Ovaj jaz od 90% nam govori nešto ključno o tome gde se nalazimo na krivulji usvajanja AI tehnologije i nije reč samo o brojkama.

Ono što me najviše pogađa nije podatak o 10% penetracije, već šta tih 10% zapravo radi sa ChatGPT-om.

Dominacija pisanja i praktičnih smernica (56% zajedno) otkriva nešto što konstantno vidimo u organizacionom usvajanju: ljudi ne traže magiju. Traže partnerstvo u zadacima koje već razumeju, ali žele da ih rade bolje ili brže.

Relativno mali udeo kodiranja (8%) je posebno zanimljiv za nas koji radimo na usvajanju AI tehnologija u preduzećima. Narativ oko AI-a je bio dominiran tehničkim slučajevima upotrebe, a ipak ponašanje potrošača pokazuje da jezički rad uređivanje, komunikacija, prevođenje, podučavanje predstavlja mesto gde se odvija pravi kognitivni napor za većinu ljudi.

Ovaj jaz između očekivanja kompanija i stvarnih obrazaca korišćenja je nešto sa čim organizacije moraju da se suoče dok grade AI strategije.

Ali evo dubljeg značenja: preostalih 90% neće jednostavno replicirati ove obrasce u većem obimu. Kako usvajanje prelazi sa ranih korisnika na populacije sa različitim pristupom obrazovanju, nivoima pismenosti i tehnološkom udobnošću, verovatno ćemo videti eksploziju kategorije “Praktične smernice”.

Podučavanje, saveti za “kako”, zdravstvene smernice ovo predstavlja demokratizaciju pristupa ekspertizi koja je istorijski bila ograničena troškovima, geografijom ili akreditivima.

Minimalna upotreba za samoizražavanje (4%) je ohrabrujuća iz perspektive izgradnje sposobnosti. Sugeriše da većina korisnika instinktivno razume razliku između alata i odnosa mada, ovo može da se promeni kada usvajanje dosegne izolovane ili emocionalno nedovoljno podržane populacije.

Za nas koji dizajniramo okvire za AI usvajanje, ovi podaci potvrđuju nešto ključno: održiva AI integracija nije o tome da naučimo ljude da rade fundamentalno nove stvari.

Reč je o proširivanju kognitivnog rada koji već obavljaju pisanje, učenje, rešavanje problema i izgradnji pismenosti da to rade dobro. Prilika od 90% nije samo rast tržišta.

To je odgovornost da osiguramo da se ta ekspanzija dešava sa transferom sposobnosti, a ne stvaranjem zavisnosti.

Kako proširiti kognitivni rad i izgraditi AI pismenost

Ključ je u kontekstualnom scaffoldingu, odnosno postepenom građenju veština kroz autentične radne zadatke, ne kroz apstraktno učenje “kako koristiti AI”.

Tri sloja pristupa:

1. Zadatak kao ulazna tačka (ne alat)

• Ne počinješ sa “evo ChatGPT, nauči ga koristiti”
• Počinješ sa: “imaš izveštaj koji moraš napisati”, “imaš mejl koji ne znaš kako da formulišeš”, “pokušavaš da razumeš komplikovanu proceduru”
• AI postaje alat unutar poznatog konteksta, ne nova veština koju treba savladati

2. Eksplicitno učenje strukture mišljenja

• Ljudi ne znaju šta ne znaju o sopstvenom kognitivnom procesu
• Kada koriste AI za pisanje, moraju razumeti: kako strukturirati argument, kako proveriti logiku, kako prepoznati jaz između “dobro zvuči” i “zapravo ima smisla”
• Ovo znači učiti metakogniciju kroz LLM interakciju. AI postaje ogledalo njihovog razmišljanja

3. Iterativna samostalnost

• Faza 1: AI generiše, čovek kritikuje (razvija kriterijume kvaliteta)
• Faza 2: Čovek daje AI uputstva, AI izvršava (razvija preciznost u komunikaciji)
• Faza 3: Čovek i AI ko-kreiraju (razvija strategiju i procenu)
• Faza 4: Čovek radi samostalno, AI koristi za proveru (internalizovane veštine)

---

Demokratizacija ekspertize, kako se dešava prelazak

Evo kako se odvija ovaj prelazak kroz konkretne mehanizme:

1. Od eksplicitnog ka implicitnom znanju

Istorijski, stručnost je bila dostupna u dva oblika:

• Eksplicitno znanje: knjige, kursevi, sertifikati (troškovno nepristupačno)
• Implicitno znanje: iskustvo, mentorstvo, “radno vreme sa ekspertom” (geografski i socijalno ograničeno)

AI asistenti menjaju ovu jednačinu jer mogu:

• Pružiti personalizovano objašnjenje složenog koncepta (kao privatni tutor)
• Odgovoriti na “glupo” pitanje bez osude (socijalna barijera pada)
• Dati savete bazirane na kontekstu bez potrebe za skupim konsultantom

Primer:

• Ranije: Da bi nauči kako da vodi teške razgovore sa zaposlenima, menadžer je morao ili na skup trening ili da ima dobrog mentora
• Sada: Menadžer može simulirati razgovor sa AI-om, dobiti feedback na pristup, iterirati dok ne stekne samopouzdanje

2. Prelazak na manje tehnički pismene korisnike

Rani korisnici (10%) imaju dve prednosti:

• Tehnološku pismenost (znaju kako da formulišu prompt, kako da iteriraju)
• Kritičko mišljenje (znaju kada AI greši, imaju ekspertizu da provere)

Sledećih 90% to često nema. Zato moraju postojati posredničke strukture:

a) Predefinisani scenariji umesto praznog interfejsa

• Ne: “Evo ChatGPT, koristi kako hoćeš”
• Da: “Klikni ovde za: help sa pisanjem CV-ja / razumevanje medicinskog izveštaja / planiranje budžeta”
• Ovo je razlog zašto custom AI agenti i specijalizovani interfejsi postaju kritični

b) Ugrađena zaštita od pogrešne upotrebe

• AI koji kaže “za ovo bi trebalo da konsultuješ pravog doktora” umesto da daje medicinske dijagnoze
• AI koji eksplicitno pokazuje neizvesnost umesto lažnog autoriteta
• Različiti nivoi pristupa zavisno od znanja korisnika

c) Socijalna infrastruktura oko alata

• AI adoption mora imati zajednicu učenja
• Peer-to-peer deljenje slučajeva upotrebe (“evo kako sam ja to koristio”)
• Lokalne “AI pismenosti radionice” koje prevedu tehnologiju na jezik realnih problema ljudi

3. Konkretne kategorije koje eksplodiraju

Tutoring (10% → potencijalno 25%+)

• Personalizovano učenje bilo čega jezika, veština, akademskih predmeta
• Dostupno 24/7, bez troškova, prilagođeno tempu učenja
• Otklanja geografske i ekonomske barijere obrazovanja
• Kritična komponenta: naučiti ljude DA POSTAVLJAJU PRAVA PITANJA, ne samo da prihvataju odgovore

How-to saveti (9% → potencijalno 20%+)

• Od popravke slavine do pokretanja biznisa
• Zamena za skupo plaćene konsultante, YouTube pretrage, i “neko ko poznaje nekog ko zna”
• Rizik: preveliko samopouzdanje u oblastima gde tačnost je kritična (građevina, zdravlje, zakon)
• Potreban je sistem verifikacije – AI + čovek ekspert za kritične oblasti

Zdravlje i self-care (6% → potencijalno 15%+)

• Tumačenje simptoma (ne dijagnoze), razumevanje opcija lečenja, navigacija zdravstvenog sistema
• Ovo je oblast gde demokratizacija je najvažnija (zdravstvene nejednakosti su ogromne) ali i najrizičnija
• Model: AI kao informacioni sloj PRED profesionalnu konsultaciju, ne zamena za nju

4. Šta se mora desiti da bi ovo bilo održivo

Medijska i AI pismenost kao osnovna veština

• Kao što su pisanje i računanje osnovne veštine 20. veka, sposobnost rada sa AI-om je osnovna veština 21. veka
• Ovo znači: razumevanje šta AI može/ne može, kako proveravati output, kako iterirati
• Ne može biti “naučite ChatGPT” – mora biti “naučite kako da razmišljate SA AI-om”

Kulturna prilagodljivost

• AI sistemi trenirani na zapadnim podacima ne razumeju kontekst drugih kultura
• Potreban je kapacitet da se AI “prilagodi” lokalnim normama, jeziku, vrednostima
• Ovo je razlog zašto custom AI agenti i lokalne implementacije su superiorne monopolističkim platformama

Sledećih 90% korisnika neće biti data scientists. Biće medicinske sestre koje trebaju pomoć sa dokumentacijom, nastavnici koji žele prilagođene planove nastave, lokalni preduzetnici koji žele da razumeju tržište.

Naš posao je da osiguramo da kada taj talas dođe, ljudi steknu sposobnosti, ne samo pristup.