AI u proizvodnji Srbije: šta IOAI 2025 znači za biznis

Srbija ove godine prvi put šalje četiri srednjoškolca na Međunarodnu olimpijadu iz veštačke inteligencije (IOAI 2025) u Pekingu. Mnogi će to doživeti kao lepu vest iz obrazovanja. Ja je vidim i kao signal za industriju: talent pipeline se širi, a međunarodna AI scena počinje ozbiljnije da registruje Srbiju.

Za proizvodne i industrijske kompanije to nije PR zanimljivost, već praktična tema. Krajem decembra 2025, dok većina firmi zatvara budžete i planira 2026, pitanje nije „da li AI”, nego gde tačno AI donosi merljiv efekat: u kvalitetu, održavanju, planiranju, potrošnji energije, nabavci i B2B komunikaciji.

Ovaj tekst je deo serijala „Kako veštačka inteligencija transformiše proizvodnju i industriju u Srbiji” i koristi IOAI 2025 kao povod da konkretno odgovorimo na jedno važnije pitanje: kako globalna vidljivost AI talenata iz Srbije može da se prevede u bolje fabrike, stabilnije lance snabdevanja i jače B2B partnerstva.

IOAI 2025 je ogledalo zrelosti ekosistema (ne samo takmičenje)

IOAI 2025 (Peking, 2–9. avgust 2025) okuplja najbolje srednjoškolce iz AI oblasti kroz timske i individualne izazove, posete AI kompanijama i laboratorijama, i programe za mentore. Sama činjenica da Srbija šalje tim prvi put, posle organizacije domaćih selekcija i rada institucija i udruženja, govori jedno: počeli smo da standardizujemo put od talenta do primenljive veštine.

Za industriju je to važno iz dva razloga:

1. Zapošljavanje i reskilling postaju realniji. Ako učenici rešavaju AI probleme u takmičarskom formatu, to su budući studenti i inženjeri kojima „model”, „dataset” i „evaluacija” nisu apstrakcije.
2. Međunarodni kontakti se normalizuju. Takmičenja ovog tipa stvaraju mreže mentora, organizatora i kompanija. U B2B svetu, to je često brži put do razgovora od hladnih mejlova.

Jedna rečenica koja dobro sumira poentu: IOAI je dokaz da se AI u Srbiji više ne oslanja samo na pojedince, već na sistem koji ih pronalazi i trenira.

Šta IOAI poručuje nemačkom ili italijanskom kupcu iz industrije

Kupci iz EU (posebno u automobilskoj, mašinskoj i elektro industriji) sve češće traže da dobavljač pokaže: stabilan kvalitet, sledljivost, upravljanje rizicima i brzinu reakcije. AI tu postaje „tihi standard” jer omogućava bolju kontrolu procesa i brže donošenje odluka.

Prisustvo Srbije na događaju kao što je IOAI pomaže iz još jednog ugla: podiže kredibilitet ekosistema. Ne zato što medalja automatski znači bolju fabriku, već zato što pokazuje da zemlja ulaže u AI znanje, a to je indikator dugoročne sposobnosti da se isporuče:

• timovi za computer vision kontrolu kvaliteta
• data inženjering za proizvodnu analitiku
• modeli za prediktivno održavanje
• optimizacija planiranja proizvodnje i zaliha

Ako sarađujete sa evropskim partnerima, poruka koju možete jasno da pošaljete (i potkrepite projektima) glasi: „Mi ne radimo AI da bismo imali prezentaciju. Mi ga koristimo da bismo isporučili stabilniji proces i dokumentovan kvalitet.”

Gde AI u proizvodnji u Srbiji najbrže vraća uloženo

Najbrži povrat ulaganja obično dolazi iz tačaka gde već imate podatke (ili ih lako prikupljate) i gde greška ima cenu: škart, zastoj, reklamacije, energija.

1) Kontrola kvaliteta kamerama (computer vision)

Najkonkretniji „prvi projekat” u proizvodnji je vizuelna inspekcija: ogrebotine, nepravilnosti, pogrešno montirani delovi, defekti na varu, loša štampa na ambalaži.

Zašto radi:

• kamera „vidi” 100% komada (čovek ne može)
• standard je uvek isti (nema umora)
• može da se spoji sa sledljivošću: serija, smena, mašina, operater

Praktičan pristup koji se pokazao boljim od ambicioznih planova:

1. krenite od jedne linije i jednog defekta
2. definišite metriku: npr. smanjenje škarta u % ili smanjenje reklamacija
3. obezbedite proces za označavanje slika (bez toga nema kvalitetnog modela)

2) Prediktivno održavanje: „manje stajanja” je najjeftinija ušteda

Ako imate senzore (vibracije, temperatura, struja motora) ili bar kvalitetne logove zastoja, AI modeli mogu da prepoznaju obrasce koji prethode kvaru. Ne morate odmah imati „savršenu fabriku podataka”. Dovoljno je da:

• standardizujete šifrarnik kvarova
• zabeležite osnovne parametre (vreme, trajanje, uzrok, komponenta)
• uvedete jednostavne alarme i pravila, pa tek onda složenije modele

Ovo je često najlakši put do merljive koristi, jer se meri u satima zastoja i propuštenoj proizvodnji.

3) Planiranje proizvodnje i zaliha (AI + operativna pravila)

Većina firmi ne pati od manjka Excel tabela, već od manjka pouzdanih signala: šta stvarno kasni, šta je kritično, gde je usko grlo. AI ovde nije zamena za planerku/plenera. Dobar sistem radi ovako:

• AI predlaže raspored na osnovu ograničenja (kapacitet, rok, alat, smena)
• planer potvrđuje ili koriguje
• sistem pamti korekcije i uči obrasce

Kada ovo radi, dobijate manje hitnih prebacivanja, manje ekspresnih isporuka i manje „gašenja požara”.

4) Energija i komunalni troškovi: najpotcenjen AI projekat

U 2026 mnoge industrije u Srbiji će još jače osećati pritisak troškova energije i zahteva kupaca za boljom energetskom disciplinom. AI može da pomogne kroz:

• predikciju potrošnje po smenama i serijama
• otkrivanje anomalija (curenja komprimovanog vazduha, loše podešene peći)
• optimizaciju „peak” opterećenja

Ako imate pametna brojila ili bar periodične izveštaje, ovo je kandidat za brzu pobedu.

Kako da IOAI energiju pretvorite u konkretan industrijski projekat

Najčešća greška kompanija: žele „AI strategiju” pre nego što imaju jedan dobar use case. Bolje radi obrnutim redom.

Minimalni plan za 90 dana (bez velikih rizika)

1. Izaberite proces koji boli: škart, reklamacije, zastoji, energija.
2. Zakucajte metriku uspeha: npr. -15% škarta na jednoj liniji ili -10% neplaniranih zastoja.
3. Proverite podatke u realnosti: gde nastaju, ko ih unosi, koliko su tačni.
4. Napravite pilot: ograničen obim, jasna evaluacija, „go/no-go” nakon 6–10 nedelja.
5. Pripremite rollout: standardi snimanja/označavanja, obuka ljudi, održavanje modela.

Ako želite da u to uključite mlade talente (što je dobra ideja), krenite sa:

• mentorskim programom za studente (2–3 meseca)
• realnim datasetom iz proizvodnje (anonimizovan i bez osetljivih podataka)
• jasno definisanim zadatkom: klasifikacija defekta, predikcija zastoja, detekcija anomalija

Ovo je način da „priča o talentu” postane interni proizvodni rezultat, a ne samo lepa vest.

Pitanja koja će vam postaviti i kupac i vaš IT tim

Ovo su pitanja koja se stalno vraćaju, pa ih je bolje rešiti pre prvog pilot projekta.

„Da li nam treba veliki ERP/MES upgrade da bismo radili AI?”

Ne. Treba vam dovoljno dobar tok podataka za jedan konkretan problem. Ponekad je to export iz postojeće baze i par dodatnih senzora. Velike modernizacije dolaze posle, kad imate dokaz vrednosti.

„Ko je vlasnik AI projekta u fabrici?”

Ako je vlasnik samo IT, projekat često ostane u fazi prototipa. Vlasnik mora da bude poslovni proces (kvalitet, održavanje, proizvodnja), a IT i data tim su enablement.

„Šta je sa bezbednošću i poverljivošću?”

Industrijski AI projekti u Srbiji najčešće uspevaju kada se:

• podaci klasifikuju (šta sme interno, šta sme u cloud, šta ne sme nigde)
• modeli i pristupi loguju
• dobavljači potpisuju jasne obaveze o podacima

To nije birokratija. To je uslov da AI pređe iz pilot faze u standard.

Zašto je baš sada dobar trenutak za industrijski AI u Srbiji

Kraj 2025 i početak 2026 su nezgodni i dobri u isto vreme. Nezgodni zbog pritiska troškova, rokova i konkurencije. Dobri jer su se tri stvari poklopile:

• talent izlazi ranije na površinu (IOAI i slični programi)
• alati za analitiku i modeliranje su zreliji i dostupniji
• kupci u EU sve više nagrađuju dobavljače koji imaju kontrolu procesa i podatke, ne samo cenu

Moje iskustvo je da firme koje krenu sa jednim fokusiranim use case-om dobiju još jednu korist koju nisu planirale: bolju disciplínu podataka i jasnije vlasništvo nad procesom. To je osnova za sve naredne AI projekte.

Ako vodite proizvodnju, kvalitet ili operacije, IOAI 2025 je dobar povod da sebi postavite praktično pitanje: koji proces u vašoj fabrici bi bio vidljivo bolji za 90 dana uz AI pilot? Odgovor na to pitanje je često vredniji od bilo koje konferencijske agende.

Najbolji trenutak da uvedete AI u proizvodnju nije kada „sve bude spremno”, nego kada imate jedan problem koji skupo košta i dovoljno podataka da ga izmerite.