„AI šerlokovanje“ (AI Sherlocking) predstavlja ozbiljan strateški rizik u kom AI platforme usvajaju mukotrpno stečenu logiku rešavanja problema neke kompanije, a ne samo njene sirove podatke. Iako savremeni korporativni ugovori obično štite unosne upite i izlazne rezultate, ključna intelektualna svojina curi kroz povratne informacije o interakcijama zaposlenih, ponovnu upotrebu sintetičkih podataka u budućim modelima i opšta poboljšanja sposobnosti koje platforme stiču posmatranjem vrhunskih stručnjaka koji rešavaju probleme. Uz široko rasprostranjenu upotrebu „AI-ja u senci“ (shadow AI) putem neobezbeđenih ličnih naloga, organizacije rizikuju da nesvesno obučavaju svoje buduće konkurente. Da bi zaštitili svoj „suverenitet logike“, poslovni lideri moraju pooštriti uslove u ugovorima sa dobavljačima u vezi sa beleženjem povratnih informacija, izolovati ključnu intelektualnu svojinu korišćenjem potpuno privatnih ili lokalnih (on-premises) modela, i modularizovati radne tokove kako bi glavne metodologije zadržali isključivo unutar kompanije.
Godinama su korporativni pravnici bili opsednuti jednim pitanjem kada je u pitanju veštačka inteligencija: Da li naši podaci ulaze u skup za obuku nekog drugog? Većina kompanija smatra da je to rešila. Potpisale su ugovore u kojima piše da provajder AI usluga ne može vršiti obuku na upitima koje njihovi zaposleni unose.
Ali to više nije jedino važno pitanje. Pravi novi rizik jeste taj što kompanije gube nešto vrednije od podataka: svoju logiku — specifičan, teškom mukom izgrađen način na koji rešavaju probleme. Nazovite to „AI šerlokovanjem“. To nije sasvim novo, ali je prešlo u svoj najsofisticiraniji oblik do sada, i dešava se čak i kompanijama sa besprekorno zatvorenim ugovorima o zaštiti podataka.
Početkom dvehiljaditih, kompanija Apple je napravila alat za pretragu pod nazivom Sherlock, koji je funkciju po funkciju iskopirao popularnu dodatnu aplikaciju zvanu Watson, i ugasio tu manju kompaniju gotovo preko noći. Od tada, pojam „biti šerlokovan“ znači posmatrati kako veća platforma usisava vaše najbolje ideje i koristi ih protiv vas.
Verzija sa veštačkom inteligencijom funkcioniše drugačije, ali se završava na isti način. Ovaj članak se oslanja na nedavne bezbednosne incidente u korporativnoj primeni AI-ja, sitna slova u ugovorima vodećih provajdera veštačke inteligencije i aktuelne podatke o korišćenju „AI-ja u senci“ unutar kompanija, kako bi izložio tri specifična načina na koje se to dešava — i šta lideri mogu da preduzmu povodom svakog od njih.
Kako funkcioniše AI šerlokovanje
Tradicionalno šerlokovanje se oslanjalo na kopiranje funkcije koju ste mogli videti: dugmeta, ekrana, određene funkcionalnosti. AI šerlokovanje se bavi nečim što ne možete videti: rezonovanjem koje je proizvelo dobar odgovor.
Evo gde većina direktora ima samo delimično tačnu sliku. Standardni ugovori o korporativnom AI-ju danas obično štite i unos i izlaz — upit koji je vaš inženjer uneo i odgovor koji je alat vratio — od korišćenja za obuku budućih verzija modela. To jeste stvaran napredak i upravo je to ono na šta je većina pravnih pregleda fokusirana. Problem je u tome što ta zaštita ima stvarne praznine, a upravo su te praznine mesta gde konkurentska prednost najčešće curi.
Uzmite u obzir šta se dešava kada viši inženjer koristi AI alat za otklanjanje grešaka u složenom delu koda, ili kada ga istraživač koristi za rad na nekom naučnom problemu. Odgovor koji se dobije nije samo rezultat toga što je AI pametan. To je spoj opšte sposobnosti alata i specifične stručnosti tog zaposlenog, koji ga korak po korak vodi ka tačnom odgovoru. Taj spoj jeste upravo ono što ima najveću vrednost, a u zavisnosti od toga kako se kreće kroz sistem, možda nije toliko zaštićen kao što ugovor sugeriše.
Ako provajder veštačke inteligencije uči iz oblika tih interakcija — putem signala povratnih informacija, putem generalizovanih poboljšanja sposobnosti ili kroz činjenicu da se sličan visokokvalitetan rad konstantno odvija širom njegove korisničke baze — on može efektivno da apsorbuje stručnost vašeg tima bez ijednog kršenja određene stavke u vašem ugovoru. Sledećoj kompaniji koja postavi slično pitanje neće biti potrebni vaši fajlovi. Model će već biti oštriji za vaš tip problema, jer je naučio strukturu tog problema od korisnika poput vas.
Ovo nije hipotetička situacija. U februaru 2026. godine, kompanija Anthropic je otkrila da su tri kineske AI laboratorije — DeepSeek, Moonshot AI i MiniMax — izvršile više od 16 miliona upita prema njenim Claude modelima preko približno 24.000 lažnih naloga, u sistematskom naporu da obuče sopstvene konkurentske modele na Claude-ovim odgovorima. Ta tehnika, nazvana „destilacija“, funkcioniše tako što koristi izlazne rezultate jačeg modela za podučavanje slabijeg; Anthropic je identifikovao ove kampanje po njihovim neobičnim obrascima upita, snažno koncentrisanim na Claude-ove najprepoznatljivije sposobnosti poput logičkog zaključivanja i programiranja. To je bio neprijateljski slučaj koji je uključivao prevaru i lažne naloge, ali ukazuje na istu osnovnu dinamiku u blažem, potpuno legalnom obliku: Što se model više koristi za rešavanje određene vrste problema, to postaje bolji u toj vrsti problema. Svaki veliki provajder ima neku verziju tog mehanizma samorazvoja jer njihov posao zavisi od toga.
To je takođe razlog zašto standardni korporativni priručnik za bezbednost veštačke inteligencije zataji. Ranije rasprave su stavljale naglasak na „sendboksing“ (sandboxing) i srodne kontrole — izolovanje AI alata u bezbedna, zatvorena okruženja tako da osetljivi podaci nikada ne dotaknu otvoreni internet. To jesu istinski korisni koraci, ali oni rešavaju samo jedan deo problema. Sendboks sprečava curenje vaših podataka. On ne čini ništa da spreči provajdera AI usluga da uči obrasce rešavanja problema vašeg tima svaki put kada koriste alat unutar tog sendboksa. Možete zaključati podatke u sef i opet izgubiti stvar koja je te podatke uopšte činila vrednim: stručnost koja je na njih primenjena.
Postoji i jednostavnija, ljudskija verzija istog rizika: AI u senci (shadow AI). Uprkos tome što plaćaju bezbedne, ugovorno zaštićene korporativne naloge, zaposleni u većini kompanija i dalje povremeno koriste besplatne, lične AI naloge iz navike, komfora ili da bi zaobišli ograničenja koja je poslodavac postavio na korporativnu verziju — ubacujući ugovor radi sumiranja, ili deo koda radi debagovanja, kao što su inženjeri kompanije Samsung uradili 2023. godine kada su nehotice postavili vlasnički izvorni kod za poluprovodnike na ChatGPT, što je navelo kompaniju da interno zabrani taj alat.
Ovaj obrazac je izuzetno rasprostranjen. Studija MIT-a iz 2025. godine o upotrebi generativne veštačke inteligencije u preduzećima otkrila je da, iako je samo oko 40% kompanija kupilo zvaničnu AI pretplatu, zaposleni u više od 90% anketiranih kompanija redovno koriste lične AI alate za posao. Takođe, IBM-ov izveštaj „Cost of a Data Breach Report“ za 2025. godinu otkriva da povrede podataka koje uključuju AI u senci u proseku koštaju otprilike 670.000 dolara više od incidenata bez njega, dok istovremeno disproporcionalno izlažu intelektualnu svojinu i podatke o klijentima napadima. Svaki put kada zaposleni posegne za ličnim AI nalogom, sve što se unese ide pravo u tok za obuku tog besplatnog alata, bez ikakvog korporativnog ugovora koji bi stajao na putu. To je isti gubitak stručnosti, samo kroz otključana sporedna vrata umesto kroz sistem koji je trebalo da je štiti.
Spojite ove elemente i u fokus dolazi veći preokret. Poslednje dve decenije, savet za kompanije je glasio „podaci su nova nafta“ — prikupite ih, zaštitite ih i imaćete prednost. To više samo po sebi nije dovoljno. Podaci sve više postaju roba široke potrošnje; ima ih mnogo, a AI modeli su dobri u korišćenju onoga što im se pruži, čak i kada to nije najvišeg kvaliteta. Ono što je zaista retko, i zaista vredno, jesu visokokvalitetni podaci i ono što kompanija radi sa svojim podacima — specifično prosuđivanje, radni tok i rezonovanje koje sirovu informaciju pretvara u dobru odluku. Nazovite to „suverenitetom logike“: vlasništvo ne samo nad vašim podacima, već i nad načinom razmišljanja koji na njih primenjujete.
To je upravo ono što AI šerlokovanje targetira, i to se dešava kroz tri specifična kanala, od kojih svaki vredi razumeti ponaosob jer svaki zahteva drugačije rešenje. Prvi su povratne informacije koje vaši zaposleni svakodnevno daju AI alatu, često i ne razmišljajući o tome. Drugi je način na koji industrija u celini sve više koristi sadržaj generisan od strane AI-ja — uključujući rezultate korišćenja visoke vrednosti — kao sirovinu za obuku budućih modela. Treći je strukturna verzija istog problema: Što više vaši najbolji ljudi koriste platformu, ta platforma postaje pametnija za sve, uključujući i vaše konkurente. Pogledajmo svaki od njih redom.
Prva ključna pouka: Povratne informacije vašeg tima jesu podaci za obuku
Prvi kanal je najčešći i verovatno ga je najlakše prevideti. Svaki put kada neko iz vašeg tima pruži povratnu informaciju AI alatu — palac gore ili dole, „ovo nije sasvim tačno, pokušaj ponovo“, ili ručnu ispravku u nacrtu — oni rade više od pukog dobijanja boljeg odgovora. Oni pružaju tačno onu vrstu signala koju AI kompanije koriste za ponovno obučavanje i poboljšanje svojih modela. Jednostavnim rečima: vaše ispravke podučavaju model.
Evo dela koji bi trebalo da zabrine svakoga ko upravlja vašim ugovorima sa AI dobavljačima. Standardni ugovor o uslugama kompanije OpenAI (OpenAI Services Agreement) štiti vaše upite i sirove odgovore modela od upotrebe u obuci, ali povratne informacije tretira kao zasebnu kategoriju. Ugovor navodi da ako korisnik pruži povratne informacije, OpenAI ima pravo da koristi i gradi na tim povratnim informacijama bez ograničenja i bez plaćanja naknade za to. Komercijalni uslovi korišćenja kompanije Anthropic za Claude sadrže gotovo identičnu klauzulu — što je znak da je ovo izuzeće povratnih informacija standardna struktura ugovora u industriji, a ne posebnost jednog provajdera. Postoji izvesna nejasnoća u tome koliko se široko pojam „povratne informacije“ tumači — termin se obično definiše kao povratna informacija o samoj usluzi — ali sopstvena dokumentacija kompanije OpenAI je eksplicitnija u pogledu toga šta to znači u praksi: Čak i kada je korisnik generalno isključio mogućnost obuke, davanje ocene palac gore ili dole na odgovor znači da se ceo razgovor povezan sa tom povratnom informacijom može iskoristiti za obuku budućih modela. I to se ne odvija samo automatizovano: proces učenja uz potkrepljenje (reinforcement learning) koji stoji iza modernih četbotova, prvi put detaljno opisan u istraživanju kompanije OpenAI pod nazivom InstructGPT iz 2022. godine, oslanja se na spoljne saradnike koji čitaju i rangiraju odgovore modela na stvarne korisničke upite kao ključni signal za obuku, a isti osnovni pristup se sada koristi širom industrije. Ljudi koji obavljaju to ocenjivanje, zapravo, takođe uče iz vlasničkih ispravki vašeg tima.
Šta menadžeri treba da urade: Tretirajte mehanizme povratnih informacija kao ugovorno pitanje, a ne samo kao funkciju proizvoda. Prilikom pregovaranja ili obnavljanja ugovora sa dobavljačima AI usluga, nemojte se zaustaviti na odredbi „nema obuke na našim podacima“. Pitajte konkretno za povratne informacije, ocene, ispravke i dnevnike interakcija (logs), i insistirajte na formulacijama koje eksplicitno zatvaraju ovaj jaz. U martu 2026. godine, Anthropic je dodao mogućnost upravljanja podešavanjima korisničkih povratnih informacija na nivoima Team ili Enterprise, pa obavezno isključite funkciju ocenjivanja razgovora (Rate Chats). Imajte na umu da je ovo nova funkcija, a ne isprobana i dokazana garancija. Vredi uputiti i vaše timove: onog trenutka kada isprave rad veštačke inteligencije, oni možda podučavaju sistem koji koriste i vaši konkurenti.
Druga ključna pouka: Vaši najbolji rezultati mogu postati podaci za obuku nekog drugog
Drugi kanal je pitanje ponude i potražnje. Visokokvalitetni podaci koje generišu ljudi — vrsta koja je AI kompanijama potrebna da bi nastavile da poboljšavaju svoje modele — postaju sve ređi. Istraživači u organizaciji Epoch AI, neprofitnoj organizaciji koja prati resurse za obuku veštačke inteligencije, procenjuju da će zalihe javno dostupnih tekstualnih podataka visokog kvaliteta biti u velikoj meri iscrpljene negde između 2026. i 2032. godine, u zavisnosti od toga koliko se efikasno ponovo koriste. Zato su se provajderi sve više okretali alternativnom rešenju: korišćenju najboljih izlaznih rezultata sopstvenih modela kao materijala za obuku sledeće verzije. Ovo je sada standardna praksa u industriji, a ne redak izuzetak. Model Phi-4 kompanije Microsoft, lansiran u decembru 2024. godine, izričito je obučen na približno 400 milijardi tokena generisanih kroz 50 različitih sintetičkih skupova podataka, a Microsoftov tehnički izveštaj tvrdi da je ovaj pristup bio ključan za performanse modela.
Ako vaš tim koristi dobro ugovoren korporativni AI, vaši specifični izlazni rezultati su obično izolovani od ovog toka obuke. Ali postoje dva načina na koja ovaj rizik i dalje pogađa vašu kompaniju. Prvi je svaka upotreba koja spada van tog ugovora — potrošački ili besplatni nalozi, korišćenje AI-ja u senci ili stariji ugovori bez izričite zaštite izlaznih rezultata. Sve što se tamo generiše slobodno je za korišćenje u obuci sledećeg izdanja. Drugi način je suptilniji: čak i kada se vaši specifični izlazni rezultati ne diraju, modeli obučeni na objedinjenim rezultatima svih ostalih koji rešavaju slične probleme i dalje postaju bolji za vaš tip problema, a ta unapređena sposobnost se zatim prodaje svakome ko kupi pristup. Kao propratna napomena, istraživači su upozorili da modeli koji su previše obučavani na ovoj vrsti recikliranog sadržaja generisanog veštačkom inteligencijom mogu postepeno izgubiti tačnost tokom vremena, što je pojava koju nazivaju „kolaps modela“ (model collapse). To jeste prava tehnička glavobolja za AI provajdere, ali ne menja vašu izloženost riziku.
Šta menadžeri treba da urade: Za slučajeve upotrebe veštačke inteligencije od najveće vrednosti — one koji su vezani za istinsku konkurentsku prednost — insistirajte na opcijama implementacije koje sve zadržavaju unutar kuće: prilagođeni modeli koji rade u privatnom cloud okruženju ili lokalna (on-premises) postavka gde se ništa generisano nikada i ni za kakve potrebe ne šalje nazad provajderu. Sačuvajte javnu verziju ovih alata opšte namene za poslove manjeg značaja, gde gubitak „tajnog recepta“ ne predstavlja stvarnu brigu.
Treća ključna pouka: Najpametniji korisnik čini platformu pametnijom za sve
Treći kanal se manje bavi pojedinačnim interakcijama, a više strukturnim obrascem. AI platforme se poboljšavaju učeći od svojih najsofisticiranijih korisnika. Ako je vaša kompanija ta koja najviše pomera granice AI alata — koristeći ga za rešavanje istinski teškog problema visoke vrednosti, poput optimizacije složenog lanca snabdevanja — vi ste takođe i oni koji podučavaju taj alat kako da generalno rešava probleme poput vaših. Platforma postaje bolja. Zatim tu poboljšanu sposobnost prodaje ostatku tržišta, uključujući vaše direktne konkurente.
Ovo stvara neprijatnu dinamiku: što je vaša upotreba AI alata inovativnija, to više možete doprinositi budućim sposobnostima sopstvenih konkurenata. To se kosi sa načinom na koji je konkurentska prednost tradicionalno funkcionisala. Uobičajeno je bilo da vas status najpametnijeg korisnika nekog alata drži ispred konkurencije, a ne da nagriza vaše vođstvo.
Šta menadžeri treba da urade: Za svoj strateški najosetljiviji rad, izbegavajte slanje celog problema AI alatu opšte namene u jednom koraku. Razbijte zadatak na delove i pošaljite samo one delove koji ne otkrivaju vaš celokupni pristup, dok deo koji sve povezuje u celinu — vaš stvarni metod — zadržavate unutar kompanije. Srodna opcija je korišćenje velikog javnog AI modela za generisanje grubih, opštih ideja, a zatim sprovođenje stvarnog finog podešavanja (fine-tuning) na manjem modelu koji vaša kompanija u potpunosti poseduje i kontroliše, tako da vredan završni korak nikada ne napusti zgradu.
Ništa od ovoga ne znači da kompanije treba da prestanu da koriste veštačku inteligenciju. Dobici u produktivnosti i promene u načinu na koji se posao obavlja su stvarni i samo će rasti. Međutim, trenutni pristup zaštiti konkurentske prednosti izgrađen je oko pogrešnog pitanja. Većina bezbednosnih provera i dalje pita: „Da li su naši podaci bezbedni?“ Važnije pitanje u budućnosti glasi: „Ko uči iz našeg uspeha?“
Tokom narednih nekoliko godina, očekujte da ovo pitanje pređe sa nivoa uske brige timova za bezbednost veštačke inteligencije u standardnu temu upravnih odbora, baš kao što je privatnost podataka postala pre jedne decenije. Kompanije koje nastave da tretiraju formulu „nema obuke na našim upitima“ kao dovoljnu zaštitu otkriće, postepeno, a zatim odjednom, da je njihova konkurentska prednost tiho apsorbovana u same alate koje koriste za takmičenje na tržištu. Organizacije koje preduhitre ovaj scenario — prepravljanjem ugovora, izolovanjem svog najvrednijeg rada i obukom svojih ljudi da prepoznaju gde leži stvarna izloženost — biće one čija će stručnost ostati samo njihova.
Ovde postoji i širi ulog, koji prevazilazi finansijski rezultat bilo koje pojedinačne kompanije. Ako nekolicina AI provajdera na kraju apsorbuje najbolju logiku rešavanja problema iz svih industrija, konkurentska prednost bi se mogla koncentrisati u manjem broju ruku, a podsticaj za bilo koju kompaniju da nastavi otvoreno da inovira mogao bi da opadne. Vredi pratiti to pitanje kao problem funkcionisanja konkurencije u ekonomiji vođenoj veštačkom inteligencijom, a ne samo kao stvar individualne korporativne strategije. Za sada, praktičan zadatak za lidere je uži i hitniji: znajte tačno šta vaši AI alati uče od vas i odlučite, promišljeno, šta ste spremni da ih naučite.
