AI društvena mreža kao lekcija za fabrike u Srbiji

AI agenti su nedavno “pustili u promet” sopstvenu društvenu mrežu — Moltbook — na kojoj ljudi ne mogu da učestvuju, već samo da posmatraju. U toj zatvorenoj petlji, modeli međusobno razgovaraju, dogovaraju pravila, prave interne šale, pa čak i testiraju ideje o jeziku i „kulturi“. Zvuči kao internet kuriozitet, ali meni je zanimljiv iz sasvim drugog razloga: pokazuje koliko brzo sistemi mogu da se samo-organizuju kad im otvorite prostor.

Za proizvodne kompanije u Srbiji ovo nije priča o „AI koja se ruga ljudima“. Ovo je vrlo praktičan signal: ako AI može da izgradi i održava digitalnu zajednicu bez nas, onda može i da optimizuje procese, pregovara o prioritetima u proizvodnji, ili predlaže promene u kontroli kvaliteta — ali samo ako je pravilno usmerena i nadgledana.

Ovaj tekst je deo serijala „Kako veštačka inteligencija transformiše proizvodnju i industriju u Srbiji“. Koristimo Moltbook kao polaznu tačku da objasnimo šta autonomni AI sistemi znače za fabrike, lance snabdevanja, kvalitet, bezbednost podataka i B2B komunikaciju.

Šta Moltbook zapravo pokazuje (bez senzacionalizma)

Moltbook je demonstracija jedne ključne stvari: AI agenti sve češće funkcionišu kao kolektivni sistemi, a ne kao pojedinačni chatbot. Kad više agenata dobije mogućnost da međusobno komunicira, oni mogu:

• da razmenjuju informacije i „uče“ jedni od drugih (posredno, kroz razmenu zaključaka i predloga)
• da spontano formiraju pravila ponašanja (norme, prioritete, „šta se ovde radi“)
• da testiraju strategije (šta prolazi, šta ne prolazi) kroz iteracije
• da generišu sadržaj i ciljeve bez direktne ljudske komande na svakom koraku

To je važno jer industrija već ide ka istom obrascu: umesto jedne AI aplikacije, kompanije uvode mrežu alata — za planiranje, održavanje, nabavku, logistiku, kvalitet i izveštavanje. Sledeći korak su AI agenti koji te alate povezuju i predlažu akcije.

Rečenica koju vredi zapamtiti: Autonomija bez nadzora nije “pametna automatizacija” — to je rizik koji čeka da se desi.

Od “AI društvene mreže” do pametne fabrike: ista logika, druga pravila

U proizvodnji, “samo-organizacija” nije cilj sama po sebi. Cilj su merljivi rezultati: manji škart, veća OEE, manje zastoja, brži lead time, stabilniji kvalitet, bolja isporuka.

Ono što Moltbook metaforički pokazuje je da AI može da funkcioniše kao sistem koji:

1. posmatra (prikuplja signale)
2. zaključuje (prepoznaje obrasce)
3. predlaže (akcije ili promene parametara)
4. uči (iz ishoda)

U fabrici to izgleda ovako:

• Kamera i modeli vide defekt na proizvodu → sistem predlaže korekciju parametra mašine.
• Senzori vibracije na motoru odstupaju → agent podiže “ticket” za preventivno održavanje pre kvara.
• ERP pokazuje kašnjenje dobavljača → agent simulira alternativni plan proizvodnje i predlaže prebacivanje na drugu seriju.

Razlika je u jednom: u industriji ne smete da pustite sistem da „izmišlja pravila“. Pravila moraju da budu jasna, verifikovana i auditabilna.

Primer koji je realan za Srbiju: kontrola kvaliteta i škart

Mnoge domaće fabrike (posebno one koje rade za EU partnere) već imaju standarde i tragove kontrole kvaliteta. AI ovde donosi dve konkretne stvari:

• Automatsko vizuelno otkrivanje defekata (Computer Vision) na liniji
• Analizu uzroka (root cause) kada škart skoči iznad cilja

Ako škart ode sa 1,5% na 3,0%, to nije „mala razlika“ — to je dupliranje otpada i troškova. AI je koristan kada može da poveže podatke iz više izvora (kamera, temperatura, brzina linije, serija materijala, operater, smena) i da kaže: „Najverovatniji uzrok je kombinacija dobavljačke serije X i povećane brzine linije Y.“

“Strašniji deo” Moltbooka: nekontrolisana razmena informacija

U originalnoj priči najviše pažnje dobija momenat da AI „zadirkuje“ ljude i pravi interne šale. U praksi, mnogo je važnije nešto drugo: sistem koji komunicira sam sa sobom može da eskalira greške, predrasude i pogrešne optimizacije — i to brzo.

U industriji, to se prevodi u tri rizika:

1. Rizik kvaliteta – agent optimizuje pogrešnu metriku (npr. brzinu umesto stabilnosti) i podiže škart.
2. Rizik bezbednosti podataka – agent “usput” podeli osetljive informacije (npr. specifikacije, ugovorne cene, nacrte).
3. Rizik usklađenosti (compliance) – odluke nisu objašnjive, nema traga ko je promenio parametar i zašto.

Ako vam je cilj LEADS (upiti, demo, konsultacije), ovo je tema koja otvara vrata, jer većina firmi želi AI — ali se istovremeno plaši da će izgubiti kontrolu.

Pravilo za 2026: „AI bez guardrails-a je samo skupa improvizacija“

Guardrails u industrijskom kontekstu nisu marketinški pojam, već set praktičnih ograničenja:

• jasne dozvole: šta agent sme da čita, a šta sme da menja
• obavezno odobrenje čoveka (human-in-the-loop) za kritične promene
• logovi i audit trail: ko, kad, zašto, na osnovu kojih podataka
• test okruženje (digital twin / sandbox) pre puštanja u pogon
• KPI hijerarhija: šta je “severna zvezda” (kvalitet, bezbednost, isporuka), a šta je sekundarno

Kako da se AI “kreativnost” pretvori u industrijsku korist

AI kreativnost u Moltbooku deluje haotično, ali ista sposobnost — generisanje varijanti i strategija — u fabrici je zlato, ako je pravilno usmerite.

1) Prediktivno održavanje: manje zastoja, više planiranja

Najbrži ROI u mnogim pogonima dolazi iz kombinacije senzora i modela koji prepoznaju abnormalnosti pre kvara.

• AI ne “pogađa budućnost”. Ona detektuje odstupanja od normalnog rada.
• Dobijate vreme: dan, nedelju ili mesec da naručite deo i planirate servis.

To posebno znači firmama koje rade u tri smene ili imaju skupe zastoje (injekciono presovanje, CNC, prehrambena proizvodnja, pakovanje).

2) Optimizacija planiranja proizvodnje i lanca snabdevanja

AI agenti su dobri u onome što planeri rade pod pritiskom: usklađivanje promenljivih.

Konkretno:

• predlog redosleda naloga da se smanje promene alata (setup time)
• procena rizika kašnjenja po dobavljaču i seriji
• scenario analiza: šta ako kasni kamion, šta ako padne mašina, šta ako poraste potražnja

3) B2B komunikacija: brže i preciznije izveštavanje ka EU partnerima

U serijalu često naglašavamo da AI nije samo “za liniju”. Za srpske izvoznike, veliki deo posla je dokumentacija: izveštaji o kvalitetu, COA/COC, reklamacije, 8D, ISO evidencije.

AI može da:

• automatski sažme rezultate kontrole kvaliteta po seriji
• pripremi nacrt 8D izveštaja (uz obaveznu verifikaciju)
• standardizuje terminologiju na engleskom i nemačkom
• ubrza internu komunikaciju između kvaliteta, proizvodnje i prodaje

To je često presudno kada kupac traži odgovor „do kraja dana“, a podaci su rasuti po Excel fajlovima, mejlovima i ERP-u.

Mini-checklist: kako da uvedete AI bez “Moltbook efekta”

Ako ste proizvodna firma u Srbiji i razmišljate o AI (kontrola kvaliteta, prediktivno održavanje, planiranje, izveštavanje), krenite ovim redom:

1. Izaberite jedan proces i jednu metriku (npr. škart na liniji A, zastoji na mašini B).
2. Uredite podatke: definicije, format, vlasništvo, pristup.
3. Postavite granice: šta AI sme da predlaže, a šta sme da izvrši.
4. Obezbedite audit trag i odgovornost (ko odobrava promene).
5. Pilot 6–10 nedelja sa jasnim ciljem (npr. -20% zastoja ili -0,5 pp škarta).
6. Tek onda skalirajte na sledeću liniju/pogon.

Ovo zvuči “sporije”, ali je realno brže od haotičnog uvođenja koje posle završava gašenjem projekta.

Šta da uradite sledeće (ako vodite proizvodnju, kvalitet ili IT)

Moltbook je dobar podsetnik da AI sistemi postaju sve autonomniji — i da to ne možemo da zaustavimo. Možemo da odlučimo gde ćemo tu autonomiju pustiti, a gde je ne smemo tolerisati. U industriji, AI mora da bude projektovana kao pouzdan sistem, ne kao eksperiment.

Ako želite da AI u vašoj fabrici stvarno donese rezultat u 2026, ja bih krenuo od jednostavnog pitanja: koji proces danas najviše košta kada pogreši — kvalitet, zastoji ili isporuka? Tu je obično i najbolja prva AI inicijativa.

A kad budete spremni za sledeći korak: da li biste radije posmatrali AI kako “gradi svoj svet” na internetu, ili da je usmerite da gradi stabilniji, merljiviji i profitabilniji sistem u vašem pogonu?