Orodja, s katerimi lahko delo treh polno zaposlenih opravi en sam človek, so na voljo že od leta 2024. Medtem ko se stroka prepira, ali bo pravi AGI prišel leta 2035 ali 2047, jih konkurent na vašem trgu že uporablja.
Po McKinseyju obstoječe zmožnosti umetne inteligence ponujajo za 4,4 bilijona dolarjev letne produktivnosti, ki ostaja neizkoriščena. Velika večina podjetij pri delu ni spremenila ničesar, da bi od tega iztržila vsaj del.
Ta članek ne govori o AGI, temveč o tem, ali izkoriščate tisto, kar že imate na voljo. Če tega ne počnete, bodo tisti, s katerimi se merite, to prednost kmalu izkoristili.
Vrzel pri uvajanju, v golih številkah
Številke so neusmiljeno jasne.
Če McKinseyjevi oceni 4,4 bilijona dolarjev prištejemo še programsko integracijo, se številka približno podvoji, na 7,9 bilijona dolarjev. Ista raziskava ugotavlja, da je zrelo umeščenost doseglo komaj 1 % organizacij, med najuspešnejša podjetja (t. i. high performerje) pa se jih uvršča le 6 %: to so podjetja, ki so na novo zasnovala delovne procese, prerasla fazo pilotnih projektov in si namesto postopnih zastavila preobrazbene cilje.
Tam, kjer je umetna inteligenca dobro umeščena, rezultati niso zgolj teoretični. Goldman Sachs je zabeležil 30-odstotni mediani dvig produktivnosti na dveh področjih: pri podpori strankam in pri razvoju programske opreme. McKinsey opisuje klicni center s 5.000 agenti, ki je po tem, ko je umetno inteligenco vgradil v svoj delovni proces, na uro rešil 14 % več primerov. Ena od poslovnih enot, navedena v istem poročilu, je na svojih odhodnih kanalih pognala prilagajanje z umetno inteligenco in zabeležila 41 % višjo konverzijo pri SMS-sporočilih ter 25 % boljše rezultate pri elektronski pošti.
Zdaj pa poglejmo drugo stran. Goldman je dobesedno zapisal, da »na ravni celotnega gospodarstva še vedno ne najdemo pomembne povezave med produktivnostjo in uvajanjem umetne inteligence«. V ZDA umetno inteligenco za katerokoli poslovno funkcijo uporablja manj kot 20 % podjetij. Deloittovo poročilo State of AI za leto 2026 kaže, da je le 25 % podjetij preneslo 40 % ali več svojih poskusov z umetno inteligenco v produkcijo, 84 % pa jih delovnih mest ni na novo zasnovalo glede na zmožnosti umetne inteligence.
To je tista vrzel. Na eni strani ogromen, izmerjen skok produktivnosti, na drugi pa velika večina podjetij, ki stoji na ničli.
Viri: McKinsey Superagency (priložnost za 4,4 bilijona dolarjev, 1 % zrelosti), McKinsey State of AI (6 % high performerjev), Deloitte 2026 State of AI (25 % v produkciji, 84 % preoblikovanja delovnih mest), Goldman Sachs prek Fortuna (30 % dviga, brez povezave na ravni gospodarstva).
Razmik je tako velik, da se že delna uvedba današnjih orodij bolj splača kot čakanje na jutrišnje modele. To ni vprašanje petih let, ampak enega četrtletja. Podjetij, ki iztržijo 30-odstotni dvig, ne poganja AGI, poganjajo jih današnji vrhunski modeli in pripravljenost, da delo zastavijo na novo.
Zakaj vrzel obstaja: AI kot dodatek proti AI-native delu
Tistih 84 % ni takšnih zato, ker bi bilo umetno inteligenco težko namestiti. Za račun na ChatGPT potrebujete devetdeset sekund. Razlog, da skoraj nihče ne dosega McKinseyjevih rezultatov, je ta, da skoraj vsi umetno inteligenco uporabljajo kot dodatek k načinu dela, kakršnega so imeli že prej.
Delo z AI kot dodatkom je v praksi videti nekako takole. Usedete se k istemu delu, kot ste ga opravljali od nekdaj. Nekje vmes preskočite v okno s klepetom, prilepite vprašanje, odgovor skopirate nazaj in nadaljujete. Delovni proces ostane isti. Oblika dela, predaje, vhodni podatki, vpleteni ljudje, vse to je še vedno urejeno tako, kot je ekipa delovala, preden je umetna inteligenca sploh obstajala. Obstoječemu procesu ste dodali hitrejše samodejno dopolnjevanje in temu rekli preobrazba.
AI-native delo je ravno nasprotno. Najprej se odločite, kakšen rezultat potrebujete, nato zasnujete sistem, ki ga proizvede. Umetna inteligenca ni več okno s klepetom, ki ga obiščete, ko se je spomnite. Je infrastruktura, ki od torka do četrtka teče v ozadju in v petek postreže z dokončanim rezultatom, sem ter tja jo pogledate, večinoma pa kar teče sama.
Prav to vrzel McKinsey meri, ne da bi jo tako poimenoval. Vsaka statistika o dvigu produktivnosti, ki pride iz na novo zasnovanega poslovanja, sodi na AI-native stran. Vsak pilotni projekt, ki je razočaral, vsaka zgodbica v slogu »preizkusili smo umetno inteligenco, pa se ni nič premaknilo«, sodi na stran umetne inteligence kot dodatka. Isti modeli, isti podatki, povsem drugačni izidi, ker je bilo delo samo zastavljeno drugače.
Naj navedem svoj primer. Vodim neodvisno AI agencijo in edini razlog, da je to sploh izvedljivo ob času, ki ga imam, je, da izvedbeni del teče na infrastrukturi, ki sem jo enkrat postavil in se je zdaj komaj še dotaknem. Nagovarjanje strank, pošiljanje opomnikov, priprava vsebin, uvajanje novih strank, zajemanje podatkov, ničesar od tega ne opravljam korak za korakom v oknu s klepetom. Gre za nabor agentov in veščin, nastavljenih tako, da opredeljeno delo opravijo brez mene. Lep primer je eno od mojih orodij za zajem podatkov: z vsega trga pobere cene konkurence, jih poenoti, opozori na odstopanja in pripravi poročilo. Zasnoval sem ga enkrat, sistem pa ga po urniku poganja, ne da bi jaz odprl brskalnik.
To ne pomeni, da ne delam nič. Veliko stvari je avtomatiziranih, rezultate pa večinoma pregledujem in usmerjam, ne pa da bi jih ustvarjal.
Prav ta en premik, od »umetno inteligenco bom uporabljal kot pomoč pri delu« k »zasnoval bom sistem, ki delo opravi namesto mene«, loči 6 % od 84 %.
Vprašanje ni, ali umetno inteligenco uporabljati, ampak ali jo boste obravnavali kot dodatek v starem delovnem procesu ali pa okoli nje zgradili novega. Prvo komaj kaj spremeni, drugo prinese tistih 30 %, ki jih je izmeril Goldman. Večina podjetij še vedno vozi po prvi možnosti in se sprašuje, zakaj so njihovi rezultati videti točno tako, kot jih ta pot prinaša.
V čem je umetna inteligenca zares dobra
Umetna inteligenca je izjemna pri izvajanju opredeljenih procesov. Z »opredeljen« mislim jasne vhodne podatke, predvidljiva pravila odločanja in pričakovano obliko rezultata. Če korake spravite na eno stran in bi jim znal slediti tudi drug človek, jih zmore umetna inteligenca opraviti tisočkrat na dan, ne da bi se utrudila, ne da bi izgubila zbranost in ne da bi zahtevala višjo plačo.
Takih kategorij, ki sodijo v »opredeljen proces«, je več, kot si večina predstavlja: podpora strankam po scenariju, pisanje kode po specifikaciji, zajemanje podatkov iz dokumentov, preverjanje skladnosti s pravili, nadzor kakovosti glede na znan standard, prilagajanje vsebine glede na lastnosti uporabnika, povzetki sestankov z jasnimi naslednjimi koraki, razvrščanje in usmerjanje elektronske pošte, raziskovanje in kvalificiranje potencialnih strank, analiza cen, spremljanje zalog, prevajanje, prepisovanje, razvrščanje dokumentov. Za vsako od teh opravil je bilo pred umetno inteligenco treba nekoga zaposliti, ali pa ga ni opravljal nihče.
Prav tu se pokažejo tudi številke o produktivnosti. Goldmanovih 30 % pri razvoju programske opreme in podpori strankam ni naključje. Obe področji sta gosto posejani z dobro opredeljenimi procesi. McKinseyjevih 14 % več rešenih primerov v klicnem centru s 5.000 agenti je isti vzorec, le v velikem obsegu. Sequoia Capital je pisala o agentu umetne inteligence, ki je dobil nalogo poiskati kandidata za zaposlitev in je delo 31 minut opravljal povsem samostojno: brskal je po LinkedInu, po posnetkih predavanj na YouTubu in po dejavnosti na Twitterju ter na koncu izbrskal točno določeno, ustrezno osebo. To ni klepetalni pomočnik, ampak opredeljen proces, ki teče s strojno hitrostjo.
Premik je tu subtilen, a pomemben. Dela ne opravljate več sami, ampak snujete in izpopolnjujete sistem, ki ga opravi namesto vas. Rezultat vašega dneva ni več sam izdelek, ampak zasnova sistema, ki izdelke proizvaja.
Poglejte svoj teden in poiščite tiste dele, ki se ponavljajo, imajo strukturo in trenutno požirajo človeški čas. Prav te dele bi morali začeti vgrajevati v sistem, ne pa jih opravljati sami. Če ima neko opravilo proces, ki bi ga lahko zapisali na eno stran, ga umetna inteligenca zna poganjati. Vaše delo se s tem premakne od opravljanja dela k pisanju in izboljševanju tiste ene strani.
Česa umetna inteligenca ne zmore: presoja, okus in neizmerljivo
Opredeljene procese umetna inteligenca zmore v velikem obsegu. Pomembno vprašanje je, kaj se zgodi z delom, ki ga ni mogoče opredeliti.
Umetna inteligenca se lomi povsod, kjer je treba posredovati med vrednotami, ki jih ni mogoče spraviti v številke. Investicijski bankir Blair Effron je v New York Timesu zapisal, da je presoja sposobnost pretehtati stvari, od katerih ima vsaka svojo težo, a jim ni mogoče hkrati vsem ustreči. Kot primer je navedel prevzem, pri katerem je model umetne inteligence izračunal številčno povsem zagovorljivo ceno, a je čisto spregledal medosebno dinamiko med osebama na obeh straneh mize. Da bi se posel sklenil, je bila potrebna višja cena, ne zato, ker bi tako narekovala matematika, ampak zato, ker je tako narekoval odnos. Model odnosa ni videl.
Potem je tu okus. Okus je sposobnost zaznati signal, ki se upira vzorcem, na katerih je bila umetna inteligenca naučena. Prosite model, naj poišče najboljše vire o neki temi, in postregel vam bo s tistim, kar je priljubljeno, sveže ali visoko uvrščeno. Ne bo pa postregel z zapostavljenim člankom, katerega argument je nenavadno prepričljiv, ali z manj znanim raziskovalcem, čigar okvir je ostrejši od splošno sprejetega. Za takšno prepoznavanje virov je potrebna presoja o kakovosti, ki ni povezana ne s številom citatov ne s tem, kako sveži so. Umetna inteligenca je izostrena za prepoznavanje vzorcev, okus pa je ravno nasprotna veščina.
Harvard Gazette je o tem konec leta 2025 pisal naravnost: umetna inteligenca lahko pomaga pri analiziranju in sklepanju, a ni vedno uspešna pri vrednotenju, razmisleka pa zaenkrat ni mogoče preložiti nanjo. Še bolj zaskrbljujoča je raziskava podjetja McGraw Hill, ki močno zanašanje na orodja umetne inteligence povezuje s slabšimi rezultati na preizkusih kritičnega mišljenja, kar raziskovalci pripisujejo kognitivnemu razbremenjevanju, podobno kot je navigacija GPS načela našo sposobnost branja zemljevida. Poročilo Future of Jobs, ki ga za leto 2025 pripravlja World Economic Forum, uvršča analitično in ustvarjalno mišljenje med najpomembnejše temeljne veščine, ki jih delodajalci iščejo, pred katerokoli tehnično spretnostjo.
Ko te ugotovitve zložite skupaj, je vzorec očiten. Delo, ki bo leta 2026 zares vredno, je prav tisto, ki ga umetna inteligenca ne zmore. Če presoje nehate uriti, ker ste jo prepustili modelu, ste svojo najdragocenejšo veščino zamenjali za začasen pospešek.
Umetno inteligenco uporabite, da razširite nabor svojih vhodnih podatkov, da obdelate in povzamete v velikih količinah, da avtomatizirate opredeljeno delo. Odločitve, ki terjajo presojo, okus in razločevanje, pa pridržite zase. Prvo vam daje vzvod, drugo je tisto, kar zares prodajate.
AGI kot odvračanje pozornosti
Definicija AGI se premakne z vsakim premaganim testom. OpenAIjev o3 je na ARC-AGI dosegel 87,5 %, na testu, za katerega so mislili, da je še leta daleč. Po današnjih merilih je o3 že preživet, in prav to je pravi znak: preskoki prihajajo vse hitreje, ista raven inteligence pa je iz meseca v mesec občutno cenejša. Fable 5 je trenutno v ospredju, o modelih, kot je Mythos, pa se govori, še preden sploh pridejo v javnost, tako da boste videti staromodno, če katerikoli posamezni model razglasite za vrh. Test CritPt, ki meri fizikalno sklepanje, tudi pri najboljših vrhunskih modelih obtiči pri 11,5 %. Delovna definicija AGI, kot jo uporablja Sequoia Capital, torej »sposobnost, da stvari razvozlaš« iz osnovnega znanja, že opisuje agente z dolgim horizontom, kakršni obstajajo danes. Zmogljivost agentov z dolgim horizontom se po testu METR podvoji približno vsakih sedem mesecev. Strokovnjaki »pravi« AGI v povprečju umeščajo med letoma 2035 in 2047, odvisno od tega, kateremu bolj verjamete.
Nič od tega ni ozko grlo. Tehnologija, ki je že izdana, na polici, dostopna prek naročnine, na voljo vsakomur s kreditno kartico, povsem zadošča, da poženete tisto McKinseyjevo številko. Ali naslednji preskok pride leta 2030 ali 2045, je raziskovalno vprašanje, ali vaše podjetje uporablja tisto, kar že obstaja, pa je povsem praktično vprašanje, na katero morate odgovoriti ta teden.
Nehajte brati članke o časovnicah AGI in začnite šteti delovne procese v svojem podjetju, ki se v zadnjih dveh letih niso prav nič spremenili.
Ozko grlo ni naslednji model, ampak delovni procesi, ki jih dve leti niste spremenili.
Kaj storiti v ponedeljek zjutraj
Trije konkretni koraki, ki jih lahko naredite ta teden. Za nobenega ne potrebujete dovoljenja, proračuna ali nove zaposlitve.
Prvič. Izberite en proces pri svojem delu, ki vsakič poteka na enak način, z jasno določenimi vhodi in izhodi. Korake zapišite na eno samo stran. Nato to stran spremenite v avtomatiziran delovni proces: če uporabljate kodnega agenta, kot so Claude Code, Cursor ali Codex, jo spremenite v veščino ali agenta, ki ga lahko ponavljate, namesto v enkraten poziv; če uporabljate Make, Zapier ali n8n, korake povežite v scenarij; če pa še ne uporabljate ničesar od naštetega, začnite s predlogo poziva, ki jo lahko v kateremkoli klepetalnem orodju znova uporabite, in jo poganjajte ročno, dokler se vzorec ne izkaže, nato pa ga avtomatizirajte. Primeri, ki jih ima skoraj vsak: tedenska poročila o stanju, raziskava potencialne stranke pred prodajnim klicem, razvrščanje stroškov, pregledi kode po znanem seznamu, preoblikovanje vsebine za različne kanale, povzetki sestankov, razvrščanje odgovorov strank. Kako natanko za takšno delo uporabljam Claude Code, Cursor in Codex, sem opisal na nativeai.agency/hub, tako da je to zelo konkretno izhodišče.
Drugič. Izberite tisti del tedna, ki terja presojo in ne količine: odločitev o zaposlitvi, strateško izbiro, vprašanje o cenah, argument o pozicioniranju. Zanj si v koledarju rezervirajte čas, tako kot bi si ga za trening. Odgovora ne iščite pri umetni inteligenci. Z njo zberite gradivo, odločitev pa sprejmite sami. Mišica, ki opravlja to delo, oslabi, če jo nehate uporabljati, poti nazaj na višjo raven pa ni.
Tretjič. Preglejte en delovni proces v svoji ekipi, pri katerem si delo predaja štiri ali več ljudi. Popišite, kdo se dela dotakne, v kakšnem vrstnem redu in kateri podatki potujejo ob vsaki predaji. Nato se vprašajte, katere od teh predaj obstajajo zgolj zato, ker mora človek nekaj preveriti, usmeriti ali preoblikovati, kajti prav te lahko agent umetne inteligence zamenja prve. Začnite s tisto predajo, ki povzroča največ zamude, in zgradite en avtomatiziran korak, ki jo odpravi. V ponedeljek ne boste na novo zasnovali celotnega procesa, odpravili boste eno ozko grlo. Prav plast predaj je tista, kjer AI-native preureditev prinese McKinseyjeve številke, in večina pogovorov v slogu »imamo težavo s produktivnostjo« se na koncu izkaže za »imamo težavo s predajami«.
Tehnologija je izšla pred dvema letoma. Edina spremenljivka, ki je ostala, je, ali bodo vaši delovni procesi čez mesec dni videti enaki kot danes.