Kad AI „pokvari ton“: lekcija za industriju u Srbiji

OpenAI je ovih dana uradio nešto što se retko viđa kod velikih tehnoloških firmi: javno je priznao da je ChatGPT 5.2 podbacio u kvalitetu pisanja. Sem Altman je, prema izveštajima, rekao ono što su korisnici već pisali po forumima i društvenim mrežama: “zabrljali smo”.

Ako se bavite proizvodnjom, logistikom ili bilo kojom vrstom industrijske operacije u Srbiji, ovo nije trač iz sveta tehnologije. Ovo je studija slučaja o kontroli kvaliteta. Jer ako tim koji razvija najpoznatiji AI na svetu može da “popravi” jednu stvar (rezonovanje, kodiranje) i pritom pokvari drugu (jasnoću, čitljivost), onda je poruka jasna: AI bez jasnih metrika, monitoringa i QA procesa je rizik, ne prednost.

U okviru serijala „Kako veštačka inteligencija transformiše proizvodnju i industriju u Srbiji“, ova epizoda sa ChatGPT-om 5.2 je odličan povod da pričamo o nečemu praktičnom: kako da uvodite veštačku inteligenciju u industriji tako da dobijete rezultate, a da ne izgubite poverenje korisnika, kupaca ili auditora.

Šta se stvarno desilo sa ChatGPT-om 5.2 (i zašto je to bitno)

Odgovor prvo: OpenAI je, po sopstvenom priznanju, prebacio razvojni fokus na “teške” sposobnosti (rezonovanje, programiranje, inženjering), a kvalitet pisanja je ostao po strani — i korisnici su to odmah osetili.

U RSS tekstu se provlači vrlo konkretan problem koji svi u industriji razumeju: kompromis u resursima. Kada imate ograničen budžet, vreme i ljude, svako poboljšanje negde drugde mora da se “plati”. U ChatGPT 5.2 to se navodno videlo ovako:

• odgovori deluju prenatrpano,
• tekst je teže čitljiv,
• stil je konfuzniji nego u prethodnim verzijama.

Paralele sa proizvodnjom: kad OEE raste, a reklamacije eksplodiraju

U proizvodnji se ista greška dešava češće nego što ljudi vole da priznaju.

Primer iz prakse: linija se “optimizuje” da izbaci 8% više komada po smeni (dobro zvuči na papiru), ali se potajno pogorša:

• stopa škarta,
• broj povrata,
• stabilnost procesa,
• kvalitet dokumentacije za kupce.

Rezultat? Možete privremeno povećati output, ali dugoročno plaćate kroz reklamacije i gubitak poverenja.

Jedna rečenica za zid proizvodne hale: AI koji pravi odlične odluke, ali loše komunicira — i dalje pravi probleme.

Lekcija #1: Kvalitet korisničkog iskustva je deo kvaliteta proizvoda

Odgovor prvo: U industrijskim AI sistemima “kvalitet” nije samo tačnost modela; kvalitet je i to da li je rezultat razumljiv, proverljiv i upotrebljiv na terenu.

Kad se priča o veštačkoj inteligenciji u industriji, ljudi često previše gledaju “accuracy” i “F1 score”, a premalo gledaju ono što operateru, tehnologu ili QA inženjeru znači razliku između uspeha i neuspeha: da li je izlaz jasan.

U realnosti Srbije (smene, manjak ljudi, rast zahteva od EU partnera), izlaz AI sistema mora da bude:

• čitljiv i kratak kad je frka (alarm, odstupanje),
• dovoljno detaljan kad treba dokaz (audit, reklamacija),
• standardizovan da može da se upoređuje kroz vreme.

“Loše pisanje” u industriji izgleda ovako

ChatGPT 5.2 je kritikovan jer piše konfuznije. U fabrici, “konfuzno” znači:

• alarm koji ne kaže šta je problem, samo da “nešto nije u redu”,
• izveštaj bez konteksta (nema serije, smene, lot-a, tolerancije),
• preporuka bez razloga (nema zašto i na osnovu čega),
• tehnička dokumentacija koja ne može da prođe internu kontrolu.

Ako AI pomaže u kontroli kvaliteta i izveštavanju, onda stil i struktura nisu kozmetika. To je deo sistema kvaliteta.

Lekcija #2: AI optimizacija mora da ima “čuvare” — metrike, monitoring i rollback

Odgovor prvo: Najbezbedniji način da uvodite AI u industrijske procese je da tretirate model kao verzionisanu komponentu: definišite KPI-jeve, pratite drift, i imajte rollback kao standardnu proceduru.

OpenAI-jev problem sa 5.2 (bar kako je opisan) je klasičan “release regression” slučaj: nešto se poboljšalo, nešto se pogoršalo, a korisnici su to primetili tek kad je već izašlo.

U industriji, to ne sme da se desi na kritičnim tačkama (kvalitet, bezbednost, usklađenost). Šta radi disciplinovana organizacija?

Minimalni QA okvir za industrijski AI (praktično, bez filozofije)

1. Definišite KPI-jeve pre puštanja u rad
   • vreme reakcije na incident,
   • broj lažnih alarma,
   • procenat propuštenih defekata (ako je vizuelna kontrola),
   • poklapanje sa referentnim merenjem,
   • čitljivost izveštaja (da, i to se meri: npr. broj nejasnih stavki po izveštaju).

1. Uvedite “canary” režim

   • nova verzija ide prvo na jednu liniju / jednu smenu / jedan proizvod.

2. Monitoring koji je vezan za proces, ne samo za IT

   • ako AI predlaže korekciju parametra, pratite posledice na škart i stabilnost.

3. Rollback kao dogovorena procedura

   • ako KPI padne ispod praga, vraćate staru verziju bez rasprave.

Ovo je deo šire teme serijala: automatizacija kontrole kvaliteta i izveštavanja nije “kupili smo alat”, nego “napravili smo proces”.

Lekcija #3: Kompromisi su normalni — ali moraju biti namerni i dokumentovani

Odgovor prvo: U razvoju AI rešenja kompromis je neizbežan, ali u industriji mora da bude transparentan: šta dobijate, šta gubite, i ko potpisuje rizik.

Altmanovo objašnjenje (preusmerili smo fokus na inteligenciju, rezonovanje i kodiranje) je zapravo fer. Problem je što korisnici očekuju da “nova verzija” bude bolja svuda. U industriji, očekivanja su još rigidnija: kupac i auditor ne prihvataju “ali sistem bolje rezonuje” ako je izveštaj nečitljiv ili ako je trag podataka loš.

Kako da ovo prevedete u upravljanje AI projektom u fabrici

Kada uvodite AI za:

• prediktivno održavanje,
• vizuelnu kontrolu kvaliteta,
• optimizaciju potrošnje energije,
• planiranje proizvodnje i lanca snabdevanja,
• automatsko izveštavanje prema evropskim partnerima,

…napravite jednu stranicu dokumenta (doslovno jednu) gde piše:

• cilj (npr. -20% neplaniranih zastoja u 6 meseci),
• trade-off (npr. više lažnih alarma prvih 30 dana),
• kontrole (ko verifikuje, kojim uzorkom, kojom učestalošću),
• stop kriterijum (kada gasite/rollback).

Ovo deluje “sporo”, ali jeftinije je od haosa.

Najkorisniji deo: kontrolna lista za AI u kontroli kvaliteta i izveštavanju

Odgovor prvo: Ako želite da koristite veštačku inteligenciju bez rizika, krenite od kontrolne liste koja pokriva podatke, procese i odgovornost — ne samo model.

Evo kontrolne liste koju bih ja koristio kao start u industrijskim kompanijama u Srbiji:

1) Podaci

• Da li su podaci verzionisani (šta je ušlo u trening, šta u produkciju)?
• Da li imate “golden set” uzoraka za regresiono testiranje?
• Da li su definisane granice validnosti (npr. različite sirovine, različite serije)?

2) Izlaz i čitljivost

• Da li AI generiše standardizovan format izveštaja (naslovi, tabele, reference, serija/lot)?
• Da li rezultat može da razume operater bez “tumača”?
• Da li postoji kratka verzija (1 minut) i duga verzija (audit)?

3) Monitoring

• Ko gleda dashboard svakog dana?
• Ko dobija alarm kad se performanse promene?
• Da li merite drift (promene u ulaznim podacima) i drift u performansama?

4) Odgovornost i usklađenost

• Ko odobrava promenu modela?
• Da li je promena dokumentovana u sistemu kvaliteta (ISO/IFS/BRC, gde je relevantno)?
• Da li imate evidenciju o tome kada je preporuka AI prihvaćena ili odbijena (i zašto)?

Ako vam ova lista deluje kao “previše”, to je znak da pokušavate da AI uvedete kao softver, a ne kao procesnu promenu.

Šta ovo znači za Srbiju u 2026: AI će biti svuda, a tolerancija na greške manja

Odgovor prvo: U 2026. godini, industrijske firme u Srbiji biće pod većim pritiskom da automatizuju izveštavanje, kvalitet i sljedivost, ali greške AI sistema će se kažnjavati brže — kroz audite, ugovore i reputaciju.

Januar je tipičan period kada se sumiraju KPI-jevi iz prošle godine i dogovaraju ciljevi sa kupcima za novu. U praksi to znači više zahteva za:

• brže i urednije izveštavanje,
• transparentnost procesa,
• dokazivu kontrolu kvaliteta,
• pouzdanije planiranje i manje zastoja.

AI realno pomaže, ali samo kad je uveden disciplinovano. Epizoda sa ChatGPT 5.2 podseća na jednostavnu istinu: nema “autopilota” bez instrument table.

Ako ne merite kvalitet izlaza, dobićete sistem koji “radi” — dok ne dođe prvi ozbiljan problem.

Sledeći korak: napravite mali pilot, ali postavite standarde kao da je veliki

Najbolji sledeći korak za većinu proizvodnih firmi u Srbiji nije masovna implementacija, nego pilot na jednoj kritičnoj tački: npr. automatsko izveštavanje o kvalitetu po smeni, ili AI podrška u vizuelnoj kontroli na jednoj liniji.

Ako želite da AI zaista unapredi proizvodne procese, automatizaciju kontrole kvaliteta i izveštavanje, krenite od pitanja koje je OpenAI naučio na teži način: šta je za nas “kvalitet” i kako ćemo primetiti kad padne?

Šta biste vi radije imali u svojoj fabrici: AI koji briljantno “rezonuje”, ili AI koji uvek ostavi trag podataka, jasno objasni odstupanje i prođe audit bez drame?