ODSC: Operativni model za timove koji paralelno rade s ljudima i AI agentima
Ovaj tekst Open Data Science, objavljen u martu 2026, bavi se obrascem uobičajenim u timovima koji su usvojili AI alate: radni tokovi postoje, ali niko ih nije eksplicitno projektovao. Organizacije vode ljude i AI agente paralelno bez zajedničkog modela za podelu posla, proveru rezultata ili eskalaciju označenog outputa do čoveka. Trenje koje nastaje je organizacionog, ne tehničkog karaktera — ušteda vremena na jednom koraku gutana je preradom i zabludom na sledećem.
Četvoroslojan model
Okvir koji članak predlaže deli posao po vrsti odgovornosti, a ne po ulozi ili alatu. Četiri sloja su:
- Automatizacija: ponavljajuće izvršavanje koje ne zahteva prosuđivanje, radi bez pregleda
- Dopuna: nacrti i prvobitna analiza koje čovek dorađuje i odobrava
- Prosuđivanje: interpretacija, nejasni kompromisi i odluke koje zahtevaju rezonovanje u kontekstu
- Odgovornost: finalno odobrenje i prihvatanje rizika, uvek dodeljeno osobi
Ključna promena je tretiranje ovih kategorija kao vrsta posla, a ne kategorija ljudi. Isti PM može u jednom danu prelaziti između sva četiri sloja — pokrenuti automatizovano skeniranje konkurencije, doraditi strategijski dokument koji je napravio AI, doneti odluku o kompromisu u roadmap-u i odobriti odluku o lansiranju. Eksplicitno definisanje kategorija daje timovima zajednički rečnik za projektovanje radnih tokova i ocenu da li se AI primenjuje na pravom nivou.
Preporuke za implementaciju
Praktične preporuke članka počinju s obukom AI pismenosti na nivou uloge, koja ide dalje od demonstracije funkcija. Većina AI uvoda staje na „evo alata”. Timovima je zaista potrebna jasnoća oko toga koje su obaveze svake uloge u pogledu provere rezultata i koji kvarovi se mogu očekivati pri određenim vrstama AI-asistiranog rada.
Što se tiče upravljanja, članak preporučuje dokumentovanje AI-asistiranih radnih tokova s eksplicitnim granicama podataka — iz kojih izvora AI crpi, šta je isključeno — i okidačima eskalacije koji preciziraju kada označeni ili neizvesni output ide na pregled osobi. Gold dataseti — mala kolekcija poznatih tačnih odgovora za auditing tekućeg kvaliteta AI outputa — preporučuju se kao lagan i sistematičan mehanizam kontrole kvaliteta.
Preporuka za metrike je direktna: merite rezultate, ne upotrebu. Vreme ciklusa, stope grešaka i downstream poslovni uticaj su relevantni signali. Stopa usvajanja i broj promptova mere aktivnost, ne efikasnost, a optimizacija za njih obično proizvodi površinsku usklađenost umesto stvarnog poboljšanja radnih tokova.
Za koga je ovaj tekst
Product menadžeri i team lideri koji su prešli začetnu fazu eksperimentisanja s AI alatima i vide nekonzistentne rezultate: uštede vremena koje se ne odražavaju u ishodima, prerada koja poništava dobitke od automatizacije ili nesigurnost oko toga gde je ljudsko prosuđivanje zaista neophodno. Okvir je najkorisniji kao alat za projektovanje pri restrukturisanju radnih tokova, a ne kao alat za evaluaciju alata koji su već u upotrebi.