Аналитика
Експериментот на Anthropic сугерира дека одговорот е „не“ и покажува што треба да направите наместо тоа.
Изминативе две години речиси секој извршен директор и раководител за дигитална трансформација со кого разговарам ми ги поставува истите две прашања. Може ли вештачката интелигенција (ВИ) едноставно да ги прочита сите наши податоци и да одговори на нашите прашања? И ако може, дали сѐ уште ни се потребни аналитичари на податоци? Луѓето ги поставуваат овие прашања како да станува збор за две одделни теми, но тие се едно исто прашање. А јас секогаш го давам истиот одговор: ограничувањето на вештачката интелигенција не е толку во нејзината интелигенција колку во квалитетот и значењето на податоците што ѝ ги даваме.
До неодамна, тој одговор се темелеше врз искуство. Денес тој став го потврдува и една од водечките компании за вештачка интелигенција во светот, Anthropic.
Да почнеме од фактите
Anthropic неодамна објави нешто што директно одговара на многу од овие дилеми. Компанијата што го создаде Claude во сопственото работење го тестирала токму оној предизвик што го гледам во многу организации низ Македонија и Европа. Во интерните проверки на Anthropic, Claude без специјализирани инструкции и деловен контекст не надминал 21 насто точност. Со други зборови, речиси четири од пет одговори биле погрешни. Откако компанијата додала јасни деловни дефиниции, уреден семантички слој, структурирана документација и механизми за проверка, точноста се искачила над 95 насто, а во одделни области редовно достигнувала околу 99 насто.
Не се сменил моделот. Се смениле контекстот што го добива, правилата според кои ги толкува податоците и начинот на кој се проверуваат неговите одговори.
Ова треба да се разбере како деловен, а не како технички факт. Ако ја насочите вештачката интелигенција кон податоци чиешто значење не е усогласено, таа нема да запре и да ви каже дека не е сигурна. Едноставно, со целосна самоувереност, ќе ви даде погрешна бројка многу побрзо отколку кој било човек. Несигурниот човек се двоуми и проверува уште еднаш пред да проговори. Машината, и кога е несигурна, сепак одговара, и тоа со целосна убеденост.
Самото тоа го решава првото прашање. Не, не треба едноставно да ја насочите вештачката интелигенција кон изворните податоци. Не затоа што е слаба, туку затоа што вашите податоци сѐ уште немаат единствено, усогласено значење врз кое таа може да се потпре. А токму тука почнува одговорот на второто прашање.
Реалноста во нашиот регион
Тука нашиот регион ја менува приказната, бидејќи пристапот што го примени Anthropic е потешко да се преслика во компаниите од нашиот регион. Anthropic ја поврза вештачката интелигенција директно со сопствените податоци. Особено кај банките, осигурителните компании и другите регулирани организации, поврзувањето на интерните податоци со надворешни сервиси со вештачка интелигенција бара внимателна правна, безбедносна и архитектонска поставеност. Тоа не е невозможно, но не е ниту едноставно. А бидејќи во регионот нема доволно локални центри за податоци во кои би можеле да работат најнапредните модели, изборот често се сведува на технички решенија што овозможуваат безбеден пристап до облакот или на локални модели што уште долго нема да се изедначат со најнапредните. Ова ограничување не ја ублажува лекцијата од Anthropic; напротив, ја прави уште порелевантна. Ако компанија што создава некои од најнапредните модели на вештачка интелигенција во светот сепак морала да изгради уредена основа за да ја зголеми точноста од 21 до над 95 насто, тогаш компанија што почнува со послаби алатки не може да ја прескокне таа основа и тивко да се надева дека моделот ќе ја надомести разликата. Од Скопје не можете да го надминете Anthropic со подобар модел.
Но со подобро управување со податоците можете да надминете речиси секого.
Токму затоа таа основа е единственото нешто што е целосно во ваши раце: дури и послаб модел што работи со добро уредени податоци ќе го надмине најсилниот модел во светот поставен врз хаос.
Во мојата работа низ регионот, токму поимот „управување со податоците“ најчесто се разбира погрешно. Затоа вреди јасно да кажеме што е, а што не е. Управувањето со податоците (Data Governance) не е нешто што го правите само затоа што регулаторот го бара, ниту е ексел-табела во која некој некогаш запишал список со дефиниции што оттогаш никој не го отворил. Вистинското управување со податоците е истовремено и култура и структура. Тоа е заеднички договор што важи низ целата компанија и утврдува што навистина значи секој важен показател, кој е одговорен за неговата дефиниција кога ќе се појави спор и како секоја бројка на секој екран може да се проследи до изворот од кој потекнува. Тоа е бавната и неатрактивна работа да се утврди дека „активен клиент“ ќе има една, а не три дефиниции, а потоа да се изгради дисциплина тоа да остане така и кога луѓето си заминуваат, системите се менуваат и врз старите се градат нови извештаи.
Токму тука е ранлив нашиот дел од Европа, а бројките јасно го покажуваат јазот. Во истражувањето на ОЕЦД од 2026 година, кое опфатило повеќе од 800 компании од Западен Балкан, 48 насто од испитаниците навеле дека користат некаков облик на вештачка интелигенција. Но употребата е концентрирана кај лесно достапни, општи алатки: 30 насто користат генеративна вештачка интелигенција од типот на ChatGPT, додека сопствени системи базирани на вештачка интелигенција и алатки со вградени модели за машинско учење користат околу 9 насто. Аналитика на големи количини податоци користат само околу 2 насто. Тие бројки не ме изненадуваат затоа што ги опишуваат реалните дискусии со кои се среќавам речиси секоја недела: сопственик со вистински ентузијазам, неколку лиценци за ChatGPT веќе во употреба, а под сето тоа остануваат истите неусогласени дефиниции за истите показатели што никој немал време да ги среди. Истражувањето само потврдува дека ова не е проблем на една компанија, туку вообичаена состојба на нашиот пазар: вистински ентузијазам што почива врз многу тенка основа.
Затоа основата не е чекор што можете да го прескокнете на почетокот и подоцна тивко да ѝ го препуштите на машината. Таа е суштинската работа, а неа можат да ја завршат само луѓето. Тоа нѐ носи до прашањето што секој сопственик ми го поставува штом ќе кажам дека основата мора прво да се изгради: ако го изградам сето ова, ако конечно им дадам на податоците едно усогласено значење врз кое можат да се потпрат и човекот и машината, дали тоа значи дека аналитичарите веќе не ми се потребни?
Лекцијата од програмерите: што нѐ учи кодирањето за аналитиката?
Пред да одлучите за судбината на вашите аналитичари, вреди да погледнете што се случува кај софтверските програмери. Во изминатите шест месеци, во нивната индустрија јавно се водеше токму оваа дебата, а јас внимателно ја следев, бидејќи речиси секој аргумент директно се пресликува врз аналитиката.
Речиси веднаш се формираа два табора: едниот тврдеше дека вештачката интелигенција тивко ги презема работните места, а другиот дека причините се пошироките промени на пазарот и очекувањата, додека самата вештачка интелигенција во моментов се користи само како изговор. Од она што секојдневно го гледам на пазарот, и двата табора се во право, но секој само за својата половина. Рутинската работа на почетните позиции навистина исчезнува прва. Истовремено, компаниите навистина ја користат вештачката интелигенција како прифатливо оправдување за кратења што и онака би ги направиле.
Од заклучоците до кои на крајот стигнаа двата табора, за вашиот тим за податоци е важен само еден: вештачката интелигенција ја презема рутинската работа, човечката проценка станува ретка вештина, а вистинската опасност што се крие зад добивките во продуктивноста е да го испразните сопствениот тим. Ако денес целосно го прекинете вработувањето на почетни позиции, за три до пет години нема да имате доволно искусни луѓе што можат да ги преземат посложените улоги. Заштедата ќе се види веднаш; празнината во знаењето ќе се појави подоцна. Тој трошок нема да се појави како посебна ставка во буџетот. Токму затоа е толку опасен. Без оглед дали причината е рецесија или вештачка интелигенција, грешката е иста: ја жртвувате следната деценија за да изгледате ефикасно овој квартал.
А што се случува со вашите аналитичари?
Во изминатата деценија, на раководители во банки, осигурителни компании и трговски синџири низ регионот им го поставував истото едноставно прашање: колку активни клиенти имаме? Речиси никогаш не добив ист одговор. Секторот за ризик има една бројка, тимот за задржување на клиентите друга, а секторот за раст трета. Секоја од нив е точна во рамките на сопствениот извештај, бидејќи секој оддел го дефинира зборот „активен“ малку поинаку. Никој не греши, но никој не може да се согласи.
Сега замислете врз сето тоа да поставите вештачка интелигенција. Таа нема да запре за да праша кое значење сте го имале предвид. Едноставно, ќе избере едно и со целосна самоувереност ќе ви даде бројка. Сум присуствувал на токму таква сцена: во сала полна со раководители од највисоко ниво беше презентиран самоуверен, но погрешен одговор.
Секоја од тие компании се наоѓа во една од две ситуации: или сѐ уште нема соодветен систем за деловна интелигенција (BI), па нема сигурен увид во сопствените бројки; или има извештаи, но нема усогласено значење зад нив, па на истото прашање се даваат три одговори на три состаноци. Во двете ситуации, пак, над сето тоа стои сопственик што е воодушевен од вештачката интелигенција и сака да ја користи веднаш.
Еве ја реченицата што ги решава двете прашања од почетокот: на вештачката интелигенција ѝ недостига контекст, а управувањето со податоците е токму контекстот што ѝ недостига. Тоа значи дека аналитичарот не е оној што вештачката интелигенција го заменува, туку оној што ѝ го дава единственото нешто што таа го нема.
Самата работа се менува и би било нечесно да се тврди поинаку. Рутинското подготвување извештаи и извлекувањето на стандардните неделни бројки навистина ги презема машината, исто како што веќе презема и дел од почетничката работа кај младите програмери. Преправањето дека ништо не се менува е истата грешка што ја направија оние што веруваа дека е доволно само да го опишат софтверот и веднаш да го пуштат во употреба, сѐ додека софтверот не почна да откажува во реални услови. Но посложената работа не исчезнува. Да се одлучи која дефиниција е вистинската, да се провери бројката пред да стигне до управниот одбор и да се поврзат податоците со реална одлука: сето тоа станува работа од повисоко ниво и завршува кај вашиот аналитичар.
Што да направите?
Мојот совет до компаниите е да направат два потега. IBM веќе оди во слична насока, но логиката е применлива и за компаниите од нашиот регион.
Првиот потег е да вложувате повеќе во нивната обука. Додека другите кратат за да заштедат видлива ставка во буџетот за плати, вие ја зајакнувате токму способноста во која мора да станете подобри. Времето што машината го ослободува насочете го кон значење, контекст и потешки деловни прашања за кои порано никој немал време.
Вториот потег е директно да ги вклучите во деловните процеси, затоа што тие веќе не треба да останат изолиран тим, исто како што вештачката интелигенција веќе не е само работа на информатичкиот сектор. Вештачката интелигенција престана да биде проект што живее во информатичкиот оддел и се пресели во секој процес на компанијата. Аналитичарите треба да го направат истиот потег: да излезат од изолираниот свет на извештаите и да застанат до местото каде што се носат одлуките, како луѓе што се одговорни за тоа што значат бројките.
Значи, може ли вештачката интелигенција да ги замени вашите аналитичари?
Не. Ќе го „отпушти“ несуштинскиот дел од нивната работа, а ќе го „унапреди“ делот што отсекогаш бил суштински.
Извори: Anthropic, How Anthropic enables self-service data analytics with Claude (21 насто / над 95 насто / околу 99 насто). ОЕЦД, Western Balkans Enterprise Survey, 2026 (истражување на повеќе од 800 компании во регионот: 48 насто користат некаков облик на вештачка интелигенција; 30 насто користат генеративна вештачка интелигенција; по околу 9 насто користат сопствени системи базирани на вештачка интелигенција и алатки со вградени модели; околу 2 насто користат аналитика на големи количини податоци). Stanford Digital Economy Lab, Canaries in the Coal Mine?, ноември 2025 (вработеноста кај младите програмери е намалена за околу 20 насто). Oxford Economics, Evidence of an AI-driven shakeup of job markets is patchy, јануари 2026. Bloomberg / Fortune / IBM, февруари 2026 (IBM планира тројно да го зголеми вработувањето на почетни позиции во САД).
Автор: Филип Петровски
Лектор: Христина Ангелеска-Мијоска
Преземањето на авторски содржини (текстови и фотографии) од оваа страница е дозволено само делумно и важат условите опишани на следниот линк.
