AI pismenost nije tečaj, nego organizacijska snaga

Potvrda može dokazati da je netko pohađao lekciju. No ne može pokazati može li organizacija prepoznati AI sustav, dovesti u pitanje njegove dokaze,...

AI pismenost nije tečaj, nego organizacijska snaga

Pravna rečenica koja mijenja sastanak

Dana 24. srpnja 2026. Službeni list Europske unije objavio je Digitalni omnibus o umjetnoj inteligenciji. Među izmjenama bila je i mala promjena članka 4. Akta o umjetnoj inteligenciji. Obveza ostaje, ali zakon više ne traži od organizacija da obećaju propisanu ili univerzalnu razinu AI pismenosti za svakog pojedinca. Pružatelji i korisnici sustava dužni su poduzeti mjere koje podupiru razvoj pismenosti među svojim osobljem te među ostalim osobama koje upravljaju sustavima umjetne inteligencije ili ih koriste u njihovo ime. Izmjena također navodi da Komisija i države članice trebaju poduprijeti te napore te da Odbor za umjetnu inteligenciju treba raditi na zajedničkim ciljevima.

To je pravna promjena. To je i pitanje upravljanja. Ako ne postoji univerzalni rezultat ispita, što ozbiljna organizacija čini kada u stvarni proces uvede sustav umjetne inteligencije? Ne može odgovoriti samo potvrdom. Potvrda može pokazati da je netko završio lekciju. Ne može pokazati da ta osoba razlikuje nacrt od odobrene politike, prepozna kada je model izvan svoje zadaće, zatraži dokaze iza preporuke, zaustavi tijek rada ili pronađe vlasnika koji ga može promijeniti. Zanimljivi dio pismenosti počinje nakon što prezentacija utihne.

Pitanja i odgovori Europske komisije to objašnjavaju s neobičnom jasnoćom. Ne postoji jedinstveni format za AI pismenost niti zahtjev za posebnom potvrdom. Organizacija treba uzeti u obzir svoju ulogu, rizik i svrhu sustava, znanje i iskustvo uključenih osoba te kontekst u kojem se sustav koristi. Treba voditi internu evidenciju osposobljavanja ili drugih inicijativa usmjeravanja, ali evidencija prisutnosti nije isto što i sposobnost koju te inicijative trebaju izgraditi.

AI pismenost stoga je najbolje shvatiti kao mišić koji se vježba. Mišić se ne dokazuje posjedovanjem članske iskaznice teretane. Gradi se ponovljenim, kontekstualnim naporom, a postaje vidljiv kada je situacija nezgodna. Pismena organizacija može imenovati sustav koji koristi, reći što sustav smije raditi, primijetiti kada su dokazi slabi, upitati tko bi mogao biti pogođen te uputiti nesiguran slučaj osobi s ovlasti odlučivanja. To je manje glamurozno od događaja povodom lansiranja. To je također mjesto gdje se zakon susreće s običnim radom.

Ovaj članak govori o tom običnom radu. Nije nacrt tečaja niti pravni savjet. To je način da se razdvoje tri stvari koje se često spajaju: svjesnost, kompetencija i ovlast. Prati pitanja koja se javljaju kada javno tijelo, tvrtka, škola ili profesionalni tim pokuša učiniti umjetnu inteligenciju korisnom bez predaje vlastitog prosuđivanja ekranu. Primjeri su preuzeti iz europskih javnih smjernica i dokumentirane institucionalne prakse. Svaka izmišljena situacija označena je kao hipotetska, jer priča nije dokaz samo zato što se u njoj nalazi uvjerljiv ured.

Pismenost je praksa, a ne značka

Riječ pismenost stigla je u raspravu o umjetnoj inteligenciji noseći previše prtljage. Može zvučati kao osnovni uvod za ljude koji još nisu naučili važan vokabular. Može također zvučati kao oznaka usklađenosti koja se može pričvrstiti na osobu i arhivirati. Nijedno tumačenje nije korisno. Pismenost je sposobnost čitanja situacije dovoljno dobro da se u njoj djeluje. Čitanje knjige o jeziku nije isto što i razumijevanje pisma upućenog vama. Čitanje definicije sustava umjetne inteligencije nije isto što i znanje radi li alat pred vama predviđanje, dohvaćanje zapisa, generiranje nastavka, rangiranje opcija ili upravljanje korakom u tijeku rada.

Objašnjenje članka 4. koje Komisija trenutačno nudi kreće s pravog mjesta: organizacije bi trebale razviti opće razumijevanje toga što je umjetna inteligencija, kako funkcionira, koje sustave koriste te koje prilike i opasnosti ti sustavi donose. To je početak, a ne kraj. Opće razumijevanje daje osobi kartu. Karta postaje korisna tek kad je povezana sa zadatkom, ulogom, izvorom dokaza i posljedicom.

Zamislimo hipotetski tim za nabavu koji procjenjuje alat koji sažima ponude dobavljača. Svjesnost omogućuje timu da prepozna da alat proizvodi generirani tekst i da može pogriješiti. Kompetencija omogućuje procjenitelju da provjeri čuva li sažetak izuzeća, uvjete i datume te da ga usporedi s temeljnim ponudama. Ovlast određuje što se događa kad je sažetak nepotpun. Može li ga procjenitelj odbiti? Može li tim zahtijevati od dobavljača da otkrije izvorne odlomke? Može li netko zaustaviti procjenu dok se problem istražuje? Bez ovlasti kompetencija postaje privatna briga koju radni tijek može slobodno zanemariti.

Ta je razlika važna jer organizacije često obučavaju najlakšu razinu. Objasne što je model, pokažu nekoliko primjera i zatraže od ljudi da prihvate politiku korištenja. Ljudi odu s novim riječima i starim poticajima. Ako se brzina nagrađuje, a propitivanje tretira kao ometanje, osoba koja uoči problem nauči šutjeti. Organizacija tada može izvijestiti o visokoj svjesnosti dok njezine odluke ostaju nepromijenjene. Znak je stvaran. Pismenost je dekorativna.

Pristup utemeljen na praksi postavlja drugačije pitanje: što bi osoba trebala moći primijetiti i učiniti na mjestu gdje sustav umjetne inteligencije dodiruje njezin rad? Odgovor se razlikuje ovisno o ulozi. Korisnik koji komunicira s javnom službom mora znati kada je uključen stroj, što se može osporiti i gdje zatražiti ljudski put. Službenik za predmete mora razumjeti svrhu sustava, dokaze, nesigurnost i put nadjačavanja. Voditelj mora odlučiti je li zadatak prikladan za automatizaciju i ima li tim vremena za pregled rezultata. Programer mora znati granicu podataka i modela, načine kvara i zapise koji moraju preživjeti promjenu. Nazvati sve to tečajem skriva razlike koje čine posao sigurnim.

Novi pravni tekst ostavlja prostora za tu raznolikost. Uredba (EU) 2026/1744 kaže da bi pismenost o umjetnoj inteligenciji trebala započeti u obrazovanju i osposobljavanju te se nastaviti kroz cjeloživotno učenje. Također priznaje da se različiti pružatelji i implementatori suočavaju s različitim teretima i kontekstima. To nije poziv da se ništa ne učini. To je poziv da se prestane pretvarati da jedan ispit može izmjeriti sposobnost odgovornog djelovanja u svim sustavima, sektorima i skupinama pogođenih ljudi.

Praksa ima još jedno korisno svojstvo: otkriva nedostatke bez sramoćenja ljudi zbog njih. Osoba može razumjeti da jezični model predviđa vjerojatne nastavke, a da i dalje ne zna kako određeni sustav za pronalaženje odabire dokumente. Skrbnik podataka može razumjeti podrijetlo, a i dalje nemati dopuštenje za promjenu indeksa. Voditelj može znati da čovjek mora nadzirati visokorizični sustav, a i dalje nemati dodijeljeno vrijeme za smislen pregled. To su dizajnerski nedostaci, a ne osobni moralni propusti. Pismena organizacija čini ih vidljivima kako bi ih mogla popraviti.

Pismenost o umjetnoj inteligenciji postaje vidljiva kada upotreba sustava ostavi sljedeću upotrebu bolje razumljivom, a ne samo kada osoba završi lekciju.

Svjesnost su vrata, ne prostorija

Svjesnost se često odbacuje jer zvuči mekano. To je pogreška. Ljudi ne mogu dovoditi u pitanje sustav koji ne mogu imenovati, a ne mogu ga imenovati ako je svaki softver opisan kao inteligentan. Svjesnost organizaciji daje zajednički rječnik za razlikovanje modela od sučelja, predviđanja od odluke, izvora od sažetka, upute od dijela dohvaćenog sadržaja te prikaza pouzdanosti od dokaza točnosti.

Rječnik ne mora biti veličanstven. Mora biti dovoljno precizan da spriječi pogrešku kategorije. Tražilica, provjera podobnosti temeljena na pravilima, klasifikator, generativni asistent i agent tijeka rada mogu se pojaviti u istom katalogu proizvoda. Njihovi mehanizmi i rizici različiti su. Ako ih osoblje sve nazove umjetnom inteligencijom i tu stane, gubi pitanja koja bi trebala uslijediti. Koje podatke sustav vidi? Koja mu je namjena? Što vraća? Tko postupa na temelju rezultata? Koje su pogreške važne? Što se može poništiti? Na koje ljude to utječe čak i ako nikada ne dotaknu sučelje?

Svjesnost uključuje i društveni kontekst. UNESCO-ve smjernice za generativnu umjetnu inteligenciju u obrazovanju i istraživanju opisuju ljudske sposobnosti kao dio pristupa usmjerenog na čovjeka. One stavljaju tehničko razumijevanje uz privatnost, jednakost, uključivost, jezičnu i kulturnu raznolikost te smislenu upotrebu. Poanta nije da svaki zaposlenik mora postati istraživač politika. Poanta je da sustav ne postaje neutralan kada se smjesti u poznatu aplikaciju. Isti generirani odlomak može biti bezazlena pomoć pri pisanju u jednom okruženju, a nepregledana odluka u drugom.

Osoba koja je svjesna konteksta može čuti razliku između zahtjeva za pomoć i prijenosa ovlasti. Ako se od sustava zatraži da predloži pitanja za sastanak, korisnik ostaje autor sastanka. Ako ga se zamoli da odluči koji stanovnik dobiva oskudnu uslugu, sustav ulazi u drugačije moralno i pravno područje. Riječi na zaslonu mogu izgledati slično. Granica zadatka nije. Svjesnost je navika uočavanja da se granica pomaknula.

Javne institucije trebaju ovu svjesnost u posebno discipliniranom obliku. Njihovi sustavi mogu utjecati na ljude koji ne mogu odustati, koji ne znaju koji su automatizirani alati uključeni ili koji si ne mogu priuštiti drugi pokušaj nakon pogreške. Servisni tim stoga treba više od opće izjave da umjetna inteligencija može biti netočna. Treba rječnik za objašnjenje puta koji osoba može slijediti kada je sustav u krivu, kada podaci nedostaju ili kada se odgovor nikada nije smio automatizirati.

Poduzećima je isti vokabular potreban iz manje vidljivih razloga. Dobavljač može sustav rangiranja opisati kao podršku odlučivanju, dok proces kupca rangiranje tretira kao odluku jer nitko nema vremena provjeriti ga. Marketinški tim može koristiti alat za prevođenje za interne nacrte, a zatim rezultat kopirati u javnu obavijest bez druge provjere. Tim za zapošljavanje može rezultat probira nazvati praktičnošću i tiho ga koristiti za uklanjanje kandidata. Svjesnost otkriva te pomake prije nego što budu zakopani u dijagramu tijeka rada.

Svjesnost stoga treba ispitivati jezikom koji pripada organizaciji. Zamolite tim da opiše jedan sustav bez upotrebe riječi pametan, automatiziran ili inteligentan. Pitajte koje informacije prima, što proizvodi i tko može promijeniti ishod. Ako objašnjenje postane nejasno, organizacija je pronašla korisnu potrebu za obukom. Vježba je jednostavna, no jednostavnost ima dugu povijest podcjenjivanja od strane ljudi koji uživaju u kompliciranoj nadzornoj ploči.

Kompetencija ima pripadajući zadatak

Kompetencija je zahtjevnija od prepoznavanja jer je specifična. Osoba nije jednostavno kompetentna s umjetnom inteligencijom. Kompetentna je za obavljanje definiranog zadatka s definiranim sustavom pod definiranim uvjetima. Pitanja i odgovori Komisije višekratno povezuju pismenost s kontekstom i svrhom sustava, znanjem uključenih osoba i rizikom upotrebe. To je bolji opis kompetencije od popisa generičkih trikova za upite.

Za običnog korisnika kompetencija može značiti poznavanje toga koje se informacije mogu unijeti, koji rezultat treba provjeriti, kako sačuvati izvorni materijal i kada stati. Može uključivati sposobnost razlikovanja generiranog odgovora od preuzetog odlomka, provjeru poveznice iza tvrdnje, uočavanje nedostajuće ograde te prijavljivanje pogreške na način koji druga osoba može reproducirati. To su praktične vještine. One ne zahtijevaju od korisnika da implementira transformer, ali zahtijevaju više od vjerovanja da je sustav pročitao politiku organizacije.

Za recenzenta kompetencija uključuje sposobnost propitivanja rezultata. Recenzentu je potreban skup testnih slučajeva koji nalikuje stvarnom radu, način da vidi koje je dokaze sustav koristio te jasnu izjavu o tome što se smatra prihvatljivim rezultatom. Ako se zadatak odnosi na javno pravo ili egzistenciju osobe, recenzent također treba dovoljno stručnog znanja da prepozna odgovor koji je gramatički besprijekoran, a sadržajno pogrešan. Tečnost je svojstvo sučelja. Kompetencija je prosudba o zadatku.

Za voditelja kompetencija uključuje odlučivanje o tome treba li zadatak uopće automatizirati. Ta odluka zahtijeva razumijevanje posla ispod naziva. Zadatak može biti ponavljajući, a ipak nositi ključnu iznimku. Odluka može biti rutinska za iskusnog stručnjaka, a opet previše posljedična da bi se delegirala bez vidljivog puta za žalbu. Proces može biti tehnički mjerljiv, a društveno neprimjeren za optimizaciju. Voditelji koji ne postavljaju ta pitanja prepuštaju dizajn dobavljaču i zadanim postavkama.

Za inženjera kompetencija uključuje činjenje granice sustava vidljivom za provjeru. Koja je verzija modela pokrenuta? Koji su podaci bili dostupni? Koji su pozivi alata bili dopušteni? Koja je politika ili uputa primijenjena? Koji je uvjet nesigurnosti ili odbijanja dosegnut? Što se događa kada je izvor zastario, proturječan ili nedostaje? Tehničko osoblje ne mora riješiti svako pitanje upravljanja, ali mora spriječiti sustav da izbriše informacije koje će upravljanje kasnije zahtijevati.

Odredbe o visokorizičnim sustavima iz Akta o umjetnoj inteligenciji to čine konkretnim. U pitanjima i odgovorima Komisije navodi se da primjenitelji visokorizičnih sustava moraju osigurati da osoblje koje u praksi radi s tim sustavima bude osposobljeno za rukovanje njima i za osiguravanje ljudskog nadzora. Samo postavljanje uputa pokraj alata nije dovoljno. Osobe koje obavljaju posao trebaju vještinu i praktične uvjete za korištenje mehanizma nadzora. Ako operater ne može razumjeti rezultat ili ne može prekinuti postupak, riječ ljudski u izrazu ljudski nadzor postala je ukrasna imenica.

Kompetencija raste kada organizacija ljudima omogući vježbu uz stvarna ograničenja. Tim za privatnost može obraditi hipotetski zahtjev koji sadrži osobne podatke i odlučiti što smije ući u sustav. Tim u javnoj službi može uvježbati odbijanje i eskalaciju bez korištenja stvarnog predmeta korisnika. Proizvodni tim može ponovno pokrenuti izmijenjeni model na fiksnom skupu za procjenu i raspraviti koje su razlike bitne. Te vježbe nisu dokaz da će buduća primjena biti sigurna. One su priprema za odluke koje sigurnost zahtijeva.

Postoji važno ograničenje. Kompetencija ne može nadomjestiti nedostatak dokaza. Visoko kvalificirani recenzent ne može provjeriti tvrdnju kada je izvor nestao, niti dobro osposobljeni operater može nadjačati sustav ako sučelje ne nudi opciju nadjačavanja. Osposobljavanje može otkriti taj nedostatak, ali ga ne može popuniti snagom entuzijazma. Organizacije ponekad na nedostatak kontrole odgovore zakazivanjem još jednog tečaja. Raspored postaje spomenik kontroli koja nikada nije izgrađena.

Ovlast je polovica koja nedostaje

Ovlast je dio AI pismenosti koji organizacije rado ostavljaju implicitnim. Odnosi se na to tko smije odlučivati, tko smije odbiti, tko smije zaustaviti postupak, tko smije promijeniti pravilo i tko snosi posljedice kada sustav pogriješi. Ovlast nije isto što i hijerarhijski položaj. Viša osoba može odobriti sustav, a da i dalje ne može provjeriti njegove dokaze. Radnik na prvoj liniji može prvi uočiti problem, a i dalje mu se može reći da samo dobavljač to može promijeniti.

Ljudski nadzor često se opisuje kao da je dovoljno da osoba stoji pokraj nadzorne ploče. Nije. Za nadzor je potrebna osoba s vremenom, znanjem i ovlastima da razumije rezultat, prepozna kada je izvan opsega i intervenira. Zahtjevi za visokorizične sustave iz Akta o umjetnoj inteligenciji izrijekom propisuju osposobljavanje, ali temeljno načelo primjenjuje se šire. Osoba ne može vršiti nadzor nad postupkom koji intervenciju tretira kao neuspjeh učinkovitosti.

Zamislite hipotetsku stambenu službu koja koristi alat za razvrstavanje pristiglih zahtjeva radi pregleda. Sustavu može biti dopušteno predložiti redoslijed, ali organizacija i dalje mora odlučiti što se događa kada je izvorni zapis nepotpun, kada okolnosti korisnika ne odgovaraju kategorijama ili kada pravilo razvrstavanja dolazi u sukob sa zakonskom obvezom. Pismen tim ne zna samo da model može pogriješiti. Zna tko može zaustaviti red, tko može napraviti iznimku, koji se zapis vodi i kako se korisnika obavještava o tome što se dogodilo. Primjer je namjerno hipotetski. Njegova je svrha pokazati da je ovlast svojstvo radnog procesa, a ne osobina ličnosti.

Ovlast ima i obrnuti smjer. Osobe na koje sustav utječe trebaju način da ga dovedu u pitanje, čak i kada taj sustav nikada nisu odabrale. Kupac, student, pacijent, podnositelj zahtjeva ili korisnik ne mora nužno razumjeti unutarnju matematiku modela. Mora znati je li stroj bio uključen, na kakvu je odluku utjecao, koji ljudski ured može preispitati rezultat i koje informacije bi pomogle tom preispitivanju. Pismenost pripada osobi na primateljskoj strani jednako kao i osobi koja upravlja alatom.

Zato eskalacija nije kazna. To je informacijski put za slučajeve koje automatizirani postupak ne može sigurno obraditi. Koristan zapis eskalacije govori što se od sustava tražilo, koje je dokaze vidio, što je vratio, zašto je rezultat doveden u pitanje i tko je odlučio što se dogodilo dalje. Ne mora svaku uobičajenu interakciju pretvoriti u pravni spis. Mora sačuvati dovoljno konteksta da ponovljeni neuspjeh postane vidljiv umjesto da bude odbačen kao izolirana pritužba korisnika.

Ovlasti treba uvježbati prije uvođenja u rad. Tko pritiska stop? Tko može odobriti novi model? Tko može promijeniti prag? Tko je vlasnik spornog izvora podataka? Tko može dobavljaču reći da rezultat nije prihvatljiv? Tko obavještava pogođene osobe? Tko odlučuje hoće li se sustav vratiti nakon incidenta? Ako su odgovori imena, a ne uloge, takav je dogovor krhak. Ljudi odlaze, mijenjaju posao ili su na sastanku. Uloge mogu preživjeti kalendar.

Najhumaniji odgovor nije uvijek prebaciti još više odluka na već zaposlenog stručnjaka. Ovlasti imaju cijenu. Zahtijevaju vrijeme, pristup dokazima, podršku uprave i postupak koji ne kažnjava opravdano odbijanje. Ako organizacija dodijeli nominalne ovlasti bez tih uvjeta, stvara žrtvenog jarca umjesto nadzora. Osoba postaje odgovorna za ishod na koji nije bila opremljena utjecati. To je poznati upravljački obrazac s novim sučeljem.

Disciplina izvora u pozadini svakog odgovora

AI pismenost često se oblikuje oko rezultata jer su rezultati ono što ljudi vide. Teži je dio naučiti pitati što je ušlo u sustav. Generirani odgovor može biti tečan dok je skup izvora zastario, nepotpun, neovlašten ili pomiješan s materijalom koji nikada nije bio namijenjen vođenju zadatka. Sustav za pretraživanje može vratiti relevantan odlomak iz pogrešne verzije politike. Sažetak može izostaviti rečenicu koja nosi iznimku. Uputa može sadržavati instrukciju prerušenu u dokument. Disciplina izvora navika je tretiranja ulaza kao uređenog materijala, a ne kao zgodnog konteksta.

Ljudi ne moraju znati svaki detalj implementacije da bi prakticirali disciplinu izvora. Trebaju postaviti kratak niz pitanja. Što je izvor? Tko je njegov vlasnik? Kada je bio važeći? Je li mjerodavan za ovaj zadatak? Je li transformiran? Može li sustav pokazati odlomak ili zapis koji je oblikovao odgovor? Koji su podaci isključeni i iz kojeg razloga? Što bi se trebalo dogoditi kada se dva izvora ne slažu? Ova su pitanja jednako korisna za pomoćnika za politike, klinički alat za pretraživanje, programskog pomoćnika i javnu informativnu službu.

Izvor nije mjerodavan samo zato što ga je lako dohvatiti. Zajedničke mape sadrže nacrte. Baze podataka sadrže duplikate. Generirani sažetak mogao je biti indeksiran kao da je primarni zapis. Prijevod je mogao izgubiti pravnu kvalifikaciju. Dokument može biti aktualan, a opet izvan svrhe za koju ga sustav smije koristiti. Pismenost čini te razlike dijelom uobičajenog rada, a ne stručnom brigom koja se pojavljuje tek nakon pritužbe.

Disciplina izvora također mijenja način na koji ljudi govore o pouzdanosti. Rezultat s visokom pouzdanošću nije jak dokaz ako relevantan izvor nedostaje. Oprezan rezultat može biti odgovoran ishod kada je skup izvora nepotpun. Organizacija ne bi trebala učiti korisnike da nagrađuju tečnu sigurnost i kažnjavaju korisno odbijanje. Ako sustav ne može odgovoriti unutar dopuštenih dokaza, sljedeći korak može biti pronaći vlasnika izvora, zatražiti ljudsku prosudbu ili suziti pitanje.

The source path should be visible at the right level. A user may need a link to the policy passage. A reviewer may need the version and transformation history. An auditor may need the complete input lineage. The information can be layered without being hidden. A tool that shows only a green confidence badge asks the user to trust an abstraction. A tool that shows the evidence and its limits lets the user exercise judgement.

This is also a literacy issue for procurement. A buyer should ask whether the supplier can describe the data boundary, export records, preserve version history, and explain what happens when a source is withdrawn. These are not only technical requirements. They determine whether the organisation can learn from an error. If the contract gives the buyer an answer but not the evidence behind it, the buyer has purchased prose and retained the risk.

Escalation is a form of knowledge

Organisations often treat escalation as a sign that the system has failed to deliver efficiency. A better view is that escalation is how the organisation learns where automation stops being trustworthy. Every escalation contains information about the boundary between the task and the world. The case may be unusual, the source may be defective, the policy may be ambiguous, the interface may have hidden a condition, or the workflow may have assigned authority to the wrong person.

A good escalation route is specific. It tells the user what to record, who receives the case and what response to expect. It distinguishes a missing source from a suspected harmful output, and a technical outage from a policy conflict. The distinction is not paperwork for its own sake. It allows the organisation to repair the correct layer. Re-training a model cannot fix a missing legal source. Updating a policy cannot fix an interface that gives nobody the ability to stop.

Escalation must be safe for the person who uses it. If a worker is measured only on speed, every escalation looks like a personal cost. If a public-service employee risks criticism for delaying a case, the system will accumulate silent overrides rather than visible records. Management has to make the prudent route legitimate. The alternative is a culture in which people are literate enough to see the problem and disciplined enough to hide it.

The European Commission’s own internal measures, described in its Article 4 questions and answers, are instructive because they extend beyond a single course. The Commission says it has developed an internal competency framework for basic AI literacy, learning packages for different groups including generalists, managers and developers, a portal with tool-specific resources, question-and-answer sessions, a community of practice, a monthly newsletter and an AI Champions network. These are not presented as a universal template, and the Commission notes that its internal framework may change as common objectives evolve. The important idea is the network: knowledge has a route through the organisation.

A community of practice is useful because it turns isolated questions into shared memory. A person can ask why a system behaved oddly, compare the answer with another team’s experience, and find someone who understands the domain. That does not replace formal ownership. It makes ownership easier to locate. A newsletter can point to a new risk, but it cannot decide whether a local workflow should change. An AI champion can help a team learn, but should not become the only person who knows how the system works.

Escalation bi se također trebao vraćati u obuku. Ako se ista zabuna ponavlja, to više nije individualni nedostatak znanja. Može značiti da je sučelje zavaravajuće, da je politika nejasna, da dokazi nisu izloženi ili da je granica uloga pogrešna. Organizacija tada može ažurirati odgovarajući sloj. Obuka je jedna opcija. Bolja oznaka, sigurnija zadana vrijednost, dodatni zapis ili promijenjeni put odobrenja mogu učiniti više.

Taj je povratni signal razlog zašto je metafora mišića važna. Mišić raste kroz otpor. Escalations su otpor u AI tijeku rada. Uklonite ih kako bi nadzorna ploča izgledala mirno i organizacija gubi signale koji bi je učinili jačom. Tih sustav može biti zdrav. Također može biti sustav čiji su korisnici prestali prijavljivati ono što vide.

Navike su važnije od događaja

Tečaj je događaj. Pismenost je obrazac malih ponašanja koja se ponavljaju prije, tijekom i nakon upotrebe sustava. Prije upotrebe ljudi identificiraju zadatak, svrhu, dopuštene podatke, pogođene osobe i ovlast koja ostaje ljudska. Tijekom upotrebe provjeravaju dokaze, primjećuju nesigurnost, bilježe važne odluke i eskaliraju kada sustav izađe iz svojih granica. Nakon upotrebe pregledavaju ishode, čuvaju relevantne zapise i popravljaju izvor, politiku, obuku ili sustav kada se isti problem vrati.

Te navike treba ugraditi u rad. Upit koji traži izvor iza odgovora korisniji je od plakata koji kaže budite kritični. Obavezno polje za vlasnika odluke korisnije je od slajda za obuku o odgovornosti. Vidljiva kontrola zaustavljanja korisnija je od odlomka koji podsjeća osoblje da zadržava odgovornost. Kontrole nisu zamjena za prosudbu, ali mogu olakšati dobru prosudbu u utorak poslijepodne.

Navike također moraju odgovarati tempu rada. Javni informativni pult ne može provesti dugu reviziju za svaki nacrt s niskim posljedicama. Tijek rada kritičan za sigurnost ne može tretirati brzu vizualnu provjeru kao smislen nadzor. Organizacija bi trebala definirati razine dokaza i pregleda koje odgovaraju zadatku i njegovim mogućim posljedicama. Poanta je proporcionalnost, a ne minimalizam. Mali zadatak s velikim učinkom na drugu osobu zaslužuje više pažnje nego velik zadatak bez značajnih posljedica.

Postoji korisna razlika između pravila i navike. Pravilo kaže ne unosite povjerljive podatke u neodobreni alat. Navika pita, prije otvaranja alata, koji su podaci zapravo nužni i dopušta li svrha njihovu upotrebu. Pravilo kaže da čovjek mora pregledati preporuku. Navika pita ima li pregledavatelj dokaze, vrijeme i ovlast da taj pregled učini stvarnim. Pravilo kaže prijavite incidente. Navika primjećuje bliske promašaje prije nego što postanu incidenti za prijavu i tretira ih kao materijal za učenje.

Navike se mogu promatrati bez pretvaranja ljudi u objekte nadzora. Organizacija može provjeriti izlaže li tijek rada svoj izvor, koristi li se put eskalacije, pokreću li promjene modela pregled i mogu li se zapisi reproducirati. Ne bi smjela brkati velik broj klikova s visokom razinom pismenosti. Osoba može označiti svaku kućicu i svejedno pogrešno razumjeti odluku. Promatranje je korisno kada mjeri uvjete za prosudbu, a ne kada nagrađuje privid usklađenosti.

Spremište prakse pismenosti Ureda za umjetnu inteligenciju slijedi tu praktičnu logiku. Komisija opisuje više od četrdeset inicijativa tvrtki i javnog sektora, uključujući e-učenje, obuku uživo, bootcampove i suradnju industrije i akademske zajednice. Također navodi da kopiranje prakse iz spremišta ne stvara automatski pretpostavku usklađenosti. Ta je napomena važna. Praksa može biti korisna ideja bez da bude dokaz da je druga organizacija upravljala vlastitim kontekstom.

Ono što se može posuditi jest navika postavljanja pitanja o tome kako je praksa povezana s radom. Dopire li do ljudi koji upravljaju sustavom? Pokriva li rizike zadatka? Daje li ljudima put do postavljanja pitanja i ispravljanja? Mijenja li se kada se sustav ili kontekst promijeni? Stvara li zapis koji pomaže organizaciji da uči? Format može varirati. Pitanja bi trebala ostati.

Ljudi na kojima se sustav koristi

AI pismenost često je usmjerena na osoblje jer je osoblje najlakša publika za okupiti u prostoriji. Zakon i javni interes širi su. Komisijino objašnjenje traži od organizacija da razmotre ljude ili skupine na kojima se njihovi sustavi koriste. Ta fraza zadržava pogođenu osobu unutar dizajnerskog razgovora čak i kada ona nikada ne vidi model, nikada nije pristala na primjenu i nikada nije primila pozivnicu za obuku.

Za pogođene ljude pismenost znači drugačiju vrstu pristupa. Možda će trebati znati da je automatizirani sustav utjecao na uslugu, kakvu je vrstu utjecaja imao, koje su informacije uzete u obzir i kako zatražiti preispitivanje. Točna prava i obavijesti ovise o sustavu i primjenjivom zakonu. Opće načelo je stabilno: osoba ne bi trebala morati razumjeti strojno učenje prije nego što može osporiti odluku koja joj je važna.

Komunikacija je dio kontrole. Obavijest puna tehničkih pojmova može biti formalno transparentna, a praktično beskorisna. Kratko objašnjenje koje imenuje svrhu, ljudski put i ograničenje može više doprinijeti djelovanju. Organizacija bi trebala testirati objašnjenje s ljudima kojima je potrebno, ne samo s inženjerima koji su izgradili sustav. Jasnoća nije dekorativna kvaliteta. Ona određuje može li osporavanje uopće započeti.

Jezik je ovdje također važan. UNESCO-ve smjernice smještaju jezičnu i kulturnu raznolikost unutar svog pristupa generativnoj AI usmjerenog na čovjeka. Prevedena obavijest i dalje može podbaciti ako izgubi razliku između pozivnice i obveze ili ako koristi pojam koji ljudi ne prepoznaju u usluzi kojoj pokušavaju pristupiti. Pismenost stoga uključuje sposobnost postavljanja pitanja je li poruka preživjela prijevod i može li je osoba iskoristiti za djelovanje.

Javne institucije trebale bi biti posebno oprezne s idejom informiranog korištenja. Ljudi ne postaju informirani zato što web stranica sadrži objavu. Postaju informirani kada objašnjenje stigne na mjestu gdje utječe na njihov izbor, kada je ljudski put stvaran i kada institucija može pokazati što je učinila s informacijama koje je primila. Teret je veći kada institucija drži moć, a osoba nema praktičnu alternativu.

Poduzeća se suočavaju s istim problemom u uslugama za korisnike i zapošljavanje. Tvrtka može temeljito obučiti svoje osoblje, a ipak ostaviti korisnike nesposobnima razumjeti zašto je rezultat utjecao na njihovu prijavu. Radno mjesto može obučiti menadžere, a ipak ostaviti radnike podložne sustavu rasporeda koji ne mogu osporiti. Pismenost je nepotpuna kada organizacija razumije svoj alat, a osoba koja snosi njegove posljedice ostaje s crnom kutijom i generičkim kontaktnim obrascem.

Dizajniranje za pogođene ljude također poboljšava sustav. Pitanja stanovnika, pacijenata, podnositelja zahtjeva i radnika često otkrivaju pretpostavke koje su interna testiranja propustila. Pitanje nije je li svaka pritužba točna. Pitanje je može li organizacija razlikovati pojedinačno neslaganje od obrasca koji ukazuje na pogrešan izvor podataka, nepravedan prag ili pogrešno objašnjenje. Put za osporavanje također je put za dokaze.

Javna institucija mora poučavati vlastita ograničenja

Javne institucije imaju odgojnu ulogu čak i kada sebe ne smatraju prosvjetnim djelatnicima. Svaka automatizirana usluga uči ljude što institucija smatra normalnim, dokazivim i osporivim. Sustav koji prihvaća samo strukturirane dokaze uči građane da se njihovi životi moraju uklopiti u obrazac. Sustav koji vraća generirano objašnjenje bez mogućnosti kontakta s čovjekom uči ih da je institucija prenijela odgovornost. Sustav koji jasno navodi svoja ograničenja poučava drukčiju lekciju: tehnologija može pomoći u obavljanju javne dužnosti, ali je ne zamjenjuje.

Ažurirane etičke smjernice Europske komisije za uporabu umjetne inteligencije i podataka u poučavanju i učenju konkretan su javni primjer tog odgojnog rada. Smjernice su prvenstveno namijenjene nastavnicima i prosvjetnom osoblju, uključujući osobe bez prethodnog iskustva i one s naprednim digitalnim vještinama. Ažuriranje iz 2026. dodaje praktične scenarije, ažurirani pojmovnik i pravni kontekst koji obuhvaća Akt o umjetnoj inteligenciji i GDPR. Forma je obrazovna, ali se načelo dobro prenosi: ljudima su potrebne definicije, pitanja i primjeri koji im pomažu donijeti odluku utemeljenu na kontekstu.

Smjernice ne pretvaraju nastavnike u službenike za usklađenost. One pomažu prosvjetnim djelatnicima razumjeti potencijalne koristi, skrivene rizike i odgovornosti koje dolaze s uporabom umjetne inteligencije i podataka u radu s učenicima. Ta je razlika važna. Dobra digitalna pismenost ne čini stručnjaka sumnjičavim prema svakom alatu. Ona mu daje dovoljno razumijevanja da odabere gdje alat pomaže, gdje su mu potrebna ograničenja i gdje ljudski odnos mora ostati primaran.

Hipotetski školski odbor ilustrira tu razliku. Ako kupi pomoćnika za pisanje i ponudi opću demonstraciju, nastavnici mogu naučiti kako brzo izraditi materijale. Ako se dodatno pita koji podaci o učenicima ulaze u sustav, kako se provjerava generirani materijal, kako učenik može osporiti automatsku oznaku i tko može zaustaviti alat, odbor gradi institucionalnu kompetenciju. Drugi razgovor može biti sporiji. No upravo je on razgovor koji prvi čini odgovornim.

Javne institucije trebale bi objavljivati vlastito učenje u mjeri u kojoj to dopuštaju povjerljivost i sigurnost. Kratak opis svrhe sustava, granice dokaza, puta za preispitivanje i poznatih ograničenja može pomoći građanima, osoblju i dobavljačima da govore o istom predmetu. Javna dokumentacija također daje civilnom društvu i nadzornim tijelima nešto konkretno za propitivanje. Nejasno obećanje odgovorne inovacije ostavlja sve da se prepiru oko tona.

Ovo ima i demokratsku dimenziju. Pismenost o umjetnoj inteligenciji ponekad se opisuje kao program za radnu snagu, kao da su građani samo budući zaposlenici. Građani su također birači, pacijenti, stanari, roditelji, podnositelji zahtjeva, susjedi i ljudi čiji se podaci pojavljuju u tuđem radnom procesu. Njihova sposobnost da razumiju i ospore automatizirane sustave dio je javne sposobnosti potrebne za demokratski nadzor. Društvo koje o umjetnoj inteligenciji može raspravljati samo kroz demonstracije dobavljača prepustilo je svoj vokabular drugima.

Obrazovanje je organizacijska proba

Škole i sveučilišta prirodna su mjesta za raspravu o pismenosti o umjetnoj inteligenciji, ali pouka ne bi trebala stati pred vratima učionice. Smjernice UNESCO-a kažu da se generativna umjetna inteligencija mijenja brže od mnogih nacionalnih regulatornih okvira te pozivaju da ljudske sposobnosti drže korak. To nije razlog da se svaki alat žurno uvede u nastavu. To je razlog da se ljude pouči kako vrednovati alate, zaštititi podatke, prepoznati ograničenja i pitati tko ima koristi od određene uporabe.

Europska komisija i OECD predstavili su u lipnju 2026. okvir za AI pismenost za osnovno i srednje obrazovanje. Okvir je opisan kao zajednička referentna točka za škole, nastavnike, ravnatelje, kreatore politika i dizajnere učenja, uz mogućnost prilagodbe lokalnim kontekstima. Zajednička referentna točka korisna je jer smanjuje iskušenje da se pismenost definira kao ona značajka koju dobavljač trenutačno prodaje. Prilagodba je jednako važna jer škola, istraživački institut i javna služba ne stoje pred istim zadacima niti pred istim ljudima na koje se to odnosi.

Obrazovanje može oblikovati navike koje organizacije kasnije trebaju. Učenici mogu usporediti generirano objašnjenje s izvorom, zabilježiti što se promijenilo, dovesti u pitanje samouvjeren odgovor i raspraviti kada čovjek treba zadržati odgovornost. Nastavnici mogu učiniti neizvjesnost vidljivom umjesto da je tretiraju kao neuspjeh sata. Ravnatelji škola mogu pitanja nabave i podataka učiniti dijelom odluke umjesto da ih prepuste entuzijastičnom pojedincu s besplatnim računom.

Te prakse ne znače da djeca postaju odgovorna za upravljanje komercijalnim sustavima. Riječ je o tome da ljudi dobiju trajan vokabular prije nego što uđu u radna okruženja i javne institucije gdje ulozi mogu biti viši. Odrasli trebaju istu priliku. Menadžer koji je u školi naučio propitivati izvore može tu naviku iskoristiti na sastanku o nabavi. Stanovnik koji zna da model može pogriješiti, ali i dalje biti utjecajan, može zatražiti pravi put kroz javnu službu.

Obrazovanje također pokazuje zašto se pismenost ne može svesti na tehničku kompetenciju. Nastavnik može naučiti kako model generira tekst, a i dalje mora odlučiti mijenja li njegova uporaba odnos s učenikom. Istraživač može razumjeti proces treniranja modela, a i dalje mora provjeriti prava i pristanak u podacima. Student može impresivno upravljati sustavom, a i dalje mora prepoznati kada sustav nije primjeren izvor. Ljudska prosudba vještina je, a ne ostatak koji preostane nakon tehničke lekcije.

Sveučilišta i strukovna tijela mogu pomoći povezivanjem disciplina. AI pismenost pripada pravu, upravljanju podacima, dizajnu, etici, radu, javnoj upravi, zdravstvu i inženjerstvu, a ne prostoriji u kojoj jedna specijalnost objašnjava budućnost svima ostalima. Cilj nije učiniti svaku osobu stručnjakom u svakom području. Cilj je omogućiti stručnjacima da prepoznaju gdje njihovo područje završava, a gdje se mora pozvati drugo područje.

Što Komisija čini samoj sebi

Postoji korisna razlika između politike koja drugima govori što da rade i institucije koja opisuje što čini interno. Pitanja i odgovori Komisije u članku 4. uključuju ovo drugo. Oni opisuju internu politiku za radnu snagu vještu u AI-ju, osnovni okvir kompetencija za AI pismenost, pakete učenja za opće korisnike, menadžere i programere, resurse specifične za alate, sesije pitanja i odgovora, zajednicu prakse, mjesečni bilten i mrežu AI prvaka.

Ništa od toga ne treba tretirati kao čarobni predložak. Sama Komisija kaže da se interni okvir može promijeniti u svjetlu budućih preporuka. Prakse su primjer institucije koja pismenost tretira kao sustav podrške, a ne kao jednokratni događaj. Okvir daje jezik. Različiti paketi učenja prepoznaju različite uloge. Smjernice specifične za alate povezuju učenje s radom. Zajednica daje pitanjima mjesto gdje mogu otići. Prvaci stvaraju put kroz organizaciju, a da pritom ne postanu jedini vlasnici znanja.

Primjer sadrži i tihu opomenu. Program je opisan u smislu poticanog učenja i praktičnih resursa, a ne kao dokaz da svaki zaposlenik može sigurno obaviti svaki zadatak povezan s umjetnom inteligencijom. To je poštena granica. Organizacija može graditi kapacitete i i dalje imati praznine. Može nuditi obuku i i dalje otkriti da tijeku rada nedostaje mehanizam za nadjačavanje. Može objaviti smjernice i i dalje ih morati revidirati kada se promijeni alat, zakon ili zadatak.

Javno repozitorij Komisije čini istu granicu izričitom. Prikuplja primjere radi potpore učenju i razmjeni, ali reprodukcija prakse ne stvara automatski pretpostavku usklađenosti. Tu rečenicu vrijedi ponoviti jer organizacije često kopiraju vidljivi format, a zanemaruju nevidljivo obrazloženje. Bootcamp može biti koristan na jednom mjestu, a nevažan na drugom. Modul za e-učenje može doprijeti do svih, a ne promijeniti nikoga. Zajednica prakse može cvjetati u istraživačkom okruženju, a u javnom pozivnom centru trebati drukčiji oblik.

Praktično pitanje za svaku organizaciju nije nalikuje li njezin program Komisijinu. Pitanje je mogu li ljudi upotrijebiti ono što su naučili u trenutku kada ih sustav pozove na prosudbu. Ako mogu, program je povezan s radom. Ako ne mogu, organizacija je izgradila knjižnicu bez vrata.

Mapa sposobnosti za običnu organizaciju

Korisno je mapirati pismenost prema sposobnostima, a ne prema prisutnosti. Mapa treba pokazati što organizacija treba činiti, tko obavlja koji dio, koji dokazi to potkrepljuju i koji autoritet ostaje ljudski. Mala organizacija to može nacrtati na jednoj stranici. Veća će možda trebati registar povezan sa sustavima, ulogama i ciklusima revizije. Oblik je manje važan od održavanja vidljivih odnosa.

Prva sposobnost je prepoznavanje. Organizacija može navesti sustave umjetne inteligencije koje pruža, primjenjuje ili koristi u ime nekoga drugoga te opisati njihovu svrhu običnim jezikom. Zna koji su alati eksperimentalni, koji su odobreni, koji su ugrađeni u uslugu dobavljača, a koji su ušli putem pojedinačnog računa. Prepoznavanje nije nadzor znatiželje svakog zaposlenika. To je način da se spriječi skrivanje važne upotrebe iza kategorije nabave ili entuzijastičnog zaobilaznog rješenja.

Druga je sposobnost dokaz. Za svaki zadatak organizacija zna koje podatke sustav prima, koji su izvori mjerodavni, kako se provjeravaju svježina i dopuštenje te koji zapisi preživljavaju transformaciju. Može razlikovati generirani prijedlog od izvornog zapisa te rezultat evaluacije od ishoda proizvodnje. Dokaz je dio pismenosti koji tvrdnju pretvara u nešto što druga osoba može provjeriti.

Treća je sposobnost prosudba. Organizacija može navesti koje radnje sustav smije poduzeti, koje smije predložiti, a koje ostaju ljudske odluke. Definirala je uvjete koji zahtijevaju odbijanje, eskalaciju ili reviziju. Čini vidljivim kompromis kada brži put daje manje dokaza ili manje mogućnosti za osporavanje. Prosudba nije argument protiv automatizacije. To je dio dizajna koji govori čemu automatizacija služi.

Četvrta je sposobnost autoritet. Uloge su dodijeljene za odobravanje, nadzor, vlasništvo nad podacima, postupanje u incidentima, komunikaciju s pogođenim osobama, izazivanje dobavljača i povlačenje. Uloge imaju pristup i vrijeme. Osoba s titulom, ali bez mogućnosti da zaustavi ili promijeni sustav, nije mehanizam nadzora. Poštanski sandučić za eskalaciju bez vlasnika samo je kutija za prijedloge u svečanom ruhu.

Peta je sposobnost učenje. Organizacija bilježi što su ljudi pitali, gdje je sustav zakazao, koje su se pretpostavke promijenile i što je popravljeno. Ažurira obuku kada se zadatak promijeni, ali mijenja i sučelje, put dokaza, politiku ili ugovor kada je to bolje rješenje. Učenje nije retrospektivno izvješće koje stoji pokraj sustava. To je sustav koji postaje iskreniji o vlastitim ograničenjima.

Karta sposobnosti čini vidljivima ljude, dokaze i ovlasti oko AI sustava. To je karta rada, a ne popis sudionika.

Kako osigurati da petlja preživi užurbani kvartal

Većina programa pismenosti propadne na uobičajen način. Pokretanje je dobro posjećeno, materijali su dotjerani, a onda se hitan posao vrati. Novi alati stižu preko dobavljača, tim kopira upit od drugog tima, politika se promijeni ili se u bilješkama o izdanju pojavi ažuriranje modela. Organizacija i dalje govori o pismenosti kao da je izvorni tečaj još uvijek prisutan. Nije. Sustav se pomaknuo dok je učenje ostalo nepomično.

Prva zaštita je jasan okidač za reviziju. Promjena modela, izvora podataka, svrhe, zahvaćene populacije, dobavljača, praga ili ljudske rute trebala bi potaknuti nekoga da se zapita odgovara li postojeća praksa i dalje. Okidač ne mora stvoriti odbor za svaku manju promjenu. Mora spriječiti da se materijalna promjena tretira kao održavanje kada mijenja ovlasti ili rizik.

Druga zaštita je lokalno vlasništvo. Središnji AI ured može ponuditi smjernice, ali osoba najbliža zadatku obično prva uoči nesklad između sustava i rada. Ta osoba treba imenovanu rutu za postavljanje pitanja, prijavljivanje problema i dobivanje odgovora. Lokalno vlasništvo također sprječava da program postane skup apstraktnih načela koja nitko ne može pretočiti u sutrašnji slučaj.

Treća zaštita je mali skup pitanja koja se mogu ponovno upotrijebiti. Što sustav radi? Koje dokaze koristi? Što može promijeniti? Na koga utječe? Što bi nas natjeralo da stanemo? Tko to može promijeniti? Koji će nam zapis kasnije omogućiti razumijevanje rezultata? Ta se pitanja mogu pojaviti u nabavi, pregledu dizajna, smjernicama za osoblje, javnoj obavijesti, obrascu za incident i vježbi obuke. Ponavljanje nije mana kada je pitanje kontrola.

Četvrta zaštita je vrijeme. Organizacije često traže od ljudi da vježbaju prosudbu u prazninama između drugih zadataka. To čini ispravno djelovanje neučinkovitim. Ako se od recenzenta očekuje da provjeri generiranu preporuku, opterećenje mora uključivati tu provjeru. Ako se od radnika očekuje da prijavi zabrinutost, raspored to mora dopustiti. Ako se od menadžera očekuje da pregleda novi model, uloga mora uključivati taj pregled. Inače je organizacija učinila pismenost volonterskom aktivnošću i iznenadit će se kada volontera bude malo.

Peta zaštita je vidljiv kraj petlje. Eskalacija ne bi smjela nestati u inboxu. Osoba koja ju je pokrenula trebala bi znati je li slučaj prihvaćen, što se promijenilo i tko je vlasnik sljedećeg koraka, uz ograničenja privatnosti i sigurnosti. Malo priznanje može biti moćnije od još jedne politike jer pokazuje da organizacija tretira prosudbu kao dio posla, a ne kao prekid posla.

Metrike mogu pomoći, ali ih treba pažljivo odabrati. Izbrojite koliko sustava ima vlasnika, koliko zadataka ima deklariranu granicu dokaza, koliko je promjena pokrenulo reviziju, koliko je eskalacija dobilo odgovor i koliko je često izvor ili politika popravljen. Nemojte koristiti postotke dovršenosti kao zamjenu za razumijevanje. Stopostotna dovršenost može koegzistirati s nultim autoritetom. Niži postotak dovršenosti može otkriti da je organizacija konačno prestala glumiti da jedna lekcija odgovara svima.

Najbolja mjera nije broj. To je kvaliteta sljedećeg pitanja. Nakon programa, može li tim osporiti samouvjeren rezultat bez da mu se kaže da je model samo alat? Može li identificirati izvor i nedostajuće dokaze? Može li reći što bi zaustavilo tijek rada? Može li pogođena osoba doći do ljudske revizije? Može li organizacija promijeniti sustav bez gubitka povijesti onoga što se dogodilo? Ako se odgovor poboljša, mišić se koristi.

Što vam certifikat ne može reći

Certifikat vam može reći da je osoba dovršila identificiranu aktivnost. To može biti korisno za orijentaciju, vođenje evidencije ili profesionalni razvoj. Ne može vam reći je li aktivnost odgovarala sustavu pred osobom, je li osoba imala priliku vježbati, je li organizacija izložila svoje dokaze, je li autoritet bio stvaran ili je li se sustav naknadno promijenio. Ta pitanja pripadaju organizaciji i poslu.

Ta razlika nije argument protiv tečajeva. Tečajevi mogu pružiti zajedničku polaznu točku, osobito kada je nova terminologija potrebna brzo. Mogu objasniti mehanizme, pravni kontekst i ponavljajuće rizike. Mogu pomoći ljudima koji su bili isključeni iz tehničkih razgovora da u njih uđu bez pretvaranja da već znaju odgovore. Problem počinje kada se tečaj tretira kao ishod, a ne kao jedan instrument u široj praksi.

Dobar tečaj trebao bi učiniti sljedeću upotrebu zahtjevnijom. Trebao bi ostaviti ljude s pitanjima koja mogu postaviti, dokazima koje mogu ispitati, ograničenjima koja mogu navesti i putovima koje mogu koristiti kada sustav nije dovoljan. Trebao bi menadžeru učiniti nejasnu tvrdnju manje prihvatljivom, a radniku dati više povjerenja u razborito odbijanje. Trebao bi učiniti vlastite praznine organizacije lakše vidljivima. Učenje koje proizvodi samo povjerenje nije nužno proizvelo pismenost.

Trenutačni tekst zakona pomaže jer odbija definirati jednu završnu crtu za svaku osobu. Članak 4. sada traži od pružatelja i implementatora da poduzmu mjere koje podržavaju razvoj. Uvodna izjava amandmana kaže da bi pismenost trebala biti strateški prioritet bez obzira na regulatorne obveze i moguće sankcije. To je čvršći temelj od utrke prema univerzalnom rezultatu. Organizacijama govori da izgrade sposobnost jer njihov posao to zahtijeva, a ne zato što bi certifikat mogao umiriti kontrolnu listu.

Naša mala bilješka

U Dweveu je naš mali doprinos Ground truth, besplatni mrežni građanski vodič o umjetnoj inteligenciji. On nije potvrda i sam po sebi ne može učiniti organizaciju pismenom. To je jedno mjesto za vježbanje zajedničkog rječnika opisanog ovdje: što sustav radi, koje dokaze koristi, koja ograničenja su važna i gdje ostaje ljudska prosudba. Spominjemo ga kao primjer materijala koji stvaramo, a ne kao dokaz organizacijskog ishoda. Dokaz mora biti vidljiv u radu, u pitanjima koja ljudi postavljaju i u odlukama koje smiju mijenjati.

Pouka

Pismenost o umjetnoj inteligenciji nije trenutak kad osoba završi tečaj. To je trenutak kad organizacija može vidjeti što njezini sustavi rade i još uvijek može djelovati kad je odgovor nesiguran. Svjesnost imenuje sustav i njegov kontekst. Kompetencija povezuje znanje sa zadatkom i njegovim dokazima. Autoritet omogućuje prosudbu i intervenciju. Navike održavaju te sposobnosti na životu kad se promijene alat, politika, podaci ili ljudi.

Europsko stajalište postaje sve jasnije. Članak 4. Akta o umjetnoj inteligenciji ostaje odgovornost organizacije, ali trenutačni zakon ne propisuje jedinstvenu razinu pojedinca ni potvrdu. Smjernice Komisije upućuju na kontekst, rizik, ulogu i pogođene osobe. Njezin vlastiti interni program kombinira okvire, učenje specifično za uloge, smjernice za alate, zajednicu i put za pitanja. Obrazovne smjernice i smjernice UNESCO-a stavljaju ljudske kapacitete, prava i smislenu upotrebu uz tehničko razumijevanje. Nijedan od tih izvora ne obećava prečac. Upravo je to njihova vrijednost.

Za javno tijelo posao je učiniti ljudski put vidljivim i upotrebljivim. Za tvrtku, povezati obuku s dokazima, vlasništvom i sposobnošću odbijanja lošeg tijeka rada. Za školu, naučiti ljude kako preispitati sustav prije nego što sustav od njih zatraži povjerenje. Za osobu pogođenu odlukom, imati način da razumije što se dogodilo i zatraži preispitivanje bez da prvo nauči prodavačev rječnik.

Mišić raste kad organizacija vježba prije nego što posljedica stigne: prepoznati, propitati, provjeriti, odlučiti, eskalirati i popraviti. Neće postojati konačna potvrda koja kaže da je posao gotov. To nije praznina u programu. To je poanta. Živi sustav treba živu prosudbu, a živu prosudbu organizacija mora neprestano vježbati.

Izvori