Autor: Slobodan Krstić
Predsednik Udruženja e-Razvoj

Uvod: Kada sposobnost modela nije dovoljna

Razvoj savremene veštačke inteligencije doneo je značajne promene u načinu na koji računarski sistemi obrađuju informacije, stvaraju sadržaje i podržavaju ljudski rad. Veliki jezički modeli mogu da sastavljaju tekstove, analiziraju dokumente, pišu programski kod, objašnjavaju složene pojmove i pomažu u rešavanju različitih problema.

Njihove sposobnosti često ostavljaju utisak da je za uspešnu primenu veštačke inteligencije dovoljno izabrati što napredniji model.

Međutim, sposobnost pojedinačnog modela i uspešnost sistema u kojem se taj model koristi nisu isto.

Model može ponuditi uverljiv odgovor, a da on nije dovoljno tačan. Može pravilno obraditi dostavljene informacije, ali ne mora raspolagati svim podacima potrebnim za donošenje odgovarajuće odluke. Može predložiti postupak koji deluje logično, ali nije usklađen sa poslovnim pravilima, raspoloživim resursima ili stvarnim okolnostima.

Ovi problemi ne proizlaze uvek samo iz ograničenja modela. Njihov uzrok može biti i način na koji je celokupan sistem organizovan.

Zato se pred savremenu veštačku inteligenciju postavlja pitanje koje prevazilazi izbor modela: kako povezati znanje, informacije, pravila, ciljeve i funkcije tako da sistem može pouzdano da izvršava zadatke za koje je namenjen?

Zašto sposoban AI model nije dovoljan? Organizacija znanja, pravila i funkcija u inteligentnim sistemima

1. AI model i AI sistem nisu isto

U svakodnevnom govoru izrazi „AI model“ i „AI sistem“ često se koriste kao sinonimi. Ipak, između njih postoji važna razlika.

AI model predstavlja računarski model razvijen postupcima veštačke inteligencije koji, na osnovu naučenih obrazaca ili drugih ugrađenih mehanizama i odgovarajućih ulaznih podataka, proizvodi određene rezultate. U zavisnosti od namene, to mogu biti tekstualni odgovori, klasifikacije, predviđanja, preporuke ili drugi izlazi.

AI sistem predstavlja širu funkcionalnu celinu u kojoj se jedan ili više modela koriste zajedno sa drugim komponentama potrebnim za izvršavanje određenih zadataka.

Takav sistem može uključivati baze podataka, poslovne aplikacije, pravila, alate za proveru, mehanizme nadzora i korisničke interfejse.

Na primer, jezički model može sastaviti odgovor na pitanje kupca. Međutim, sistem korisničke podrške mora da zna i koje proizvode kompanija zaista nudi, kakvi su uslovi garancije, da li je porudžbina isporučena i koja pravila važe za reklamacije.

Ako model nema pristup odgovarajućim informacijama ili ako sistem ne proverava usklađenost odgovora sa poslovnim pravilima, čak i veoma sposoban model može proizvesti neodgovarajući rezultat.

Razlika između modela i sistema zato nije samo tehničko pitanje. Ona neposredno utiče na kvalitet poslovnih procesa, odgovornost i poverenje korisnika.

2. Znanje nije samo količina dostupnih podataka

Savremeni AI modeli razvijaju svoje sposobnosti tokom obuke na velikim količinama podataka. Međutim, informacije koje su korišćene tokom obuke ne predstavljaju isto što i ažurno, proverljivo znanje potrebno za konkretan zadatak.

Veliki jezički modeli svoje sposobnosti razvijaju prvenstveno učenjem statističkih obrazaca i odnosa u podacima. Takvo učenje omogućava im da prepoznaju složene pravilnosti, povezuju informacije i u određenim zadacima uspešno zaključuju o uzročno-posledičnim odnosima.

Međutim, uspešno prepoznavanje obrazaca ne znači automatski da je model pouzdano utvrdio stvarne uzroke neke pojave.

Istraživanja pokazuju da rezultati velikih jezičkih modela u zadacima uzročnog zaključivanja zavise od vrste problema, načina njegove formulacije i dostupnih informacija. Dok pojedine studije pokazuju značajne sposobnosti modela, druge ukazuju na ozbiljna ograničenja kada je potrebno razlikovati statističku povezanost od uzročno-posledičnog odnosa (Jin et al., 2024; Kiciman et al., 2024).

Važno je razlikovati uspešno rešavanje zadataka uzročnog zaključivanja od pouzdanog utvrđivanja uzroka u stvarnom okruženju. Model može dati ispravan odgovor na određeno uzročno pitanje, ali takav rezultat sam po sebi ne dokazuje da je samostalno utvrdio stvarni uzročno-posledični odnos.

Za donošenje važnih poslovnih odluka potrebni su odgovarajući podaci, jasno obrazložene pretpostavke i, kada je to moguće, nezavisna provera uzročnih zaključaka.

Na primer, povećanje prodaje može se vremenski poklopiti sa pokretanjem reklamne kampanje. Međutim, to ne dokazuje da je upravo kampanja izazvala rast prodaje. Na rezultat su mogli uticati sezonska potražnja, promene cena, aktivnosti konkurencije ili drugi faktori.

Zato odluke koje zahtevaju procenu posledica određenih aktivnosti ne bi trebalo zasnivati isključivo na uočavanju korelacija, već i na proveri uzročnih pretpostavki, konteksta i dostupnih dokaza.

Sličan problem postoji i kada je reč o ažurnosti informacija.

Model može poznavati opšte karakteristike nekog proizvoda, ali ne mora znati njegovu trenutnu cenu, raspoloživost ili posebne ugovorne uslove određenog kupca.

Zato se u savremenim AI sistemima često koriste pristupi koji omogućavaju povezivanje modela sa spoljnim izvorima informacija.

Jedan od poznatih pristupa jeste generisanje odgovora uz pronalaženje relevantnih informacija, poznato kao RAG (Retrieval-Augmented Generation). U ovom pristupu sistem pronalazi odgovarajuće podatke ili dokumente, a zatim ih koristi kao dodatni kontekst za generisanje odgovora (Lewis et al., 2020).

Takva organizacija može poboljšati informisanost odgovora i omogućiti korišćenje podataka koji nisu bili deo prvobitne obuke modela.

Ipak, pristup dodatnim informacijama ne garantuje njihovu tačnost, pravilno tumačenje ili odgovarajuću primenu.

Ako sistem pronađe zastareo dokument, pogrešno poveže podatke ili ne prepozna razliku između opšteg pravila i posebnog izuzetka, rezultat i dalje može biti pogrešan.

Zbog toga je važno ne samo koje informacije sistem poseduje ili pronalazi, već i kako su one organizovane, povezane, proverene i korišćene u odgovarajućem kontekstu.

3. Pravila određuju granice prihvatljivog ponašanja

Sposobnost modela da predloži određenu radnju ne znači da je ta radnja dozvoljena, opravdana ili poželjna.

U poslovnom okruženju mnoge aktivnosti podležu pravilima. Finansijska transakcija može zahtevati odobrenje. Promena ugovora mora biti usklađena sa ovlašćenjima zaposlenih. Obrada ličnih podataka mora poštovati odgovarajuće propise i interne procedure.

Zato inteligentni sistemi često zahtevaju mehanizme koji određuju granice njihovog delovanja.

Takvi mehanizmi mogu obuhvatati unapred definisana pravila, kontrolu pristupa podacima, proveru rezultata, ograničenja izvršavanja pojedinih aktivnosti i uključivanje čoveka kada je potrebno dodatno odobrenje.

U literaturi se razmatraju i programski kontrolni mehanizmi koji usmeravaju ponašanje aplikacija zasnovanih na velikim jezičkim modelima. Primer predstavlja NeMo Guardrails, pristup koji omogućava definisanje određenih pravila i ograničenja u okviru AI aplikacije (Rebedea et al., 2023).

Međutim, takvi mehanizmi nisu nepogrešivi. Njihova efikasnost zavisi od načina primene, obuhvata pravila, kvaliteta provere i uslova korišćenja.

Važno je razumeti da upravljačke funkcije AI sistema ne moraju biti sadržane u samom modelu.

One se mogu ostvarivati kroz širu arhitekturu koja povezuje model sa pravilima, kontrolnim mehanizmima, alatima i ljudskim nadzorom.

Time se odgovornost za funkcionisanje sistema ne svodi samo na izbor AI modela, već obuhvata i način na koji je njegova primena organizovana.

4. Od jednog modela do povezanih funkcija

Mnogi poslovni zadaci ne mogu se kvalitetno izvršiti samo jednim odgovorom.

Razmotrimo primer kompanije koja želi da koristi veštačku inteligenciju za pripremu ponuda kupcima.

Sistem mora da prepozna zahtev kupca, pronađe odgovarajuće proizvode, proveri raspoloživost, primeni cenovnu politiku, izračuna uslove isporuke i pripremi ponudu.

Pojedinačni AI model može pomoći u više ovih aktivnosti. Međutim, pouzdano izvršavanje celokupnog zadatka zahteva povezivanje različitih funkcija.

Jedna komponenta može analizirati zahtev kupca. Druga može pristupati poslovnoj bazi podataka. Treća može proveravati usklađenost sa pravilima kompanije. Četvrta može pripremati dokument koji se dostavlja zaposlenom na pregled.

Ovakav pristup ne mora podrazumevati više nezavisnih AI modela. Neke funkcije mogu biti realizovane običnim programskim postupcima, bazama podataka ili poslovnim aplikacijama.

Suština je u tome da različite komponente imaju jasno određene zadatke i međusobne odnose.

Sposobnost pojedinačne komponente dobija praktičnu vrednost u odnosu na zadatak koji sistem kao celina treba da ostvari.

5. Agentski sistemi: Kada AI koristi alate i sarađuje

Jedan od značajnih pravaca razvoja savremene veštačke inteligencije jeste povezivanje jezičkih modela sa alatima i postupcima koji omogućavaju izvršavanje složenijih zadataka.

U takvim pristupima AI agent može, u okviru definisanih mogućnosti, analizirati zadatak, odabrati sledeći korak, koristiti odgovarajući alat i obraditi dobijeni rezultat.

Rad ReAct predstavlja jedan od primera povezivanja jezičkog rezonovanja i delovanja kroz korišćenje spoljašnjih alata (Yao et al., 2023).

Dalji razvoj obuhvata sisteme u kojima više agenata međusobno razmenjuje informacije ili sarađuje na izvršavanju zadataka.

Primer takvog pristupa predstavlja AutoGen, okvir namenjen razvoju aplikacija zasnovanih na komunikaciji i saradnji više agenata (Wu et al., 2024).

Način na koji agenti međusobno komuniciraju nije samo pitanje tehničkog povezivanja. On predstavlja i oblik organizacije rada unutar sistema, jer određuje kako se informacije razmenjuju, kako se zadaci usklađuju i kako se rezultati jednog agenta koriste u radu drugih.

Zbog toga raspored komunikacionih veza može uticati ne samo na brzinu i efikasnost sistema već i na širenje korisnih informacija i mogućih grešaka (Shen et al., 2025).

U poslovnoj primeni moguće je zamisliti sistem u kojem jedan agent analizira zahtev, drugi prikuplja informacije, treći proverava određene uslove, a četvrti priprema predlog rezultata.

Međutim, veći broj agenata ne znači automatski i kvalitetniji sistem.

Povećanjem broja komponenti mogu se pojaviti dodatni problemi: neusaglašene informacije, ponavljanje aktivnosti, složenije praćenje odgovornosti, povećani troškovi i mogućnost prenošenja grešaka između agenata.

Poseban izazov predstavlja mogućnost da međusobna komunikacija više agenata stvori privid visokog stepena kompetentnosti, iako pojedinačni zaključci nisu dovoljno provereni.

Ako jedan agent generiše netačnu informaciju, a drugi je prihvati kao pouzdanu osnovu za naredni postupak, greška se može preneti kroz više koraka i uticati na konačan rezultat.

Istraživanja potvrđuju da način povezivanja agenata utiče na širenje tačnih i pogrešnih informacija, dok analize neuspešnih višeagentskih sistema ukazuju na probleme projektovanja, međusobnog usklađivanja i provere izvršenih zadataka (Shen et al., 2025; Cemri et al., 2025).

Ipak, prenošenje grešaka nije neizbežna posledica saradnje više agenata. Odgovarajuća organizacija komunikacije i provere može doprineti njihovom ograničavanju.

Ovi nalazi pokazuju da koordinacija mora biti praćena jasno određenim ulogama, odgovornostima i kontrolom korišćenih informacija.

Pritom ni unapred definisana pravila ni automatski kontrolni mehanizmi ne predstavljaju potpunu zaštitu od grešaka.

Višeagentski sistemi zato predstavljaju jednu od mogućnosti organizovanja savremene AI, ali nisu univerzalno rešenje za sve zadatke.

6. Isti AI model, različiti rezultati

Zamislimo dve kompanije koje koriste isti veliki jezički model za pripremu poslovnih ponuda.

U prvoj kompaniji zaposleni unosi zahtev kupca i od modela traži da pripremi ponudu. Model sastavlja tekst na osnovu informacija koje dobije u upitu. Zaposleni zatim mora samostalno da proveri cene, raspoloživost proizvoda, rokove isporuke i uslove prodaje.

U drugoj kompaniji isti model predstavlja deo povezanog sistema. Zahtev kupca najpre se obrađuje i povezuje sa odgovarajućim poslovnim podacima. Sistem proverava aktuelne cene i raspoloživost, primenjuje definisana pravila i označava slučajeve u kojima je potrebno dodatno odobrenje.

Tek nakon toga priprema se predlog ponude za pregled odgovornog zaposlenog.

Obe kompanije koriste isti AI model, ali se način njegovog korišćenja značajno razlikuje.

U prvom slučaju veliki deo provere i povezivanja informacija ostaje na zaposlenom. U drugom slučaju određene funkcije organizovane su unutar sistema, uz odgovarajuću kontrolu.

To ne znači da će drugi sistem uvek ostvarivati bolje rezultate. Ako su podaci pogrešni, pravila loše definisana ili kontrolni postupci neodgovarajući, i složeniji sistem može napraviti ozbiljne greške.

Ipak, primer pokazuje da kvalitet AI rešenja ne zavisi samo od sposobnosti modela, već i od načina na koji su informacije, funkcije i odgovornosti povezane.

Razlika između ova dva pristupa ne svodi se samo na povezivanje AI modela sa poslovnim bazama podataka ili dodatnim softverskim alatima.

Suštinsko pitanje jeste kako su u sistemu uređeni odnosi između informacija, poslovnih ciljeva, pravila, ovlašćenja i odgovornosti.

Drugim rečima, važna je i upravljačka arhitektura sistema: ko ili šta donosi određenu odluku, pod kojim uslovima se ona može sprovesti, kako se proveravaju rezultati i na koji način se povratne informacije koriste u narednom funkcionisanju.

Ovaj primer je ilustrativan i ne predstavlja rezultat eksperimentalnog poređenja.

7. Zašto je organizacija sistema važna?

U savremenoj veštačkoj inteligenciji često se pažnja usmerava na veličinu modela, brzinu obrade i rezultate na različitim testovima.

Ti pokazatelji imaju značajnu vrednost, ali ne obuhvataju sve što je potrebno za uspešnu primenu AI u stvarnom okruženju.

Poslovni sistem mora funkcionisati u konkretnim uslovima, sa određenim ciljevima, ograničenjima, raspoloživim informacijama i odgovornostima.

Zato je potrebno razmatrati i organizaciju njegovih funkcija.

U tom kontekstu posebno su važni:

  • Struktura: koje komponente sistem obuhvata i kako su međusobno povezane.
  • Kontekst: u kojim okolnostima sistem obrađuje informacije i izvršava zadatke.
  • Znanje: koje informacije i odnose sistem koristi i koliko su oni pouzdani.
  • Uzročnost: na osnovu čega se procenjuje da određeni postupci mogu dovesti do očekivanih posledica.
  • Pravila: koje aktivnosti su dozvoljene, ograničene ili zahtevaju dodatnu proveru.
  • Ciljevi: prema čemu se usmerava funkcionisanje sistema.
  • Povratne informacije: kako se rezultati prate i koriste za naredne postupke.

Ovi elementi nisu nova otkrića. Oni imaju svoje osnove u istraživanjima veštačke inteligencije, teoriji sistema, organizacionim naukama i upravljanju složenim procesima.

Njihovo povezano razmatranje, međutim, može pomoći da bolje razumemo zašto pojedinačna tehnička sposobnost nije dovoljna za uspešno funkcionisanje celine.

Važno je i razlikovati praćenje rezultata od stvarnog učenja sistema.

Sistem može koristiti povratne informacije za korekciju pojedinačnog postupka, a da pritom ne menja svoje osnovne modele ili pravila. Takođe, promena ponašanja ne mora automatski predstavljati poboljšanje.

Zbog toga organizaciju sistema treba posmatrati kao važan činilac odgovarajućeg funkcionisanja, ali ne kao garanciju uspeha.

8. Strukturna inteligencija kao konceptualna perspektiva

Razmatranje odnosa između AI modela, znanja, pravila i funkcija otvara i šire pitanje: da li inteligentno funkcionisanje treba posmatrati samo kroz sposobnosti pojedinačnih modela ili i kroz organizaciju odnosa koji omogućavaju njihovu primenu?

U okviru autorskog koncepta Strukturne inteligencije, naglasak se stavlja na povezano razmatranje strukture, konteksta, uzročnih odnosa, znanja, ciljeva, pravila i povratnih informacija.

Strukturna inteligencija nije komercijalni softverski proizvod, posebna vrsta neuronske mreže, novi algoritam niti eksperimentalno potvrđena univerzalna arhitektura veštačke inteligencije.

Reč je o autorskom integrativnom konceptualnom okviru koji povezuje postojeća naučna saznanja o različitim elementima inteligentnog funkcionisanja.

U praktičnom smislu, ovaj okvir može služiti kao svojevrstan metodološki kompas za analizu i promišljanje projektovanja složenih AI sistema.

Njegova svrha nije da unapred propiše jedinstveno tehničko rešenje, već da pomogne u postavljanju važnih pitanja: kako su komponente povezane, koje informacije koriste, prema kojim ciljevima deluju, koja pravila ih ograničavaju i kako se procenjuju posledice njihovog funkcionisanja.

Strukturna inteligencija pritom ne zamenjuje postojeće okvire upravljanja rizicima, metode sistemske analize ili pristupe projektovanju informacionih sistema. Njena predložena uloga jeste da ova znanja i pristupe sagleda kroz povezanu konceptualnu perspektivu, usmerenu na razumevanje funkcionisanja sistema kao celine.

U kojoj meri takva sinteza pruža dodatnu analitičku ili praktičnu vrednost u odnosu na postojeće pristupe, ostaje pitanje za dalju sistematsku proveru.

Vrednost ovog pristupa zato ne treba tražiti u tvrdnji da su njegovi pojedinačni elementi potpuno novi, već u pokušaju da se postojeća saznanja povežu u jasan i razumljiv okvir.

Zaključak: Budućnost AI nije samo u sposobnijim modelima

Napredak velikih jezičkih i drugih AI modela predstavlja jedan od najvažnijih tehnoloških razvoja savremenog doba.

Ipak, sposobniji modeli sami po sebi ne rešavaju sva pitanja njihove praktične primene.

Pouzdanost, usklađenost sa pravilima, korišćenje odgovarajućih informacija, kontrola postupaka i odgovornost za rezultate zavise i od načina na koji su modeli uključeni u šire sisteme.

Zato razvoj veštačke inteligencije ne treba posmatrati isključivo kao nadmetanje u stvaranju sve većih i sposobnijih modela.

Jednako je važno razumeti kako se njihove sposobnosti povezuju sa drugim funkcijama, ljudskim znanjem, poslovnim pravilima i stvarnim potrebama organizacija.

Za organizacije koje primenjuju AI to znači da izbor modela treba da bude samo jedan deo šireg razmatranja. Potrebno je jasno odrediti zadatke sistema, izvore informacija, pravila postupanja, odgovornosti i načine provere rezultata.

Sposoban AI model može biti važan deo inteligentnog sistema. Ali njegova stvarna vrednost zavisi i od toga kako su znanje, pravila, ciljevi i funkcije organizovani u celinu koja odgovara konkretnim potrebama i uslovima primene.


Literatura

  1. Bommasani, R., et al. (2021). On the Opportunities and Risks of Foundation Models. arXiv:2108.07258. https://arxiv.org/abs/2108.07258
  2. Cemri, M., et al. (2025). Why Do Multi-Agent LLM Systems Fail? Advances in Neural Information Processing Systems, 38. https://arxiv.org/abs/2503.13657
  3. Jin, Z., Liu, J., Lyu, Z., Poff, S., Sachan, M., Mihalcea, R., Diab, M., & Schölkopf, B. (2024). Can Large Language Models Infer Causation from Correlation? International Conference on Learning Representations. https://openreview.net/pdf?id=vqIH0ObdqL
  4. Kiciman, E., Ness, R. O., Sharma, A., & Tan, C. (2024). Causal Reasoning and Large Language Models: Opening a New Frontier for Causality. Transactions on Machine Learning Research. https://openreview.net/forum?id=1PHlLd6o0B
  5. Lewis, P., et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. Advances in Neural Information Processing Systems, 33. https://arxiv.org/abs/2005.11401
  6. National Institute of Standards and Technology. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0). https://doi.org/10.6028/NIST.AI.100-1
  7. Rebedea, T., Dinu, R., Sreedhar, M. N., Parisien, C., & Cohen, J. (2023). NeMo Guardrails: A Toolkit for Controllable and Safe LLM Applications with Programmable Rails. Proceedings of the 2023 Conference on Empirical Methods in Natural Language Processing: System Demonstrations, 431–445. https://doi.org/10.18653/v1/2023.emnlp-demo.40
  8. Russell, S. J., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.
  9. Shen, X., Liu, Y., Dai, Y., Wang, Y., Miao, R., Tan, Y., Pan, S., & Wang, X. (2025). Understanding the Information Propagation Effects of Communication Topologies in LLM-based Multi-Agent Systems. Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing, 12347–12361. https://doi.org/10.18653/v1/2025.emnlp-main.623
  10. Wu, Q., et al. (2024). AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversations. Conference on Language Modeling. https://arxiv.org/abs/2308.08155
  11. Yao, S., et al. (2023). ReAct: Synergizing Reasoning and Acting in Language Models. International Conference on Learning Representations. https://arxiv.org/abs/2210.03629

Napomena o karakteru rada: Članak predstavlja autorski naučno-stručni pregled i konceptualno tumačenje postojeće literature. Poslovni primeri su ilustrativni i ne predstavljaju rezultate originalnog empirijskog istraživanja.

Oznake:

Ostavite odgovor

Vaša adresa e-pošte neće biti objavljena. Neophodna polja su označena *