AI čipovi i Srbija: kako izbjeći usko grlo 2026

Brojke iz sveta hardvera su postale lakmus-test za realnu potražnju za veštačkom inteligencijom. Nvidia je, prema navodima iz medija, suočena sa situacijom gde kineske kompanije za 2026. naručuju preko 2 miliona H200 AI čipova, dok Nvidia navodno raspolaže sa oko 700.000 jedinica na lageru. Kada se ovakva disproporcija pojavi kod najtraženijeg dobavljača, posledice ne ostaju u Kini – preliju se na cene, rokove isporuke, dostupnost cloud kapaciteta i, na kraju, na industrijske projekte i u Evropi.

Za proizvodne kompanije u Srbiji ovo nije vest „iz tech rubrike“. Ovo je signal da ulazimo u godinu u kojoj će AI kapacitet (GPU vreme i kvalitet infrastrukture) postati jednako kritičan resurs kao energija, sirovine ili pouzdan transport. Ako planirate automatizaciju kontrole kvaliteta, prediktivno održavanje ili optimizaciju lanca snabdevanja – pitanje više nije „da li AI radi“, nego kako obezbediti kontinuitet kada hardver postane usko grlo.

U okviru serijala „Kako veštačka inteligencija transformiše proizvodnju i industriju u Srbiji“, ovaj tekst koristi globalnu potražnju za H200 kao povod da spusti priču na teren: šta to znači za fabrike, distributere i B2B izvoznike iz Srbije – i kako da se pripreme bez velikih reči i bez pogrešnih investicija.

Šta nam potražnja za H200 zapravo govori

Potražnja za H200 čipovima govori jednu jednostavnu stvar: AI se više ne planira kao eksperiment, već kao infrastruktura. Kada veliki igrači naručuju milione jedinica za narednu godinu, to obično znači da su već „zaključali“ budžete i planove: data-centre, modele, proizvode i tržišne ciljeve.

U izvornoj vesti pominje se i cena reda veličine oko 27.000 USD po čipu, uz dodatne slojeve regulatorne neizvesnosti (izvozna pravila SAD, uvozne odluke Pekinga). Taj miks – visoka cena + politika + ograničeni proizvodni kapaciteti – stvara tri posledice koje pogađaju i Srbiju:

1. Rast cene AI kapaciteta (posredno, kroz cloud i outsourcing)
2. Duži rokovi za implementaciju AI projekata (jer oprema kasni)
3. Neizvesnost u planiranju (projektni timovi ne mogu da garantuju performanse i trošak)

Ako ste u industriji, to znači da 2026. ne bi trebalo da planirate AI kao “jedan pilot pa ćemo videti”. Treba ga planirati kao program sa fazama, gde prve faze rade i bez ekskluzivnog hardvera.

Zašto je to važno za proizvodnju u Srbiji

Srbija je snažno vezana za evropske lance snabdevanja (automobilska industrija, metaloprerada, kablovi, hrana i piće, logistika). Evropski partneri sve češće očekuju:

• dokazive KPI-jeve (OEE, scrap rate, reklamacije)
• brže i urednije izveštavanje (audit trail)
• stabilan kvalitet i sledljivost

AI tu pomaže, ali samo ako možete da ga isporučite u rokovima. A rokovi 2026. će zavisiti od toga da li ste izabrali pametnu arhitekturu (edge + cloud), pravu vrstu modela, i realan obim.

AI komponente kao osnova industrijske automatizacije

Ako treba da se zapamti jedna rečenica, neka bude ova: AI u proizvodnji nije aplikacija, nego sistem.

Hardver poput H200 je važan za treniranje velikih modela i za ekstremne zahteve, ali velika većina industrijskih slučajeva upotrebe može da radi na skromnijim resursima – ako je sistem dobro postavljen.

Gde AI u fabrici daje najbrži povrat

U praksi, najbrže rezultate u Srbiji obično vidim u 4 zone:

1. Vizuelna kontrola kvaliteta (computer vision)

   • detekcija ogrebotina, pogrešnih oznaka, nepravilnog pakovanja
   • radi na kamerama + edge računarima, uz povremeno treniranje u cloudu

2. Prediktivno održavanje

   • vibracije, temperatura, potrošnja energije
   • fokus na smanjenje zastoja i plansko servisiranje

3. Optimizacija procesa i potrošnje

   • parametri mašina, recepture, energija (posebno zimi, kada cena i stabilnost snabdevanja postaju tema)

4. Pametno B2B izveštavanje i dokumentacija

   • automatsko sastavljanje izveštaja iz MES/ERP podataka
   • brži odgovori kupcima i auditorima

Poenta: ne morate čekati “najskuplji GPU” da biste krenuli. Ali morate napraviti izbor koji vas sutra neće zaključati.

Globalna nestašica AI hardvera: šta da radi firma u Srbiji

Globalne nestašice se dobijaju strategijom, ne srećom. Ako vam AI projekat zavisi od toga da li ćete „uhvatiti“ komad hardvera, vi zapravo nemate plan.

1) Projektujte “hardware-agnostic” arhitekturu

Postavite AI rešenje tako da može da radi na više opcija:

• Edge inference (lokalno izvođenje modela na liniji)
• Cloud inference za pikove ili specijalne potrebe
• mogućnost da promenite dobavljača (on-prem GPU, cloud GPU, regionalni provajder)

Ovo je posebno važno za kompanije koje rade sa EU partnerima: kad dođe zahtev za skaliranje, ne želite da objašnjavate da “nema kartica”.

2) Razdvojite treniranje od produkcije

U industriji, često je jeftinije i stabilnije:

• trenirati modele periodično (npr. mesečno) u cloudu ili kod partnera
• u proizvodnji držati samo inferencu, optimizovanu i testiranu

Tako smanjujete rizik da vam proizvodnja zavisi od najskupljeg GPU kapaciteta.

3) Ugovorite SLA za AI kapacitet (kao za logistiku)

Ako koristite cloud ili eksternog integratora, tražite:

• garantovanu dostupnost GPU instanci
• transparentan model naplate
• plan eskalacije kada nema kapaciteta

U 2026. ovo postaje standard ozbiljnog upravljanja AI-jem.

Priprema za izvoz i saradnju sa evropskim partnerima

AI u industriji nije samo „bolja proizvodnja“. U B2B svetu, često je još važnije da imate bolju komunikaciju.

AI za izveštavanje: brzina + sledljivost

Evropski kupci traže dokaz, ne obećanje. AI može da ubrza i standardizuje:

• izveštaje o kvalitetu (npr. po smeni, seriji, dobavljaču)
• reklamacionu dokumentaciju (8D, CAPA) uz automatsko popunjavanje iz podataka
• interne audit tragove (ko je šta promenio, kada i zašto)

Praktičan efekat: manje „ručne“ birokratije, manje grešaka, brže zatvaranje reklamacija.

AI u lancu snabdevanja: manje iznenađenja

Ako vam je proizvodnja izvozno orijentisana, kašnjenje jedne komponente ili pogrešna procena potražnje pravi domino-efekat. AI modeli za prognozu i planiranje mogu da koriste:

• istorijske narudžbine
• sezonalnost (januar je tradicionalno period “restarta” budžeta i planova)
• signale iz logistike i nabavke

Ne treba vam futurizam. Treba vam disciplina u podacima.

Najčešće greške koje viđam u AI projektima u industriji

Većina firmi ne padne na tehnologiji. Padne na organizaciji.

1. Kreće se od modela, umesto od procesa

   • Ako ne znate tačno gde nastaje škart i ko odlučuje, AI neće „magijom“ popraviti sistem.

2. Podaci se skupljaju, ali se ne koriste

   • Kamera snima, senzori mere, ali nema pipeline-a, labelinga i kontrole kvaliteta podataka.

3. Pilot ostane pilot

   • Nema plana skaliranja: obuka ljudi, održavanje modela, budžet za iteracije.

4. Zavisan dizajn od jednog dobavljača

   • Kada dođe do nestašice hardvera ili rasta cene, projekat stane.

Ako želite da 2026. bude godina realnog napretka, ciljajte rešenja koja imaju jasan vlasnički model: ko održava, ko meri, ko odgovara.

Plan od 90 dana: kako da krenete bez velikog rizika

Ovo je okvir koji dobro radi za proizvodne firme u Srbiji koje žele rezultate, a ne prezentacije:

1. Nedelje 1–2: Odaberite jedan problem sa brojkom

   • npr. reklamacije za određeni proizvod, zastoji na jednoj liniji, škart na jednom koraku

2. Nedelje 3–5: Data audit + minimum infrastrukture

   • šta već postoji (PLC, SCADA, MES, ERP)
   • šta nedostaje (tagovanje, standardizacija, skladište podataka)

3. Nedelje 6–10: Pilot koji radi u realnim uslovima

   • ne u laboratoriji, nego u smeni, sa realnim operaterima

4. Nedelje 11–13: Business case i plan skaliranja

   • KPI pre/posle
   • trošak održavanja
   • plan širenja na druge linije ili pogone

Ovaj pristup je „otporan“ na hardverske šokove. I to je poenta ove priče.

Sledeći potez: AI strategija koja preživljava nestašice

Potražnja za Nvidia H200 (milioni narudžbina naspram stotina hiljada zaliha) je glasna poruka da će 2026. biti godina u kojoj AI kapacitet postaje ograničen resurs. Srbiji to otvara dve opcije: da čeka i reaguje ad-hoc, ili da dizajnira projekte tako da rade i kad je tržište zategnuto.

Ja sam jasno na strani druge opcije. Industrijska AI transformacija u Srbiji neće pobediti onaj ko kupi najskuplji hardver, nego onaj ko napravi sistem: podatke, procese, odgovornost i merljive KPI-jeve.

Ako planirate AI u proizvodnji ove godine, postavite sebi jedno konkretno pitanje: da li vaše rešenje može da isporuči rezultat čak i ako GPU kapacitet poskupi ili bude nedostupan 60 dana? Od tog odgovora zavisi da li pravite pilot – ili temelj.