Ronny Fehling iz HTEC-a u Beogradu: “Više od 80 odsto AI projekata propadne, a tehnologija nije glavni problem”

Više od 80 odsto projekata zasnovanih na veštačkoj inteligenciji nikada ne stigne do produkcije, ali razlog najčešće nije sama tehnologija. Modeli rade, demonstracije izgledaju impresivno, ali projekti propadaju zbog načina na koji su organizovani poslovni procesi i podeljena odgovornost, poručio je Ronny Fehling, direktor za AI transformaciju u kompaniji HTEC, na AI Tech Summitu u Beogradu.

AI Tech Summit Belgrade 2026 održava se 3. i 4. septembra u Sava centru i okuplja više od 1.000 stručnjaka, predstavnika kompanija, inovatora i donosilaca odluka iz jugoistočne Evrope i drugih evropskih tržišta.

Tokom dva dana, više od 50 govornika razgovara o praktičnoj primeni veštačke inteligencije, automatizaciji poslovanja, AI agentima i promenama koje nove tehnologije donose velikim kompanijama.

Problem nije tehnologija, već podeljena odgovornost

Fehling je objasnio da rukovodstvo kompanije obično određuje ambiciju AI projekta, tehnički tim preuzima razvoj, operativni tim upravlja procesom, dok je sektor za rizike zadužen za kontrolu. Međutim, niko ne preuzima odgovornost za konačan poslovni rezultat.

„Tehnologija nije ono što propada. Projekti propadaju na spojevima između različitih delova organizacije“, rekao je Fehling.

Prema njegovim rečima, AI ne automatizuje samo postojeći način rada, već ga menja. Odluke za koje su ljudima ranije bili potrebni sati, sistem sada može da donese za nekoliko sekundi. Zaposleni se zato više ne bave svim slučajevima, već izuzecima koje sistem ne može samostalno da reši.

Istovremeno, postojeći kontrolni mehanizmi napravljeni su prema brzini rada ljudi i vrstama grešaka koje ljudi prave. Kompanijama su sada potrebne kontrole prilagođene brzini i greškama mašina.

„To nije moguće osmisliti iz konferencijske sale. Mislim da se takav sistem ne može u potpunosti dizajnirati čak ni kroz pilot projekat, jer su potrebni stvarni izuzeci i nedokumentovani procesi koje zaposleni poznaju, ali ih niko nikada nije zapisao“, naveo je Fehling.

AI je u bolnici štedeo dane, a ne minute

Kao primer naveo je projekat u jedinici intenzivne nege jedne evropske bolnice. Problem su bila otpusna pisma, bez kojih pacijenti nisu mogli da napuste bolnicu.

Reč je o pravnom i medicinskom dokumentu koji sadrži podatke o lečenju, terapiji i stanju pacijenta, a koji mora da potpiše lekar. Direktni trošak jednog kreveta u jedinici intenzivne nege iznosi između 1.200 i 2.000 evra dnevno.

Početna ideja bila je da AI pomogne lekarima da brže napišu otpusno pismo. Istraživanja su pokazivala da je lekaru za pisanje jednog dokumenta potrebno približno sedam minuta, pa su brojna tehnološka rešenja bila usmerena na uštedu tog vremena.

Kada je tim ušao u bolnicu i analizirao čitav proces, ustanovio je da kašnjenje nije trajalo nekoliko minuta, već nekoliko dana.

„Pisanje nikada nije bilo problem. Industrija je pravila sisteme koji štede minute, a mi smo merili ponavljanja u procesu i pronašli dane koji se mogu uštedeti“, rekao je Fehling.

Jedno pismo vraćalo se i do 20 puta

Najveći zastoji nastajali su zbog stalne komunikacije između lekara i medicinskih sestara, kao i između mlađih i starijih lekara.

Podaci sa medicinskih uređaja nisu uvek bili pouzdani. Ako bi se senzor odvojio od pacijenta, sistem je mogao da zabeleži neuobičajene vrednosti. Pojedina polja u različitim procesima takođe nisu uvek imala isto značenje, zbog čega je medicinsko osoblje moralo dodatno da proverava podatke.

Drugi problem nastajao je kada bi mlađi lekar pripremio nacrt otpusnog pisma i poslao ga starijem lekaru. Dokument se potom više puta vraćao na doradu.

Ključni problem nije bilo samo vreme potrebno za čitanje. Stariji lekar je pri svakom novom otvaranju dokumenta morao ponovo da se priseti celokupnog slučaja i rekonstruiše kontekst pacijenta.

Tim je zato napravio sistem koji medicinskim sestrama nije postavljao široka pitanja, već im je nudio konkretnu pretpostavku koju su mogle da potvrde ili odbace za nekoliko sekundi. Stariji lekar je, pored nacrta pisma, dobijao i kontekst, odnosno izdvojene informacije koje bi trebalo dodatno da proveri.

Broj ponavljanja i vraćanja dokumenta, koji se kretao između pet i 20, smanjen je na dva ključna kruga provere.

Sistem je na početku grešio gotovo svaki put

AI sistem je prvo radio paralelno sa postojećim procesom, dok su ljudi zadržali punu kontrolu. Svaka ispravka i svako vraćanje dokumenta korišćeni su za unapređenje sistema.

„Sistem je u početku grešio gotovo svaki put. Lekari ga ipak nisu brzo prihvatili zato što je uvek bio u pravu, već zato što im je, pored predloga, pokazivao i obrazloženje. Mogli su da ga isprave i tako su počeli da mu veruju“, objasnio je Fehling.

Kako je naveo, sistem nije učio samo na osnovu izgleda dobrog otpusnog pisma, jer je svaki slučaj bio drugačiji. Učio je iz strukture dokumenta, povratnih informacija zaposlenih i izuzetaka koji su se pojavljivali tokom rada.

Farmaceutska kompanija skratila proces sa šest na dva meseca

Sličan pristup primenjen je i u globalnoj farmaceutskoj kompaniji koja je pripremala dokumentaciju za američku Upravu za hranu i lekove.

Tim je strukturirao propratno pismo i unapred predvideo pitanja koja bi mogli da postave različiti stručnjaci i zainteresovane strane. Time su smanjeni broj ponavljanja, dodatnih pitanja i vraćanja dokumentacije.

Proces koji je ranije trajao šest meseci skraćen je na dva meseca.

Fehling je objasnio da takva ušteda vremena može da ima veliki finansijski značaj. Lek koji ostvaruje izuzetno visoku prodaju može da donese oko tri milijarde dolara prihoda godišnje, odnosno približno osam miliona dolara dnevno.

„Ako takav lek izađe na tržište mesec dana ranije, govorimo o približno četvrt milijarde dolara dodatnog prihoda“, naveo je Fehling.

Posebno je istakao da projekat danas vodi regulatorni sektor farmaceutske kompanije, bez spoljne pomoći AI stručnjaka.

„To više nije AI projekat. To je njihov novi način pripreme dokumentacije“, rekao je on.

Uspeh se vidi kada klijent više ne zavisi od vas

Prema Fehlingovim rečima, najuspešniji model podrazumeva timove koji su neposredno uključeni u svakodnevno poslovanje kompanije.

Takav tim okuplja inženjere, ljude koji razumeju bilans uspeha i zaposlene koji svakodnevno obavljaju proces koji se menja. Oni zajedno odgovaraju za tehnologiju, radni proces, prihvatanje novog rešenja i poslovni rezultat.

„Ako model radi, ali ga niko ne koristi, tim nije uspeo. Ako ga svi koriste, ali se rezultat ne vidi u bilansu uspeha, tim ponovo nije uspeo. Nema mesta na kojem odgovornost može da se sakrije“, naglasio je Fehling.

Uspeh se, kako je objasnio, ne meri trenutkom kada spoljni tim napravi AI rešenje, već trenutkom kada kompanija može samostalno da ga koristi, održava i dalje razvija.

„Zanimljivo je da se uspeh vidi tek kada klijent vodi sistem bez vas. Vaše odsustvo tada postaje dokaz uspeha“, rekao je on.

Centralni AI tim nije dovoljan

Centralizovani AI timovi mogu da budu veoma korisni za standardizaciju, izgradnju platformi i unapređenje kvaliteta podataka. Ipak, oni iz udaljene kancelarije ne mogu da vide sve probleme koji se pojavljuju u stvarnom radu.

Ne mogu unapred da znaju da isto polje u bazi podataka ima različito značenje u različitim procesima, da se senzor odvojio od pacijenta ili da lekaru nedostaje kontekst koji nije naveden u formalnim zahtevima projekta.

Fehling je kao primer naveo kompaniju Bosch, koja je sistem za otkrivanje nepravilnosti prvo razvila na jednoj proizvodnoj stanici, zatim ga proširila na čitavu operaciju, a potom i na 250 fabrika.

Suština takvog pristupa je da kompanija prvo uvede rešenje u produkciju, zatim uči iz njegove primene i tek nakon toga ga širi.

Ne počinjite od velike AI strategije

Fehlingov savet rukovodiocima je da ne započinju AI transformaciju izradom široke strategije ili velike platforme za podatke.

Kompanija bi trebalo da izabere jedan konkretan problem koji se vidi u bilansu uspeha i za koji postoje jasni troškovi, gubici ili mogućnost dodatne zarade.

Nakon toga treba formirati mali tim sastavljen od inženjera i zaposlenih koji dobro poznaju taj proces. Njihov zadatak je da u roku od jednog kvartala uvedu rešenje u produkciju i izmere njegov stvarni finansijski efekat.

„Ne govorim o pilot projektu. Izaberite jedan problem, postavite mali tim unutar procesa, uvedite rešenje u produkciju za tri meseca i merite njegov uticaj na bilans uspeha“, poručio je Fehling.

Strategija može da pokaže u kojim oblastima treba primeniti veštačku inteligenciju, ali ne može unapred da predvidi kako će se konkretan posao promeniti kada AI postane njegov deo.

„Sve što treba da naučite o veštačkoj inteligenciji u svojoj kompaniji naučićete na taj način brže, bolje i jeftinije nego kroz veliki strateški projekat. Tehnologija je spremna. Problemi nastaju na spojevima unutar vaše organizacije i zato AI transformaciju ne možete voditi sa strane“, zaključio je Ronny Fehling.