Umetna inteligenca: uvesti hitro ali najprej zaščititi, kar vas loči od konkurence?
»Kradejo uteži in alfo mojega posla«: kaj pomeni precep velikih podjetij za mala in srednja podjetja
Julija 2026 je Alex Karp, direktor podjetja Palantir, v oddaji Squawk Box na CNBC povedal, kaj mu po njegovih besedah zasebno govorijo direktorji velikih podjetij o ponudnikih jezikovnih modelov: »Ti ljudje kradejo uteži in alfo mojega posla.« In naprej: »Zakaj bi dobili dostop do mojih podatkov, če bodo zgradili mojo alfo?«
Alfa je v financah donos nad povprečjem trga. V podjetju je to tisto, kar vas loči od konkurence: recepture, nastavitve procesov, kalkulacije, cene, poznavanje kupcev, način, kako rešujete težave, ki jih drugi ne znajo. Karp ni nevtralen opazovalec, saj Palantir prodaja svojo platformo kot alternativo. Strah, ki ga opisuje, pa je resničen in vpliva tudi na podjetja, ki niso nikoli slišala za Palantir.
Med kladivom in nakovalom
Na eni strani je pritisk, kakršnega tehnologija še ni videla. V razvoj modelov, podatkovne centre in čipe se vlagajo izjemni zneski kapitala, ki se morajo povrniti. Povrnejo se lahko le, če bo umetna inteligenca čim prej uporabljena povsod: v vsakem oddelku, pri vsaki nalogi, z vsakim zaposlenim. Od tod sporočilo, ki ga uprave slišijo z vseh strani: kdor ne uvaja, zaostaja.
Na drugi strani so podjetja, ki vedo, da je njihova vrednost v znanju, ki ga nimajo drugi. Da bi umetna inteligenca res pomagala, ji morajo to znanje dati: dokumentacijo, podatke iz proizvodnje, kalkulacije, korespondenco s kupci. Bolj ko je uporaba koristna, več znanja odteče iz podjetja.
Rezultat poznamo: veliko pilotnih projektov, malo uvedb v celotnem podjetju, prepovedi uporabe javnih orodij in dolgi pravni pregledi pogodb. Podjetja plačujejo za uporabo, ki ne ustvari vrednosti, in se bojijo uporabe, ki bi jo ustvarila.
Kakšna je realnost
Kaj se s podatki dejansko zgodi, je odvisno od tega, katero orodje uporabljate in kako.
Brezplačna in osebna orodja. Pri osebnih računih je uporaba vnesenih podatkov za izboljšanje modelov pogosto odvisna od nastavitve, ki je uporabnik ne pogleda. Če zaposleni kalkulacijo kopira v osebni račun, podjetje nad tem nima nadzora.
Poslovne različice in dostop prek API. Večji ponudniki v pogojih za poslovne uporabnike zapišejo, da podatkov strank ne uporabljajo za učenje modelov. To je pogodbena zaveza, ki jo je treba prebrati, ne predpostaviti.
Največje tveganje so pogosto ljudje, ne modeli. Leta 2023 je Samsung omejil uporabo javnih orodij UI, potem ko so inženirji vanje vnesli dele izvorne kode. Model ni ničesar ukradel. Podatki so odšli, ker ni bilo pravil.
Karp misli na nekaj subtilnejšega. Tudi če model vaših podatkov ne uporabi za učenje, se znanje o tem, kako umetno inteligenco uporabljati v vaši panogi, kopiči pri ponudniku, ne pri vas. Procese gradite na platformi, ki je ne nadzorujete, plačujete po porabi in težko zamenjate ponudnika. »Zakaj ne bi nadzoroval uteži?« je njegovo vprašanje. Za veliko podjetje je to strateška odločitev. Za manjše podjetje je predvsem vprašanje, katero znanje sploh sme iz hiše.
Kaj to pomeni za mala in srednja podjetja
Po podatkih Eurostata je leta 2025 umetno inteligenco uporabljalo 20 % podjetij v EU z vsaj desetimi zaposlenimi. Med velikimi podjetji 55 %, med srednjimi 30 %, med malimi 17 %. Podjetja, ki so o uporabi razmišljala, a je niso uvedla, so kot razlog najpogosteje navedla:
- pomanjkanje znanja (71 %),
- nejasne pravne posledice (53 %),
- skrb glede varstva podatkov in zasebnosti (49 %).
Strah pred izgubo podatkov je torej pomemben, a ni največja ovira. Največja ovira je, da podjetje ne ve, kje in kako bi umetna inteligenca prinesla korist.
Za mala in srednja podjetja ima ta precep dve plati.
Slabost: manjše podjetje se ne more pogajati o pogojih z globalnim ponudnikom. Sprejme standardne pogoje ali pa orodja ne uporablja. Nima pravne službe, ki bi pogoje pregledala, ne IT oddelka, ki bi postavil lasten model.
Prednost: ko velika podjetja zavirajo, se manjše lahko premakne hitreje, če ve, kaj sme dati v orodje in česa ne. Večina koristne uporabe v proizvodnem podjetju sploh ne potrebuje alfe: ponudbe, povzetki sestankov, iskanje po dokumentaciji, priprava navodil, obdelava računov in plačil. Tu ni kaj ukrasti, prihranek časa pa je takojšen.
Paradoks je drugje. V manjših podjetjih alfa pogosto sploh ni zapisana. Je v glavi tehnologa, v Excelu vodje proizvodnje, v izkušnjah lastnika. Za uporabo umetne inteligence jo je treba najprej zapisati. To je samo po sebi dragoceno, ker podjetje postane manj odvisno od posameznikov. Hkrati pa je zapisano znanje lažje odnesti, z umetno inteligenco ali brez nje.
Kaj pa mikro podjetja?
Eurostat podjetij z manj kot desetimi zaposlenimi v tej raziskavi sploh ne zajema. Pri mikro podjetjih je alfa pogosto lastnik sam: njegovo znanje, njegovi kupci, njegovi postopki. Strah pred izgubo intelektualne lastnine je zato oseben in razumljiv.
Realno pa je pri mikro podjetju tveganje pogosto drugje, kot ga lastnik pričakuje. Model se ne bo naučil vaše recepture iz enega pogovora. Bolj verjetno je, da boste kršili zavezo do kupca: če ste podpisali pogodbo o zaupnosti, vnos kupčevih podatkov v orodje, ki ga pogodba ne dovoljuje, ni tehnično vprašanje, ampak pogodbeno. Zato mikro podjetju zadoščajo tri pravila: poslovni račun namesto osebnega, izklopljena uporaba podatkov za učenje in nikoli podatkov kupca brez njegovega soglasja.
Kako uvajati umetno inteligenco, ne da bi oddali alfo
1. Razvrstite znanje v tri razrede.
| Razred | Primeri | Pravilo |
|---|---|---|
| Javno | ponudbe brez cen, splošna navodila, objavljeni katalogi | prosto v odobrenih orodjih |
| Interno | zapisniki, interni postopki, računi, plačila | samo v poslovnih orodjih z izklopljenim učenjem |
| Alfa | recepture, nastavitve procesov, kalkulacije, cene, podatki kupcev | samo v orodjih pod vašim nadzorom ali sploh ne |
2. Začnite tam, kjer ni alfe. Prvi primeri uporabe naj bodo na javnih in internih podatkih, kjer je korist hitro merljiva. Tako se ljudje naučijo uporabe, preden pridejo do občutljivih podatkov.
3. Za alfo izberite nadzor. Kjer je korist velika in znanje občutljivo, pridejo v poštev rešitve, kjer podatki ostanejo v vašem okolju: modeli z odprtimi utežmi na lastni infrastrukturi ali v zasebnem oblaku z jasno pogodbo. To je dražje in počasneje, zato le tam, kjer se splača.
4. Vsak primer uporabe naj ima poslovni izračun. Karpov očitek o »žetonih, ki ne ustvarijo vrednosti« velja tudi za manjša podjetja. Naročnine za vse zaposlene niso strategija. Za vsak primer uporabe zapišite, koliko časa ali denarja prinese, koliko stane in kdo je odgovoren za rezultat.
5. Napišite pravila, preden jih potrebujete. Ena stran zadošča: katera orodja so dovoljena, kateri podatki gredo vanje in kateri ne, kdo odobri nova orodja.
Pet vprašanj za vaše podjetje
- Ali veste, katera orodja umetne inteligence vaši zaposleni danes uporabljajo, in ali prek osebnih ali poslovnih računov?
- Ali imate zapisano, katero znanje je vaša alfa in kje je shranjeno?
- Ali ste pri orodju, ki ga uporabljate, prebrali pogoje o uporabi podatkov za učenje?
- Ali vaše pogodbe o zaupnosti s kupci dovoljujejo obdelavo njihovih podatkov z umetno inteligenco?
- Ali za vsaj en primer uporabe umetne inteligence znate pokazati, koliko časa ali denarja prinese na mesec?
Če na dve ali več vprašanj nimate odgovora, umetna inteligenca v vašem podjetju verjetno že teče, a brez pravil in brez merjenja koristi.
Kje začeti
En teden zbirajte, katera orodja ljudje uporabljajo in za kaj. Nato naredite seznam desetih nalog, ki vzamejo največ časa in ne vsebujejo alfe. Na eni od njih izmerite čas pred in po uvedbi. To je prvi primer, ki ga lahko pokažete upravi, brez enega samega občutljivega podatka zunaj podjetja.
Viri: izjave Alexa Karpa so iz intervjuja v oddaji Squawk Box na CNBC, 1. 7. 2026 (prevod Armes). Podatki o uporabi umetne inteligence so iz Eurostata (Use of artificial intelligence in enterprises), podatki za leto 2025 za podjetja z vsaj desetimi zaposlenimi.
Študija primera: Avtomatizacija plačil (PDF) ↗
Upravljanje zalog: od matičnih podatkov do nekurantnih materialov
Zakaj se skladišče po enkratnem odpisu zalog znova napolni in šest korakov, ki to preprečijo: matični podatki, knjiženje gibanj, ciklična inventura, normativi, S&OP in nekurantne zaloge.
Manj zalog, več denarja, a ne več dobička
Znižanje zalog prinese denar, EBITDA pa se v letu znižanja največkrat poslabša. Tri pasti, primer iz prakse, tabela za upravo in šest korakov, da se skladišče ne napolni znova.

