Kako je 80 % zanemarenih podataka postalo najveći neiskorišteni kapital hrvatskih tvrtki

No, što je s preostalih, masivnih 80 % korporativnog znanja? Taj divovski, neukroćeni ocean čine nestrukturirani izvori: milijuni emailova, transkripti poziva službi za korisnike, tisuće recenzija s webshopova i društvenih mreža, snimke nadzornih kamera, pravni dokumenti i interne bilješke. Upravo u tom kaosu, kako upućuju analize globalnih instituta poput McKinsey Global Institute (MGI), ne krije se samo operativna efikasnost, već najveći neiskorišteni profitni potencijal korporativnog sektora.

Postavlja se izravno, kritičko pitanje: Zašto hrvatske tvrtke, usprkos glasnoj retorici o digitalizaciji, i dalje tretiraju ovo golemo skladište informacija kao digitalnu šumu koju je previše skupo i prekomplicirano krčiti?

I. Paradigma propusta: Anatomija nestrukturiranog gubitka

Problem s nestrukturiranim podacima nije u njihovoj količini, već u njihovoj inherentnoj formi. Ljudski timovi, ma koliko bili predani, ne mogu skalabilno obrađivati tone sirovog teksta i zvuka.

• Pravni i regulativni rizik: Prosječna globalna korporacija godišnje generira stotine tisuća ugovora, aneksa i internih smjernica. Ručna revizija tih dokumenata ne samo da je skupa, već je sporija od dinamike regulatornih promjena (npr., usklađivanje s GDPR-om ili novim poreznim zakonima). Gubitak ovdje nije izravan; on je latentan, rizik od financijskih kazni zbog neusklađenosti koja se krije u jednom klauzulu starom tri godine, a koju AI prepoznaje i klasificira u sekundi.
• Decentralizirani uvid u kupca (Customer insight): Najveći izravni gubitak generira se u službama za korisnike. Zamislite velikog hrvatskog telekoma. Svaki dan stotine agenata razgovaraju s klijentima, rješavajući probleme. Ti transkripti su izravno svjedočanstvo o manjkavostima proizvoda ili usluga. Ljudski timovi uhvate vrh sante leda. AI, koristeći obradu prirodnog jezika (NLP), analizira milijun transkripata u tjedan dana, ne tražeći samo ključne riječi, već kontekst i intenzitet emocije (sentiment). Upravo u tom sentimentalnom uzorku krije se signal za masovni odlazak korisnika (churn) ili potrebu za hitnom izmjenom funkcionalnosti proizvoda. Ako tvrtka to ignorira, ona ne gubi samo tog jednog klijenta, već cjelokupni uvid koji bi spriječio desetke idućih odlazaka.
• Operativna slijepa točka: U proizvodnji i logistici, nestrukturirani podaci mogu biti video zapisi nadzornih kamera ili audio dnevnici održavanja. AI, putem Računalnog Vida (Computer Vision), prepoznaje neuobičajene obrasce ponašanja radnika ili materijala, anticipirajući zastoje na montažnoj traci prije nego što se kvar dogodi, na temelju anomalije u vibraciji ili pokretu. Zanemarivanje ovih signala znači financiranje zastoja, popravaka i kasne isporuke.

II. NLP i arhitektura smisla: Kako AI čita između redaka

Kritičari često kažu da je NLP samo “pretraživanje ključnih riječi na steroidima.” To je temeljno krivo shvaćanje. Revolucija koju donosi AI, posebno sofisticirani transformatorski modeli, nije u pronalaženju riječi, već u razumijevanju semantike i namjere.

Primjer ugovora: Ugovor između dviju strana. Klasični sustav traži riječ “odgovornost” ili “kazna”. NLP modeli visoke razine sposobni su prepoznati implicitnu klauzulu o višoj sili, čak i ako ona nije izravno imenovana tim terminima. AI ne samo da čita 10.000 ugovora u minuti, već stvara vektorsku reprezentaciju značenja svakog ugovora, omogućujući pravnom timu da postavlja složena pitanja poput: “Pronađi mi sve dobavljače u regiji X s kojima imamo ugovor u kojem je izmijenjena klauzula o uvjetima plaćanja unazad šest mjeseci, a koji su ujedno dobili negativan sentiment ocjenu od strane odjela nabave u zadnjih 90 dana.” Spajanje teksta, brojeva i emocija – to je nemoguće za ljudski tim.

Sentiment i Intenzitet: U službi za korisnike, NLP ne samo da klasificira recenziju kao “Negativnu,” već mjeri intenzitet te negativnosti i povezuje je s konkretnim, ponavljajućim problemom (npr., “sporo učitavanje aplikacije”). To omogućuje softverskom timu da trenutno prioritizira ispravku koja generira najveću frustraciju, a ne samo najveći broj pritužbi. Time se profit generira kroz povećanje retencije korisnika, što je mnogo jeftinije nego akvizicija novih.

III. Računalni vid: Od nadzora do optimizacije procesnog tijek

Računalni vid (Computer Vision) se u Europi često trivijalizira kao alat za sigurnosni nadzor i prepoznavanje lica. U kontekstu profitne optimizacije, on je mnogo više od toga: to je alat za optimizaciju procesnog tijeka u fizičkom prostoru.

• Logistika i skladišta: AI analizira video materijal iz skladišta i mjeri vrijeme provedeno u neproduktivnim aktivnostima (traženje paketa, čekanje na viličara, neefikasno slaganje). Na temelju tih podataka, AI predlaže optimizaciju rute kretanja radnika ili preuređenje polica, što vodi do smanjenja vremena obrade narudžbe. Gubitak ovdje nije krađa, već nepotrebna potrošnja radnih sati.
• Maloprodaja i iskustvo kupca: U maloprodaji, Computer Vision analizira obrasce kretanja kupaca (tzv. heatmapa kretanja). Prepoznaje gdje se kupci gomilaju, gdje nastaju “čepovi” u prometu i koje izložbene police ignoriraju. To omogućuje trgovcima da u stvarnom vremenu mijenjaju izlog ili prilagođavaju lokaciju najprodavanijih artikala. Rezultat je trenutni porast konverzije unutar fizičke trgovine.

IV. Etička i regulativna zamka: Zastoj zbog strahova

Ako su koristi od analize nestrukturiranih podataka jasne i kvantificirajuće, zašto je stopa usvajanja u zemljama poput Hrvatske i dalje niska? Odgovor leži u dva primarna straha, oba povezana s neiskorištenom regulativom:

1. Strah od privatnosti (GDPR): Mnoge tvrtke oklijevaju analizirati emailove i glasovne zapise, bojeći se kršenja GDPR-a. Međutim, sofisticirani AI sustavi sposobni su za anonimizaciju podataka u stvarnom vremenu. Oni izvlače semantiku (suštinu problema), a da pritom brišu ili maskiraju sve osobne identifikacijske podatke (PII). Regulativa nije zid, već je, u ovom slučaju, nedostatak znanja kako se AI može koristiti unutar granica zakona.
2. Strah od stvaranja “crne Kutije”: Drugi strah je povezan s financijskim i pravnim odlukama. Ako AI analizira tisuće ugovora i izbaci rizične, menadžment mora znati zašto je rizik identificiran. To je problem objašnjivosti umjetne inteligencije (XAI). Ako hrvatske tvrtke ne razviju interne protokole i ne usvoje transparentne modele, riskiraju da se AI sustav pretvori u Crnu Kutiju čije se odluke ne mogu braniti ni pred upravom ni pred sudom.

V. Kritika domaće inertnosti: Postoji li profitna jednadžba za Hrvatsku?

Dok globalne korporacije u analizi nestrukturiranih podataka pronalaze milijarde, hrvatska poduzeća, unatoč snažnom IT sektoru, pokazuju zabrinjavajuću inertnost. Glavno opravdanje je često “nedostatak budžeta” ili “nedostatak kadra”.

Međutim, trend demokratizacije AI (kroz SaaS alate) čini tu ispriku nevažećom. Malo i srednje poduzetništvo (MSP) u Hrvatskoj može koristiti gotove NLP platforme za analizu korisničkog feedbacka s društvenih mreža uz minimalnu mjesečnu pretplatu.

Kritika mora biti usmjerena na manjak strateškog vodstva. Ako tvrtka ne prepoznaje da u 80 % neobrađenih podataka leži najbrži i najjeftiniji put do povećanja zadovoljstva korisnika (a time i retencije), onda problem nije u tehnologiji, već u sposobnosti menadžmenta da redefinira što je to podatak.

Zlatna groznica 21. stoljeća nije u pronalasku sirovine, već u pretvaranju sirove, nestrukturirane buke u strateški, kvantificirajući profit. Hrvatska poduzeća stoje na pragu tog rudnika, ali im nedostaje hrabrosti ili vizije da prvi put u povijesti poslovanja uzmu lopatu i počnu kopati. Gubitak nije samo propušteni profit; gubitak je gubljenje koraka s globalnom konkurentnošću.