20% poduzeća u EU koristilo je AI u 2025. Godinu ranije, taj broj iznosio je 13,5%. U Hrvatskoj je usvajanje na oko 12%, ispod EU prosjeka i daleko iza Danske sa 42% ili Finske sa 38%. Za male tvrtke s 10 do 49 zaposlenika, slika je lošija: svega 17% u cijeloj EU koristi AI u bilo kojem obliku.
Brojke rastu. Rezultati ne. Svega 26% tvrtki koje usvajaju AI razvilo je sposobnosti za ostvarivanje mjerljive vrijednosti iz svojih ulaganja. Ostali su zaglavljeni u petlji: kupuju alate, pokreću pilote, gledaju kako zastaju i počinju ispočetka.
Problem nije tehnologija. Alati rade. GPT-4, Claude, Gemini, open-source modeli: svi su dovoljno dobri za većinu poslovnih zadataka. Problem je strategija. Točnije, njezin izostanak. Podaci Eurostata pokazuju da 71% poduzeća u EU navodi nedostatak stručnosti kao glavnu prepreku. Ne cijenu. Ne pristup. Znanje što napraviti s AI-jem kad ga imate.
Ovaj post prolazi kroz korake izgradnje AI strategije za malo poduzetništvo. Ne koji alat odabrati. Ne kojeg dobavljača izabrati. Nego posao koji dolazi prije svih tih odluka: mapiranje procesa, prepoznavanje pravih problema, pokretanje fokusiranog pilota i mjerenje je li sve funkcioniralo.
Ako vodite tvrtku s 10 do 200 zaposlenika i osjećate pritisak da "napravite nešto s AI-jem," ovo je polazna točka.
Zašto većina AI projekata propadne prije nego što počne
Zamka odabira alata
Zadani pristup izgleda ovako. Vlasnik pročita o novom AI proizvodu. Tim se prijavi za probno razdoblje. Netko napravi demo. U prezentaciji izgleda obećavajuće. Šest tjedana kasnije, nitko ga ne koristi. Pretplata se nastavlja sama od sebe.
Ovo je zamka odabira alata. Odaberete tehnologiju prije nego definirate problem koji ona treba riješiti. MIT-ovo izvješće iz kolovoza 2025. utvrdilo je da 95% pilot projekata generativnog AI-ja u tvrtkama ne pokazuje mjerljive financijske rezultate unutar šest mjeseci. Obrazac se ponavlja neovisno o industriji, veličini tvrtke i tehnološkom stacku.
Zašto se to događa? AI alati su horizontalni. Rade pomalo od svega. Bez specifičnog, jasno definiranog poslovnog problema, tim primjenjuje alat na nejasne slučajeve. "Ubrzati korisničku podršku." "Automatizirati neko izvještavanje." "Pomoći s contentnom." Svaki zvuči razumno. Nijedan nema jasnu polaznu točku, definiranu metriku uspjeha ili proces na koji se veže.
Rezultat: alat stoji u tabu preglednika. Ponekad ga netko koristi. Nitko ne mjeri učinak. Nakon tri mjeseca, tvrtka prelazi na sljedeću novost.
Podaci su preduvjet koji nitko ne priprema
85% AI projekata propadne zbog loše kvalitete podataka. Ne kvalitete modela. Ne kvalitete promptova. Kvalitete podataka.
Male tvrtke posebno su izložene ovdje. Podaci o klijentima žive u CRM-u, tablici i nečijem inboxu. Podaci o zalihama nalaze se u jednom sustavu, a cijene u drugom. Financijska izvješća svaki mjesec ručno se kompiliraju iz tri različita izvora.
Kada tvrtka pokuša staviti AI povrh svega toga, model proizvodi rezultate temeljene na lošim ulaznim podacima. Preporuke su pogrešne. Automatizacije se kvare. Tim gubi povjerenje u alat i projekt umire.
Čišćenje i strukturiranje podataka nije glamurozan posao. Ne čini atraktivan demo. Ali to je preduvjet za svaku AI inicijativu. Preskočite ga i pilot propada.
Raspodjela budžeta je naopaka
Studija o implementaciji AI-ja u malim tvrtkama otkrila je indikativnu raspodjelu budžeta. Tvrtke koje ne uspijevaju s AI-jem troše 80% budžeta na softverske licence, a 20% na implementaciju: dizajn procesa, integraciju, edukaciju i upravljanje promjenama.
Tvrtke koje uspijevaju s AI-jem okreću omjer. 20% na alate. 80% na posao integriranja tih alata u stvarne radne tokove, obuku tima za njihovo korištenje i prilagodbu procesa novim sposobnostima.
Ovo je kontraintuitivno. AI alat djeluje kao skupi dio. U praksi, on je najjeftiniji. GPT-4 API pretplata košta nekoliko stotina dolara mjesečno. Navesti tim da promijeni način rada košta vrijeme, strpljenje i svjestan napor.
Većina malih tvrtki premalo ulaže u teški dio, a previše troši na lagani.
AI strategija koja polazi od procesa
Alternativa pristupu koji polazi od alata je pristup koji polazi od procesa. Mapirajte kako vaše poslovanje funkcionira danas. Izmjerite što je sporo, skupo ili podložno greškama. Tada odlučite gdje AI donosi najveću razliku.
Korak 1: mapirajte radne tokove
Prije evaluacije bilo kojeg AI alata, dokumentirajte svoje ključne radne tokove od početka do kraja. Ne na visokoj razini. Detaljno.
Odaberite tri do pet procesa koji troše najviše vremena ili novca. Za svaki zapišite:
- Tko obavlja posao (uloga, ne osoba)
- Što pokreće proces
- Svaki korak od početka do kraja
- Odakle dolaze podaci i kamo idu
- Koliko dugo svaki korak traje u prosjeku
- Gdje se greške ili kašnjenja najčešće događaju
Ova vježba otkriva uska grla za koja niste znali. Booking tvrtka bi mogla otkriti da 40% administrativnog vremena odlazi na ručno usklađivanje rezervacija između dva sustava. Servisna tvrtka bi mogla otkriti da tehničari troše 90 minuta dnevno na papirologiju umjesto na popravke.
Cilj je jasna slika vašeg poslovanja kakvo je danas, ne kakvo biste željeli da bude. To postaje vaša polazna točka.
Korak 2: prepoznajte probleme spremne za AI
Svako usko grlo nije AI problem. Za neka trebate bolju tablicu. Za neka promjenu procesa bez ikakve tehnologije. Za neka prilagođeni softver.
Tražite tri obrasca.
Prvi je ponavljanje. Unos podataka, klasifikacija dokumenata, trijaža emailova, generiranje izvještaja. Vaš voditelj korisničke podrške sortira 50 tiketa dnevno u istih pet kategorija. Vaš računovođa ručno usklađuje ista tri sustava svakog petka. Ovo su najlakše pobjede jer su ulazi konzistentni, a potrebna procjena minimalna.
Drugi je volumen. Detekcija anomalija u financijskim zapisima, prediktivno planiranje na temelju povijesne potražnje, provjere kvalitete dolaznih podataka. Osoba koja pregledava 10 računa uhvati greške. Osoba koja pregledava 500 propusti stvari. AI se ne umori na računu broj 487.
Treći je strukturirani output. Imate bazu specifikacija proizvoda i trebate opise za klijente. Imate podatke iz project managementa i trebate tjedne statusne izvještaje. Imate CRM zapise i trebate personalizirane poruke. Kada je format predvidljiv, AI proizvodi pouzdane rezultate brzo.
Problemi bez jasne strukture, koji ovise o nijansiranoj ljudskoj procjeni ili konstantno mijenjaju parametre, loši su kandidati za automatizaciju. Strateški sastanak s klijentom zahtijeva ljudsko razmišljanje. Trijaža 200 dolaznih tiketa podrške u pet kategorija ne zahtijeva.
Ocijenite svako usko grlo iz mape radnih tokova prema ovim kriterijima. Rangirajte ih po potencijalnoj uštedi vremena i poslovnom učinku. Vaša dva ili tri najbolja postaju kandidati za pilot.
Korak 3: pokrenite fokusirani pilot
Pilot nije demo. To je kontrolirani test sa stvarnim ulazima, stvarnim korisnicima i definiranom metrikom uspjeha.
Odaberite jedan problem s vaše rangirane liste. Najbolji kandidat za pilot ima tri kvalitete: dovoljno je bolan da se uspjeh primijeti, dovoljno je ograničen za provedbu u 4 do 8 tjedana i potrebni podaci već postoje u upotrebljivom formatu.
Postavite jasne granice prije početka. Opseg je jedan proces, jedan tim, jedan mjerljiv ishod. Ništa šire.
Prvo izmjerite trenutno stanje. Koliko ovaj proces traje danas? Kolika je stopa grešaka? Koliko košta mjesečno? Zapišite te brojke. One postaju mjerilo prema kojem se sve uspoređuje.
Odaberite jednu primarnu metriku: ušteđeno vrijeme, smanjene greške, smanjeni troškovi ili povećan kapacitet. Pratite je tjedno. I postavite čvrsti rok. Četiri do osam tjedana. Ako niste dokazali vrijednost u dva mjeseca, pristup traži preispitivanje, ne više vremena.
Tijekom pilota, pratite trenje. Gdje AI output treba ljudsku korekciju? Gdje se integracija kvari? Na što se tim žali? Ti signali važniji su od glavne metrike jer pokazuju skalira li rješenje.
Korak 4: izmjerite i odlučite
Nakon pilota, imate podatke. Usporedite rezultate s polaznom točkom.
Ako se primarna metrika poboljšala za 20% ili više i tim je koristio alat bez stalnog poticanja, imate skalabilno rješenje. Proširite ga.
Ako se metrika poboljšala, ali je usvajanje bilo nisko, problem je upravljanje promjenama. Popravite edukaciju, pojednostavite sučelje ili preusmjerite odgovornost.
Ako se metrika nije poboljšala, ne skalirajte. Ugasite pilot. Odaberite sljedeći problem s rangirane liste i pokušajte ponovo.
Ovo zvuči oštro, ali štedi novac. Deloitte izvještava da svega 25% AI inicijativa donosi očekivani ROI, a samo 16% skalira na razinu cijele tvrtke. Tvrtke koje uspijevaju su one spremne ugasiti ono što ne funkcionira i preusmjeriti resurse.
Očekivani ROI vremenski okvir za AI dulji je od većine tehnoloških investicija. Svega 6% tvrtki prijavljuje povrat unutar jedne godine. Planirajte 12 do 18 mjeseci od pilota do punog operativnog učinka.
Kako pristupamo ovome u Workspaceu
Vodimo radionice za product discovery s klijentima prije pisanja jedne linije koda. Format varira ovisno o projektu, ali princip ostaje isti: prvo mapiramo stvarne operacije, onda odlučimo što graditi.
Tipična radionica počinje online kickoffom gdje usklađujemo kontekst, potvrđujemo sudionike i prikupljamo postojeću dokumentaciju. On-site sesije dovode našeg project managera, softverskog arhitekta, poslovnog analitičara i product dizajnera u istu prostoriju s klijentovim vlasnicima procesa, voditeljima odjela i svakodnevnim korisnicima. Mapiramo radne tokove po domeni, definiramo uloge i razine pristupa, dokumentiramo odnose podataka i poslovna pravila, označavamo iznimke i rubne slučajeve te pregledavamo svaki postojeći alat i integracijsku točku. Na kraju, klijent ima kompletnu specifikaciju softverskih zahtjeva: mape procesa, funkcionalne i nefunkcionalne zahtjeve, definirani model dozvola, popis integracija, kriterije prihvaćanja i prioritizirani opseg za fazu 1.
Radionica odvaja pitanje "što trebamo izgraditi" od pitanja "kako to trebamo izgraditi." Klijenti često dolaze s rješenjem na umu. Brodogradilište želi "operativnu platformu." Javna institucija želi "sustav za evidenciju radnog vremena." Radionica tjera sve da budu precizni: koji primopredajni koraci zakazuju, gdje se podaci dupliciraju, koja odobrenja usporavaju proces, koje rubne slučajeve trenutni sustav ignorira.
DES je dobar primjer. Javna institucija u Splitu htjela je zamijeniti ručne procese prijave dolaska. Zvuči jednostavno, ali nije bilo. Discovery je otkrio zahtjeve za integracijom s Pantheon ERP-om, beskontaktne NFC kartice za radne tokove, pravila smjena kroz više odjela i logiku kontrole pristupa koju nitko nije zapisao. Bez mapiranja procesa, izgradili bismo krivi sustav. S mapiranjem, izgradili smo sustav koji pokriva svaki rubni slučaj koji je stari papirnati proces skrivao godinama.
Pro Desk krenuo je drugim putem do istog zaključka. Platforma za upravljanje sportskim objektima s četiri različita tipa korisnika: administratori, vlasnici objekata, treneri i članovi. Tijekom discovery sesija, zahtjevi za biometrijskom autentifikacijom pojavili su se prvi put. Nitko na klijentovoj strani nije ih dokumentirao. Svaka uloga drugačije komunicira sa sustavom: treneri upravljaju rasporedima, članovi se prijavljuju, vlasnici pregledavaju financije, administratori kontroliraju sve. Mapiranje tih interakcija prije pisanja koda uštedjelo je tjedne prerade i redizajna.
Serwizz je naš vlastiti AI-powered CMMS proizvod. Izgradili smo ga za timove održavanja i servisa kroz industrije: pomorsku, upravljanje objektima, proizvodnju, ugostiteljstvo. I počeli smo na isti način na koji počinjemo klijentske projekte. Mjesecima mapiranja kako timovi za održavanje rade: što se kvari, kako radni nalozi teku između tehničara i voditelja, gdje se informacije gube, kako izvještavanje izgleda kad funkcionira i kad ne funkcionira.
AI sloj došao je nakon što je procesni sloj bio solidan. Serwizz sada uključuje AI funkcionalnosti za upravljanje zadacima prirodnim jezikom, kontekstualnu pomoć unutar aplikacije i sažimanje dokumenata. Tehničar pita "Pretvori tikete ovog tjedna na ACI Marini Split u radne naloge" i sustav to obradi. Voditelj pita "Kako postaviti preventivno održavanje svaka 3 mjeseca?" i dobije odgovor korak po korak s označenim pravim ekranom. Te funkcionalnosti rade jer je podložni podatkovni model čist, strukturiran i izgrađen na stvarnim radnim tokovima. AI na vrhu neurednih podataka proizvodi šum. AI na vrhu mapiranih procesa daje brzinu.
Svaka procjena koju proizvedemo koristi AI-potpomognutu analizu povijesnih podataka o praćenju vremena iz svih prošlih projekata. Svaki zadatak na kojem je naš tim radio zabilježen je s kompleksnošću, trajanjem i projektnim kontekstom. Kada dođe novi projekt, uspoređujemo ga s tom bazom. Rezultat je procjena temeljena na stvarnim podacima o isporuci, ne na nagađanju.
Što slijedi
AI strategija za malo poduzetništvo počinje s jasnoćom procesa, ne s odabirom alata. Mapirajte kako posao teče kroz vašu tvrtku danas, izmjerite što je sporo, prepoznajte gdje se AI uklapa te naposljetku pokrenite jedan pilot i izmjerite rezultat.
74% AI projekata ne ostvari vrijednost. Razlika između tih 74% i preostalih 26% nisu bolji alati, već bolja priprema: čišći podaci, preciznije definicije problema i realni vremenski okviri.
Ako želite pomoć u mapiranju radnih tokova i prepoznavanju gdje AI donosi najveći povrat, javite nam se za discovery sesiju. Vodimo radionice osmišljene da vas pomaknu od "trebali bismo nešto napraviti s AI-jem" do konkretnog plana s definiranim ishodima i realnim budžetom.
