AI u 2026: Šta se zapravo promenilo u poslednjih 12 meseci?

Veliko hlađenje očekivanja

Poslednjih dvanaest meseci u tech sektoru delovalo je drugačije. Grozničava energija prethodnih godina ustupila je mesto hladnom saznanju da je lakše napraviti model nego biznis. Prošli smo fazu konstantnog čuđenja i ušli u period surove korisnosti. Ovo je bila godina kada je industrija prestala da priča o tome šta bi moglo da se desi i počela da se bavi onim što se zapravo desilo. Videli smo kraj ere u kojoj lansiranje novog modela može da zaustavi svet na jedan dan. Umesto toga, svedočili smo sporoj integraciji ovih sistema u samu „vodovodnu mrežu“ interneta. Najveće priče prošle godine nisu bile o benchmark testovima. Bile su o energetskim mrežama, sudnicama i tihoj smrti tradicionalnih pretraživača. Godina je bila trenutak kada je industrija zamenila svoje uzbuđenje za mesto za stolom globalne infrastrukture. Ovo hlađenje očekivanja nije neuspeh tehnologije, već znak njene zrelosti. Više ne živimo u svetu spekulativne budućnosti. Živimo u svetu integrisanih sistema gde je novitet izbledeo.

Konsolidacija kognitivne moći

Srž promena u poslednjih dvanaest meseci bio je pomak u tome gde moć boravi. Videli smo masovnu konsolidaciju gde su najveći igrači postali još veći. San o hiljadu malih modela koji se takmiče na ravnopravnom terenu je izbledeo. Umesto toga, videli smo uspon osnovnog sloja gde samo nekoliko kompanija može da priušti struju i čipove potrebne za takmičenje. Ove kompanije su prestale da se fokusiraju na to da modele učine pametnijim u opštem smislu i počele su da ih čine pouzdanijim. Modeli su sada bolji u praćenju instrukcija i ređe izmišljaju stvari. Ovo je postignuto ne jednim velikim otkrićem, već kroz hiljade malih optimizacija u načinu na koji se podaci čiste i kako se modeli podešavaju. Pomak u fokusu je jasan u nedavnim AI analizama industrije gde se naglasak pomerio sa veličine modela na njegovu korisnost. Takođe smo videli uspon malih jezičkih modela koji rade na telefonima i laptopovima. Ovi manji sistemi nemaju široko znanje svojih većih rođaka, ali su brzi i privatni. Ovaj raskol između džinovskih cloud mozgova i lokalnih edge uređaja definisao je tehničku arhitekturu godine. Industrija se udaljila od ideje da će jedan džinovski model raditi sve. Ovo je bila godina kada je efikasnost postala važnija od sirove veličine. Kompanije su shvatile da je manji model koji je u pravu devedeset devet odsto vremena vredniji od džinovskog modela koji je u pravu devedeset odsto vremena.

Trenje i uspon suverenih sistema

Na globalnom nivou, proteklu godinu definisalo je trenje. Medeni mesec između tech kompanija i vlada je završen. Evropska unija je počela da sprovodi AI Act, koji je primorao kompanije da budu transparentnije u vezi sa svojim podacima za trening. To je stvorilo svet u dve brzine gde su neke funkcije dostupne u Sjedinjenim Državama, ali blokirane u Evropi. U isto vreme, borba oko autorskih prava dostigla je tačku ključanja. Veliki izdavači i umetnici izborili su se za značajne ustupke ili postigli skupe ugovore o licenciranju. Ovo je promenilo ekonomiju industrije. Više nije besplatno „skrepovati“ internet da bi se napravio proizvod. Prema izveštajima Reuters-a, ove pravne bitke naterale su developere da preispitaju svoje strategije prikupljanja podataka. Takođe smo videli pojavu *suverenog AI-ja* gde su nacije poput Francuske, Japana i Saudijske Arabije počele da grade sopstvene domaće računarske klastere. Shvatili su da je oslanjanje na nekoliko firmi iz Silicijumske doline za njihovu kognitivnu infrastrukturu rizik po nacionalnu bezbednost. Ovaj pritisak za lokalnu kontrolu fragmentirao je globalno tech tržište. Vlade su sada fokusirane na tri specifične oblasti regulacije:

• Zahtevi za transparentnošću setova za trening kako bi se osiguralo da su podaci legalno pribavljeni.
• Stroga ograničenja za visokorizične aplikacije poput prepoznavanja lica na javnim mestima.
• Mandati za vodene žigove na sintetičkom sadržaju kako bi se sprečilo širenje dezinformacija.

Od chat boxova do autonomnih agenata

Uticaj u stvarnom svetu najbolje se vidi u prelasku sa chat boxova na agente. Prethodnih godina, morali ste kompjuteru da govorite šta da radi korak po korak. Sada su sistemi dizajnirani da preuzmu cilj i izvrše ga. Zamislite dan u životu menadžera logistike u gradu srednje veličine. Ujutru, njen asistent je već skenirao petsto mejlova i sortirao ih po hitnosti. Označio je kašnjenje pošiljke iz Singapura i sastavio tri različita rešenja na osnovu trenutnih vremenskih prilika i podataka iz luke. Ona ne ćaska sa mašinom. Ona odobrava ili odbija njene predloge. Tokom pauze za ručak, koristi alat da sumira četvoročasovni sastanak gradskog veća u petominutni audio brifing. Popodne, sistem upravlja njenim kalendarom, pomera sastanke kako bi se prilagodio krizi sa isporukom, a da ona ne mora ni da dotakne miš. Ovo je **agentski** pomak. AI više nije alat koji koristite, već radnik kojim upravljate. Međutim, ovaj pomak je stvorio i nove stresove. Brzina rada se povećala, ali ljudski kapacitet za obradu je ostao isti. Radnici uviđaju da, dok mašina obavlja dosadne delove, preostali zadaci postaju intenzivniji i zahtevaju stalno donošenje odluka na visokom nivou. To je dovelo do nove vrste burnout-a gde se broj odluka po satu udvostručio. Ovaj trend vidimo u svim profesionalnim sektorima, što je dokumentovao i The Verge u svojim nedavnim studijama o radnom mestu. Mašina obrađuje podatke, ali čovek i dalje nosi odgovornost. To stvara psihološki teret kojim se industrija još uvek nije pozabavila.

Neodgovorena pitanja mašinskog doba

Moramo se zapitati ko zapravo ima koristi od ove povećane brzine. Ako radnik može da uradi duplo više u toku dana, da li mu se plata duplira ili kompanija jednostavno otpusti polovinu osoblja? Skriveni troškovi postaju sve teži za ignorisanje. Svaki upit vrhunskom modelu troši značajnu količinu vode za hlađenje data centara. Kako ovi sistemi postaju deo svake pretrage i svakog mejla, ekološki otisak raste brzinom koju tradicionalna zelena energija ne može da isprati. Tu je i pitanje suvereniteta podataka. Kada agent upravlja vašim životom, on zna vaš raspored, vaše preferencije i vaše privatne razgovore. Gde ti podaci odlaze? Čak i uz enkripciju, metapodaci naših života se prikupljaju za treniranje sledeće generacije sistema. Menjamo svoju privatnost za praktičnost u razmerama koje čine eru društvenih mreža minijaturnom. Da li je efikasnost vredna gubitka individualne autonomije? Gradimo svet u kojem podrazumevani način života zahteva pretplatu kod tech giganta. Ovo stvara novu vrstu digitalnog jaza za one koji ne mogu da priušte premium agente. Štaviše, oslanjanje na ove sisteme stvara jednu tačku neuspeha. Ako glavni provajder padne, čitave industrije bi mogle da stanu. Prešli smo iz sveta raznolikog softvera u svet gde svi zavise od istih nekoliko neuronskih mreža. Ova koncentracija rizika je nešto što ekonomisti tek počinju da proučavaju. Dugoročni efekti na ljudske kognitivne sposobnosti su takođe nepoznati. Ako prestanemo da sami pišemo mejlove i upravljamo svojim rasporedima, šta će se desiti sa našom sposobnošću da obavljamo te zadatke kada sistem zakaže?

Arhitektura lokalne implementacije

Za napredne korisnike, protekla godina bila je u znaku „cevi“. Videli smo kako se granice Retrieval Augmented Generation-a pomeraju do krajnjih granica. Fokus se pomerio sa samog modela na sloj orkestracije. Developeri sada provode više vremena na vektorskim bazama podataka i prozorima dugog konteksta nego na prompt engineering-u. Veliki pomak dogodio se u načinu na koji rukujemo lokalnim skladištenjem. Umesto da šaljemo svaki delić podataka u cloud, vidimo hibridno zaključivanje gde se lakši delovi zadatka obrađuju na lokalnom hardveru, a teži šalju u klaster. API limiti su postali novo usko grlo za rast preduzeća. Kompanije uviđaju da ne mogu da skaliraju svoje radne procese jer su ograničenja protoka na vrhunskim modelima previše restriktivna. Istraživanje MIT Technology Review-a sugeriše da će sledeća faza rasta zavisiti od efikasnosti hardvera, a ne od veličine modela. Takođe smo videli pomak ka finom podešavanju manjih modela na vlasničkim setovima podataka. Model od 7 milijardi parametara obučen na internim dokumentima kompanije sada često nadmašuje opšti model od 1 biliona parametara. To je dovelo do naglog porasta potražnje za lokalnim hardverom koji može da pokreće ove modele velikom brzinom. Tehnička zajednica je sada fokusirana na nekoliko ključnih metrika:

• Ograničenja memorijskog protoka na hardveru široke potrošnje za lokalni inference.
• Token per second benchmark-ovi za kvantizovane modele koji rade na mobilnim čipovima.
• Upravljanje kontekstnim prozorom u analizi dugačkih dokumenata i multimodalnim zadacima.

Prihvatanje nove normale

Suština je da je prošla godina bila godina u kojoj je AI postao dosadan, i to je njegov najveći uspeh. Kada tehnologija postane deo pozadine, ona je zaista stigla. Prošli smo eru mađioničarskih trikova i ušli u eru industrijske primene. Moć se konsolidovala u rukama onih koji poseduju čipove i elektrane, ali se korisnost proširila na svaki ugao profesionalnog sveta. Rizici su stvarni, od uticaja na životnu sredinu do gubitka privatnosti, ali zamah je sada nepovratan. Više ne čekamo da budućnost stigne. Zauzeti smo pokušajima da upravljamo onom koju smo već izgradili. Kako idemo dalje, fokus će ostati na tome da ovi sistemi postanu nevidljiviji i pouzdaniji. Narednih dvanaest meseci neće biti o novim modelima, već o tome kako živimo sa onima koje već imamo.

Napomena urednika: Kreirali smo ovaj sajt kao višejezični centar za vesti i vodiče o veštačkoj inteligenciji za ljude koji nisu kompjuterski genijalci, ali ipak žele da razumeju veštačku inteligenciju, koriste je sa više samopouzdanja i prate budućnost koja već stiže.