AI kao „drugi mozak“ za srpsku industriju

Direktori najvećih tehnoloških kompanija više ne koriste AI kao “još jedan alat”. Koriste ga kao produžetak sopstvenog razmišljanja: za sažimanje informacija, pripremu odluka, učenje i ubrzavanje operativnog rada. Kad CEO Microsoft-a koristi Copilot da „prođe“ kroz sadržaj dok je u vožnji, a CEO LinkedIn-a opisuje AI kao drugi mozak, poruka je jasna: odlučivanje postaje disciplina vođena podacima, sa AI kao prvim filtriranjem realnosti.

U srpskoj proizvodnji i industriji ovo zvuči udaljeno samo dok ne prebacite isti obrazac na fabriku: umesto e-mailova i podkasta, AI sažima zastoje, scrap, reklamacije, OEE, potrošnju energije, kašnjenja dobavljača i pretvara ih u predloge odluka. U januaru 2026, kad su budžeti svežije zaključani, a planovi za 2026 u punom zamahu, ovo je pravi trenutak da se postavi pitanje: šta je „drugi mozak“ vaše proizvodne kompanije?

U nastavku prevodim navike tehnoloških lidera u konkretan plan za industriju u Srbiji: kako da AI pomogne upravi, proizvodnji i kvalitetu da rade brže, tačnije i mirnije—bez magije i bez velikih reči.

Šta lideri zaista rade s AI (i zašto je to važno za fabrike)

Odgovor prvo: Tehnološki lideri koriste AI kao sloj koji sažima, prioritizuje i predlaže akcije—a ne kao zamenu za odgovornost.

U izvornoj priči vidimo nekoliko obrazaca koji su direktno primenljivi u industriji:

• Sažimanje i priprema odluka (Tim Kuk / Apple Intelligence): AI preuzima „čitanje“, pa čovek prelazi na „delovanje“.
• Organizacija rada i tokova (Satja Nadela / Copilot, Outlook, Teams): AI pomaže da operativa ne proguta strateško vreme.
• Istraživanje i učenje (Džensen Huang / Perplexity, ChatGPT): AI služi kao privatni tutor i analitičar.
• Brža analiza tržišnih signala (Brajan Armstrong / Perplexity): odluke se donose uz brže, svežije uvide.
• „Drugi mozak“, ali sa granicama (Rajan Roslanski): AI pomaže, ali čovek donosi finalnu odluku.

Za proizvodne sisteme u Srbiji poenta nije da direktor “priča sa chatbotom”. Poenta je da firma izgradi AI sloj iznad svojih podataka (ERP/MES/SCADA/QMS/Excel realnost) koji svakog jutra daje jasan odgovor:

„Šta je najbitnije danas, zašto se desilo, šta će se desiti ako ništa ne promenimo, i koju akciju vredi probati?“

AI u donošenju odluka u proizvodnji: od sastanka do smene

Odgovor prvo: Najbrži povrat dolazi kad AI skrati vreme od problema do odluke—na nivou smene, linije i nedeljnog menadžment ritma.

„AI sažetak“ za jutarnji menadžment: 15 minuta umesto 60

U mnogim fabrikama jutarnji sastanak je prepričavanje: šta je stalo, gde je škart, ko kasni, šta se obećalo kupcu. AI ovde radi ono što Apple Intelligence radi za e-mail: sažima i ističe bitno.

Primer kako to izgleda u praksi:

• Ulaz: izveštaji iz MES-a, evidencija zastoja, prigovori kvaliteta, plan proizvodnje, status nabavke.
• Izlaz: dnevni brief od jedne strane:
  • top 3 odstupanja (OEE, scrap, isporuka)
  • verovatni uzrok (na osnovu istorije i korelacija)
  • predložene akcije + vlasnik akcije
  • rizik po isporuku (šta stiže u crveno)

Ovo je “drugi mozak” u najčistijem obliku: AI čita, čovek odlučuje.

Predikcija zastoja i kvarova: gde AI ima najviše smisla

Ne morate odmah u “prediktivno održavanje za celu fabriku”. Bolja taktika je da krenete sa jednom “bolnom tačkom”:

1. mašina ili linija sa najvećim zastojima
2. kvar koji se ponavlja, ali se uzrok ne hvata
3. deo procesa gde kvalitet varira i pravi scrap

AI model (ili čak pametna analitika + pravila) može da predvidi povećan rizik na osnovu vibracija, temperature, brzine, parametara procesa i istorije intervencija. Važan detalj: cilj nije savršen model, nego operativno korisna upozorenja.

„Ako uradimo X, šta se dešava?“ — scenariji za planiranje

Lideri poput Armstronga vrednuju brzinu uvida. U industriji to znači scenarije:

• Ako dobavljač kasni 7 dana, šta puca prvo—isporuka ili zalihe?
• Ako prebacimo nalog na drugu liniju, koliko raste otpad?
• Ako smanjimo broj radnika u smeni, gde pada OEE?

AI ovde može da pomogne kao sloj za planiranje i simulaciju (čak i bez savršenih digital twin rešenja), jer povezuje istoriju sa trenutnim planom.

Kontrola kvaliteta i izveštavanje: „drugi mozak“ za QMS

Odgovor prvo: AI najbrže donosi vrednost u kvalitetu kada automatizuje detekciju odstupanja i skraćuje izveštavanje—bez čekanja na „kraj meseca“.

Automatizacija vizuelne kontrole: manje škarta, manje reklamacija

Ako u proizvodnji imate vizuelne defekte (ogrebotine, nepravilnosti, loš print, varovi), računarски vid je često najisplativiji AI slučaj. Praktičan pristup:

• Počnite od jedne stanice kontrole.
• Uvedite jasnu klasifikaciju defekata (3–7 kategorija).
• Prvo merite: koliko defekata prođe i koliko lažnih alarma.

Ključna prednost: konzistentnost. Ljudski pregled varira po smeni; AI ne „umara oči“.

„AI izveštaj“ za kupce i interne audite

Roslanski je u pravu: slepo oslanjanje na AI je opasno. Ali korišćenje AI za pripremu dokumentacije je pametna, niskorizična zona.

AI može da napravi nacrt:

• 8D izveštaja (problem, uzrok, korektivne mere)
• CAPA evidencije
• sažetka reklamacija po kupcu i proizvodu

Čovek i dalje odobrava sadržaj, ali se vreme pisanja seče drastično—što znači brže zatvaranje reklamacija i bolji utisak kod EU partnera.

AI i B2B komunikacija: brži sadržaj, jasnija ponuda, manje „praznog hoda“

Odgovor prvo: Industrijske firme u Srbiji dobijaju više upita i brže prolaze kvalifikaciju kad AI pomogne da se tehničke informacije pretvore u jasan prodajni i partnerski sadržaj.

Ako vaša kompanija izvozi ili radi kao dobavljač, znate problem: inženjeri imaju znanje, ali ponuda i dokumentacija često kasne, a prezentacije su previše tehničke ili neujednačene.

AI tu radi kao “Fogelov trener za nastup”, ali za firmu:

• standardizuje jezik ponude (srpski/engleski/nemački)
• pravi varijante ponuda po industriji (automotive, metal, plastika, food)
• pretvara tehničke specifikacije u „benefit“ sekcije
• priprema FAQ za kupce i onboarding dobavljača

Dobro pravilo: AI piše prvu verziju, tim je čini tačnom i vašom.

Kako da proizvodna firma u Srbiji uvede AI bez haosa (6 koraka)

Odgovor prvo: Najbrži put je mali pilot koji rešava jedan poslovni problem, sa jasnim metrikama i vlasnikom procesa.

1. Izaberite jedan KPI koji boli (scrap, zastoji, reklamacije, kašnjenja).
2. Popišite izvore podataka (ERP, MES, SCADA, Excel, ručni zapisi). Ne idealizujte stanje.
3. Definišite „odluku“ koju AI treba da podrži (npr. kada zaustaviti liniju, kada zvati održavanje, kome eskalirati).
4. Napravite pilot u 4–8 nedelja sa minimalnim integracijama.
5. Uvedite guardrails:
   • ko odobrava izlaze
   • šta je zabranjeno automatizovati
   • kako se evidentira greška modela
6. Merite pre i posle: vreme do odluke, broj eskalacija, scrap, MTTR, tačnost predikcije.

Ovo je deo šire teme serijala „Kako veštačka inteligencija transformiše proizvodnju i industriju u Srbiji“: napredak dolazi iz operativne discipline, ne iz velikih najava.

„Ljudi vs AI“ je pogrešan okvir

Odgovor prvo: Najbolji rezultati dolaze kada AI postane standardni sloj pripreme, a ljudi zadrže odgovornost i kontekst.

Najkorisnija rečenica iz priče o liderima nije “AI donosi odluke”, nego način na koji zadržavaju balans. U industriji je to još važnije zbog bezbednosti, kvaliteta i ugovornih obaveza.

Evo stava koji se u praksi pokazao zdravim:

AI treba da bude odličan u pripremi odluke, a čovek odličan u prihvatanju posledica.

Kad tako postavite stvari, AI prestaje da bude „pretnja“ i postaje infrastruktura za bolje upravljanje.

Sledeći korak: pronađite svoj „drugi mozak“ u proizvodnji

Ako CEO-ovi koriste AI da sažmu informacije, uče brže i donose odluke pod pritiskom, nema razloga da proizvodna firma u Srbiji ostane na nivou ad-hoc Excel izveštaja i kasnih analiza. AI kao „drugi mozak“ u fabrici znači: manje iznenađenja, brže reakcije i jasniji prioriteti.

Ako želite da krenete pametno, počnite od jedne linije, jednog KPI-ja i jednog procesa odlučivanja. Prvi pilot treba da bude dovoljno mali da uspe, i dovoljno bitan da se oseti.

Koja odluka u vašoj proizvodnji danas najviše zavisi od „osećaja“—a trebalo bi da zavisi od podataka?