AI kadar kreće iz škole: 41 učionica budućnosti

Broj koji menja razgovor o industriji u Srbiji nije vezan za novu fabriku, već za školu: Srbija ulazi u 2026. sa 41 Mejkers labom – „učionicom budućnosti“ u kojoj se uči kroz prototipe, greške i timski rad.

Ako ti je cilj da uvedeš veštačku inteligenciju u proizvodnju, ovo možda zvuči kao priča „iz obrazovanja“, a ne iz industrije. Ja mislim suprotno: bez ljudi koji znaju da mere, automatizuju i iteriraju, AI u fabrici ostaje pilot-projekat. Mejkers labovi su praktično infrastruktura za stvaranje tog kadra.

Ovaj tekst je deo serijala Kako veštačka inteligencija transformiše proizvodnju i industriju u Srbiji. Fokus je jednostavan: kako ono što se danas gradi u školama postaje sutrašnja konkurentnost u pametnoj proizvodnji, kontroli kvaliteta uz AI, i digitalizaciji industrijskih procesa.

Zašto je 41 Mejkers lab važan za industriju

Odgovor: zato što Mejkers labovi uče isti mentalni model koji je potreban u savremenoj proizvodnji: „problem → merenje → prototip → test → poboljšanje“.

Industrija već godinama pokušava da pređe sa „radimo kao ranije“ na Lean, Six Sigma, automatizaciju, senzoriku, digitalne radne naloge i analitiku. AI tu dolazi kao sledeći sloj: prediktivno održavanje, vizuelna inspekcija, optimizacija planiranja, detekcija anomalija.

Ali AI ne radi sam. Potrebni su ljudi koji:

• razumeju osnove merenja i podataka (šta je signal, šta je šum)
• umeju da naprave ili modifikuju jednostavan uređaj (senzor, Arduino/ESP32 logika, aktuatori)
• znaju da dokumentuju proces i testove
• rade u timu i mogu da „isporuče“ funkcionalan prototip

Mejkers lab je školsku verziju toga postavio kao standard. A to je direktna veza ka fabrikama koje žele AI, ali nemaju dovoljno ljudi koji razumeju kako se ideja spušta na mašinu i proces.

Šta se zapravo desilo u 2025: rast koji se vidi na terenu

Odgovor: 2025. je bila godina „fizičkog širenja“ mreže: otvoreno je 16 novih Mejkers labova, na skoro 1.000 m² adaptiranog prostora, uz 128 ljudi uključenih u renoviranje i opremanje.

Te brojke nisu samo „lepa vest“. One govore da se u Srbiji sve ozbiljnije shvata da tehnologija nije samo laptop i internet, već prostor, alat, logistika i rutina rada.

Čak i detalji iz realizacije imaju industrijsku analogiju: renovirano je 490 m² poda, ugrađeno 700+ m² gipsanih ploča, potrošeno 19.000+ šrafova, donirano 292 seta opreme i oko 2.500 komada nameštaja. Zvuči trivijalno, ali u industriji se digitalna transformacija često lomi baš na „trivijalnom“: prostoru, struji, bezbednosti, održavanju, nabavci.

Ako škole prolaze taj proces sada, kompanije sutra dobijaju ljude kojima je normalno da tehnologija dolazi sa procedurom, standardom i odgovornošću.

Novi Sad: lab kao centar za interdisciplinarni rad

Odgovor: novosadski Mejkers lab u Tehničkoj školi „Mileva Marić-Ajnštajn“ zamišljen je kao mesto gde se spajaju profili – od 3D štampe i elektronike do digitalnih alata, tekstila i učeničkih kompanija.

Ovo je važna poruka za proizvodna preduzeća: AI projekti u fabrici su interdisciplinarni. Vizuelna kontrola kvaliteta nije „samo IT“ – tu su procesni inženjer, kvalitet, održavanje, operateri, IT/OT, i često dobavljači.

Kad učenici nauče da rade u tom miksu, kasnije lakše ulaze u realne timove u kompanijama.

Vrbas: praktična nastava koja liči na proizvodni pogon

Odgovor: u Vrbasu je Mejkers lab postavljen kao iskorak sa klasične prakse ka projektnom učenju, uz alate kao što su 3D štampači, laser, CNC i dron.

Ako hoćeš da uvedeš AI u proizvodnju, ovo je „jezik“ koji ti treba: CNC, tolerancije, materijali, kontrola procesa, bezbednost mašina. AI tu najčešće dolazi kao:

• analiza parametara procesa (npr. otkrivanje odstupanja)
• prediktivno održavanje (vibracije, temperatura, struja motora)
• optimizacija potrošnje energije i vremena ciklusa

Drugim rečima: bez razumevanja fizičkog sveta, AI ostaje lepa statistika.

Beograd: Matematička gimnazija i lab za talente

Odgovor: u Matematičkoj gimnaziji Mejkers lab ima ulogu da teoriju pretvori u eksperimentisanje, prototipiranje i napredne projekte (robotika, takmičenja).

Industriji je ovo dragoceno iz dva razloga:

1. Matematika i fizika su osnova za AI u praksi, posebno kada se radi o optimizaciji, modelovanju i obradi signala.
2. Talenti koji su navikli da prave prototipe lakše prelaze iz „model radi u svesci“ u „model radi na liniji“.

Učionica budućnosti = mini digitalni pogon

Odgovor: Mejkers labovi su mali, kontrolisani sistemi u kojima se vežba ono što će kasnije biti industrijska digitalizacija: alati, procesi, standardi i iteracije.

U proizvodnim firmama se često preskače jedna faza: organizacije pokušavaju da uvedu AI, a da prethodno nisu stabilizovale osnovu:

• da li se parametri procesa uopšte sistematski beleže?
• da li postoje standardi rada i kontrolne liste?
• da li je OT okruženje (PLC/SCADA) povezano sa IT analitikom na bezbedan način?
• da li neko ima „vlasništvo“ nad podacima (ko, šta, kada meri)?

Mejkers labovi, po dizajnu, guraju učenike u naviku dokumentovanja, testiranja i timske isporuke. To je mentalitet „malog pogona“ – samo bez troška zastoja linije.

Koje AI veštine se prirodno naslanjaju na Mejkers pristup

Odgovor: veštine koje najčešće donose brzi ROI u industriji – vizuelna inspekcija, prediktivno održavanje i optimizacija planiranja – oslanjaju se na praktičan rad sa podacima i opremom.

Evo kako to izgleda u prevodu na „što firma treba da traži“:

1. Podaci sa mašina (senzori, logovi, PLC signali)
2. Označavanje i standardizacija (kada je deo dobar/loš, šta je kvar)
3. Model i test u realnim uslovima (osvetljenje, vibracije, promena serija)
4. Uvođenje u proces (radna instrukcija, alarmi, odgovornost)

Mejkers labovi su trening poligon za korake 1–3. A korak 4 je tačka gde industrija treba da preuzme i profesionalizuje.

Šta proizvodne kompanije u Srbiji mogu da urade već u Q1 2026

Odgovor: kompanije koje žele AI u proizvodnji treba da prestanu da čekaju „spreman kadar“ i da počnu da ga zajednički grade sa školama.

Kraj decembra i početak januara su odlični za planiranje partnerstava, jer se tada kroje budžeti i ciljevi za godinu. Evo pragmatičnog plana u 5 poteza:

1) Usvojite 3 problema iz pogona koje lab može da „simulira“

Biraj probleme koji su merljivi i imaju jasnu definiciju uspeha:

• vizuelna kontrola etikete/štampe (OK/NOK)
• detekcija ogrebotina ili deformacija na delovima
• praćenje vibracija malog motora i detekcija anomalija

Poenta nije da škola reši proizvodni problem 1:1, već da napravi prototip logike i procesa.

2) Donirajte opremu koja „miriše na pogon“

Jedan kvalitetan industrijski senzor, kamera sa stabilnim osvetljenjem ili osnovna merna oprema često vredi više od još jednog računara.

3) Ponudite mentore, ali s jasnim okvirom

Mentorstvo bez plana se raspadne.

Dobar okvir:

• 6 nedelja rada
• 1 sastanak nedeljno (45 min)
• 1 mini-demo na kraju
• 1 dokument: šta je probano i šta je naučeno

4) Otvorite vrata pogona za „posmatračku praksu“

Učenici (i nastavnici) treba da vide realne restrikcije: bezbednost, tempo, standarde, kvalitet.

5) Ako uvodite AI, napravite „AI praksu“ za 2 profila

Najčešće ti trebaju:

• tehničar/automatika profil (OT, senzori, integracija)
• analitika/softver profil (dataset, model, evaluacija)

Ovo je najbrži put da AI projekat ne ostane u PowerPoint-u.

Jedna stvar koju sam više puta video da radi: kompanija ponudi mali, jasno definisan problem i dozvoli učenicima da pogreše brzo. Ta brzina učenja kasnije vredi više od „savršenog“ školskog projekta.

Zašto je ovo bitno baš sada (kraj 2025, planovi za 2026)

Odgovor: 2026. će biti godina u kojoj će se razlika praviti na brzini implementacije AI, a ne na tome ko je „čuo za AI“.

Evropski proizvodni lanaci sve više traže dobavljače koji mogu da pokažu stabilan kvalitet, sledljivost, digitalnu dokumentaciju i sposobnost brze optimizacije. Srbija tu ima šansu, ali samo ako paralelno gradi:

• tehnološku infrastrukturu (podaci, mreže, integracije)
• ljudske kompetencije (praktikum, timovi, odgovornost)

Mejkers labovi su dokaz da se kompetencije mogu graditi sistematski, a ne stihijski.

Ako vodiš proizvodnju, kvalitet ili digitalnu transformaciju, pitanje za tebe je praktično: da li ćeš AI u pogonu graditi sa ljudima koji su već učeni da rade kroz prototip i iteraciju, ili ćeš ih tome učiti od nule – pod pritiskom rokova i KPI-jeva?

Sledeći korak: od učionice do fabrike

Odgovor: najbolji „lead“ za AI u proizvodnji nije još jedan softver, već dobro postavljen pilot koji uključuje ljude, podatke i proces.

Ako želiš, mogu da ti pomognem da definišeš prvi AI pilot u proizvodnji (vizuelna kontrola kvaliteta, prediktivno održavanje, ili optimizacija planiranja) i da ga povežeš sa lokalnim obrazovnim partnerima kroz model koji ima jasne metrike i rokove.

Koji je jedan problem iz tvog pogona koji bi mogao da se pretvori u 6-nedeljni prototip – dovoljno mali da se testira, a dovoljno važan da donese uštedu?