WAN-IFRA: USA Today o merenju AI pre nego što mu se može verovati u redakciji

O čemu govori članak

Ovaj tekst WAN-IFRA iz juna 2026. opisuje iskustvo USA Today sa uvođenjem AI u specifičan, visokorizičan novinarski proces: pripremu zahteva za pristup javnim dokumentima. Materijal pokriva šta je izgrađeno, šta je pošlo naopako i do kakvih zaključaka je tim došao o tome šta znači odgovorno koristiti AI u redakcionom kontekstu.

Kontekst

Radni proces koji je tim odlučio da automatizuje zaista je složen. Zahtevi za pristup javnim dokumentima moraju pozivati na tačan statut specifičnog savezne države da bi bili prihvaćeni; zakoni variraju u svih 50 država i odbijanje često sledi iz pozivanja na pogrešan propis. Novinar koji priprema takav zahtev od nule može potrošiti sat vremena na jedno pismo. USA Today je izgradio agenta da preuzme ovaj zadatak.

Ključna metoda i zaključak

Tokom razvoja tim se suočio sa ponavljajućim problemom: agent je halucinisao — produkujući blago pogrešne reference na statute koje bi uzrokovale neuspeh zahteva. Jessica Davis, koja je vodila ovaj rad, citirana je: “Malo pogrešno, u kontekstu zahteva za javne dokumente, znači da zahtev propada.” Tim je zaključio da poverenje u AI model nije dovoljna osnova za pokretanje u produkciju. Ono što im je bilo potrebno bio je formalni okvir za evaluaciju: strukturisani testovi koji mogu da utvrde, na osnovu podataka, gde agent radi tačno, a gde ne.

Nakon što su evaluacije bile na mestu, tempo rada se promenio. Vreme za deployment novih funkcija smanjilo se sa meseci na nedelju dana, a mogućnost lansiranja više funkcija za nekoliko dana postala je stvarnost. Centralni argument Davis-a, kako ga prezentuje članak, jeste: evaluacije — a ne pozitivan utisak novinara nakon testiranja — temelj su koji svaka redakcija mora izgraditi pre nego što AI može da se koristi u razmeri vrednoj poverenja.

Case study je koristan van novinarstva. Svaki tim za kreiranje sadržaja koji uvodi AI za zadatak gde su tačnost i usklađenost važni suočava se sa istim problemom: opšte performanse na standardnim zadacima ne predviđaju performanse na specifičnom, ograničenom zadatku koji tim zapravo treba da obavi. Pristup USA Today-a — izgraditi formalnu evaluaciju, meriti prema njoj, koristiti rezultate za definisanje obima AI uloge — primenjiv je u drugim profesionalnim kontekstima kreiranja sadržaja.

Članak takođe pravi razliku između onoga što Davis naziva assistive AI (generisanje teksta, pronalaženje informacija, zadaci gde čovek pregleda output) i agentic AI (agenti koji autonomno preduzimaju akcije prema cilju). Ova razlika je važna za određivanje gde su evaluacije najkritičnije: agentni zadaci čiji outputi direktno ulaze u posledične procese zahtevaju stroži merni pristup od asistivnih alata gde čovek čita i odobrava svaki output pre nego što se upotrebi.

Kome je korisno

Redaktorima i novinarima koji se bave podacima i uvode AI procese; timovima za content operacije koji grade AI-asistovane procese za zadatke gde je tačnost obavezna; i svima u organizacijama koje žele da pređu od pilot projekata ka pouzdanoj, skalabilnoj primeni AI-ja.