AI u školama: kad kadar postane industrijska prednost

Broj je mali, ali posledice su velike: više od 250 nastavnika u Srbiji prošlo je ove godine praktične obuke iz veštačke inteligencije kroz projekat „AI u školama“. To nije samo vest iz obrazovanja. To je signal za proizvodnju i industriju.

Jer industrijska primena AI u Srbiji ne pada s neba. Ne nastaje iz jedne kupovine softvera, niti iz jednog „pilot projekta“ koji se ugasi čim ponestane entuzijazma. Nastaje iz ljudi koji razumeju procese, podatke, kvalitet, bezbednost—i koji znaju da postave dobra pitanja sistemima koji uče.

U okviru naše serije „Kako veštačka inteligencija transformiše proizvodnju i industriju u Srbiji“, ova priča je važna iz jednog razloga: bez AI pismenih nastavnika i učenika nema dovoljno AI spremne radne snage, a bez nje nema ni ozbiljnog tempa automatizacije, digitalnog izveštavanja i optimizacije procesa u fabrikama.

Zašto je „AI u školama“ važan za industriju, ne samo za učionicu

Direktan odgovor: zato što industriji u Srbiji trenutno najviše fali „srednji sloj“ digitalnih veština—ljudi koji nisu nužno data scientist-i, ali razumeju podatke, tokove rada i kvalitet dovoljno da AI rešenja zažive u praksi.

Završni događaj projekta održan je u Schneider Electric Hub-u u Novom Sadu, a projekat je realizovan uz podršku nemačke razvojne saradnje koju sprovodi GIZ. Tokom godine organizovane su četiri obuke o AI za nastavnike u kompanijama Levi9, PwC Srbija, Schneider Electric i Vega IT, kao i posete srednjoškolaca kompanijama Nordeus, Vega IT i Tenderly.

Ovaj model—škola + privreda + konkretni alati—pogađa suštinu industrijskih potreba:

• Praktična primena umesto teorije: industrija živi od standarda, merenja, tolerancija i rokova.
• Kontakt sa realnim proizvodima: učenici vide kako izgledaju sistemi koji rade globalno.
• Nastavnik kao multiplikator: jedan nastavnik koji razume AI može u narednih 10 godina da „izvede“ stotine učenika u praksu.

Dušan Nikolić (Levi9) je to sažeo jasno: kad nastavnicima pokažete kako AI izgleda u realnim procesima, oni znanje odmah prenose učenicima. U industriji je to isto pravilo: najbrže usvajanje dolazi kad ljudi vide AI na sopstvenoj liniji, u sopstvenim KPI-jevima.

Šta je istraživanje pokazalo: interes postoji, praksa nedostaje

Direktan odgovor: učenici i nastavnici imaju motivaciju, ali sistemu nedostaje pristup savremenim alatima i realnim okruženjima.

Istraživanje o stanju IT i AI obrazovanja u srednjim školama (koje je bilo okidač za aktivnosti) otkrilo je tri stvari koje se 1:1 preslikavaju na industriju:

1. Veliko interesovanje, ali manjak praktičnih zadataka
2. Nedostatak savremenih alata i podataka
3. Potrebna kontinuirana obuka nastavnika uz podršku privrede

Zamenite reč „škola“ rečju „fabrika“ i dobićete tipičan obrazac digitalizacije: ljudi hoće promenu, ali bez infrastrukture, podataka i obuke sve ostaje na nivou prezentacije.

Stefan Komarica (Vega IT) je pogodio poentu kad kaže da deca uče brzo, ali im treba jasna slika gde se znanje primenjuje. U industriji je isto: operater, tehnolog ili kontrolor kvaliteta prihvatiće AI tek kad vidi da mu skraćuje smenu, smanjuje škart ili olakšava izveštavanje.

Od učionice do pogona: koje AI veštine Srbiji stvarno trebaju

Direktan odgovor: industriji nisu najpotrebniji „AI gurui“, već ljudi koji razumeju procese i znaju da rade sa podacima, pravilima kvaliteta i osnovama modela.

Kada se priča o AI u proizvodnji u Srbiji, često se preskače korak: data readiness. Fabrike imaju mašine, ali nemaju uvek uredne podatke, jasne definicije škarta, konzistentne šifre proizvoda, ili disciplinu unosa u ERP/MES.

Zato su najtraženije veštine one koje spajaju proces i podatke:

AI pismenost za „procesne ljude“

Ovo su profili koji čine razliku u industriji: tehnolozi, inženjeri proizvodnje, kvalitet, održavanje, planiranje.

Šta treba da znaju?

• da razlikuju predikciju (npr. kvar) od optimizacije (npr. parametri procesa)
• da razumeju zašto su oznake (labels) i definicije škarta presudne
• da postave KPI-jeve: OEE, scrap rate, rework, energy per unit
• da prepoznaju kada je problem zapravo loš proces, a ne „nedovoljno pametan model“

Osnove rada sa podacima i digitalnim izveštavanjem

U mnogim kompanijama najveći pomak dolazi pre „velikog AI“:

• automatizovan dnevni izveštaj proizvodnje (umesto Excel ručno)
• detekcija anomalija u potrošnji energije
• praćenje zastoja sa standardizovanim kategorijama

To su temelji za ozbiljnije AI projekte.

Razumevanje rizika i odgovornosti

Industrijska AI mora da bude pouzdana. To znači:

• kontrola verzija modela
• validacija na novim serijama materijala
• procedura šta radimo kad model „promaši“

Dobro AI obrazovanje u srednjoj školi ne znači da učenik sutra pušta model u pogon. Znači da dolazi sa stavom: „Prvo merimo, onda automatizujemo.“

Tri konkretna industrijska scenarija gde se vidi vrednost (i gde kadar presuđuje)

Direktan odgovor: kontrola kvaliteta, prediktivno održavanje i optimizacija energije su najbrži put do merljivog ROI-a—ako imate ljude koji znaju da ih postave.

1) Kontrola kvaliteta uz vizuelnu inspekciju

U srpskoj proizvodnji i dalje je česta ručna kontrola: operater gleda, meri, procenjuje. AI vizija (kamere + model) može da standardizuje kriterijum, ali samo ako:

• kriterijumi kvaliteta nisu „u glavi iskusnog radnika“
• postoji dovoljno uzoraka dobrih i loših komada
• linija ima stabilno osvetljenje i konzistentnu poziciju proizvoda

AI ovde nije magija. To je disciplina + podaci + iteracija.

2) Prediktivno održavanje i planiranje zastoja

Senzori vibracije, temperature, struje motora—sve to već postoji ili se lako dodaje. Najveći problem je organizacioni:

• da li održavanje ima procedure i istoriju kvarova?
• da li su šifre kvarova standardizovane?
• da li se zatvaraju radni nalozi sa tačnim uzrokom?

AI tada postaje „alat za prioritizaciju“, ne zamena za majstore.

3) Optimizacija energije i CO₂ izveštavanje prema EU kupcima

Kako se Srbija jače vezuje za evropske lance snabdevanja, raste pritisak na:

• energetsku efikasnost
• izveštavanje o emisijama (posebno kod većih sistema i izvoznika)
• dokazivanje porekla i potrošnje po seriji/proizvodu

AI pomaže u detekciji potrošnih anomalija, predviđanju pikova i optimizaciji režima rada. Ali opet: bez ljudi koji razumeju podatke i procese, sistemi ostaju „dashboard za gledanje“.

Model saradnje škola i privrede koji vredi kopirati (i kako da ga industrija iskoristi)

Direktan odgovor: najbolji model nije jednokratna donacija, već kontinuirana praksa: obuka nastavnika + realni projekti + mentori iz industrije.

GIZ-ov predstavnik Patrik Zuel naglasio je da su ovakvi programi ključni za tržište rada koje se brzo menja, a Dragoljub Damljanović (Schneider Electric razvojni centar Novi Sad) ukazao je na važnu stvar: kad mladi vide da se iz Srbije prave rešenja koja se koriste globalno, rastu ambicije i samopouzdanje.

Za industrijske kompanije, posebno proizvodne, ovo otvara praktičnu priliku: umesto da čekate „gotove AI stručnjake“, gradite pipeline lokalno.

Evo šta funkcioniše u praksi (i nije preskupo):

1. „Open factory day“ za škole: pokažite jedan digitalizovan proces (npr. praćenje škarta) i objasnite ga jednostavno.
2. Mini-projekti od 4–6 nedelja: učenici rade na problemu sa sintetičkim ili anonimizovanim podacima (npr. predviđanje potrošnje energije po smeni).
3. Mentor iz proizvodnje + mentor iz IT: jedan zna proces, drugi zna alate. Najbolja kombinacija.
4. Nastavnik kao vlasnik programa: kompanija daje podršku, ali škola nosi kontinuitet.

Tijana Stefanović iz Inicijative „Digitalna Srbija“ je u pravu kad kaže da su nastavnici ključni. Ja bih dodao: nastavnik je najjeftiniji i najstabilniji „AI scaling plan“ koji zemlja ima.

Šta industrijski direktori i HR mogu da urade već u Q1 2026

Direktan odgovor: definisati 2–3 AI use case-a, urediti podatke i otvoriti vrata školama kroz strukturisan program—ne ad hoc.

Ako vodite proizvodnju, kvalitet, operacije ili HR u industriji, ovo su sledeći koraci koji daju rezultate:

• Mapirajte procese gde se danas gubi novac: škart, zastoji, energija, reklamacije.
• Izaberite jedan use case sa jasnim metrikama (npr. -10% škarta na jednoj liniji).
• Sredite podatke pre modela: standardizujte šifre zastoja/grešaka, obavezna polja, disciplinu unosa.
• Napravite plan obuke po ulogama: operateri (AI pismenost), inženjeri (analitika), menadžment (KPI i upravljanje rizikom).
• Povežite se sa školama kroz nastavnike: jedan „pilot razred“ ili sekcija može da postane vaš izvor kadrova za tehničke i IT timove.

Ovo nije filantropija. Ovo je način da smanjite trošak zapošljavanja, ubrzate digitalizaciju procesa i podignete kvalitet.

Pitanja koja se najčešće postavljaju (i kratki odgovori)

Da li AI u školama znači da će svi učenici biti programeri?

Ne. Poenta je da učenici razumeju kako AI radi, gde greši i kako se koristi odgovorno. Industriji trebaju i tehničari i inženjeri i analitičari—ne samo developeri.

Da li proizvodne firme u Srbiji mogu da krenu bez „velikog budžeta“?

Mogu, ako krenu od problema koji već bole (škart, energija, zastoji) i ako ulože u podatke i obuku. Najskuplji projekti su oni bez vlasnika i bez metrika.

Gde se najbrže vidi korist od AI u proizvodnji?

Najčešće u kontroli kvaliteta, održavanju i energiji—tamo gde postoji mnogo ponavljanja i merljivih signala.

Kad obrazovanje i industrija rade zajedno, AI prestaje da bude „tema“

Završetak projekta „AI u školama“ je dobra vest jer pokazuje model koji funkcioniše: privreda donosi praksu, škole donose kontinuitet, a učenici dobijaju realnu sliku karijere. Takav model direktno hrani industrijsku transformaciju—automatizaciju, digitalno izveštavanje i optimizaciju procesa.

Ako je vaša kompanija iz proizvodnje i planirate AI projekte u 2026, moj stav je jednostavan: ulaganje u ljude mora da ide pre ulaganja u modele. Tehnologija se kupuje. Kadar se gradi.

Da li ćete u narednih 12 meseci samo „testirati AI“, ili ćete napraviti sistem koji stalno proizvodi nove ljude i nove use case-ove—i time podiže konkurentnost Srbije na evropskom tržištu?