AI u industriji Srbije: tempo je isti kao u SAD i Kini

Globalna AI trka se sužava brže nego što većina ljudi želi da prizna. Kad šef Google DeepMind-a Demis Hasabis kaže da je Kina „samo nekoliko meseci“ iza SAD po kvalitetu AI modela, to nije trač iz tehnoloških krugova — to je signal za svaku industriju koja izvozi, nabavlja, planira kapacitete ili drži kvalitet na nivou evropskih standarda.

Za proizvodne kompanije u Srbiji poruka je jednostavna: ako čekate da se „prašina slegne“, već kasnite. Ne zato što morate da pravite sledeći „transformer“ (naučni iskorak koji je 2017. postavio temelje današnjih LLM-ova), već zato što se danas konkurentnost najčešće dobija praktičnom primenom AI u pogonu: manje škarta, manje zastoja, bolje planiranje i brža B2B komunikacija.

Ovaj tekst je deo serijala „Kako veštačka inteligencija transformiše proizvodnju i industriju u Srbiji“. Fokus je na onome što stvarno menja bilans: AI u proizvodnji, kontroli kvaliteta, lancu snabdevanja i industrijskom izveštavanju — sa jasnim koracima kako da krenete.

Šta znači kad Kina stiže SAD „za nekoliko meseci“

Ključna implikacija nije ko je prvi, nego da se razlika topi. Hasabisova procena, plus signali koje ponavljaju i drugi lideri (poput CEO Nvidije Džensena Huanga), govore da je sposobnost da se naprave jaki modeli sve dostupnija: više timova, više open-source pristupa, više optimizacija koje rade i na skromnijem hardveru.

Za industriju je važnija druga rečenica iz ove priče: čipovi su ograničenje, ali nisu jedino ograničenje. Kina ima prepreke u pristupu najnaprednijim GPU čipovima (zbog izvoznih restrikcija), pa iz toga nastaje trend koji je bitan i za Srbiju: pravljenje boljih rezultata uz manje resursa. To nas direktno vodi ka industrijskim slučajevima upotrebe.

Mit koji koči fabrike u Srbiji

Najčešća greška u domaćim proizvodnim sistemima je razmišljanje: „AI je za velike, mi nemamo infrastrukturu.“

Realnost: mnogo industrijskih AI projekata radi sa postojećim kamerama, PLC signalima, SCADA/MES podacima i jednostavnim edge računarima. Najskuplji deo obično nije hardver, već uređivanje podataka, procesna disciplina i promena načina rada.

Zašto globalna AI konkurencija menja srpsku proizvodnju

Kad se dve supersile ubrzavaju, dobavljački lanci i standardi se zatežu. Evropski partneri (automotive, mašinska industrija, FMCG ambalaža, elektro) sve češće očekuju:

• brže i preciznije izveštavanje (traceability, lot, serijski brojevi)
• stabilniji kvalitet (manje varijacije, manje reklamacija)
• fleksibilniju proizvodnju (kraće serije, češće promene)
• predvidivije rokove (bolje planiranje i nabavka)

Ako vaša konkurencija u regionu već koristi AI za detekciju defekata ili predikciju zastoja, vaša cena i kvalitet postaju uporedivi tek kad i vi uvedete slične kontrole.

Srbija nema luksuz „čekanja“ iz još jednog razloga

Srbija se oslanja na industrije koje rade pod pritiskom rokova, cena energije, dostupnosti radne snage i zahteva kupaca. AI u proizvodnji se ovde ne uvodi zbog mode, nego zbog tri banalne stvari:

1. manje škarta
2. manje zastoja
3. manje administracije

To su projekti koji se često vraćaju kroz mesece, ne godine — ako su pravilno odabrani.

4 AI primene koje najbrže donose rezultat u pogonu

Ako želite brz povrat, krenite od uskih grla. U većini fabrika to su kvalitet, održavanje, planiranje i izveštavanje.

1) AI kontrola kvaliteta (computer vision)

Najbrži ROI je tamo gde je vizuelna kontrola spora ili subjektivna. Kamera + model za detekciju defekata može da prepozna ogrebotine, nepravilne varove, loše etikete, pomerene komponente ili nedostatke na površini.

Praktičan savet iz iskustva: ne počinjite sa „100 tipova defekata“. Počnite sa:

• 1–3 najskuplja defekta (po trošku reklamacija ili škarta)
• jasnom definicijom šta je „OK“, šta je „NOK“
• kontrolom osvetljenja i stabilnim pozicioniranjem

2) Prediktivno održavanje (zastoji se ne dešavaju „iznenada“)

Zastoj skoro uvek ima tragove u podacima. Vibracije, temperatura ležaja, struja motora, pritisak, protok, vreme ciklusa — sve to pravi obrasce pre kvara.

AI modeli (od jednostavnih detekcija anomalija do naprednijih predikcija) mogu da daju:

• upozorenje X sati/dana pre otkaza
• rang listu „kritičnih mašina“ po riziku
• preporuku gde prvo poslati tim održavanja

Ključ: nemojte čekati „savršen“ dataset. Počnite sa 60–90 dana istorije + osnovnim signalima.

3) AI planiranje proizvodnje i lanca snabdevanja

Planovi pucaju kad potražnja varira, dobavljači kasne, a kapacitet nije stabilan. AI ovde ne znači „magičan raspored“, nego:

• bolje prognoze potražnje po artiklu/kupcu
• ranije prepoznavanje rizika (kašnjenja, shortage)
• optimizaciju zaliha (manje mrtvog kapitala)

Za kompanije koje izvoze, čak i mala poboljšanja u planiranju znače manje penalizacije i više poverenja kupca.

4) Automatsko industrijsko izveštavanje i B2B komunikacija

Dobar AI projekat je i onaj koji oslobodi inženjere od Excel maratona. Generativna AI (uz kontrolu pristupa i jasna pravila) može da:

• sastavi dnevni/weekly proizvodni izveštaj iz MES/ERP podataka
• standardizuje CAPA/8D dokumentaciju
• pripremi tehničke odgovore kupcu (sa šablonima i proverom)
• ubrza izradu ponuda i tehničkih specifikacija na engleskom

Ovo je posebno važno za Srbiju: brža i konzistentnija B2B komunikacija često pravi razliku na tenderima i auditima.

„Čipovi“ kao ograničenje: dobra vest za srpske fabrike

Hasabis u priči otvara važnu temu: pristup najnaprednijim čipovima može usporiti razvoj najjačih modela. Ali za industriju u Srbiji to je često sporedno.

Većina industrijskih AI slučajeva upotrebe ne traži najnovije GPU-ove, jer:

• modeli za viziju mogu da rade na edge uređajima
• prediktivno održavanje često radi na CPU-u
• mnoge generativne funkcije mogu da se postave kao privatno rešenje ili kroz kontrolisane servise

Prava ograničenja su uglavnom drugačija:

• nepovezani sistemi (ERP, MES, SCADA „ne pričaju“)
• loše označeni podaci (nema razloga škarta, nema šifre defekta)
• nepostojanje vlasnika procesa (niko nije „owner“ modela posle pilota)

Ako ovo sredite, hardver postaje detalj.

Kako da krenete: industrijski AI plan od 6 nedelja

Najbolji način da izgubite godinu dana je da krenete bez fokusa. Evo plana koji je realan za većinu proizvodnih kompanija u Srbiji.

1. Izaberite jedan proces i jednu metriku (npr. škart na liniji X, zastoji na mašini Y, vreme izrade izveštaja)
2. Uradite brzu mapu podataka: šta postoji, gde stoji, ko ima pristup
3. Uvedite minimum standarda označavanja (defekt kodovi, uzroci zastoja, lot i vreme)
4. Pilot 2–3 nedelje na realnim uslovima, ne na „laboratoriji“
5. Definišite pravila akcije: šta radimo kad model kaže „rizik je visok“
6. Owner + rutina: ko održava, ko prati metrike, kako se model ažurira

Jedna rečenica koju često ponavljam timovima: AI bez operativne rutine je samo demo.

Minimalni KPI set koji ima smisla

Ako želite da uprava i proizvodnja pričaju istim jezikom, pratite:

• stopu škarta (% i dinarski iznos)
• OEE i uzroke gubitaka
• MTBF/MTTR (kvarovi i vreme popravke)
• tačnost plana (plan vs. realizacija)
• broj reklamacija i trošak kvaliteta (CoQ)

Pitanja koja ljudi u industriji najčešće postavljaju

Da li nam treba data science tim?

Ne odmah. Treba vam vlasnik procesa + dobar integrator + inženjer kvaliteta/održavanja koji „zna liniju“. Data science je često usluga ili partnerstvo u prvoj fazi.

Da li AI menja radna mesta?

Menja zadatke. U praksi, AI smanjuje ručni pregled, gašenje požara i administraciju, a povećava potrebu za ljudima koji razumeju proces i znaju da reaguju na signal.

Šta je najveći rizik?

Najveći rizik je da se AI uvede kao IT projekat bez proizvodnje. AI u fabrici je operativna promena, ne samo softver.

Šta Srbija može da „pobedi“ i bez izmišljanja nove paradigme

Globalna priča o SAD i Kini je zanimljiva, ali za srpsku industriju važniji je zaključak: pobednici nisu samo oni koji izmisle novu teoriju, već i oni koji najbolje primene postojeću tehnologiju u praksi.

Ako Kina može da napravi modele koji rade sjajno i na skromnijim čipovima, onda i mi možemo da napravimo pogone koji rade stabilno i bez skupe „svete opreme“ — uz disciplinu podataka i pametno odabrane AI projekte.

Ako vodite proizvodnju, kvalitet ili nabavku, sledeći korak je jednostavan: izaberite jedan proces gde imate jasan trošak problema i pretvorite ga u pilot koji meri rezultat. AI u proizvodnji u Srbiji više nije pitanje „da li“, nego „u kom delu pogona prvo“.