Veštačka inteligencija: šta zapravo jeste, a šta ti prodaju
U Srbiji svakog meseca oko 49.500 ljudi ukuca „veštačka inteligencija” u Google. Ono što ih dočeka su uglavnom stranice samih alata, jedan članak sa Vikipedije i PDF ministarstva prosvete. Da danas krećem od nule, bio bih potpuno pretrpan informacijama. Zato ovo nije spisak alata nego objašnjenje kako stvar radi, bez fascinacije i bez straha.
Šta je veštačka inteligencija, bez zaobilaženja
Veštačka inteligencija je zajedničko ime za programe koji rešavaju zadatke tako što uče iz podataka, umesto da im neko unapred napiše svako pravilo.
To je cela definicija. Nema svesti, nema razumevanja i nema namere. Klasičan program radi po pravilima koja je čovek napisao: ako je ovo, uradi ono. Sistem koji uči dobije ogromnu količinu primera i sam izvuče obrazac iz njih.
Razlika je ista kao između recepta i kuvara koji je pojeo hiljadu jela pa zna kako treba da izgleda. Recept ne greši, ali ne ume ništa novo. Kuvar ume, ali ponekad promaši.
Ono što danas svi zovu veštačkom inteligencijom je zapravo jedan njen deo, veliki jezički modeli. ChatGPT, Claude, Gemini i DeepSeek su sve to. Ostatak polja postoji decenijama i uglavnom ne dospeva u vesti. O razlici između dva najveća pisao sam u tekstu zašto sam ChatGPT zamenio za Claude.
Kako to zapravo radi
Model ne pretražuje bazu i ne kopira odgovore odnekud. On predviđa sledeći deo teksta, jedan po jedan, na osnovu svega što je do tada video.
Tekst se prvo secka na sitne komade koje zovemo tokeni. Nisu to reči nego delovi reči. Rečenica koju čitaš je za model niz brojeva, a ne niz pojmova.
Onda model računa šta je najverovatnije da sledi. Pa opet. Pa opet. Odgovor koji ti izgleda kao promišljena misao nastao je tako što je hiljadu puta rešeno pitanje šta bi ovde logično išlo dalje.
Zato dobro zvuči čak i kad greši. Model nije obučen da bude u pravu nego da bude verovatan, a to su dve različite stvari koje se često poklope i povremeno ne.
Ovde pada i najčešća zabluda. Ljudi misle da model negde ima bazu činjenica koju konsultuje. Nema je. Ono što ima su vrednosti koje su se namestile tokom obuke tako da dobro pogađaju nastavak, i ništa više od toga.
„Model nije obučen da bude u pravu nego da bude verovatan“
Zašto izmišlja, i zašto to neće nestati
Kad model napiše nešto što nije tačno, to se zove halucinacija. Reč je loša jer zvuči kao kvar, a nije kvar nego posledica onoga kako stvar radi.
Ako sistem uvek bira ono što je najverovatnije da sledi, on će i za nepostojeći podatak proizvesti nešto što izgleda tačno. Izmišljen citat ima oblik pravog citata. Nepostojeći zakon zvuči kao pravi zakon.
Zato je opasnost najveća tamo gde ne umeš da proveriš. Ako pitaš nešto iz svoje struke, prepoznaćeš glupost za sekundu. Ako pitaš van nje, nemaš čime da uhvatiš grešku.
Praktično pravilo koje vredi zapamtiti: alat koristi tamo gde umeš da oceniš rezultat. Sve ostalo obavezno proveri kod izvora.
Ista logika važi i za slike. Kad model napravi ruku sa šest prstiju, to nije greška u crtanju nego isti mehanizam: sastavio je nešto što statistički liči na ruku, a nikad nije naučio koliko prstiju ruka ima.
Šta stvarno dobro radi
Kad se skine oduševljenje, ostane kratak spisak stvari u kojima je zaista bolji od čoveka po odnosu vremena i cene.
Prva je pretvaranje jednog oblika u drugi: govor u tekst, dug tekst u sažetak, tabela u opis, srpski u engleski. Tu greši retko i štedi najviše.
Druga je prva verzija bilo čega. Prazan papir je najskuplji deo svakog posla. Model ga uklanja za nekoliko sekundi, i nije važno što je ta verzija osrednja.
Treća je rad sa velikom količinom teksta odjednom. Pročitati sto komentara i izvući šta se ponavlja je posao od pola dana za čoveka i od minut za model.
Ono što je zajedničko svim trima: rezultat lako proveriš. Vidiš na prvi pogled da li je sažetak promašio, da li je prevod loš, da li je prva verzija upotrebljiva. Tamo gde proveru ne možeš da uradiš brzo, i korist naglo pada.
Šta ne radi dobro, ma šta ti pričali
Ne razume kontekst koji mu nisi rekao. Ne zna šta se dešavalo na sastanku, ko je u firmi problematičan i zašto je klijent nervozan. Radi isključivo sa onim što mu daš.
Loš je u računu i u preciznoj logici, koliko god to zvučalo neverovatno za mašinu. Predviđa tekst, a matematika nije tekst.
Nema ukus. Napraviće ti deset verzija naslova, ali ne može da odluči koji je dobar. Ta odluka ostaje tvoja i ona je jedino što te razlikuje od nekoga ko koristi isti alat.
I najvažnije: ne preuzima odgovornost. Kad nešto pođe naopako, ne stoji iza toga model nego ti koji si to potpisao i poslao.
„Nema ukus, a ta odluka je jedino što te razlikuje“
Šta u Srbiji zaista traže, i šta to govori
Izvukao sam podatke o tome šta se kod nas stvarno pretražuje, jer se o tome uglavnom nagađa.
Pojam veštačka inteligencija ima oko 49.500 pretraga mesečno. Odmah do njega su Gemini sa 368.000, ChatGPT sa oko 110.000, pa Claude i DeepSeek sa po 22.200.
Zanimljivo je šta se ne traži. Fraze kao „najbolji AI alati”, „kako koristiti AI” ili „AI za posao” nemaju zabeležen volumen na srpskom. Sve se piše o njima, a niko ih ne kuca.
A najzanimljiviji je rep. Ljudi traže „veštačka inteligencija seminarski rad”, „prezentacija”, „primeri”, uz nazive fakulteta. To znači da je najveći deo domaće potražnje i dalje na nivou učenja, a ne primene. Ko sada objasni stvari kako treba, biće tu kad ta publika pređe na primenu.
„Sve se piše o AI alatima, a niko ih ne kuca u pretragu“
Odakle da počneš, konkretno
Većina sadržaja o veštačkoj inteligenciji ima jedan od dva problema. Ili je zastareo, ili je toliko teoretski da ga nikad nećeš zaista koristiti. Zbog toga ljudi krenu redom kroz sve što nađu i tu upadnu u zamku.
Ne kreni od alata nego od zadatka. Uzmi jednu stvar koju radiš svake nedelje i koja ti je dosadna. Ne najvažniju, nego najdosadniju.
Zatim proveri da li je taj zadatak pretvaranje jednog oblika u drugi, prva verzija nečega, ili prolazak kroz mnogo teksta. Ako jeste, dobar je kandidat. Ako nije, ostavi ga.
Uzmi besplatnu verziju bilo kog velikog modela i probaj isti zadatak deset puta tokom nedelju dana. Pravi cilj nije da vidiš šta alat ume, nego da naučiš gde te izneveri.
Tek posle toga razmišljaj o plaćanju. Pretplata ima smisla kad ti alat mesečno oslobodi više sati nego što košta, a ne kad ti se dopadne.
Ono što bih izbegao: spiskovi od sto alata koje treba isprobati, komplikovani promptovi i sve što će za šest meseci ionako biti nebitno. Nekoliko principa koji traju vredi više od stotinu trikova koji ne traju.
Da li će ti uzeti posao
Najčešće pitanje i najgore postavljeno. Nije stvar u tome da li nestaje zanimanje, nego koji njegov deo nestaje.
Nestaje deo koji je pretvaranje i ponavljanje. Kucanje transkripta, prva verzija opisa, prevod, sređivanje tabele. Taj posao je već sada jeftiniji nego što ti vredi sat.
Ostaje deo koji traži odgovornost, procenu i odnos sa čovekom. Ko odlučuje šta valja, ko stoji iza greške i ko ume da objasni odluku klijentu koji nije zadovoljan.
Praktično: opasnost nije mašina nego kolega koji je nauči pre tebe. To je stara priča sa novim imenom i ponavlja se sa svakim alatom poslednjih trideset godina.
Vredi i obrnuto pogledati. Ako je tvoj posao većim delom pretvaranje i ponavljanje, to nije razlog za paniku nego najjasniji mogući signal gde da uložiš sledećih šest meseci.
A ako gledaš gde ima novca, moj odgovor je nepopularan jer nije glamurozan. Nije u pisanju objava nego u pravljenju i uvođenju agenata u firme. O tome se trenutno najmanje priča, a to je posao koji neko mora da odradi u svakoj firmi koja ovo shvati ozbiljno. Mislim da će za godinu dana tu biti gužva.
Pet pojmova koje stalno mešaju
Veštačka inteligencija je najširi pojam, kišobran za sve programe koji uče iz podataka. Postoji od pedesetih godina prošlog veka.
Mašinsko učenje je deo tog kišobrana: pristup u kom sistem izvlači pravila iz primera umesto da mu ih čovek napiše. Ovim se filtrira nepoželjna pošta i preporučuje sledeći video već godinama.
Neuronske mreže su jedna tehnika unutar mašinskog učenja. Ime je nezgodno jer podseća na mozak, a reč je o slojevima množenja brojeva. Sličnost sa neuronima je labava metafora iz četrdesetih.
Veliki jezički model je neuronska mreža obučena na ogromnoj količini teksta da predviđa nastavak. Tu spadaju ChatGPT, Claude i Gemini.
Generativna veštačka inteligencija je zbirno ime za sve što proizvodi novi sadržaj, dakle i tekst i slike i zvuk. Kad neko kaže da radi sa AI, u devet od deset slučajeva misli baš na ovo.
Kratka istorija, jer objašnjava sadašnjost
Pojam je dobio ime 1956. na konferenciji u Dartmutu. Ideja da mašina može da uči stara je koliko i računari.
Onda je usledilo nekoliko decenija uspona i padova koje u struci zovu zimama veštačke inteligencije. Svaki put bi neko obećao mislećeg robota, novac bi pristigao, rezultat ne bi stigao, i sve bi utihnulo.
Prelom se desio 2017. godine, radom o arhitekturi zvanoj transformer. To je tehnika koja je omogućila da model obrađuje ceo tekst odjednom umesto reč po reč. Sve što danas koristiš stoji na tom radu.
Zašto ovo uopšte znati: zato što je ovo treći ciklus oduševljenja u istoriji ove tehnologije. Prva dva su se završila razočaranjem jer su obećanja išla daleko ispred onoga što je alat umeo. Isplati se prepoznati taj obrazac dok si u njemu.
„Ovo je treći ciklus oduševljenja, a prva dva su se završila razočaranjem“
// Zaključak
Veštačka inteligencija nije ni čudo ni prevara. To je alat koji izvanredno radi jedan uzak skup poslova, uverljivo greši van njega, i nema nijednu od osobina koje mu pripisuju i oduševljeni i uplašeni.
Ako si dogurao dovde, uradi jednu stvar pre nego što zatvoriš stranicu. Seti se jednog zadatka koji ti oduzima vreme svake nedelje i probaj da ga daš modelu, celog, ne u komadima. Za jedno popodne ćeš znati više nego iz deset ovakvih tekstova. A ako naletiš na nešto što ti alat uporno ne rešava, piši mi, jer su mi ti primeri korisniji od uspešnih.