~14 min čitanja
Uvod: Iluzija kompetencije
Veliki jezični modeli (Large Language Models, LLM) transformirali su način na koji tvrtke posluju. Od automatizacije korisničke podrške do generiranja poslovnih izvještaja, AI alati postali su neizostavan dio modernog poslovanja. Prema istraživanju McKinsey Global Institute iz 2025., 72% tvrtki koje koriste AI izvještavaju o povećanju produktivnosti, dok 65% navodi smanjenje operativnih troškova.
Međutim, postoji ozbiljan problem koji većina menadžera i vlasnika tvrtki ne prepoznaje: AI modeli posjeduju impresivnu količinu znanja, ali njihova sposobnost primjene tog znanja u stvarnim, praktičnim situacijama — osobito onima koje zahtijevaju predviđanje posljedica, planiranje unaprijed i logičko zaključivanje — ostaje fundamentalno ograničena.
Ovaj članak analizira zašto se ovaj problem javlja, što znanstvena istraživanja govore o njemu, te kako tvrtke mogu strateški pristupiti radu s AI modelima kako bi maksimalno smanjile ovu vrstu pogrešaka.
Poglavlje 1: Priroda problema — znanje bez razumijevanja
1.1 Kako AI modeli “znaju”
Veliki jezični modeli trenirani su na ogromnim količinama teksta — od znanstvenih radova i knjiga do forumskih objava i tehničke dokumentacije. Procesom zvanim self-supervised learning, modeli uče statističke obrasce između riječi, fraza i koncepata. Rezultat je sustav koji može generirati koherentne, relevantne i često točne odgovore na širok spektar pitanja.
Ključna karakteristika: Model ne “razumije” informacije na način na koji to čini ljudski stručnjak. On prepoznaje obrasce i generira odgovore na temelju statističke vjerojatnosti da će određeni slijed tokena biti ispravan u danom kontekstu.
1.2 Gdje logičko zaključivanje zakazuje
Problem nastaje kada se AI model suoči sa situacijom koja zahtijeva:
Predviđanje posljedica: “Ako napravim X, što će se dogoditi s Y i Z?”
Planiranje unaprijed: “Koji koraci su potrebni da dođem od A do B, uzimajući u obzir ograničenja C?”
Proaktivno razmišljanje: “Koja pitanja trebam postaviti prije nego što krenem u akciju?”
Logičko povezivanje: “Kako se ova informacija odnosi na onu drugu informaciju iz drugog konteksta?”
Arhitekturno objašnjenje: LLM-ovi koriste transformersku arhitekturu u kojoj svaki token obraća pažnju na svaki drugi token u kontekstnom prozoru. Kako broj tokena raste, sposobnost modela da precizno prati odnose između svih parova opada — fenomen koji istraživači nazivaju “context rot” (Anthropic, 2025). To znači da model može imati sve potrebne informacije u kontekstu, ali ih ne može učinkovito povezati u logičan zaključak.
1.3 Empirijski dokazi
Apple istraživanje “The Illusion of Thinking” (2025.) demonstriralo je da čak i najnapredniji Large Reasoning Models (LRM) “collapseaju” na kompleksnim zadacima — gube sposobnost sustavnog razmišljanja kad problem premašuje određenu razinu složenosti. Istraživači su otkrili da modeli mogu izgledati kompetentno na jednostavnim zadacima, ali se potpuno raspada kad je potrebno koordinirati više logičkih koraka.
MIT studija (2025.) otkrila je dodatni problem: LLM-ovi mogu odgovarati na pitanja koristeći gramatičke obrasce naučene tijekom treninga umjesto stvarnog razumijevanja sadržaja. To znači da model može dati uvjerljiv, ali potpuno netočan odgovor jer prepoznaje strukturu pitanja, a ne njegov sadržaj.
ArXiv rad “Why Reasoning Fails to Plan” (2025.) formalizirao je LLM reasoning kao “step-wise greedy policy” — strategiju u kojoj agent bira akcije isključivo na temelju lokalne evaluacije u trenutnom stanju, bez globalnog planiranja. To je ekvivalent šahistu koji razmišlja samo o sljedećem potezu, ne o cijeloj partiji.
Poglavlje 2: Praktične posljedice za tvrtke
2.1 Scenariji iz stvarnog poslovanja
Problem ograničenog logičkog zaključivanja nije akademska teorija — ima direktne posljedice na poslovne procese:
Scenarij 1: Implementacija softverskog rješenja
Tvrtka zatraži od AI modela da dizajnira arhitekturu novog sustava. Model generira detaljan plan s koracima, rokovima i tehničkim specifikacijama. Međutim, ne uzima u obzir da postojeći sustav koristi zastarjelu verziju baze podataka koja nije kompatibilna s predloženim rješenjem. Model ima informaciju o verziji baze podataka u kontekstu, ali ne povezuje tu informaciju s predloženom arhitekturom.
Scenarij 2: Analiza podataka
Menadžer zatraži od AI modela da analizira prodajne podatke i predloži strategiju. Model identificira trendove i generira preporuke. Međutim, ne uzima u obzir sezonalnost industrije ili nadolazeće regulatorne promjene koje će značajno utjecati na predviđanja. Informacije o sezonalnosti i regulativi postoje u drugim dijelovima konteksta, ali model ih ne povezuje.
Scenarij 3: Planiranje projekta
AI model generira detaljan plan projekta s fazama, resursima i rokovima. Plan izgleda profesionalno i sveobuhvatno. Međutim, model nije uzeo u obzir da ključni član tima odlazi na godišnji odmor u kritičnoj fazi projekta, ili da je dobavljač ranije imao problema s rokovima isporuke.
2.2 Zašto se ovo dešava — dubinska analiza
Svaki od gore navedenih scenarija ima istu strukturu:
Model ima SVE potrebne informacije u kontekstu. Informacije su raspoređene u različitim dijelovima kontekstnog prozora. Model ne vrši LOGIČKU POVEZNICU između informacija jer ne prakticira globalno planiranje. Umjesto toga, model generira odgovor koji je STATISTIČKI VJEROJATAN za dati kontekst, ali LOGIČKI NEPOTPUN.
Anthropic (2025.) opisuje ovaj fenomen kao “context rot” — degradacija sposobnosti modela da prisjeća i povezuje informacije kako kontekstni prozor raste. Studija pokazuje da svaki novi token u kontekstu troši dio “attention budgeta” modela, smanjujući preciznost za informacije koje su ranije uvedene.
Poglavlje 3: Znanstveni okvir — zašto AI “razmišlja” drugačije
3.1 Arhitekturna ograničenja
Transformerska arhitektura, temelj modernih LLM-ova, dizajnirana je za obradu sekvencijalnih podataka. Svaki token u kontekstu generira n² parova odnosa (gdje je n broj tokena). To stvara prirodnu napetost između veličine konteksta i sposobnosti modela da prati detaljne odnose.
Studija “Effective Context Engineering for AI Agents” (Anthropic, 2025.) zaključuje: “LLM-i, poput ljudi, gube fokus ili doživljavaju konfuziju nakon određene točke. Context mora biti tretiran kao ograničeni resurs s diminishing marginal returns.”
3.2 Heuristika umjesto logike
MIT istraživanje (2025.) otkrilo je da LLM-ovi često koriste heuristiku — mentalne prečace — umjesto sustavnog logičkog zaključivanja. Konkretno, modeli mogu: prepoznati strukturu pitanja i generirati odgovor koji “zvuči ispravno” bez stvarnog razumijevanja; koristiti statističke obrasce iz treninga umjesto logičkog zaključivanja o konkretnom slučaju; generirati uvjerljive, ali netočne odgovore jer optimiziraju za koherentnost, ne za točnost.
3.3 Greedy policy problem
ArXiv rad “Why Reasoning Fails to Plan” (2025.) formalizira problem: “LLM reasoning je step-wise greedy policy — agent bira akcije isključivo na temelju lokalne evaluacije u trenutnom stanju. Nedostaje mu globalno planiranje koje bi uzelo u obzir dugoročne posljedice trenutnih odluka.”
To znači da AI model razmišlja o sljedećem koraku, ne o cijelom putu. Ekivalentno je navigaciji koja vam govori samo sljedeći zavoj, ne cijelu rutu.
Poglavlje 4: Strategije za minimiziranje AI pogrešaka
4.1 Princip “Eksplicitno je bolje od implicitnog”
Napredni korisnici AI-a prepoznali su da modeli neće sami postaviti pitanja koja nedostaju. Stoga je ključno: definirati kontekst eksplicitno — umjesto “Analiziraj ove podatke”, koristiti “Analiziraj ove podatke uzimajući u obzir sezonalnost, regulatorne promjene i povijesne trendove”; navesti ograničenja — eksplicitno navesti što model NE SMIJE pretpostaviti; postaviti okvir za provjeru — “Prije nego što daš konačni odgovor, provjeri jesu li svi navedeni koraci međusobno kompatibilni.”
4.2 Princip “Checkliste iznad prosudbe”
Umjesto oslanjanja na AI-ovu prosudbu, koristiti strukturirane checkliste: checklista prije implementacije (je li AI uzeo u obzir sve relevantne parametre? Jesu li svi koraci testirani? Postoji li plan B?); checklista za provjeru odgovora (je li odgovor logički konzistentan? Jesu li uzeti u obzir svi kontekstualni podaci? Postoje li edge casevi?); checklista za verifikaciju (može li se odgovor provjeriti nezavisno? Postoje li podaci koji ga demantiraju?).
4.3 Princip “Dijeljenje konteksta”
AI modeli rade bolje kad imaju manji, fokusiraniji kontekst. Strategije uključuju: segmentiranje zadataka — umjesto jednog velikog zahtjeva, podijeliti ga na manje, fokusirane dijelove; eksplicitno povezivanje — kad se informacija iz jednog dijela konteksta odnosi na drugi, eksplicitno navesti tu vezu; redovita provjera — nakon svakog većeg koraka, provjeriti je li model zadržao sve relevantne informacije.
4.4 Princip “Ljudska verifikacija kritičnih odluka”
Za odluke koje imaju značajan poslovni utjecaj: AI generira prijedlog, ljudski stručnjak verificira; koristiti AI kao alat za analizu, ne kao donositelja odluka; implementirati “four eyes principle” — svaki AI-generirani prijedlog prolazi kroz ljudsku provjeru.
4.5 Princip “Proaktivno postavljanje pitanja”
Napredni korisnici koriste sljedeću tehniku: prije davanja zadatka AI modelu, postaviti mu pitanja — “Koja pitanja trebam postaviti prije nego što krenem u ovaj zadatak?”, “Koji su potencijalni problemi s ovim pristupom?”, “Koje informacije nedostaju za kvalitetan odgovor?” Ova tehnika prisiljava model da aktivira drugačiji obrazac razmišljanja — od generiranja odgovora na evaluaciju situacije.
Poglavlje 5: Implementacijski okvir za tvrtke
5.1 Faza 1: Procjena rizika
Prije uvođenja AI alata u poslovne procese, tvrtke trebaju provesti procjenu rizika:
Identificirati procese u kojima se AI koristi za donošenje odluka.
Klasificirati svaki proces po razini rizika (nizak, srednji, visok).
Za procese visokog rizika, obavezno uvesti ljudsku verifikaciju.
Definirati jasne kriterije za uspješnost AI-generiranih prijedloga.
5.2 Faza 2: Edukacija timova
Ključno je educirati sve zaposlenike koji koriste AI alate:
Objasniti arhitekturna ograničenja modela — zašto AI “zna” ali ne “razumije”.
Pokazati konkretne primjere pogrešaka iz prakse.
Uvesti obvezne checkliste za provjeru AI-generiranog sadržaja.
Ohrabriti zaposlenike da postavljaju pitanja i traže objašnjenja.
5.3 Faza 3: Strukturirani procesi
Implementirati strukturirane procese za rad s AI-om:
Za svaki AI zadatak, definirati ulazne podatke, očekivani izlaz i kriterije provjere.
Uvesti obveznu fazu verifikacije prije implementacije AI-generiranih prijedloga.
Kreirati bazu znanja s dokumentiranim primjerima uspješnih i neuspješnih AI interakcija.
Redovito ažurirati procese na temelju novih iskustava.
5.4 Faza 4: Kontinuirano poboljšanje
AI tehnologija se brzo razvija, pa je ključno:
Pratiti najnovija istraživanja o AI ograničenjima.
Testirati nove modele i tehnike prije široke implementacije.
Dijeliti iskustva i lekcije unutar organizacije.
Periodično procjenjivati rizike i prilagođavati procese.
Poglavlje 6: Što napredni korisnici rade drugačije
6.1 Mentalni model: AI kao alat, ne kao kolega
Napredni korisnici AI-a ne tretiraju model kao kolegu ili stručnjaka. Tretiraju ga kao alat — sofisticiran, ali s poznatim ograničenjima. To znači:
Ne očekuju da će AI sam prepoznati probleme.
Ne vjeruju AI-generiranim odgovorima bez provjere.
Koriste AI za ubrzavanje procesa, ne za zamjenu ljudske prosudbe.
Uvijek imaju plan B ako AI zakaže.
6.2 Tehnika “Chain of Thought” prisiljavanje
Umjesto da od AI modela traže gotov odgovor, napredni korisnici prisiljavaju model da “razmišlja korak po korak”:
“Opiši svoj misaoni proces prije davanja konačnog odgovora.”
“Koje su tvoje pretpostavke?”
“Koje alternative si razmotrio?”
Ova tehnika povećava vjerojatnost da će model aktivirati logičko zaključivanje umjesto generiranja statistički vjerojatnog odgovora.
6.3 Tehnika “Crveni tim”
Napredni korisnici koriste AI za kritiziranje vlastitih odgovora:
“Navedi 3 razloga zašto bi ovaj prijedlog mogao biti pogrešan.”
“Koje informacije nedostaju za kvalitetan odgovor?”
“Koji su najčešći problemi s ovakvim pristupom?”
Ova tehnika koristi AI-ovu sposobnost generiranja alternativnih perspektiva za poboljšanje kvalitete odluka.
Zaključak: Smjernice za donositelje odluka
AI modeli su izuzetno moćni alati koji mogu značajno poboljšati produktivnost i kvalitetu poslovanja. Međutim, njihova ograničenja u logičkom zaključivanju i planiranju zahtijevaju strateški pristup.
Ključne poruke:
AI modeli posjeduju ogromno znanje, ali njihova sposobnost primjene tog znanja u praktičnim situacijama ostaje ograničena.
Problem nije u količini znanja, već u arhitekturi razmišljanja — modeli koriste heuristiku umjesto sustavnog logičkog zaključivanja.
Tvrtke mogu značajno smanjiti rizik implementacijom strukturiranih procesa, edukacijom timova i obveznom ljudskom verifikacijom.
Napredni korisnici tretiraju AI kao alat s poznatim ograničenjima, ne kao sveprisutnog stručnjaka.
Kontinuirano učenje i prilagođavanje procesa ključno je za dugoročni uspješan rad s AI tehnologijom.
Budućnost ne pripada onima koji koriste AI, već onima koji ga koriste pametno.
Reference
Anthropic. (2025.). Effective context engineering for AI agents. https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents
Apple Research. (2025.). The Illusion of Thinking: Understanding the Strengths and Limitations of Large Reasoning Models.
MIT News. (2025.). Researchers discover a shortcoming that makes LLMs less reliable. https://news.mit.edu/2025/shortcoming-makes-llms-less-reliable-1126
ArXiv. (2025.). Why Reasoning Fails to Plan: A Planning-Centric Analysis of Long-Horizon Agent Tasks. https://arxiv.org/pdf/2601.22311
McKinsey Global Institute. (2025.). The state of AI in 2025.
Forbes. (2025.). AI Models Still Struggle With Reasoning — And Here’s Why. https://www.forbes.com/sites/kolawolesamueladebayo/2025/05/22/ai-models-still-struggle-with-reasoning—and-heres-why/
ScienceDirect. (2025.). Foundation models and intelligent decision-making: Progress, challenges. https://www.sciencedirect.com/science/article/pii/S2666675825001511
Poglavlje 7: Detaljna analiza — zašto “znanje” nije “razumijevanje”
7.1 Razlika između prepoznavanja i razumijevanja
Ključno je razumjeti fundamentalnu razliku između načina na koji AI model obrađuje informacije i načina na koji to čini ljudski stručnjak.
Kad ljudski stručnjak analizira problem, on koristi dubinsko razumijevanje domene, iskustvo iz prethodnih sličnih situacija, sposobnost apstraktnog razmišljanja, te sposobnost predviđanja posljedica na temelju kauzalnih modela. Ljudski stručnjak može reći: “Ovo neće raditi jer sam prije 5 godina imao sličan problem i znam da ova komponenta ne podržava ovakav tip opterećenja.”
AI model, s druge strane, obrađuje informacije na potpuno drugačiji način. On nema iskustvo — ima statističke obrasce. Nema kauzalni model — ima korelacije. Ne predviđa posljedice — generira statistički vjerojatne nastavke. To znači da model može prepoznati da nešto “zvuči poznato” iz trening podataka, ali ne može razumjeti zašto je to relevantno u konkretnom kontekstu.
7.2 Ilustrativni primjer: Medicinska dijagnostika
Razmotrimo primjer iz medicine. AI model treniran na milijunima medicinskih slika može prepoznati melanom s točnošću od 95% — bolje od većine dermatologa. Međutim, kad se model suoči s atipičnim slučajem — primjerice, melanomom koji izgleda kao benigni madež — model nema sposobnost razmišljanja: “Ovaj pacijent ima obiteljsku anamnezu melanoma, stoga bih trebao biti oprezniji čak i ako slika izgleda benigno.”
Ljudski dermatolog će uzeti u obzir anamnezu, obiteljsku povijest, izloženost suncu i druge kontekstualne faktore. AI model će se osloniti isključivo na vizualne obrasce na slici.
7.3 Implikacije za poslovno odlučivanje
Ova razlika ima direktne implikacije za poslovno odlučivanje:
Strateško planiranje: AI može analizirati tržišne podatke i identificirati trendove, ali ne može razumjeti nijanse korporativne kulture, međuljudske odnose ili političke faktore koji utječu na provedbu strategije.
Upravljanje rizicima: AI može kvantificirati poznate rizike, ali ne može predvidjeti “crne labudove” — događaje koji nikad ranije nisu zabilježeni u trening podacima.
Inovacije: AI može optimizirati postojeće procese, ali ne može zamisliti potpuno nove pristupe koji zahtijevaju kreativno razmišljanje izvan poznatih obrazaca.
Poglavlje 8: Praktični vodič — kako testirati AI-ove sposobnosti
8.1 Test logičkog zaključivanja
Prije nego što povjerite AI modelu kritičan zadatak, provedite jednostavan test:
Postavite mu pitanje koje zahtijeva povezivanje informacija iz različitih dijelova konteksta. Na primjer: “U dokumentu A piše da je rok isporuke 15. lipnja. U dokumentu B piše da ključni resurs nije dostupan do 20. lipnja. Je li predloženi plan izvodljiv?”
Ako model odgovori bez prepoznavanja konflikta, to je znak da ne vrši logičko povezivanje.
8.2 Test predviđanja posljedica
Postavite pitanje: “Ako implementiramo ovo rješenje, koji su potencijalni problemi u sljedećih 6 mjeseci?”
Dobar odgovor uključuje više scenarija s različitim razinama vjerojatnosti. Loš odgovor generira generičke savjete bez specifičnog konteksta.
8.3 Test proaktivnosti
Postavite pitanje: “Koja pitanja trebam postaviti prije nego što krenem u ovaj zadatak?”
Ako model ne postavi pitanja koja su vama očita, to je znak da ne prakticira proaktivno razmišljanje.
8.4 Crvene zastavice — kad NE vjerovati AI odgovoru
Model generira uvjerljiv odgovor bez da spominje ograničenja ili pretpostavke.
Model ne pita za dodatne informacije čak ni kad je kontekst očito nepotpun.
Model generira detaljan plan bez da spominje rizike ili alternativne pristupe.
Model “zaboravlja” informacije ranije uvedene u kontekst.
Model generira odgovor koji “zvuči poznato” ali ne odgovara specifičnoj situaciji.
Poglavlje 9: Budućnost — što možemo očekivati
9.1 Poboljšanja u arhitekturi
Istraživači aktivno rade na rješavanju ovih ograničenja. Noviji modeli koriste proširene kontekstne prozore (do 1 milijun tokena), poboljšane mehanizme pažnje i hibridne arhitekture koje kombiniraju neuronske mreže s simboličkim zaključivanjem.
Međutim, čak i s ovim poboljšanjima, fundamentalno ograničenje ostaje: modeli i dalje optimiziraju za statističku vjerojatnost, ne za logičku ispravnost.
9.2 Agentic AI — novi pristup
Noviji pristup, zvan “agentic AI”, pokušava riješiti problem korištenjem više specijaliziranih agenata koji surađuju. Jedan agent generira prijedlog, drugi ga kritizira, treći provjerava logičku konzistentnost. Ovaj pristup pokazuje obećavajuće rezultate, ali zahtijeva značajne računalne resurse i pažljiv dizajn.
9.3 Uloga ljudskog faktora
Unatoč svim poboljšanjima, ljudski faktor ostaje nezamjenjiv u bliskoj budućnosti. AI je alat — moćan, ali s poznatim ograničenjima. Tvrtke koje to razumiju i implementiraju odgovarajuće procese verifikacije imat će značajnu konkurentsku prednost.
Ključni zaključci za donositelje odluka
Prvo: AI modeli su izuzetno korisni za analizu podataka, generiranje sadržaja i automatizaciju procesa. Njihova snaga leži u brzini i opsegu obrade informacija.
Drugo: AI modeli imaju strukturno ograničenje u logičkom zaključivanju, predviđanju posljedica i proaktivnom planiranju. To nije bug — to je arhitekturna karakteristika.
Treće: Tvrtke mogu značajno smanjiti rizik implementacijom strukturiranih procesa, edukacijom timova i obveznom ljudskom verifikacijom kritičnih odluka.
Četvrto: Kontinuirano učenje i prilagođavanje procesa ključno je za dugoročni uspješan rad s AI tehnologijom.
Peto: Budućnost ne pripada onima koji koriste AI, već onima koji ga koriste pametno — uz puno razumijevanje njegovih prednosti i ograničenja.
Dodatni resursi za daljnje istraživanje
Za čitatelje koji žele dublje razumjeti ovu temu, preporučujemo sljedeće izvore:
“Context Engineering for AI Agents” (Anthropic, 2025.) — sveobuhvatan pregled strategija za upravljanje kontekstom u AI agentima. Ovaj dokument detaljno objašnjava fenomen “context rot” i nudi praktične savjete za optimizaciju AI performansi.
“The Illusion of Thinking” (Apple Research, 2025.) — znanstveni rad koji demonstrira ograničenja Large Reasoning Modela na kompleksnim zadacima. Posebno relevantan za tvrtke koje koriste AI za strateško planiranje.
“Why Reasoning Fails to Plan” (ArXiv, 2025.) — formalna analiza odnosa između zaključivanja i planiranja u LLM-ovima. Koristan za tehničke timove koji implementiraju AI rješenja.
“Effective Context Engineering” (Anthropic, 2025.) — praktični vodič za optimizaciju kontekstnog prozora u AI agentima. Sadrži konkretne primjere i benchmark rezultate.
Napomena
Ovaj članak nije protiv AI tehnologije. Upravo suprotno — AI je jedan od najmoćnijih alata koje čovječanstvo ima na raspolaganju. Međutim, kao i svaki alat, ima svoje specifičnosti, prednosti i ograničenja.
Tvrtke koje razumiju ta ograničenja i implementiraju odgovarajuće procese verifikacije mogu iskoristiti puni potencijal AI-a minimizirajući rizike. Tvrtke koje to ne razumiju riskiraju skupe pogreške, gubitak povjerenja klijenata i strateške promašaje.
Ključna poruka: Nemojte prestati koristiti AI. Počnite ga koristiti pametno.