Direktori znaju da su AI veštine postale kritične, ali većina kompanija samo nagađa šta ljudi zaista znaju. Ovo je praktičan vodič za HR i L&D kako da procene AI veštine radne snage pre sledećeg talasa transformacije.
AI veštine su postale „osnovna higijena“ – ali većina firmi i dalje nagađa
U različitim industrijama, AI veštine su prešle put od „lepo je imati“ do osnovnog poslovnog minimuma.
Izveštaj Pluralsight‑a o AI veštinama pokazuje da 95% organizacija proverava AI veštine pri zapošljavanju tehnoloških stručnjaka, a oko 70% ih smatra obaveznim ili veoma poželjnim. Ipak, isti izveštaj upozorava da je dve trećine kompanija moralo da odustane od AI projekata zato što njihovi timovi nisu imali odgovarajuće AI veštine, i da menadžeri i zaposleni često precenjuju sopstvene sposobnosti.
Druga istraživanja pričaju sličnu priču.
Jedna anketa među C‑suite liderima navodi da 87% rukovodilaca ima problem da pronađe talente sa AI veštinama, a skoro tri četvrtine veruje da njihova kompanija treba da poveća ulaganja u L&D programe fokusirane na AI u naredne dve godine.hrexecutive+1
Istovremeno, samo 24% zaposlenih koristi interne L&D programe da bi učilo o AI‑ju, a više od trećine kaže da je verovatno da će napustiti firmu zbog posla sa boljim mogućnostima učenja.
Napetost je jasna: AI veštine su postale očekivani standard, ali većina organizacija nema pouzdanu sliku o tome šta njihovi ljudi zaista umeju sa AI‑jem, a još manje ima ozbiljne programe usavršavanja.
Zašto samoprocena AI veština nije dovoljna
Na papiru, rešavanje problema deluje jednostavno: pitati zaposlene da li znaju da koriste AI.
U praksi, takav pristup je rizičan.
Pluralsight ističe da „većina menadžera i zaposlenih preuveličava svoje AI znanje i verovatno precenjuje AI veštine koje zaista imaju“ i preporučuje nezavisne, stručno dizajnirane procene umesto oslanjanja isključivo na samoprocene.
I drugi izvori ukazuju na isti problem.
UK AI Labour Market Survey pokazuje da 97% organizacija identifikuje barem jedan jaz u AI veštinama, a više od polovine navodi tehničke praznine – posebno u razumevanju AI koncepata i algoritama. Izveštaj takođe ističe da se 88% firmi uglavnom oslanja na neformalno učenje „u hodu“, a da samo 13% graduate programa uključuje AI obuke.
U prevodu: ne možete upravljati onim što ne merite, a AI spremnost ne možete da merite osećajem i nazivima pozicija. HR i L&D moraju da uvedu strukturisan način za razumevanje toga ko zaista zna da radi sa AI‑jem – i gde su najveće praznine.
Šta se u praksi smatra „AI veštinama“?
Pre procene korisno je definisati šta zapravo tražite.
Više izvora razlikuje naprednu AI ekspertizu od šireg skupa veština koje su potrebne većini zaposlenih. Za najveći deo radne snage AI veštine se mogu posmatrati kroz tri sloja:
-
AI pismenost – razumevanje osnovnih pojmova, ograničenja, etike i situacija u kojima treba preispitati AI rezultate.
-
Primena AI alata u radu – sposobnost da se koriste AI asistenti, copilot‑i i specijalizovani alati za brže i kvalitetnije obavljanje svakodnevnih zadataka (analiza, pisanje, odgovori klijentima, istraživanje), uz poštovanje pravila privatnosti i bezbednosti.
-
Saradnja sa AI u procesima – razumevanje kako da se dizajniraju, prate i unapređuju „human‑in‑the‑loop“ procesi, kada da se eskalira slučaj i kako da se AI izlazi koriste kao ulaz u odluke, a ne kao konačna istina.
Samo manji broj uloga zahteva napredne AI veštine (data science, razvoj modela, MLOps), koje OECD i studije tržišta rada posmatraju kao zaseban talent pool sa sopstvenim dubinskim obukama.
Efikasna procena uvažava ovaj spektar, umesto da tretira AI kao binarnu veštinu „zna / ne zna“.
Procena AI veština radne snage u 4 koraka
U nastavku je praktičan, relativno lagan pristup koji HR i L&D mogu primeniti u većim organizacijama pre nego što AI projekti dodatno eskaliraju.
Korak 1 – Krenite od uloga, ne od generičnih treninga
MIT Sloan u istraživanjima o „workforce intelligence“ naglašava da kompanijama trebaju precizni uvidi u zadatke i veštine, a ne samo u nazive pozicija, kako bi razumele gde AI može da zameni ili nadogradi ljudski rad.
U praksi to znači da krećete od prioritetnih uloga i use case‑ova, a ne od „jednog AI kursa za sve“.
Kao HR, možete da:
-
Identifikujete 5–10 kritičnih rola ili segmenata (npr. linijski menadžeri, HRBP‑ovi, agenti korisničke podrške, finansijski analitičari, inženjeri).
-
Za svaku mapirate ključne zadatke gde je AI već prisutan ili će uskoro biti (izveštavanje, pisanje izveštaja, analiza, istraživanje, kodiranje, prognoziranje, pretraga znanja).
-
Definišete kako izgleda „dobra“ upotreba AI‑ja u toj ulozi – npr. pisanje prvih verzija pomoću AI i potom uređivanje, korišćenje AI‑ja za analizu uz proveru pretpostavki, upotreba copilot‑a uz poštovanje pravila privatnosti.
To postaje referentna tačka za vašu procenu: veštine za konkretne AI‑om podržane zadatke, a ne apstraktno AI znanje.
Korak 2 – Kombinujte samoprocenu sa stručno dizajniranim testovima
Kada znate šta je važno, možete i preciznije da merite.
Pluralsight i slične platforme preporučuju kombinovanje nezavisnih procena sa samoprocenom kako bi se izbegle slepe mrlje i preterano samopouzdanje.
Praktično rešenje za HR i L&D može da uključuje:
-
Kratku samoprocenu sa opisnim tvrdnjama (npr. „Redovno koristim AI alate da unapredim svoj rad“, „Znam kako da proverim AI izlaz zbog pristrasnosti ili halucinacija“), ocenjenim od početnog do naprednog nivoa.
-
Stručno dizajnirane kvizove ili scenario‑bazirane testove koji proveravaju osnovnu AI pismenost i bezbednu upotrebu (prepoznavanje rizičnih use case‑ova, izbor odgovarajućih prompta, tumačenje AI analiza).
-
Po potrebi hands‑on zadatke (mini izazovi sa vašim AI alatima) za konkretne uloge, kako biste videli kako ljudi zaista rade sa AI‑jem.
MIT Sloanov primer Johnson & Johnson‑a pokazuje kako kombinovanje samoprocene i AI‑om podržanog „skills inference‑a“ može dati mnogo tačniju sliku nivoa veština i otkriti gde ljudi potcenjuju ili precenjuju sopstvene sposobnosti.
Kada su samoprocena i objektivna procena blizu, rezultat je pouzdan; kada snažno odstupaju, to je jasan signal gde je potrebna edukacija ili „reset“ očekivanja.
Korak 3 – Analizirajte praznine na nivou timova i organizacije
Cilj procene nije da „etiketirate“ pojedince, već da vidite obrasce.
Global Skills Intelligence Survey naglašava da su veštine, a ne pozicije, prava „valuta performansi“ u AI ekonomiji i da liderima trebaju real‑time uvidi u to gde se te veštine nalaze.
Nakon prikupljanja podataka, HR i L&D mogu da:
-
Segmentiraju rezultate po ulozi, zemlji, biznis jedinici i nivou senioriteta, kako bi videli gde je AI pismenost jaka, a gde slaba.
-
Identifikuju kritične praznine koje mogu da sabotiraju planirane AI projekte (npr. tim izabran za AI pilot ima vrlo nizak nivo AI pismenosti ili visok nivo straha).
-
Uoče skrivene snage – timove ili pojedince sa visokim AI nivoom koji mogu da budu interni mentori ili ambasadori.
Top menadžment već oseća rizik: istraživanja pokazuju da skoro polovina CEO‑a veruje da će većina postojećih veština u radnoj snazi biti nebitna u vrlo kratkom roku, dok oko 47% smatra da su zaposleni nespremni za budućnost rada.
Strukturisana procena AI veština daje konkretne podatke umesto opštih rečenica o „potrebi za usavršavanjem“.
Korak 4 – Pretvorite uvide u ciljana učenja i HR odluke
Procena ima smisla samo ako utiče na ono što radite dalje.
IBM‑ovo iskustvo sa AI upskilling‑om naglašava da lideri moraju najpre da identifikuju praznine u veštinama i zatim obezbede prave programe obuke, u suprotnom rizikuju da izgube poverenje zaposlenih. Isti izvor ističe važnost usklađivanja AI alata sa kulturom, transparentnog upravljanja i jasne poruke da AI treba da nadogradi ljude, a ne da ih zameni.
Na osnovu rezultata procene možete:
-
Dizajnirati puteve učenja po ulogama (osnovna AI pismenost za sve, primenjene AI veštine za menadžere i specijaliste, napredni programi za data i inženjerske timove).
-
Prioritizovati timove koji ulaze u AI projekte kako bi dobili podršku pre uvođenja alata, a ne tek kada problemi nastanu.
-
Ugraditi AI veštine u performanse, karijerne planove i sukcesiju, tako da budući lideri eksplicitno moraju da savladaju AI‑om podržane načine rada.
-
Koristiti podatke za zapošljavanje i unutrašnju mobilnost, fokusirajući regrutaciju tamo gde interno usavršavanje ne može samo da zatvori jaz.
Na ovaj način razgovor se pomera sa „naši ljudi nisu spremni“ na „evo tačno gde smo danas – i ovako izgleda naš plan za narednih 12–24 meseca“.
Šta se dešava ako ne merite AI veštine
Rizik neprocenjivanja AI veština više nije teorijski.
Izveštaji pokazuju da samo oko 6% kompanija ima ozbiljne programe AI upskilling‑a, dok se mnoge oslanjaju na povremeni sadržaj umesto na sistematsko izgradjivanje sposobnosti vezanih za biznis strategiju.
Istovremeno, dve trećine firmi je moralo da zaustavi ili odloži AI inicijative zbog nedostatka AI veština u timovima, gubeći vreme i kredibilitet.
I izvršni direktori vide drugi rizik.
Skoro polovina CEO‑a smatra da bi većina njihovih sopstvenih zadataka trebalo da bude automatizovana ili zamenjena AI‑jem, a 77% kaže da AI već remeti njihove poslovne strategije.
Oni procenjuju da će otprilike polovina današnjih veština u radnoj snazi uskoro postati nebitna, i da je skoro polovina zaposlenih nespremna za budućnost rada.
U takvom okruženju, nadati se da će ljudi „sami pohvatati“ AI nije strategija.
HR i L&D timovi koji prvi sistematski procene i razviju AI veštine biće oni koji upravljaju usvajanjem AI‑ja, umesto da ga jure iz prikolice.
Za nekoliko godina, organizacije sa najjasnijom slikom AI veština u radnoj snazi biće one koje mogu mirno da kažu „da“ ambicioznim AI projektima – dok će ostale tek tada otkrivati da im radna snaga nikada nije bila spremna.
