće fabrike, logistiku, energetiku i B2B izvoznike: kako da napravite realan AI put za 2026. godinu, bez zavisnosti od „ludila“ na tržištu čipova.

Šta nam H200 „hajp“ govori o pravim ograničenjima AI-a

Ključna poenta: AI projekti sve češće pucaju ne zato što „model nije dobar“, već zato što računanje, dostupnost hardvera i rokovi isporuke postaju usko grlo.

U RSS izvoru navodi se da Nvidia zbog velike potražnje iz Kine razgovara sa TSMC-om o povećanju proizvodnje, uz moguć start proizvodnje u Q2 2026, kao i da se pominje cena oko 27.000 dolara po čipu za kineske kupce (uz varijacije po količini i konfiguraciji). Dodajte na to regulatornu neizvesnost i moguće zatezanje lanca snabdevanja i dobijate tržište gde se planiranje radi „na duže“, a ne iz meseca u mesec.

Za Srbiju to znači dve stvari:

1. Ne čekajte „da hardver pojeftini“ da biste krenuli sa AI-jem. Čekanje obično košta više od pametnog pilotiranja.
2. Projektujte AI strategiju tako da nije vezana za jednu vrstu GPU-a ili jedan cloud. Biće nestašica, biće skokova cena, biće kašnjenja.

Zašto je ovo bitno baš za proizvodnju

U proizvodnji i industriji AI najčešće radi tri „neglamurozne“ stvari koje prave najveću razliku:

• predviđa kvarove (predictive maintenance),
• hvata defekte (computer vision kontrola kvaliteta),
• optimizuje tokove (planiranje, zalihe, logistika, energija).

Sve tri oblasti mogu raditi i sa skromnijom infrastrukturom ako ih pametno dizajnirate: trenira se centralno (kada imate resurse), a inferencija radi na ivici (edge), blizu mašine.

Srbija 2026: AI nije pitanje ambicije, nego arhitekture

Direktan odgovor: Da bi AI u industriji u Srbiji dao rezultate, firma mora da odluči gde AI živi—u cloudu, u sopstvenom data centru ili na liniji (edge).

Moj stav: većina industrijskih firmi u Srbiji treba hibridni pristup.

• Edge (na liniji): kamere, senzori i mali serveri/industrijski PC-evi rade detekciju defekata i alarmiranje u realnom vremenu.
• On-prem ili privatni cloud: čuvanje osetljivih podataka (recepture, parametri procesa, tragovi serija) i integracija sa MES/SCADA/ERP.
• Javni cloud: povremeni trening modela, veći eksperimenti, izrada digitalnih blizanaca i „burst“ kapaciteta kada treba.

Ovakva arhitektura smanjuje zavisnost od toga da li ćete dobiti H200, H100 ili nešto treće—jer ne pokušavate da sve radite na „najskupljem GPU-u na svetu“.

„Ali mi nemamo podatke“ — imate, samo su rasuti

U fabrikama podaci često postoje u tri sloja:

• SCADA/PLC (signali, alarmi, vremena ciklusa)
• QA (merenja, reklamacije, laboratorija)
• ERP/MES (serije, planovi, zalihe, zastoji)

AI projekat u industriji obično propadne kada pokušate da preskočite korak: data pipeline i standardizacija.

Ako želite brz start u 2026, ciljajte prvo ono što je merljivo i dostupno.

Gde AI najbrže vraća novac u domaćoj industriji

Najbrži ROI dolazi iz slučajeva upotrebe sa jasnim metrikama i kratkim ciklusom odluke. U praksi, to su sledeće tri zone.

1) Kontrola kvaliteta kamerama (computer vision)

Ovo je često „prvi AI projekat“ koji stvarno radi jer:

• imate vizuelni dokaz (slika/defekt),
• rezultat je binaran (prolaz/pad),
• efekat se meri u škartu, reklamacijama i povratu robe.

Tipičan dobar pilot:

• 1 kritična tačka na liniji
• 1–2 tipa defekta
• cilj: smanjenje škarta ili propuštenih defekata u 60–90 dana

2) Prediktivno održavanje (vibracije + struja + temperatura)

Ako imate rotirajuću opremu (motori, pumpe, kompresori), AI može da klasifikuje obrasce koji prethode kvaru.

Praktična korist:

• manje neplaniranih zastoja
• bolji plan nabavke delova
• održavanje po stanju, ne po kalendaru

3) Optimizacija energije i proizvodnih parametara

Zima u januaru (baš sada) obično „ogoli“ energetske troškove—grejanje, sušenje, komprimovani vazduh, peći, rashladni sistemi. AI tu može da pomogne kroz:

• optimizaciju potrošnje po smenama
• detekciju anomalija (curenja, nepotrebno opterećenje)
• predikciju vršnih opterećenja

Ovo je odličan teren za AI jer se ušteda vidi na računu.

Kako da planirate AI infrastrukturu bez zavisnosti od „nestašice čipova“

Direktan odgovor: Planirajte AI kao portfelj—malo edge-a, malo clouda, minimum „bet-the-company“ nabavki.

Evo modela koji se pokazao razumnim za srednje industrijske sisteme:

1. Pilot (6–10 nedelja): koristite cloud ili iznajmljen GPU server samo za trening i validaciju.
2. Industrijalizacija (8–16 nedelja): inferencija ide na edge (lokalno), sa jasnim SLA-om i offline režimom.
3. Skaliranje (Q3–Q4 2026): tek tada odlučujete da li ima smisla kupovina jače infrastrukture.

Minimalni „stack“ koji ne boli

Ne morate da kupite „superračunar“. U mnogim slučajevima, dovoljno je:

• 1 industrijska kamera + pravilno osvetljenje
• edge uređaj za inferenciju
• baza za logove i slike (storage)
• integracija sa MES/QA (da akcija bude automatska)

AI u proizvodnji nije demonstracija inteligencije. AI u proizvodnji je automatizovana odluka koja štedi vreme, materijal ili energiju.

Pitanja koja menadžment treba da postavi pre prve nabavke

Ako preskočite ova pitanja, završićete sa skupom opremom i bez rezultata.

1. Koja je poslovna metrika? (škart, OEE, reklamacije, zastoji, kWh/komad)
2. Ko je vlasnik procesa? (proizvodnja, kvalitet, održavanje—ne IT)
3. Gde se donosi odluka? (na liniji u 200 ms ili u kancelariji u 24h)
4. Koji je plan za podatke? (skladištenje, označavanje, pristupi)
5. Kako izgleda fallback? (šta ako AI „padne“, ko potpisuje seriju?)

Ovo su „dosadna“ pitanja, ali su razlika između pilot-projekta i stvarne digitalne transformacije.

Šta da uradite u narednih 30 dana (realan plan)

Najbolji sledeći korak je mali, ali ozbiljno postavljen pilot. Evo predloga koji radim kada želim brze rezultate:

1. Izaberite jednu liniju i jedan problem (npr. ogrebotine na finalnoj obradi).
2. Definišite „pre i posle“ metriku (npr. procenat reklamacija ili škarta po seriji).
3. Sakupite uzorak podataka: 500–2.000 slika ili 2–4 nedelje senzorskih logova.
4. Napravite PoC i testirajte ga u realnim uslovima (promena svetla, prašina, vibracije).
5. Izračunajte uštedu i tek onda skalirajte.

Ako želite da to bude i lead-friendly (B2B), dokumentujte pilot kao studiju slučaja: problem → rešenje → metrike → fotografije → standardi kvaliteta. Evropski partneri vole kada je priča merljiva.

Gde ovo vodi: AI moć nije samo u čipovima

Nvidia H200 priča i kineske narudžbine su dobar podsetnik da AI ulazi u fazu gde računanje postaje strateški resurs, a ne IT detalj. Ali za većinu industrijskih firmi u Srbiji, najveća prednost u 2026. neće doći od najjačeg GPU-a, već od pametnog izbora use-case-a, čistih podataka i dobrog uvezivanja sa procesom.

Ako vodite proizvodnju, kvalitet, održavanje ili logistiku, moja preporuka je jednostavna: ne jurite „najveći“ AI projekat—jurite onaj koji može da radi na vašoj liniji, sa vašim ljudima, sledeće tromesečje.

Sledeći tekst u serijalu ide dublje u temu: kako da postavite AI kontrolu kvaliteta koja prolazi audit, radi u tri smene i ne zavisi od jednog dobavljača.