Индустрији не недостаје само AI знање — одлази и искуство ветерана

Octave Intelligence је 28. септембра 2026. у азијском саопштењу о истраживању објавио да у Јапану 38% испитаника сматра недовољну обуку запослених највећим ризиком повезаним са AI у наредних пет година, док 25% брине да ће пензионисањем кључних ветерана нестати важно оперативно знање. Налази повезују две празнине које се у погонима лако раздвајају: радници треба да науче да користе нове системе, а истовремено морају да разумеју зашто су искусне колеге доносиле одређене одлуке.

Истраживање зато у средиште ставља хибридног индустријског стручњака: човека који познаје рад постројења и уме да процени предлог AI у стварним условима. Сам приступ алату не преноси знање о одступањима, границама опреме и редоследу провера. Ако такво искуство остане само код радника који одлази, млађи колега може добити брз одговор, али изгубити основу да препозна када га треба одбацити.

Глобална анкета: записан поступак, незаписана процена

У глобалном саопштењу Octave од 23. септембра наводи се да је анкетирано 756 доносилаца технолошких одлука, да седам од десет испитаника сматра да њихова организација не чува знање важно за будући рад, да 47% каже да су основни поступци забележени, али практичне нијансе нису, и да 34% као највећи ризик види недовољну обуку за технологију коју већ имају; директор за производе Џеј Алардис ту разлику сажима речима: „technology alone cannot solve these problems“.

Анкета је спроведена међу доносиоцима одлука у великим организацијама које управљају индустријским постројењима у производњи, енергетици, нафтној и гасној, хемијској и фармацеутској индустрији. То су процене испитаника о раду њихових организација, а не непосредно мерење изгубљеног знања на сваком радном месту. Разлика између записаног корака и процене из праксе важна је за одржавање: упутство може да каже шта се ради, док искуство објашњава по којим знацима радник утврђује да уобичајени корак у датим условима није добар избор.

Азијски пресек показује како се две празнине сусрећу

Извештај IT Brief Australia од 29. септембра наводи да 48% испитаника у Азији каже да њихове организације већ користе алате са AI за чување и пренос знања, да је у Јужној Кореји тај удео 54%, а да више од половине испитаника у региону очекује да ће радници на терену до 2028. надгледати системе са AI у више тимова или ширем делу пословања. Бројке се односе на различита питања у регионалној анкети: садашњу употребу алата за знање и очекивану будућу улогу радника.

За посао то значи да пренос знања и обука за AI треба да се сусретну на истом задатку. Алат може да сачува опис раније интервенције и помогне да се пронађе сличан случај, али млађи радник мора да зна који су услови тада важили и ко је проверио исход. Без тог контекста систем може да врати поступак који личи на прави, док пресудна разлика остаје изван записа. Зато уз пронађено решење вреди сачувати и разлог због којег је оно било примерено баш том постројењу.

Шта ветеран заправо треба да остави иза себе

Највреднији део искуства често је објашњење изузетка. Искусан радник може да препозна звук, редослед промена или комбинацију показатеља који упозоравају да прописана интервенција треба да сачека додатну проверу. Ако се забележи само коначна радња, будући корисник неће видети шта је радник уочио, које је друге могућности искључио и због чега је одлука била примерена у тадашњим условима.

Хибридни стручњак повезује доступне записе са физичким стањем опреме, препознаје недостајуће податке и задржава људску одговорност за одлуку. AI може да убрза претрагу и понуди образац, али процена применљивости зависи од контекста који је у записе унео искусан радник и од стручњака који гледа садашње стање постројења. Тако се обука за нови систем надовезује на учење оперативне процене, уместо да је замени.

Матрица за пренос знања и проверу AI предлога

За фабрику или инфраструктурног оператера, исти критични поступак може да се повеже са носиоцем искуства, доказом на којем се његова процена заснива, задатком AI помоћника и човеком који одобрава исход. Таква подела раздваја проналажење информација од одлуке о примени. Уједно показује шта треба сачувати пре пензионисања ветерана и шта млађи радник мора да уме да провери.

• Критичан поступак: конкретна радња, њени предуслови и знаци који захтевају прекид уобичајеног тока.
• Носилац искуства: радник који може да објасни изузетке и разлоге за избор, а не само да понови кораке.
• Доказ знања: забележени услови, мерења, запажања и исход који омогућавају да се процена накнадно разуме.
• AI помоћник: алат који проналази упоредиве записе и показује на којим подацима почива његов предлог.
• Човек који одобрава: овлашћени стручњак који упоређује предлог са тренутним стањем и прихвата га, мења или одбацује.

Условни пример је одржавање опреме у енергетском постројењу. Ветеран објашњава који налаз мења редослед провера; уз њега остају стварна мерења и исход раније интервенције. AI помоћник налази упоредиве записе, млађи техничар утврђује шта се поклапа са садашњим стањем, а овлашћени радник доноси одлуку о поступку. Тако обука обухвата и препознавање границе између корисног предлога и туђег случаја који само изгледа слично.

За Србију су ови резултати упоредни подаци из великих глобалних и азијских организација, а не процена домаће индустрије. За погон који се ослања на дугогодишње искуство последица је конкретна: када се одлазак радника и увођење AI догоде у исто време, квалитет будућих одлука зависи од тога да ли је сачуван разлог за ранију интервенцију и ко је оспособљен да га примени у новим условима.