AI i medicinski podaci: lekcije za industriju Srbije

Kad je OpenAI početkom januara 2026. predstavio ChatGPT Health—funkciju koja omogućava korisnicima da bezbedno povežu medicinske kartone i wellness aplikacije sa ChatGPT-om—mnogi su to pročitali kao još jednu tech vest iz sveta zdravstva. Ja bih to čitao drugačije: kao priručnik za industriju.

Jer ono što je zdravstvo uradilo (ili pokušava da uradi) sa osetljivim podacima, složenim procesima i strogim pravilima privatnosti, proizvodnja u Srbiji već godinama pokušava sa proizvodnim podacima: parametrima mašina, kontrolom kvaliteta, reklamacijama, servisnim zapisima, energetikom i izveštavanjem.

Ako vam je cilj da uvedete veštačku inteligenciju u proizvodnju, priča o ChatGPT Health-u je koristan signal: AI više nije „chat koji zna svašta“, već sloj koji se kači na vaše sisteme, radi personalizaciju/optimizaciju i pritom mora da bude bezbedan, objašnjiv i kontrolisan.

ChatGPT Health je zapravo model “AI + vaši podaci”

Suština ChatGPT Health-a nije u tome da AI „zna medicinu“, već da radi sa vašim kontekstom—uz jasna ograničenja.

Prema vestima, OpenAI uvodi mogućnost da korisnici:

• povežu zdravstvene zapise i wellness aplikacije sa ChatGPT-om,
• dobiju personalizovanije odgovore zasnovane na sopstvenim podacima,
• koriste poseban, odvojen prostor za zdravstvene razgovore (sa naglaskom na privatnost),
• razumeju da alat ne zamenjuje lekara, već pomaže informisanju i pripremi.

OpenAI se u tekstu poziva i na trend rasta upotrebe AI u zdravstvu: Američka medicinska asocijacija (AMA) navodi da se korišćenje AI među lekarima skoro udvostručilo između 2023. i 2024. godine, a 68% lekara kaže da AI pomaže u brizi o pacijentima. Takođe, OpenAI-jeva anketa: 3 od 5 odraslih u SAD-u koristilo je AI alate za zdravlje u poslednja 3 meseca, a 75% ih je ocenilo kao veoma ili izuzetno korisne.

Ove brojke nisu „dokaz“ da je sve rešeno. Ali jesu dokaz da se tržište pomera ka AI asistenciji u donošenju odluka.

Industrijska paralela: “AI + vaši podaci” je jedina realna strategija

U proizvodnji, generički AI bez vašeg konteksta brzo udari u zid. Ono što radi razliku je:

• povezivanje sa ERP/MES/SCADA/QMS sistemima,
• razumevanje proizvodne dokumentacije (radni nalozi, tehnološki listovi, uputstva),
• obrada podataka iz senzora i vizuelne kontrole,
• učenje iz reklamacija, servisnih izveštaja i odstupanja.

Drugim rečima: kao što ChatGPT Health postaje koristan tek kad vidi vaš karton, tako AI u fabrici postaje koristan tek kad vidi vaše procese.

Privatnost i “odvojeni prostor”: lekcija koju industrija često preskoči

ChatGPT Health naglašava da se zdravstveni razgovori čuvaju u posebnom prostoru i da su osetljivi podaci odvojeni i zaštićeni. To je ključna ideja koja se može preneti u industriju: segmentacija podataka i prava pristupa.

U srpskim proizvodnim firmama problem obično izgleda ovako: svi imaju Excel, svi imaju „neku istinu“, a onda se želi AI da „sredi haos“. Ne ide.

Šta “odvojeni prostor” znači u fabrici

Ako uvodite AI za automatizaciju procesa, najbrže dobijate rezultate kada definišete:

1. Koji podaci ulaze u AI (i pod kojim uslovima)

   • parametri mašina, recepture, tolerancije, OEE, scrap, reklamacije.

2. Ko sme da vidi šta

   • tehnolog vidi trendove parametara;
   • kvalitet vidi odstupanja i slike sa vizuelne kontrole;
   • menadžment vidi KPI agregate;
   • eksterni partner dobija samo anonimizovane ili agregirane podatke.

3. Šta se ne deli nikad

   • „know-how“ recepture, detalji dobavljačkih ugovora, identiteti ključnih kupaca, lični podaci zaposlenih.

Ako ovo preskočite, AI projekat se pretvara u internu svađu: IT vs. proizvodnja vs. kvalitet. A rezultat je najčešće “pilot koji nikad nije prešao u produkciju”.

Personalizacija u zdravstvu → personalizacija proizvodnje

ChatGPT Health cilja personalizovane odgovore. U industriji, isto razmišljanje donosi dve konkretne koristi: personalizovane radne instrukcije i personalizovana upozorenja.

Personalizovane radne instrukcije (za operatere i održavanje)

Umesto opštih PDF uputstava, AI asistent na proizvodnoj liniji može da daje instrukcije po situaciji:

• „Ovaj tip greške na senzoru X se najčešće javlja posle pranja linije; proveri konektor Y i zaptivku Z.“
• „Za seriju 24/01, tolerancija je uža zbog zahteva kupca; pojačaj kontrolu na tački 3.“

Ovo nije “magija”, već povezivanje dokumentacije + istorije kvarova + trenutnih signala.

Personalizovana upozorenja (Quality & Process)

Najveća ušteda u proizvodnji često nije u brzini, već u sprečavanju greške pre nego što postane serijska.

AI može da radi:

• detekciju anomalija u parametrima (temperatura, pritisak, vibracije),
• predviđanje rizika za odstupanje kvaliteta,
• preporuku korektivne akcije na osnovu prethodnih slučajeva.

Zdravstvo ovo zove „bolje praćenje zdravlja“. Proizvodnja to zove smanjenje škarta i reklamacija.

Od “ne zamenjuje lekara” do “ne zamenjuje inženjera”

OpenAI u poruci oko ChatGPT Health-a jasno insistira: alat ne zamenjuje profesionalnu negu. To je dobar okvir i za industriju.

AI u proizvodnji ne treba da “zameni tehnologa” ili “zameni kontrolora kvaliteta”. Treba da skrati vreme do odluke i smanji broj promašaja.

Evo gde AI realno pomaže timovima u fabrici:

• sažimanje incidenta: od logova + zapisa + slika do jedne razumljive priče,
• predlog mogućih uzroka (root-cause brainstorming),
• provera usklađenosti sa procedurama i standardima (ISO 9001/14001, IATF 16949 itd.),
• generisanje izveštaja za kupca ili audit.

A evo gde AI ne sme da bude jedini autoritet:

• puštanje serije u proizvodnju bez verifikacije,
• promene recepture i tolerancija bez formalne kontrole,
• odluke koje utiču na bezbednost radnika.

Drugim rečima: AI daje preporuku, odgovornost ostaje na timu.

Kako da srpske fabrike krenu: 30-60-90 plan bez “velikog praska”

Ako imate utisak da je sve ovo preveliko, dobra vest je da se može uvesti postepeno—kao što i ChatGPT Health ide preko liste čekanja i faznog uvođenja.

Prvih 30 dana: izaberite jedan proces i “jednu istinu”

• Izaberite use-case sa jasnim KPI: npr. smanjenje škarta na jednoj operaciji ili brže zatvaranje reklamacija.
• Definišite izvor podataka: jedan QMS izveštaj, jedna baza reklamacija, jedan set parametara iz SCADA.
• Uvedite pravila pristupa i audit trail.

60 dana: prototip asistenta za kvalitet ili održavanje

• Napravite internog asistenta koji može da pretražuje SOP/procedure i istoriju incidenta.
• Dodajte jednostavne šablone: 8D izveštaj, CAPA zapisnik, izveštaj za kupca.
• Uvedite obaveznu verifikaciju od strane odgovorne osobe.

90 dana: automatizujte ponavljajuće izveštavanje

• Dnevni/ nedeljni izveštaji iz proizvodnje (KPI, scrap, downtime) bez ručnog kopiranja u PowerPoint.
• “Explain” sloj: zašto je OEE pao, koje linije su najveći uzrok, koji uzrok se ponavlja.

Ovo je najbrži put do poverenja: ljudi vide korist, a sistem se širi tek kad je stabilan.

Jedna rečenica koja vredi da ostane na zidu fabrike: Ako AI ne može da objasni odluku u dve rečenice, nije spreman za proizvodnju.

Šta industrija u Srbiji može da nauči iz ChatGPT Health-a

ChatGPT Health nije zanimljiv zato što je „AI u zdravstvu“, već zato što pokazuje obrazac koji prolazi i u industriji:

• integracija sa realnim podacima (kartoni ↔ ERP/MES/QMS),
• privatnost i segmentacija (poseban prostor ↔ prava pristupa i izolacija domena),
• pomoć u odlučivanju, ne zamena (lekar ↔ inženjer/tehnolog),
• postepeno uvođenje (lista čekanja ↔ pilot pa skaliranje).

Ako vodite proizvodnju, kvalitet ili digitalnu transformaciju, moj stav je jasan: nemojte počinjati od “AI platforme”. Počnite od problema koji vam svake nedelje uzima novac i živce—i tek onda gradite podatke oko njega.

Sledeći logičan korak u ovoj seriji “Kako veštačka inteligencija transformiše proizvodnju i industriju u Srbiji” je da se pozabavimo konkretnim primerima: AI vizuelna kontrola kvaliteta, prediktivno održavanje i automatizacija izveštavanja za evropske kupce.

Ako želite da procenite gde AI može najbrže da donese rezultat u vašem pogonu, pitanje za kraj je prosto: koja odluka vam danas kasni zato što su podaci razbacani na pet mesta?