Manjak tehnoloških vještina zaustavio je projekte u 69% organizacija

Pluralsight je 30. rujna 2026. u priopćenju o Tech Skills Reportu objavio da je 69% anketiranih organizacija u prethodnoj godini odustalo od tehnološkog projekta zbog manjka vještina, a 61% tehnoloških rukovoditelja procijenio je da je taj manjak njihovu organizaciju stajao najmanje 250.000 američkih dolara. Prvi pokazatelj govori o odustajanju od projekta, a drugi o procijenjenom ukupnom trošku nedostatka vještina. Među posebno pogođenim područjima navedeni su oblak, kibernetička sigurnost i umjetna inteligencija.

Kako navodi CIO Dive, istraživanje je obuhvatilo 1.500 tehnoloških rukovoditelja, stručnjaka i voditelja razvoja zaposlenika u SAD-u, Ujedinjenom Kraljevstvu i Australiji; izvršna direktorica Pluralsighta Erin Gajdalo za taj je medij upozorila da „there is significant risk in blindly assuming that teams have the skills needed to complete the project”. Za hrvatske organizacije nalaz otvara konkretno pitanje: može li tim pokazati da zna obaviti posao zbog kojeg se kupuje novi alat?

Odustajanje od projekta samo je dio troška

Manjak vještina pogađa provedbu ondje gdje plan pretpostavlja sposobnost koju tim još nema. Prekid projekta tada ostavlja već nastale troškove odabira tehnologije, pripreme podataka i usklađivanja ljudi, dok se očekivana korist odgađa ili gubi. To su mogući načini nastanka troška, a ne zasebno izmjereni iznosi iz ankete.

Projekti u oblaku, kibernetičkoj sigurnosti i umjetnoj inteligenciji traže različite zadatke, ali sam pristup alatu ni u jednom području ne jamči izvedbu. Netko mora postaviti sustav, prepoznati pogrešku i preuzeti odgovornost za rezultat. Ako se manjak sposobnosti otkrije tek nakon kupnje, organizacija će možda morati produljiti rad, promijeniti opseg projekta ili potražiti pomoć izvana.

Procijenjeni novčani trošak ne treba tumačiti kao cijenu jednog odustalog projekta. Rukovoditelji su procjenjivali posljedice manjka vještina za svoju organizaciju tijekom godine, što može obuhvatiti više projekata i različite vrste troškova. Za odluku o novom ulaganju zato je važnije otkriti gdje bi se rad zaustavio nego zbrajati završene tečajeve.

Edukacija i izvedba nisu ista mjera

Prema Tech Skills Reportu 2026, 77% tehnoloških rukovoditelja vidjelo je zaposlenike koji su završili edukaciju ili stekli certifikat, ali naučeno nisu mogli primijeniti u svakodnevnom radu; 96% organizacija uložilo je u AI alate za barem dio zaposlenika, dok 52% kaže da je većina ili cijela njihova radna snaga pismena u području AI-ja. Ulaganje govori o dostupnosti alata, a procjena pismenosti o znanju zaposlenika. Nijedan od tih pokazatelja sam po sebi ne dokazuje da tim može izvršiti konkretan projektni zadatak.

Potvrda o tečaju pokazuje da je osoba prošla sadržaj i eventualno položila predviđenu provjeru. Projekt traži uži dokaz: može li ista osoba obaviti ključni zadatak s podacima, ograničenjima i odgovornošću koji će vrijediti pri stvarnoj primjeni. U AI projektu to može biti procjena pouzdanosti izlaza prije njegova korištenja; u projektu u oblaku postavljanje i održavanje usluge; u sigurnosnom projektu postupanje kada provjera otkrije slabost. To su mogući zadaci, a ne opis organizacija iz ankete.

Vještina također ne znači isto za svakoga tko koristi istu tehnologiju. Osobi koja odobrava poslovni rezultat potrebna je drugačija demonstracija sposobnosti nego osobi koja sustav postavlja i održava. Zato su razlike među poslovima i AI vještinama bitne pri odabiru provjere: isti završeni program ne odgovara na pitanje može li svaka uloga izvršiti svoj dio posla.

Pet polja koja otkrivaju spremnost tima

Za mali ili srednji tim nalaz se može pretvoriti u kratku matricu prije odluke o ulaganju. Matrica je urednički prijedlog, a ne dio ankete: svaki redak opisuje posao bez kojeg projekt ne može dati očekivani rezultat. Provjera se temelji na pokazanoj izvedbi, a ne na samoprocjeni ili broju odslušanih sati.

• Kritični zadatak: navedite radnju koja odlučuje o uspjehu projekta. Umjesto općeg zahtjeva „poznavanje AI-ja”, to može biti provjera izlaza sustava na dopuštenim podacima i prema unaprijed dogovorenom kriteriju.
• Osoba koja može pokazati izvedbu: zabilježite tko će obaviti radnju na ograničenom, ali realističnom primjeru. Rezultat demonstracije mora biti vidljiv i provjerljiv osobi koja će ovisiti o tom poslu.
• Rezervna kompetencija: utvrdite tko još može ponoviti zadatak ili neovisno procijeniti rezultat. Ako to ne može nitko drugi, odsutnost ključne osobe postaje dio rizika isporuke.
• Poslovni ishod: povežite demonstraciju s odlukom koju projekt treba omogućiti. Tehnički uspjeh vrijedi tek ako pokazuje da se očekivani postupak može obaviti dovoljno pouzdano za njegovu namjenu.
• Trenutak za vanjsku pomoć: unaprijed odredite koji neuspjeh demonstracije ili neriješena provjera zahtijeva stručnjaka izvan tima. Tako se pomoć može uključiti prije širenja troška i opsega projekta.

Primjerice, tim može uspješno pokrenuti AI alat, a ipak ne imati osobu koja zna procijeniti kada je njegov odgovor neprikladan za poslovnu odluku. U matrici bi pokretanje alata i procjena izlaza bili odvojeni zadaci, s odvojenim dokazima i odgovornim osobama. Takvo razdvajanje pokazuje je li riječ o spremnosti za rad ili samo o pristupu tehnologiji.

Granica međunarodnog nalaza za Hrvatsku

Anketa iz SAD-a, Ujedinjenog Kraljevstva i Australije opisuje iskustvo njezinih ispitanika; postotak odustajanja ne može se automatski pripisati hrvatskim organizacijama. Ipak, projekt koji ovisi o sposobnosti koju nitko u timu ne može pokazati nosi rizik bez obzira na tržište. Za hrvatski tim presudan je vlastiti dokaz izvedbe ključnih zadataka, uz jasnu odluku što se događa ako ga nitko ne može pružiti.

Pročitajte i:

• AI vještine rastu svugdje, ali jedan tečaj ne rješava razliku među poslovima
• ADACities produljen do 20. listopada — traže se gradovi i tehnološki partneri