Kako automatizacija poslovnih procesa utječe na produktivnost poduzeća?

1. Pojam produktivnosti

Rasprava o ekonomskom učinku automatizacije počinje pitanjem što se uopće smatra produktivnošću. Tehnološko ulaganje može promijeniti količinu outputa, količinu potrebnog rada, korištenje kapitala, trajanje procesa ili kvalitetu rezultata. Zbog toga se povećanje jednog pokazatelja ne može automatski izjednačiti s povećanjem ukupne produktivnosti poduzeća. OECD-ov metodološki priručnik produktivnost postavlja u odnos između outputa i inputa, ali pritom razlikuje više vrsta produktivnosti i upozorava na probleme interpretacije mjera produktivnosti (OECD, 2001).

Središnja teza ovog rada jest da se učinak automatizacije može procijeniti samo ako se istodobno razlikuju razina pojedinačnog zadatka, razina poslovnog procesa i razina cijelog poduzeća. Ubrzanje jednog zadatka može biti stvarno, a da se ne pretvori u veći output procesa. Poboljšanje procesa može biti mjerljivo, a da se ne pretvori u veću ukupnu produktivnost ako su troškovi implementacije i održavanja visoki. Zbog toga se automatizacija ne procjenjuje jednim pokazateljem, nego povezivanjem outputa, inputa, kvalitete, vremena, troškova i organizacijskih uvjeta.

Produktivnost rada označava odnos outputa i inputa rada. U praksi se može promatrati kroz output po radniku ili output po satu rada. Takva mjera korisna je kada se želi procijeniti proizvodi li zaposleni radnik veću količinu rezultata nego prije. Međutim, produktivnost rada sama po sebi ne pokazuje zašto je došlo do promjene. Veći output po radniku može nastati zbog boljeg softvera, većeg korištenja kapitala, drugačije organizacije rada, promjene proizvoda ili drugih čimbenika koji nisu sadržani u samoj količini rada (OECD, 2001).

Ako se, primjerice, vrijeme potrebno za obradu jednog zahtjeva smanji, output po satu rada može se povećati. Ipak, takav rezultat ovisi o tome obrađuju li se nakon toga dodatni zahtjevi, ostaje li kvaliteta ista i je li za nadzor automatiziranog procesa potreban dodatni rad. Moguće je da automatizirani sustav smanji aktivno vrijeme rada, ali da ukupno vrijeme procesa ostane gotovo nepromijenjeno zbog čekanja, ručnih odobrenja ili obrade iznimki. Produktivnost rada zato treba tumačiti zajedno s procesnim pokazateljima.

Produktivnost kapitala odnosi se na output u odnosu na korišteni kapital. U analizi automatizacije ta je mjera važna zato što automatizacija često uključuje ulaganje u softver, infrastrukturu, robote, podatkovne sustave ili drugu opremu. Ako ulaganje u kapital povećava output, ali istodobno zahtijeva velika sredstva i kapacitete, produktivnost rada može rasti dok produktivnost kapitala ne raste u istom smjeru. Veća produktivnost rada, dakle, ne mora značiti i veću produktivnost kapitala.

To razlikovanje posebno je važno kada se automatizacija promatra kao zamjena za ručne aktivnosti. Ako se određena količina rada smanji, a količina kapitala poveća, promjena odnosa između outputa i rada može izgledati povoljno čak i kada ukupni poslovni rezultat nije poboljšan u istom opsegu. U procjeni se zato ne može zaobići pitanje koliko je ulaganje potrebno da bi se ostvarila određena promjena outputa. Trošak licence, razvoja, integracije ili održavanja ne treba promatrati kao odvojenu tehničku pojedinost, nego kao dio inputa koji određuje ekonomski učinak.

Ukupna faktorska produktivnost pokušava obuhvatiti dio promjene outputa koji se ne može objasniti samo promjenom količine rada i kapitala. Ona je važna za procjenu automatizacije jer tehnološka promjena često djeluje upravo kroz kombinaciju više inputa: radnici koriste nove sustave, procesi se reorganiziraju, podaci postaju dostupniji, a zadaci se preraspodjeljuju između ljudi i tehnologije. TFP se pritom ne promatra kao izravno opažena veličina, nego kao procijenjena mjera čije značenje ovisi o načinu mjerenja inputa i outputa (OECD, 2001).

Kod TFP-a postoji dodatni problem pripisivanja učinka. Ako poduzeće nakon uvođenja automatizacije ostvaruje veći output, promjena može biti povezana i s drugim promjenama u proizvodu, potražnji, organizaciji ili upravljanju. Digitalno usvajanje može biti povezano s produktivnošću, ali sama povezanost ne daje potpun odgovor o uzročnosti. OECD-ova analiza digitalizacije upravo upozorava da je teško potpuno identificirati odnos između digitalnog usvajanja i produktivnosti poduzeća (Gal et al., 2019). Zbog toga se povećanje TFP-a ne treba bez dodatne analize pripisati samo automatizaciji.

Za poduzeće je zato korisno razlikovati najmanje tri razine mjerenja. Prva je razina zadatka: koliko brzo i kvalitetno pojedinac izvršava određenu aktivnost. Druga je razina procesa: koliko traje cijeli tok aktivnosti od ulaza do rezultata. Treća je razina poduzeća: kakav je učinak na output, troškove, produktivnost, kvalitetu i poslovne rezultate. Te razine nisu zamjenjive. U eksperimentu s generativnom umjetnom inteligencijom može se mjeriti vrijeme izvršavanja pisanog zadatka, dok se na razini poduzeća mora uzeti u obzir i organizacija rada, trošak implementacije, kvaliteta proizvoda i način na koji se rezultat zadatka pretvara u poslovnu vrijednost (Noy i Zhang, 2023).

Razina zadatka najbliža je neposrednom radu pojedinca. Ona omogućuje precizno promatranje vremena i kvalitete, ali ne pokazuje nužno što se događa s ostatkom procesa. Razina procesa uključuje prijenos podataka, čekanja, odobrenja, iznimke i odgovornosti više sudionika. Razina poduzeća uključuje i šire rezultate, poput outputa, troškova, korištenja kapitala, organizacijskih promjena i poslovnog ishoda. Kada se nalazi iz jedne razine izravno prenesu na drugu, nastaje opasnost od pretjeranog zaključivanja.

Razlika između tih razina važna je za interpretaciju literature o automatizaciji. Studija o industrijskim robotima može promatrati produktivnost na razini industrije, dok studija o korisničkoj podršci može promatrati broj riješenih problema po satu. OECD-ov rad o digitalizaciji povezuje digitalno okruženje s produktivnošću poduzeća, ali istodobno upozorava da je uzročnost između digitalnog usvajanja i produktivnosti teško potpuno identificirati (Gal et al., 2019). Svaki rezultat zato treba čitati zajedno s njegovom mjernom razinom, vrstom tehnologije i kontekstom.

Automatizacija se ekonomski može smatrati uspješnom kada se njezin učinak promatra u odnosu prema inputima, troškovima, kvaliteti i poslovnom rezultatu. Samo ubrzanje jednog zadatka nije dovoljno ako se zbog njega povećavaju troškovi kontrole, integracije ili održavanja. Isto tako, smanjenje broja ručnih aktivnosti nije samo po sebi dokaz veće produktivnosti ako se output, kvaliteta ili ukupni trošak ne poboljšaju. Produktivnost je zato širi pojam od količine obavljenog rada i ne može se svesti na jednostavno pitanje je li određeni zadatak preuzeo softver ili stroj.

Mjerenje produktivnosti zahtijeva i odluku o tome koji se output promatra. U nekim procesima output je broj obrađenih transakcija, dok u drugima uključuje kvalitetu odgovora, potpunost dokumentacije ili sposobnost rješavanja složenog zahtjeva. Ako se output definira preusko, automatizirani sustav može izgledati uspješnije zato što povećava broj jednostavno prebrojivih radnji, dok se složeniji dio rada i dalje obavlja ručno. OECD-ov pristup produktivnosti upravo je važan zato što upozorava da izbor mjere određuje način na koji se interpretira promjena (OECD, 2001).

Konačno, produktivnost ne treba poistovjetiti ni s profitom. Profit ovisi o outputu, cijenama, troškovima, potražnji i drugim poslovnim uvjetima. Automatizacija može povećati output po satu rada, ali ako su ulaganja i troškovi održavanja visoki, poslovni rezultat može biti drukčiji od rezultata pojedinačnog pokazatelja. Zato se u nastavku razlikuju mogući kanali učinka automatizacije od konačne procjene ekonomske vrijednosti.

2. Automatizacija rutinskog rada

Rutinski poslovni rad obuhvaća aktivnosti koje se ponavljaju, slijede relativno stabilne korake i mogu se opisati pravilima ili standardiziranim postupcima. U poduzećima takve aktivnosti mogu uključivati prijenos podataka između aplikacija, provjeru unaprijed zadanih uvjeta, izradu standardiziranih zapisa, pokretanje obavijesti ili obradu administrativnih zahtjeva. Robotska automatizacija procesa, odnosno RPA, upravo je povezana sa softverskim robotima koji izvršavaju strukturirane aktivnosti kroz postojeće aplikacije (Hofmann, Samp i Urbach, 2020; van der Aalst, Bichler i Heinzl, 2018).

Ekonomski smisao takve automatizacije najprije se pojavljuje u smanjenju ručnog unosa i administrativnog opterećenja. Kada zaposlenik više ne mora ponavljati isti korak u više sustava, dio radnog vremena može se preusmjeriti na aktivnosti koje nisu jednostavno opisive pravilima. Ipak, to ne znači nužno da se broj zaposlenih smanjuje. Rad se može preraspodijeliti, proces se može proširiti, a zaposleni mogu preuzeti nove zadatke. Učinak zato treba mjeriti kroz output procesa, utrošeno vrijeme, kvalitetu i ukupni trošak, a ne samo kroz broj automatiziranih koraka.

Automatizirani korak može osloboditi kapacitet, ali oslobođeni kapacitet nije isto što i ostvarena korist. Ako se zaposlenici mogu preusmjeriti na obradu dodatnih zahtjeva, rješavanje iznimki ili složeniju komunikaciju, automatizacija može pridonijeti većem outputu. Ako se oslobođeno vrijeme ne koristi ili ako se potreba za kontrolom poveća, rezultat može biti ograničen. U tom se smislu automatizacija rutinskog rada promatra kao promjena načina raspodjele rada, a ne samo kao uklanjanje ljudske aktivnosti.

Poslovni proces nije isto što i pojedinačni zadatak. Dumas i suradnici poslovno upravljanje procesima opisuju kao širi ciklus koji uključuje identifikaciju, modeliranje, analizu, redizajn, implementaciju i praćenje procesa (Dumas, La Rosa, Mendling i Reijers, 2018). Ta je razlika važna jer se može automatizirati pojedinačna aktivnost unutar procesa koji je u cjelini loše dizajniran. U takvom slučaju tehnologija može ubrzati postojeći problem, ali ne mora ukloniti čekanja, nepotrebne provjere, dupliciranje podataka ili nejasnu odgovornost.

Rutinskost se zato ne odnosi samo na to koliko se često neka aktivnost ponavlja. Važno je i jesu li ulazni podaci dovoljno stabilni, mogu li se pravila jasno izraziti, postoje li predvidive iznimke i može li se rezultat provjeriti. Aktivnost može biti česta, ali i dalje neprikladna za jednostavnu automatizaciju ako se svaki slučaj razlikuje ili ako je potrebno tumačiti kontekst. Obrnuto, određeni zadatak može biti pogodan za automatizaciju ako se izvršava rjeđe, ali ima stabilan tok i jasno definirane ulaze i izlaze.

Brzina obrade jedan je od mogućih ekonomskih kanala automatizacije. Kraće vrijeme obrade narudžbi, računa, ponuda ili nabave može smanjiti čekanje između koraka i omogućiti da se veći broj zahtjeva obradi u istom vremenu. Međutim, u dostavljenoj literaturi nema općeg kvantitativnog dokaza da svaki RPA-projekt nužno skraćuje svaki proces. Brzina se zato treba prikazati kao pokazatelj koji treba mjeriti prije i nakon implementacije, a ne kao unaprijed zajamčeni rezultat.

Slična je situacija sa smanjenjem pogrešaka. Automatizirane kontrole mogu smanjiti pogreške koje nastaju pri ponavljanju pravila ili ručnom prepisivanju podataka. No, automatizacija može proizvesti i nove pogreške ako su pravila pogrešno postavljena, ako su ulazni podaci neujednačeni ili ako se promijene aplikacije s kojima je robot povezan. Zato smanjenje pogrešaka nije samo tehničko pitanje. Potrebno je pratiti vrste pogrešaka, njihovu učestalost, trošak ispravka i kvalitetu kontrole nakon uvođenja automatizacije.

RPA može biti koristan kada povezuje postojeće aplikacije bez potpune zamjene postojeće informacijske arhitekture. Ta mogućnost može smanjiti potrebu za promjenom svih sustava odjednom, ali ne uklanja ovisnost o kvaliteti sučelja i podataka. Softverski robot koji izvršava stabilan niz aktivnosti može raditi predvidivo dok se ne promijene obrasci, pravila ili sustavi s kojima je povezan. Stoga se prednost RPA-a ne treba tumačiti kao dokaz da je integracija uvijek jednostavna.

Skalabilnost se odnosi na mogućnost povećanja obujma poslovanja bez proporcionalnog povećanja određenih inputa. RPA može biti privlačan upravo zato što softverski robot može ponavljati standardizirane korake. Ipak, dostupni izvori ne opravdavaju opću tvrdnju da automatizacija omogućuje rast bez proporcionalnog povećanja zaposlenosti u svim poduzećima. Skalabilnost ovisi o stabilnosti procesa, kvaliteti podataka, integraciji s aplikacijama, upravljanju botovima i sposobnosti organizacije da nadzire veći broj automatiziranih tokova (Syed et al., 2020).

Studija slučaja OpusCapita pokazuje da komercijalni uspjeh RPA-a treba povezati s poslovnim modelom i vrijednošću za korisnike, a ne samo s tehnološkom mogućnošću izgradnje robota (Asatiani i Penttinen, 2016). RPA je zato ekonomski smislen kada rješava jasno određen problem procesa, kada se može nadzirati i kada koristi nisu poništene troškovima integracije i održavanja. Rutinski zadatak može biti pogodan za RPA, ali rutinskost sama po sebi ne jamči jednostavnu integraciju s postojećim sustavima (Hofmann, Samp i Urbach, 2020; van der Aalst, Bichler i Heinzl, 2018).

Kod procjene RPA-a treba razlikovati automatizaciju aktivnosti od automatizacije ishoda. Robot može uspješno prenijeti podatke, pokrenuti obavijest ili unijeti standardizirani zapis, ali poslovni ishod ovisi o tome što se nakon toga događa. Ako druga faza procesa ostane spora, ako korisnik mora ponovno dostaviti podatke ili ako se predmet često vraća na ručnu provjeru, automatizirani korak neće nužno promijeniti ukupni rezultat. Ova razlika objašnjava zašto broj botova ili broj automatiziranih radnji nije dovoljan pokazatelj produktivnosti.

Rutinska automatizacija također može promijeniti raspodjelu odgovornosti. Dok je kod ručnog procesa odgovornost često povezana s osobom koja je izvršila unos ili provjeru, kod automatiziranog procesa treba odrediti tko odgovara za pravilo, podatke, nadzor i postupanje u slučaju pogreške. Ako se ta pitanja ne razjasne, automatizacija može povećati broj obrađenih predmeta, ali smanjiti jasnoću upravljanja. Ekonomski učinak tada treba procjenjivati zajedno s troškom kontrole i upravljanja.

3. Brzina poslovnih procesa

Brzina poslovnog procesa ne treba se poistovjetiti s brzinom pojedinačnog koraka. Cijeli proces može ostati spor i nakon što je jedan zadatak automatiziran ako se rezultat mora čekati u drugom sustavu, ako postoji ručna provjera ili ako su odgovornosti između odjela nejasne. Zbog toga je za ekonomsko vrednovanje potrebno razlikovati vrijeme pojedinačne aktivnosti od vremena ciklusa cijelog procesa.

Kod narudžbi, računa, ponuda i nabave brzina može utjecati na troškove čekanja, kapacitet obrade i pravodobnost poslovne odluke. Automatizacija može omogućiti da se standardizirani ulazi obrađuju bez čekanja na ručni prijenos podataka. Tako se može povećati broj obrađenih transakcija u određenom razdoblju. Međutim, dostupni izvori uglavnom daju konceptualni ili slučajni okvir, a ne usporedive novčane procjene za različite vrste procesa. Stoga se u radu brzina treba prikazati kao mogući mehanizam, ne kao opći empirijski ishod svakog projekta.

Upravljanje poslovnim procesima omogućuje da se brzina promatra zajedno s redoslijedom aktivnosti, mjestima čekanja i pravilima odlučivanja. Procesni redizajn može pokazati da problem nije u tome što je pojedinačna aktivnost prespora, nego u tome što se ista informacija više puta provjerava ili unosi. Automatizacija tada ima smisla tek ako se uklanjaju nepotrebni koraci ili se bolje povezuju postojeće aktivnosti. Samo prebacivanje ručnog koraka u softverski alat ne mora promijeniti ukupnu strukturu procesa (Dumas et al., 2018).

Kraće vrijeme obrade može povećati output po satu rada, ali gospodarska vrijednost toga učinka ovisi o tome što se događa s oslobođenim kapacitetom. Ako zaposlenici mogu obraditi više zahtjeva ili preuzeti složenije aktivnosti, brzina može pridonijeti većem outputu. Ako se, međutim, automatizirani kapacitet ne koristi ili se povećava potreba za nadzorom, sama brzina ne mora dovesti do većeg ekonomskog učinka.

Vrijeme ciklusa treba pratiti zajedno sa stopom pogrešaka i kvalitetom rezultata. Proces koji je brži, ali proizvodi više pogrešnih računa ili nepotpunih odgovora, ne mora biti produktivniji. Slično tome, smanjenje vremena obrade može biti posljedica izostavljanja kontrola, što bi kratkoročno poboljšalo jedan pokazatelj, ali povećalo kasnije troškove. Zato brzina nije samostalan dokaz uspjeha.

U analizi automatizacije korisno je razlikovati najmanje tri vremenska pokazatelja: vrijeme aktivnog rada, ukupno vrijeme ciklusa i vrijeme do poslovnog ishoda. Prvi pokazuje koliko je rada potrebno za pojedinačnu aktivnost. Drugi pokazuje trajanje procesa od početka do kraja. Treći pokazuje kada poduzeće može koristiti rezultat, primjerice kada je narudžba potvrđena, račun obrađen ili odluka donesena. Dostavljeni izvori opravdavaju takvo procesno razlikovanje, ali ne daju jednu univerzalnu formulu kojom bi se svi vremenski učinci pretvorili u financijski povrat.

Vrijeme aktivnog rada može se smanjiti zato što softver obavlja dio koraka brže od čovjeka. Ukupno vrijeme ciklusa ipak može ostati isto ako se između aktivnosti nalaze čekanja ili ako završna odluka nije automatizirana. Vrijeme do poslovnog ishoda može biti još drukčije ako se rezultat mora dodatno provjeriti ili odobriti. Razdvajanje tih pokazatelja sprječava da se poboljšanje jednog vremena pogrešno prikaže kao poboljšanje cijelog procesa.

Brzina može biti važna i za konkurentnost, ali taj zaključak treba ostati ograničen. Iz dostupnih izvora može se reći da automatizacija ima potencijal smanjiti trajanje standardiziranih procesa. Ne može se bez dodatnih podataka tvrditi da će svako poduzeće zbog toga povećati prihod, tržišni udio ili profit. Učinak ovisi o potražnji, kvaliteti rezultata, organizaciji i sposobnosti poduzeća da koristi oslobođeni kapacitet.

Ako je potražnja ograničena, veći kapacitet obrade ne mora proizvesti veći output. Ako je potražnja veća od kapaciteta, brži proces može omogućiti obradu većeg broja zahtjeva, ali i tada kvaliteta i troškovi ostaju relevantni. Automatizacija može ubrzati obradu, ali ne određuje sama po sebi koliko će se rezultat koristiti. Odluka o tome hoće li se povećati output, skratiti rok ili smanjiti opterećenje zaposlenika pripada organizacijskom i poslovnom području.

Brzina ima i vremensku dimenziju. Neki procesi donose vrijednost tek kada se više koraka dovrši, pa ubrzanje početne aktivnosti možda neće imati vidljiv učinak ako završni korak ostane ograničenje. U takvim situacijama usko grlo određuje ukupni učinak. Procesni pristup zato traži promatranje cijelog toka, a ne samo mjesta na kojem je uveden automatizirani alat.

Usporedba prije i poslije implementacije treba uključiti i način na koji se mjeri početno stanje. Ako se prije automatizacije bilježi samo aktivno vrijeme, a poslije ukupno vrijeme, rezultati nisu usporedivi. Isto vrijedi za pogreške i kvalitetu: različiti kriteriji kontrole mogu stvoriti privid promjene. Mjerenje brzine zato ne zahtijeva samo podatak o trajanju, nego i stabilnu definiciju početka, završetka i ishoda procesa.

4. Smanjenje pogrešaka

Ljudske pogreške u poslovnim procesima mogu nastati zbog ručnog prepisivanja, ponavljanja istih radnji, nepotpunih podataka ili neujednačene primjene pravila. Automatizirane kontrole mogu dio takvih pogrešaka smanjiti tako što se isti uvjeti primjenjuju na standardiziran način. Ekonomska vrijednost smanjenja pogrešaka ne sastoji se samo u uštedi vremena za ispravak. Pogreška može zahtijevati dodatnu provjeru, novu komunikaciju s korisnikom ili ponavljanje već obavljenog rada.

Ipak, automatizacija ne uklanja problem kvalitete. Ona mijenja mjesto na kojem se pogreška može pojaviti. Ako je pravilo pogrešno, automatizirani sustav može isto pravilo primijeniti mnogo puta. Ako su podaci nepotpuni, sustav može brzo proizvesti rezultate koji zahtijevaju naknadnu ručnu obradu. Zato se kvaliteta automatizacije mora procjenjivati kroz cijeli proces, a ne samo prema tome obavlja li softver korake bez ljudske intervencije.

RPA je najprikladniji za strukturirane aktivnosti i postojeće aplikacije, ali je njegova učinkovitost povezana s uvjetima u kojima proces funkcionira. Promjena korisničkog sučelja, iznimka u podacima ili nestabilna veza između sustava može promijeniti ponašanje robota. Pregledi RPA literature naglašavaju da pitanja upravljanja, spremnosti organizacije i životnog ciklusa automatizacije ostaju važna za ekonomski učinak (Syed et al., 2020).

Smanjenje pogrešaka treba mjeriti prije i nakon implementacije. Pri tome nije dovoljno brojati samo pogreške koje je napravio čovjek. Treba razlikovati pogreške u unosu, pogreške u pravilima, pogreške u prijenosu podataka i pogreške koje nastaju zbog neprepoznatih iznimki. Svaka od tih kategorija ima drukčiji trošak i zahtijeva drukčiju kontrolu. Dostavljeni izvori podupiru potrebu za procesnim i organizacijskim pristupom, ali ne daju usporedive novčane vrijednosti za sve kategorije pogrešaka.

Razlikovanje vrsta pogrešaka važno je zato što se ne mogu sve smanjiti istim sredstvom. Automatizirano pravilo može smanjiti pogreške prepisivanja, ali neće nužno riješiti nejasan ulazni zahtjev. Bolja provjera podataka može smanjiti pogreške prijenosa, ali neće nužno riješiti pogrešno postavljen kriterij. Ako se sve pogreške prikazuju kao jedna ukupna stopa, gubi se informacija o tome koji je dio procesa stvarno poboljšan.

Automatizirane kontrole mogu smanjiti potrebu za rutinskim provjerama, ali ljudski nadzor ostaje važan kada proces uključuje procjenu konteksta ili iznimke. To je osobito vidljivo kod kognitivne automatizacije, gdje sustav može klasificirati ili predložiti rezultat, ali se kvaliteta ne može svesti na pravilno izvršavanje unaprijed definiranog pravila. Kod takvih sustava kontrola se pomiče s provjere svakog ručnog koraka prema provjeri podataka, modela, izlaza i kriterija za intervenciju.

Ekonomski učinak smanjenja pogrešaka ovisi i o tome koliko se pogreške otkrivaju rano. Pogreška koja se otkrije u istom koraku može zahtijevati malu korekciju, dok pogreška koja prođe kroz više faza može zahtijevati ponavljanje većeg dijela procesa. Automatizacija može ubrzati otkrivanje ako ima ugrađene kontrole, ali može i proširiti pogrešku ako se neispravno pravilo primjenjuje na veći broj slučajeva. Zato broj obrađenih jedinica treba promatrati zajedno s načinom nadzora.

Ekonomsku vrijednost smanjenja pogrešaka zato treba povezati s ukupnim troškom kontrole. Ako se pogreške smanjuju, ali se uvode složeni postupci nadzora koji zahtijevaju mnogo dodatnog rada, neto učinak može biti manji od očekivanog. S druge strane, kvalitetniji i stabilniji rezultat može imati vrijednost koja se ne vidi samo u trošku rada. DeLone i McLean naglašavaju da se uspjeh informacijskog sustava treba promatrati kroz više dimenzija, uključujući kvalitetu sustava, kvalitetu informacija, korištenje, zadovoljstvo i organizacijske učinke (DeLone i McLean, 2003).

Kvaliteta podataka posebno je važna jer automatizacija najčešće obrađuje ono što joj je dostavljeno. Ako su podaci nepotpuni, nedosljedni ili uneseni u različitim oblicima, automatizirani tok može često proizvoditi iznimke. U takvom slučaju problem nije nužno u tome što sustav ne izvršava zadatak, nego u tome što ulaz nije dovoljno stabilan da bi se zadatak izvodio bez dodatne procjene. Uvođenje automatizacije tada može razotkriti postojeći problem kvalitete podataka, ali ga samo po sebi ne mora riješiti.

Pogreške se mogu pojaviti i zbog promjene procesa nakon implementacije. Zaposlenici mogu početi zaobilaziti automatizirani tok, ručno popravljati izlaze ili koristiti dodatne evidencije. Takva ponašanja mogu nastati ako sustav ne obuhvaća sve slučajeve ili ako korisnici ne razumiju kriterije za intervenciju. Procjena kvalitete zato treba uključiti i stvarno korištenje sustava, a ne samo tehničku činjenicu da je automatizirani tok postavljen.

Kod kognitivne automatizacije dodatna je poteškoća to što izlaz može izgledati prihvatljivo, ali zahtijevati kontekstualnu provjeru. To mijenja prirodu kontrole: više se ne provjerava samo je li pravilo izvršeno, nego i je li rezultat smislen, potpun i primjeren slučaju. Trošak takve provjere treba uključiti u procjenu ekonomskog učinka, osobito ako se broj generiranih ili klasificiranih rezultata povećava.

5. Skalabilnost poslovanja

Skalabilnost se u kontekstu automatizacije odnosi na mogućnost povećanja obujma poslovanja bez proporcionalnog povećanja svih inputa. Softverska automatizacija posebno je zanimljiva u procesima koji se ponavljaju, jer jednom dizajniran tok može obraditi veći broj sličnih zahtjeva. Međutim, sama mogućnost ponavljanja nije dovoljna za zaključak da je poduzeće postalo produktivnije.

Skalabilnost ovisi o tome je li proces standardiziran. Ako se svaki predmet razlikuje, ako podaci ulaze u različitim formatima ili ako odluka zahtijeva široku interpretaciju, automatizirani tok može često zaustavljati rad i slati iznimke ljudima. Tada se povećanjem obujma može povećavati i opterećenje kontrole. Pregledi RPA literature zato naglašavaju važnost spremnosti procesa i upravljanja životnim ciklusom botova (Hofmann et al., 2020; Syed et al., 2020).

Povećanje obujma poslovanja također može zahtijevati organizacijske promjene. Potrebno je odrediti tko nadzire automatizirani proces, tko rješava iznimke, tko održava pravila i tko odgovara za kvalitetu rezultata. Ako te odgovornosti nisu jasne, skalabilnost može povećati operativni rizik. Automatizirani sustav tada obrađuje više transakcija, ali poduzeće istodobno dobiva veći broj potencijalno neotkrivenih problema.

Za procjenu skalabilnosti treba promatrati obujam outputa, broj zaposlenih uključenih u proces, vrijeme obrade, stopu iznimki i trošak po obrađenoj jedinici. Trošak po jedinici može se smanjiti ako se output povećava brže od ukupnih troškova. No, u dosjeu nema dovoljno usporedivih kvantitativnih podataka koji bi omogućili opću tvrdnju o veličini takvog učinka u različitim RPA-projektima.

Skalabilnost se razlikuje od zamjene rada. Poduzeće može obrađivati veći obujam uz isti broj zaposlenih, ali zaposleni mogu promijeniti sadržaj rada. Mogu nadzirati automatizirane procese, rješavati iznimke, poboljšavati podatke ili raditi s korisnicima. Literatura o automatizaciji rada upozorava da se učinci moraju analizirati kroz promjenu zadataka, a ne samo kroz pitanje raste li ili pada broj radnih mjesta (Acemoglu i Restrepo, 2019).

Skalabilnost uključuje i sposobnost sustava da zadrži prihvatljivu kvalitetu kada se povećava broj slučajeva. Ako se pri većem obujmu povećava stopa iznimki, ručnih intervencija ili pogrešaka, nominalni rast outputa može skrivati rast troškova. U tom slučaju automatizirani proces može biti tehnički sposoban obraditi više slučajeva, ali ekonomski učinak ne mora biti bolji. Mjerenje skalabilnosti zato treba uključiti odnos između obujma i opterećenja kontrole.

Povećanje obujma može promijeniti i prirodu problema. Kod manjeg broja transakcija zaposlenici mogu ručno rješavati pojedinačne iznimke. Kada se broj slučajeva poveća, isti način rada može postati ograničenje. Automatizacija može pomoći u standardnom dijelu procesa, ali sposobnost organizacije da rješava iznimke tada postaje jednako važna. Ako je svaki dodatni slučaj povezan s dodatnim ručnim radom, skalabilnost ostaje ograničena.

Trošak po jedinici nije uvijek dovoljan za procjenu skalabilnosti. Prosječni trošak može se smanjiti, a da se povećaju troškovi održavanja, nadzora ili ispravljanja. Zbog toga je korisno promatrati i fiksne i promjenjive dijelove troška, ali dostavljena literatura ne daje jedinstven okvir za njihovu usporedbu u svim projektima. U radu se stoga može govoriti o kategorijama troškova i pokazateljima, ali ne o univerzalnoj procjeni.

Skalabilnost može biti ograničena i međuovisnošću sustava. Ako se automatizirani tok oslanja na više aplikacija, povećanje broja slučajeva može povećati pritisak na sve povezane dijelove procesa. Stabilnost jednog sustava nije dovoljna ako drugi sustav usporava obradu ili proizvodi neujednačene podatke. RPA može izvršavati ponavljajuće korake, ali njegova stvarna skalabilnost ovisi o cijeloj procesnoj okolini.

Kada se proces širi na više odjela, pojavljuje se i problem standardizacije odgovornosti. Različiti odjeli mogu iste iznimke tumačiti na različite načine ili koristiti različite kriterije za kontrolu. Automatizacija može povećati broj obrađenih predmeta, ali bez zajedničkih pravila može istodobno povećati neujednačenost. Učinak se zato ne može odvojiti od upravljačke sposobnosti organizacije.

Skalabilnost je zato ekonomska mogućnost, a ne automatski rezultat. Ona je najvjerojatnija kada su procesi standardizirani, podaci dostupni, sustavi dovoljno stabilni i organizacija sposobna upravljati iznimkama. Ako se automatizira loše dizajniran proces, povećanje obujma može samo proširiti neučinkovitost. Automatizirati zadatak nije isto što i poboljšati proces, a povećati broj obrađenih predmeta nije isto što i povećati vrijednost za poduzeće.

6. AI i kognitivna automatizacija

RPA i klasična automatizacija uglavnom se oslanjaju na unaprijed definirana pravila i strukturirane korake. Kognitivna automatizacija proširuje područje primjene na aktivnosti koje uključuju klasifikaciju, predviđanje, interpretaciju ili stvaranje sadržaja. OECD-ov pregled umjetne inteligencije naglašava da AI ima potencijal djelovati kao tehnologija opće namjene, ali da učinak ovisi o podacima, vještinama, organizaciji, komplementarnim ulaganjima i institucionalnom okruženju (Filippucci et al., 2024).

Razlika između RPA-a i generativne umjetne inteligencije važna je zbog mjerenja. RPA izvršava strukturirane aktivnosti kroz postojeće aplikacije, dok generativna AI može pomoći u pisanju, klasifikaciji ili oblikovanju odgovora. To ne znači da generativna AI automatski zamjenjuje RPA. Riječ je o različitim tehnologijama koje se mogu primjenjivati na različite vrste zadataka.

RPA se može opisati kao tehnologija koja slijedi unaprijed određen tok, dok generativna AI daje izlaz koji zahtijeva procjenu njegove prikladnosti. Ta razlika mijenja način mjerenja produktivnosti. Kod RPA-a može se pratiti broj uspješno izvršenih koraka, vrijeme procesa i stopa iznimki. Kod generativne AI treba dodatno razmotriti kvalitetu prijedloga, potrebu za ljudskom provjerom, uporabu izlaza i posljedice pogrešnog rezultata. Mjera outputa ne može biti ista za oba slučaja.

Eksperiment Noya i Zhang pokazao je da pristup generativnoj umjetnoj inteligenciji može smanjiti vrijeme izvršavanja i povećati procijenjenu kvalitetu promatranih profesionalnih pisanih zadataka (Noy i Zhang, 2023). Međutim, poboljšanje vremena ili kvalitete zadatka u eksperimentu ne predstavlja samo po sebi dokaz većeg profita poduzeća. Eksperiment se odnosi na zadatak, dok profit poduzeća ovisi o tome kako se rezultat zadatka uklapa u širi proces, koliko košta tehnologija, kakva je kvaliteta izlaza i kako se rezultat koristi.

Nalaz eksperimenta ima vrijednost jer pokazuje mogući učinak na neposrednoj radnoj aktivnosti. On ipak ne odgovara samostalno na pitanja o trajnosti, organizacijskom prihvaćanju ili ukupnom ekonomskom rezultatu. Ako se zadatak brže izvršava, potrebno je utvrditi povećava li se zbog toga broj dovršenih predmeta ili se vrijeme koristi za dodatnu provjeru. Ako se procijenjena kvaliteta povećava, potrebno je utvrditi kako se kvaliteta definira i kako se prenosi na stvarni poslovni output.

Studija Brynjolfssona, Li i Raymonda o korisničkoj podršci promatra pomoć generativne AI na razini radnog mjesta. U toj je studiji produktivnost mjerena brojem riješenih korisničkih problema po satu, a učinci su bili heterogeni među radnicima. Veće koristi za manje iskusne ili niže rangirane radnike mogu značiti da AI pomaže širenju praksi koje su ranije imali produktivniji radnici, ali nalaz se odnosi na jednu tvrtku, jednu vrstu alata i jednu profesiju (Brynjolfsson, Li i Raymond, 2025).

Heterogenost učinka znači da prosječni rezultat ne opisuje nužno sve korisnike. Ako različite skupine radnika ostvaruju različite koristi, tada prosjek može skrivati način na koji tehnologija mijenja raspodjelu produktivnosti unutar organizacije. To je važno i za organizacijski dizajn: poduzeće mora odlučiti hoće li tehnologiju koristiti za povećanje outputa, ujednačavanje rada, podršku manje iskusnim radnicima ili preraspodjelu zadataka. Sam nalaz o prosječnoj produktivnosti ne određuje tu odluku.

Kognitivna automatizacija uvodi potrebu za ljudskim nadgledanjem jer izlaz sustava nije samo izvršenje pravila. Potrebno je procijeniti je li klasifikacija ispravna, je li predloženi tekst prikladan, jesu li podaci dovoljno kvalitetni i kada čovjek treba preuzeti slučaj. U tom se smislu kontrola ne uklanja, nego mijenja. Dio rada prelazi s izravnog izvršavanja na provjeru, korekciju i upravljanje iznimkama.

Ljudsko nadgledanje može imati različite oblike. Može uključivati provjeru svakog rezultata, provjeru uzorka, postavljanje kriterija za automatsko prihvaćanje ili intervenciju samo u nejasnim slučajevima. U dostupnom dosjeu nema univerzalnog pravila koje bi odredilo koji je oblik nadzora primjeren svim procesima. Zato se trošak nadgledanja mora uključiti u konkretno mjerenje projekta, a ne unaprijed zanemariti kao sporedna aktivnost.

Ograničenje generalizacije posebno je važno. Rezultat u pisanju ne može se automatski prenijeti na proizvodnju, nabavu ili financijske odluke. Rezultat u korisničkoj podršci ne može se automatski prenijeti na sva radna mjesta. Isto tako, učinak na zadatak ne može se automatski prenijeti na ukupnu produktivnost poduzeća. Nalazi se mogu uspoređivati kao učinci na različitim razinama: eksperimentalni i radni zadaci nasuprot implementaciji na razini poduzeća.

Noviji europski rad o usvajanju AI-ja povezuje AI s približno četiripostotnim rastom razine produktivnosti rada, bez negativnog kratkoročnog učinka na zaposlenost, ali uz veće koristi za srednja i velika poduzeća (Aldasoro et al., 2026). Taj je nalaz važan za raspravu o heterogenosti učinaka, ali ne uklanja ograničenja vezana uz uzročnost, dugoročne učinke i različite mogućnosti poduzeća.

Nalaz o europskim poduzećima promatra širu razinu od eksperimenta ili pojedinačnog radnog mjesta, ali ni on ne rješava sva pitanja prijenosa na različite sektore i tehnologije. Razlike među poduzećima mogu biti povezane s veličinom, dostupnim kapitalom, upravljačkim praksama, podacima i sposobnošću organizacije da uvede komplementarne promjene. Veća korist za određene skupine poduzeća ne znači da je tehnologija sama po sebi proizvela jednak rezultat u svim organizacijama.

AI može promijeniti i granicu između rutinskih i nerutinskih aktivnosti. Aktivnost koja je ranije zahtijevala ljudsku procjenu može dobiti tehnološku podršku, ali to ne znači da je cijeli proces automatiziran. Dio rada može se premjestiti na pripremu podataka, formuliranje zahtjeva, provjeru izlaza i rješavanje slučajeva koji nisu obuhvaćeni uobičajenim obrascem. Takva preraspodjela može povećati produktivnost, ali samo ako se novi zadaci mogu organizirati i mjeriti.

Konačno, AI treba analizirati kao tehnologiju čiji učinak ovisi o komplementarnim ulaganjima. Podaci, vještine, procesi, upravljanje i ljudska kontrola nisu dodatne pojedinosti nakon implementacije, nego uvjeti u kojima se tehnologija koristi. Dostavljeni izvori podupiru takav oprezan zaključak, ali ne daju jednu univerzalnu shemu kojom bi se za svako poduzeće mogla predvidjeti veličina učinka.

7. Komplementarnost rada, tehnologije i organizacije

Automatizacija se često prikazuje kao zamjena za ljudski rad, ali ekonomski učinak tehnologije može nastati i kroz komplementarnost. Tehnologija je komplementarna radu kada povećava učinak zaposlenika ili mu omogućuje da obavlja složenije aktivnosti. To se razlikuje od situacije u kojoj kapital preuzima zadatak koji je ranije obavljao rad.

Acemoglu i Restrepo razlikuju učinak istiskivanja i učinak stvaranja novih zadataka. Automatizacija može preuzeti postojeće zadatke, ali tehnološka promjena može istodobno stvoriti nove aktivnosti u kojima ljudski rad ponovno ima važnu ulogu (Acemoglu i Restrepo, 2019). Učinak stvaranja novih zadataka može ublažiti učinak automatizacije, ali taj izvor ne utvrđuje da se novi zadaci stvaraju sporije od automatiziranih.

Ovo razlikovanje pomaže objasniti zašto promjena broja automatiziranih aktivnosti nije dovoljna za zaključak o promjeni zaposlenosti ili produktivnosti. Ako tehnologija preuzme jedan zadatak, zaposleni mogu dobiti nove zadatke povezane s nadzorom, interpretacijom, komunikacijom ili poboljšanjem procesa. Ako se novi zadaci ne organiziraju, oslobođeni kapacitet možda neće biti pretvoren u veći output. Učinak automatizacije zato može ovisiti o tome kako se rad preoblikuje nakon tehnološke promjene.

Studija o industrijskim robotima povezuje veću uporabu robota s rastom produktivnosti rada i ukupne faktorske produktivnosti, bez značajnog smanjenja ukupne zaposlenosti, ali uz pad udjela zaposlenosti niskokvalificiranih radnika (Graetz i Michaels, 2018). Nalazi se odnose na industrijske robote i promatrano razdoblje, pa ih nije moguće bez dodatne provjere prenijeti na RPA ili generativnu AI.

Razlika između industrijskih robota, RPA-a i generativne AI nije samo tehnološka. Te tehnologije preuzimaju različite vrste zadataka, koriste različite ulaze i stvaraju različite oblike outputa. Industrijski robot može djelovati u fizičkom procesu, RPA u strukturiranom digitalnom toku, a generativna AI u aktivnosti koja uključuje jezik ili klasifikaciju. Nalaz na jednoj razini ne može se bez dodatne provjere koristiti kao opći dokaz za druge tehnologije.

Komplementarnost ovisi o organizaciji rada. Bresnahan, Brynjolfsson i Hitt povezuju IT, organizaciju radnog mjesta, nove proizvode i potražnju za vještinama. Zaključak nije da svaka tehnologija automatski povećava potražnju za vještinama, nego da se učinak IT-a mijenja kada se tehnologija kombinira s organizacijskim ulaganjima i novim proizvodima ili uslugama (Bresnahan, Brynjolfsson i Hitt, 2002).

Upravljačke prakse također su važne. Bloom, Sadun i Van Reenen pokazuju da se razlike u učinku IT-a među poduzećima povezuju s kvalitetom upravljačkih praksi, osobito praksama upravljanja ljudima (Bloom, Sadun i Van Reenen, 2012). To znači da ista tehnologija ne mora dati isti rezultat poduzećima koja imaju različite sposobnosti upravljanja, organizacije i razvoja zaposlenika.

Tehnologija se zato ne smije analizirati odvojeno od upravljačkih i organizacijskih praksi. To nije tvrdnja da je reorganizacija uvijek dovoljan ili jedini uzrok većeg učinka. Dostavljena literatura uglavnom govori o povezanosti tehnologije, organizacijskih promjena, vještina i poslovnih rezultata. Učinak ne treba predstavljati kao jednostavan i univerzalan kauzalni mehanizam.

Komplementarnost također znači da automatizacija može promijeniti sadržaj rada. Zaposleni mogu manje vremena trošiti na unos i provjeru podataka, a više na rješavanje iznimki, komunikaciju, procjenu kvalitete i upravljanje procesom. Takva promjena može povećati produktivnost rada, ali zahtijeva edukaciju i prilagodbu organizacije. Ako zaposlenici ne razumiju novi sustav ili nemaju mogućnost koristiti oslobođeni kapacitet, tehnološko ulaganje neće nužno proizvesti očekivani rezultat.

Regionalni i sektorski kontekst također treba uključiti u interpretaciju učinka. Studija o bankama u Bosni i Hercegovini pokazuje da regionalna digitalizacija može biti povezana sa sektorskom spremnošću i organizacijom, ali regionalni i sektorski obuhvat ograničava generalizaciju na sva poduzeća (Abdić et al., 2025). Regionalni rad o digitalnoj transformaciji i optimizaciji procesa pruža konceptualni i organizacijski okvir, ali ne daje opću kauzalnu procjenu učinka (Lozić, Fotova Čiković i Lozić, 2024).

Regionalni nalazi stoga mogu pokazati kako se digitalizacija razmatra u određenom sektoru ili poslovnom okruženju, ali ne mogu sami po sebi potvrditi opći učinak automatizacije na sva poduzeća. Bankarski procesi mogu imati drukčije zahtjeve od proizvodnih, uslužnih ili administrativnih procesa. Slično tome, konceptualni okvir za optimizaciju procesa može pomoći u razvrstavanju organizacijskih uvjeta, ali ne daje izravnu brojčanu procjenu produktivnosti.

Regionalni kontekst važan je i zbog različitih razina digitalne spremnosti. Poduzeća ne počinju iz iste pozicije: razlikuju se po dostupnosti podataka, postojećim sustavima, vještinama i organizacijskim praksama. Ako se rezultat automatizacije promatra bez tih razlika, može se pogrešno zaključiti da tehnologija ima isti učinak u svim okolnostima. Dostavljeni regionalni izvori zato služe kao ograničeni kontekst, a ne kao univerzalna potvrda.

Komplementarnost uključuje i mogućnost da tehnologija poveća razlike među poduzećima. Organizacija koja ima stabilne procese, kvalitetne podatke i sposobnost upravljanja može bolje iskoristiti isti alat od organizacije koja te uvjete nema. To ne znači da su upravljačke prakse jedini uzrok razlike, nego da se tehnološki učinak oblikuje u kombinaciji s organizacijskim sposobnostima. Takav zaključak u skladu je s nalazima o povezanosti IT-a i upravljačkih praksi (Bloom, Sadun i Van Reenen, 2012).

Dodatni element komplementarnosti jest mogućnost stvaranja novih proizvoda ili usluga. Bresnahan, Brynjolfsson i Hitt povezuju IT s organizacijom radnog mjesta i potražnjom za vještinama, ali njihov nalaz ne znači da svako tehnološko ulaganje automatski stvara novi proizvod. Za procjenu poduzeća potrebno je razlikovati situaciju u kojoj tehnologija samo ubrzava postojeći proces od situacije u kojoj mijenja sadržaj ponude. Obje promjene mogu biti važne, ali ih ne treba svoditi na isti pokazatelj.

8. Trošak implementacije i redizajn poslovnih procesa

Trošak automatizacije nije jednak cijeni licence ili razvoja softvera. U ukupni projekt ulaze razvoj, infrastruktura, integracija, edukacija, promjena organizacije, redizajn procesa, održavanje i upravljanje rizikom. U dostavljenoj literaturi postoje izvori koji te kategorije prepoznaju, ali nema dovoljno usporedivih kvantitativnih podataka o stvarnim iznosima za različite projekte.

Prvi trošak odnosi se na tehnološku izgradnju. Poduzeće mora odabrati alat, osigurati infrastrukturu i definirati način povezivanja sa sustavima. Kod RPA-a prednost može biti korištenje postojećih aplikacija, ali to ne znači da integracija nema troškove. Softverski robot može ovisiti o korisničkom sučelju, strukturi podataka i stabilnosti sustava. Ako se ti elementi promijene, potrebno je prilagoditi automatizirani tok.

Druga skupina troškova odnosi se na procese. Prije automatizacije potrebno je identificirati što se zapravo događa u procesu, gdje nastaju čekanja i koje se aktivnosti ponavljaju. BPM pristup, odnosno pristup upravljanja poslovnim procesima, naglašava identifikaciju, modeliranje, analizu, redizajn, implementaciju i praćenje procesa (Dumas et al., 2018). To znači da automatizacija nije samo tehnička instalacija, nego i upravljački projekt.

Treća skupina troškova povezana je s ljudima. Zaposlenici moraju razumjeti nove sustave, postupke i odgovornosti. Edukacija nije jednokratan trošak ako se procesi nastavljaju mijenjati. Potrebno je i odrediti tko nadzire automatizaciju, tko rješava iznimke i tko odgovara za kvalitetu rezultata.

Četvrta skupina odnosi se na održavanje. RPA botovi, podatkovni tokovi i AI modeli ovise o sustavima s kojima su povezani. Ako se promijene obrasci, aplikacije ili pravila, automatizacija može prestati funkcionirati na očekivan način. Pregledi RPA literature zato ističu potrebu za upravljanjem životnim ciklusom botova i organizacijskom spremnošću (Syed et al., 2020).

Trošak rizika također treba uključiti u procjenu. Automatizirani proces može biti brz, ali ranjiv na pogrešku koja se ponavlja kroz velik broj transakcija. Kognitivni sustavi mogu proizvesti sadržaj ili klasifikaciju koju treba provjeriti. Ako se ne predvidi ljudska kontrola, mogu se povećati troškovi naknadnog ispravljanja.

Redizajn procesa može biti važniji od same tehnologije. Ako se automatizira loše dizajniran proces, može se samo ubrzati postojeća neučinkovitost. U tom smislu tehnologija i reorganizacija nisu dvije potpuno odvojene investicije. Organizacijske promjene, podaci, softver, vještine i procesi mogu se promatrati kao komplementarna ulaganja (Brynjolfsson i Hitt, 2000; Brynjolfsson, Rock i Syverson, 2021).

U slučaju OpusCapita ROI se razmatra kao dio poslovnog slučaja za automatizaciju, a ne kao univerzalna formula za sve projekte automatizacije (Asatiani i Penttinen, 2016). Zato se u ovom radu ne uvodi jedinstvena formula koja bi svim projektima dodijelila isti način izračuna. Moguće je govoriti o kategorijama troškova i koristima koje treba pratiti, ali ne i tvrditi da dostavljena literatura daje standardni, univerzalni obračun.

Trošak integracije može nastati i kada se postojeće aplikacije ne mijenjaju. RPA koji radi preko sučelja može biti povezan s promjenama obrazaca, prava pristupa i načina prijave. Ako se automatizirani tok oslanja na više sustava, svaka promjena u jednom dijelu može zahtijevati prilagodbu cijelog toka. To ne znači da je RPA neisplativ, nego da tehnološka jednostavnost na razini pojedinačnog koraka ne jamči niske ukupne troškove.

Redizajn procesa zahtijeva i izbor opsega promjene. Poduzeće može automatizirati postojeći tok uz minimalne promjene ili najprije mijenjati tok pa tek onda uvesti automatizaciju. U prvom slučaju projekt može biti brži, ali može zadržati nepotrebne korake. U drugom slučaju početni troškovi mogu biti veći, ali se proces može bolje uskladiti s ciljem automatizacije. Dostavljeni izvori podupiru potrebu da se proces promatra kao cjelina, ali ne određuju univerzalni redoslijed za sve projekte.

Trošak edukacije također nije samo trošak uvođenja. Ako se promijene odgovornosti, zaposlenici moraju znati kada koristiti automatizirani tok, kada intervenirati i kako prijaviti problem. Kod kognitivne automatizacije potrebno je razumjeti i ograničenja izlaza sustava. Bez takvog razumijevanja korisnici mogu previše vjerovati sustavu ili ga zaobilaziti, što mijenja očekivani učinak.

Održavanje uključuje tehničke i organizacijske aktivnosti. Potrebno je pratiti rade li botovi, mijenjaju li se ulazni podaci, pojavljuju li se nove iznimke i odgovara li proces i dalje poslovnoj potrebi. Kod AI-ja treba pratiti i kvalitetu izlaza te potrebu za ljudskom provjerom. Ako se održavanje izostavi iz procjene, početna korist može izgledati veća nego što je stvarni dugoročniji učinak.

Trošak prekida rada i prijelaza također može biti relevantan, ali dostavljeni dosje ne daje dovoljno usporedivih podataka za njegovu kvantifikaciju. Uvođenje novog toka može zahtijevati paralelno funkcioniranje starog i novog postupka ili privremeni dodatni rad. Takvi troškovi ne znače nužno da projekt nije uspješan, ali moraju biti uključeni kada se uspoređuju ulaganje i korist.

Metodološki je važno razlikovati očekivani poslovni slučaj od ostvarenog rezultata. Prije implementacije može se procijeniti koliko se vremena potencijalno oslobađa, ali nakon implementacije treba utvrditi što se stvarno dogodilo s outputom, kvalitetom, troškovima i radnim zadacima. Očekivanje nije mjerenje. U dostupnoj literaturi nema univerzalnog obrasca koji bi uklonio potrebu za takvim praćenjem.

9. Paradoks produktivnosti i vremenski odmak

Paradoks produktivnosti označava nesklad između ulaganja u informacijsku tehnologiju i neposredno vidljivog rasta produktivnosti. Brynjolfsson navodi više mogućih objašnjenja: pogreške mjerenja, vremenske odgode, preraspodjelu koristi i loše upravljanje tehnologijom (Brynjolfsson, 1993). Nijedno od tih objašnjenja samo po sebi ne mora biti dovoljno za svaki slučaj.

Jedan je problem mjerenje outputa. Digitalna tehnologija može promijeniti kvalitetu usluge, dostupnost informacija ili korisničko iskustvo, a takve promjene ne moraju biti potpuno vidljive u standardnim pokazateljima. OECD-ov priručnik upozorava da interpretacija produktivnosti ovisi o načinu definiranja outputa i inputa (OECD, 2001). Ako se koristi tehnologije ne mjere dobro, stvarni učinak može biti podcijenjen ili pogrešno pripisan drugom čimbeniku.

Drugi je problem vremenski odmak. Nakon implementacije poduzeće može neko vrijeme učiti novi sustav, mijenjati odgovornosti, prilagođavati procese i graditi podatkovnu infrastrukturu. U tom razdoblju troškovi mogu rasti prije nego što se koristi pokažu u mjerama produktivnosti. Brynjolfsson i Hitt ističu da se vrijednost IT-a povezuje s organizacijskom transformacijom i nematerijalnim ulaganjima, a ne samo s nabavom tehnologije (Brynjolfsson i Hitt, 2000).

Model J-krivulje dodatno objašnjava mogućnost početno slabijeg izmjerenog učinka i kasnijeg rasta produktivnosti nakon komplementarnih nematerijalnih ulaganja. U modelu J-krivulje početno slabiji izmjereni učinak može prethoditi kasnijem rastu produktivnosti nakon komplementarnih nematerijalnih ulaganja, ali rezultati se temelje na modelu i američkim podacima (Brynjolfsson, Rock i Syverson, 2021). J-krivulju zato treba predstaviti kao jedno moguće objašnjenje vremenskog odmaka, a ne kao prognozu za svaki projekt automatizacije.

Početni slabiji rezultat ne treba odmah tumačiti kao dokaz konačnog neuspjeha, ali ni kao dokaz da će se korist kasnije sigurno pojaviti. Dostupni izvori ne daju opći kriterij poslovnog uspjeha svakog projekta. Za razdvajanje početnih troškova prilagodbe od trajnoga učinka automatizacije korisno je usporediti ishode kroz vrijeme.

Vremensko praćenje treba obuhvatiti više vrsta ishoda. Produktivnost rada može pokazati output po radniku, ali ne mora pokazati kvalitetu sustava. Trošak po transakciji može se smanjiti, ali se može povećati trošak održavanja. Vrijeme ciklusa može se skratiti, ali stopa pogrešaka može rasti. Zbog toga se paradoks produktivnosti ne rješava jednim pokazateljem.

Organizacijske promjene mogu biti nevidljive u kratkoročnim financijskim podacima. Poduzeće može ulagati u podatke, edukaciju, redizajn procesa i upravljanje prije nego što se promjena prikaže u agregiranoj produktivnosti. To objašnjava zašto tehnološka investicija sama po sebi nije dovoljan dokaz povećanja produktivnosti. Učinak treba promatrati kao proces koji uključuje tehnologiju i komplementarne promjene.

Vremenski odmak može se pojaviti na više razina. Na razini zadatka zaposlenik može brzo naučiti koristiti novi alat, ali na razini procesa treba vremena za prilagodbu odgovornosti i pravila. Na razini poduzeća mogu biti potrebne promjene proizvoda, organizacije i načina upravljanja. Zato se isti projekt može činiti uspješnim na razini pojedinačne aktivnosti, a neodređenim na razini ukupne produktivnosti.

Početni troškovi mogu uključivati paralelno funkcioniranje starog i novog sustava, dodatnu kontrolu i privremenu edukaciju. Ti troškovi mogu biti vidljivi odmah, dok se koristi pojavljuju tek nakon prilagodbe procesa. Međutim, nije dopušteno svaki početni trošak tumačiti kao ulaganje koje će sigurno dovesti do kasnijeg rasta. J-krivulja je moguće objašnjenje, ne jamstvo.

Za usporedbu kroz vrijeme potrebno je zadržati stabilne definicije pokazatelja. Ako se nakon implementacije promijeni način računanja outputa ili se iz mjerenja izuzmu određeni slučajevi, razlika može odražavati promjenu mjerenja, a ne promjenu produktivnosti. OECD-ov naglasak na definiranju inputa i outputa zato je važan i za vremenske usporedbe (OECD, 2001).

Također treba razlikovati kratkoročni učinak na rad od dugoročnog učinka na organizaciju. Automatizacija može odmah smanjiti određenu ručnu aktivnost, dok se promjena u kvaliteti, kapacitetu ili strukturi rada vidi kasnije. Obrnuto, početna kvaliteta može biti dobra, ali održavanje i promjena sustava mogu kasnije povećati troškove. Nema razloga pretpostaviti da se svi učinci kreću u istom smjeru kroz sva razdoblja.

Dugoročni učinci generativne AI posebno ostaju ograničeni u dostavljenom dosjeu. Dostupni radovi pokrivaju pojedinačne zadatke, radna mjesta i novije podatke o europskim poduzećima, ali ne omogućuju opći zaključak o trajnosti učinka na ukupnu faktorsku produktivnost. Zbog toga se nalazi o AI-ju moraju prikazati s jasnim razlikovanjem između neposredne produktivnosti zadatka i održivog organizacijskog učinka.

10. Pokazatelji za procjenu ekonomskog učinka automatizacije

Procjena ekonomskog učinka automatizacije treba kombinirati pokazatelje produktivnosti, operativne pokazatelje procesa i podatke o svim relevantnim troškovima. Ne postoji jedna potvrđena formula koja bi istodobno obuhvatila uštede rada, povećanje outputa, smanjenje pogrešaka, skraćenje vremena ciklusa, troškove implementacije, edukaciju, održavanje i upravljanje rizikom.

Prva skupina pokazatelja odnosi se na produktivnost rada. Može se pratiti output po radniku ili output po satu rada. Takav pokazatelj pokazuje mijenja li se odnos outputa i rada, ali ne objašnjava sam po sebi je li promjena nastala zbog automatizacije. Potrebno je uzeti u obzir i kapital, organizaciju, kvalitetu podataka i promjene proizvoda ili usluge.

Druga skupina odnosi se na produktivnost kapitala i TFP. Automatizacija često povećava količinu kapitala, pa produktivnost rada može rasti bez usporednog povećanja produktivnosti kapitala. TFP može obuhvatiti dio učinka koji proizlazi iz kombinacije tehnologije, rada, organizacije i drugih inputa, ali njegova interpretacija ovisi o modelu i kvaliteti podataka (OECD, 2001).

Treća skupina pokazatelja odnosi se na proces. Vrijeme ciklusa pokazuje koliko traje proces od početka do završetka. Trošak po transakciji pokazuje koliko resursa zahtijeva obrada jedne jedinice outputa. Stopa pogrešaka pokazuje kvalitetu rezultata. Broj ručnih intervencija pokazuje koliko automatizirani proces stvarno funkcionira bez dodatnog rada. Stopa iznimki pokazuje koliko slučajeva izlazi iz predviđenog toka.

Četvrta skupina pokazatelja odnosi se na kvalitetu i korištenje sustava. DeLone i McLean predlažu višedimenzionalni pristup uspjehu informacijskih sustava koji uključuje kvalitetu sustava, kvalitetu informacija, korištenje, zadovoljstvo i organizacijske učinke (DeLone i McLean, 2003). U kontekstu automatizacije to znači da se ekonomski učinak ne treba mjeriti samo troškom rada. Sustav koji smanjuje vrijeme, ali ga korisnici ne prihvaćaju ili proizvodi nepouzdane podatke, ne može se jednostavno proglasiti uspješnim.

Peta skupina pokazatelja odnosi se na troškove. Potrebno je uključiti razvoj, licence, infrastrukturu, integraciju sa starim sustavima, edukaciju, redizajn, održavanje i kontrolu kvalitete. U slučaju AI-ja treba uzeti u obzir i trošak nadgledanja izlaza te postupke za rješavanje pogrešnih ili nejasnih rezultata. Ako se ti troškovi izostave, procjena ekonomskog učinka bit će nepotpuna.

Šesta skupina odnosi se na vrijeme. Kratkoročni i dugoročni učinak ne moraju biti isti. U modelu J-krivulje početni troškovi i nematerijalna ulaganja mogu prethoditi kasnijem rastu produktivnosti. Zato je korisno usporediti ishode kroz vrijeme, umjesto da se projekt procjenjuje samo na temelju prvog razdoblja nakon uvođenja.

Procjena treba početi jasnim određivanjem jedinice analize. Ako se mjeri zadatak, treba odrediti koji su ulaz, izlaz, vrijeme i kriterij kvalitete. Ako se mjeri proces, treba odrediti početak i završetak ciklusa, uključujući čekanja i ručne kontrole. Ako se mjeri poduzeće, treba obuhvatiti output, rad, kapital, troškove i organizacijske promjene. Bez takvog razgraničenja isti se rezultat može pogrešno prikazati kao dokaz na više razina.

Pokazatelje treba promatrati zajedno. Vrijeme ciklusa može se smanjiti, ali ako se stopa pogrešaka poveća, proces nije nužno poboljšan. Output po radniku može rasti, ali ako se poveća kapitalni trošak ili trošak održavanja, ukupni učinak može biti drukčiji. Broj obrađenih slučajeva može se povećati, ali ako se velik dio mora naknadno ručno popravljati, kapacitet nije jednak stvarno dovršenom outputu.

Posebno treba razlikovati broj izvršenih radnji od poslovnog ishoda. Automatizirani sustav može izvršiti velik broj tehničkih koraka, ali rezultat je relevantan tek ako je potpun, točan i upotrebljiv u sljedećoj fazi. Ova razlika povezuje pokazatelje procesa s pokazateljima kvalitete. DeLone i McLeanov višedimenzionalni pristup važan je upravo zato što ne svodi uspjeh informacijskog sustava na jedan tehnički pokazatelj (DeLone i McLean, 2003).

Broj ručnih intervencija može pokazati koliko automatizirani tok stvarno ovisi o ljudskom radu. Niska stopa intervencija može biti povoljna, ali samo ako sustav ne zaobilazi nužne kontrole. Visoka stopa intervencija može ukazivati na lošu standardizaciju procesa, neujednačene podatke ili ograničenu primjenjivost tehnologije. Taj pokazatelj zato ne treba tumačiti samostalno, nego zajedno s kvalitetom i vrstom intervencije.

Stopa iznimki također traži kvalitativno tumačenje. Nisu sve iznimke znak pogreške. Neke mogu predstavljati legitimne slučajeve koji zahtijevaju ljudsku procjenu. Problem nastaje ako se iznimke povećavaju zbog nepredviđenih ili loše definiranih ulaza, pa se automatizirani proces u praksi pretvara u dodatni sloj rada. Mjerenje treba razlikovati očekivane iznimke od onih koje nastaju zbog nestabilnosti sustava ili procesa.

Regionalni i sektorski kontekst treba uključiti u interpretaciju pokazatelja, ali ne kao zamjenu za mjerenje. Studija o bankama u Bosni i Hercegovini pokazuje da regionalna digitalizacija može biti povezana sa sektorskom spremnošću i organizacijom, ali regionalni i sektorski obuhvat ograničava generalizaciju na sva poduzeća (Abdić et al., 2025). Regionalni rad o digitalnoj transformaciji i optimizaciji procesa pruža konceptualni i organizacijski okvir, ali ne daje opću kauzalnu procjenu učinka (Lozić, Fotova Čiković i Lozić, 2024).

Regionalni kontekst može objasniti zašto isti pokazatelj ima različito značenje u različitim organizacijama. U jednoj sredini veći broj ručnih intervencija može biti očekivan zbog složenosti korisničkih slučajeva, dok u drugoj može upućivati na lošu integraciju. U jednom sektoru vrijeme procesa može biti ključno, dok u drugom kvaliteta i kontrola imaju veću težinu. Zato se pokazatelji moraju tumačiti u odnosu prema vrsti procesa i poslovnom okruženju.

Konačno, pokazatelji trebaju biti povezani s odlukom koju poduzeće želi donijeti. Ako je cilj smanjiti administrativno opterećenje, važno je pratiti vrijeme rada i raspodjelu zadataka. Ako je cilj povećati kapacitet, potrebno je pratiti output, vrijeme ciklusa i korištenje oslobođenog kapaciteta. Ako je cilj poboljšati kvalitetu, potrebno je pratiti vrste pogrešaka, ispravke i pouzdanost informacija. Jedan skup pokazatelja ne može jednako dobro odgovoriti na sva poslovna pitanja.

Zaključak procjene zato mora razlikovati tri pitanja. Prvo, poboljšava li tehnologija konkretan zadatak? Drugo, poboljšava li cijeli poslovni proces? Treće, povećava li poduzeće ukupnu produktivnost nakon svih troškova, organizacijskih promjena i vremenskih odgoda? Pozitivan odgovor na prvo pitanje ne jamči pozitivan odgovor na treće.

Zaključna procjena

Automatizacija poslovnih procesa nema jedinstven učinak. RPA, industrijski roboti, opći ICT i generativna umjetna inteligencija djeluju na različite zadatke, procese i razine organizacije. Industrijski roboti povezani su s rastom produktivnosti rada i ukupne faktorske produktivnosti u promatranim industrijskim podacima. Generativna AI može poboljšati vrijeme i kvalitetu određenih pisanih zadataka te povećati broj riješenih korisničkih problema po satu. Ti nalazi, međutim, ne znače automatski da svako poduzeće ostvaruje veći profit ili veću ukupnu faktorsku produktivnost.

Veći učinci tehnologije u promatranim izvorima povezani su s organizacijskim promjenama, upravljačkim praksama, vještinama, novim zadacima i nematerijalnim ulaganjima. To ne dopušta tvrdnju da je reorganizacija uvijek dovoljan ili jedini uzrok uspjeha, ali pokazuje da tehnološka investicija ne treba analizirati izolirano od procesa i organizacije.

Automatizacija rutinskog rada može smanjiti ručni unos, ubrzati strukturirane aktivnosti, smanjiti neke vrste pogrešaka i povećati kapacitet obrade. To su mogući ekonomski kanali koristi, a ne zajamčeni ishodi svakog projekta. Njihov učinak ovisi o kvaliteti procesa, integraciji sustava, održavanju, kontroli i načinu korištenja oslobođenog kapaciteta.

Troškovi implementacije obuhvaćaju više od tehnologije. Razvoj, licence, infrastruktura, integracija, edukacija, redizajn, održavanje i upravljanje rizikom moraju biti dio procjene. Dostavljena literatura ne daje dovoljno usporedivih kvantitativnih podataka o tim troškovima ni univerzalnu ROI-formulu. Zato se ekonomski učinak treba procjenjivati skupom pokazatelja, a ne jednom općom formulom.

Nalazi se razlikuju prema razini na kojoj su dobiveni. Učinak na zadatak može biti izravno izmjeren u eksperimentu. Učinak na radnom mjestu može se promatrati kroz broj riješenih problema ili output po satu. Učinak na poduzeće zahtijeva šire promatranje outputa, inputa, troškova, kvalitete i organizacije. Prelaženje s jedne razine na drugu mora biti ograničeno i ne treba se podrazumijevati.

Tehnološka implementacija sama po sebi nije dovoljna. Ekonomski rezultat ovisi o tome kako se tehnologija uklapa u poslovni proces, kako se mijenjaju zadaci i odgovornosti, kakve su upravljačke prakse, postoje li potrebne vještine i mogu li se učinci mjeriti kroz vrijeme. Najoprezniji zaključak jest da nalazi podupiru mogućnost da automatizacija pridonese većoj produktivnosti pod određenim organizacijskim i procesnim uvjetima, ali ne pokazuju da isti učinak nastaje u svim tehnologijama, poduzećima i razinama analize.

Literatura

Abdić, A., Abdić, A., Rovčanin, A., & Kanlić, F. (2025). „Digitalizacija poslovnih procesa u bankarskoj industriji u BiH – šanse ili prijetnje?” Tranzicija, 26(53), 1–20. https://hrcak.srce.hr/336267
Acemoglu, D., & Restrepo, P. (2019). „Automation and New Tasks: How Technology Displaces and Reinstates Labor.” Journal of Economic Perspectives, 33(2), 3–30. https://doi.org/10.1257/jep.33.2.3
Aldasoro, I., Gambacorta, L., Pal, R., Revoltella, D., Weiss, C., & Wolski, M. (2026). „AI adoption, productivity and employment: Evidence from European firms.” EIB Working Paper, 2026/02. https://doi.org/10.2867/1772538
Asatiani, A., & Penttinen, E. (2016). „Turning robotic process automation into commercial success – Case OpusCapita.” Journal of Information Technology Teaching Cases, 6(2), 67–74. https://doi.org/10.1057/jittc.2016.5
Bloom, N., Sadun, R., & Van Reenen, J. (2012). „Americans Do IT Better: US Multinationals and the Productivity Miracle.” American Economic Review, 102(1), 167–201. https://doi.org/10.1257/aer.102.1.167
Bresnahan, T. F., Brynjolfsson, E., & Hitt, L. M. (2002). „Information Technology, Workplace Organization, and the Demand for Skilled Labor: Firm-Level Evidence.” The Quarterly Journal of Economics, 117(1), 339–376. https://doi.org/10.1162/003355302753399526
Brynjolfsson, E. (1993). „The productivity paradox of information technology.” Communications of the ACM, 36(12), 66–77. https://doi.org/10.1145/163298.163309
Brynjolfsson, E., & Hitt, L. M. (2000). „Beyond Computation: Information Technology, Organizational Transformation and Business Performance.” Journal of Economic Perspectives, 14(4), 23–48. https://doi.org/10.1257/jep.14.4.23
Brynjolfsson, E., Li, D., & Raymond, L. (2025). „Generative AI at Work.” The Quarterly Journal of Economics, 140(2), 889–942. https://doi.org/10.1093/qje/qjae044
Brynjolfsson, E., Rock, D., & Syverson, C. (2021). „The Productivity J-Curve: How Intangibles Complement General Purpose Technologies.” American Economic Journal: Macroeconomics, 13(1), 333–372. https://doi.org/10.1257/mac.20180386
DeLone, W. H., & McLean, E. R. (2003). „The DeLone and McLean Model of Information Systems Success: A Ten-Year Update.” Journal of Management Information Systems, 19(4), 9–30. https://doi.org/10.1080/07421222.2003.11045748
Dumas, M., La Rosa, M., Mendling, J., & Reijers, H. A. (2018). Fundamentals of Business Process Management. 2. izdanje. Springer. https://doi.org/10.1007/978-3-662-56509-4
Filippucci, F., et al. (2024). „The impact of Artificial Intelligence on productivity, distribution and growth: Key mechanisms, initial evidence and policy challenges.” OECD Artificial Intelligence Papers, 15. https://doi.org/10.1787/8d900037-en
Gal, P., Nicoletti, G., Renault, T., Sorbe, S., & Timiliotis, C. (2019). „Digitalisation and productivity: In search of the holy grail – Firm-level empirical evidence from EU countries.” OECD Economics Department Working Papers, 1533. https://doi.org/10.1787/5080f4b6-en
Graetz, G., & Michaels, G. (2018). „Robots at Work.” The Review of Economics and Statistics, 100(5), 753–768. https://doi.org/10.1162/rest_a_00754
Hofmann, P., Samp, C., & Urbach, N. (2020). „Robotic Process Automation.” Electronic Markets, 30(1), 99–106. https://doi.org/10.1007/s12525-019-00365-8
Lozić, J., Fotova Čiković, K., & Lozić, I. (2024). „Digitalna transformacija kao proces uspostave digitalne optimizacije procesa u organizaciji.” Zbornik sveučilišta Libertas, 9(10), 59–72. https://doi.org/10.46672/zsl.9.10.4
Noy, S., & Zhang, W. (2023). „Experimental evidence on the productivity effects of generative artificial intelligence.” Science, 381(6654), 187–192. https://doi.org/10.1126/science.adh2586
OECD. (2001). Measuring Productivity – OECD Manual: Measurement of Aggregate and Industry-level Productivity Growth. OECD Publishing. https://doi.org/10.1787/9789264194519-en
Syed, R., et al. (2020). „Robotic Process Automation: Contemporary themes and challenges.” Computers in Industry, 115, 103162. https://doi.org/10.1016/j.compind.2019.103162
van der Aalst, W. M. P., Bichler, M., & Heinzl, A. (2018). „Robotic Process Automation.” Business & Information Systems Engineering, 60(4), 269–272. https://doi.org/10.1007/s12599-018-0542-4

TRAŽI ISTRAŽIVAČKI PROLAZ

Nalaz ili rupa	Što bi trebalo	Zašto nije izvršeno
Usporedivi kvantitativni podaci o troškovima implementacije	Potrebna je literatura s usporedivim podacima o razvoju, licencama, integraciji, prekidu rada, održavanju, nadzoru i troškovima kvalitete RPA-a i generativne umjetne inteligencije.	Dostavljeni izvori prepoznaju kategorije troškova, ali ne daju dovoljno usporedivih kvantitativnih podataka. Dodavanje brojki ili procjena povećalo bi tvrdnju izvan ulaza.
Standardizirani ROI automatizacije	Potrebna je provjera postoji li usporediv i metodološki prihvatljiv okvir za agregiranje koristi i troškova automatizacije.	U ulazu nema univerzalne ROI-formule. Tekst je zadržan na pokazateljima i poslovnom slučaju.
Dugoročni učinci generativne umjetne inteligencije	Potrebni su dugoročniji podaci o učinku generativne AI na produktivnost poduzeća, kvalitetu outputa i organizacijske promjene.	Dostupni izvori pokrivaju pojedinačne zadatke, radna mjesta i novije podatke o europskim poduzećima, ali ne omogućuju opći zaključak o trajnosti učinka na ukupnu faktorsku produktivnost.
Firm-level dokazi o kapitalnoj produktivnosti nakon automatizacije	Potrebna je literatura koja izravno uspoređuje promjenu produktivnosti kapitala prije i nakon automatizacije.	Ulaz razlikuje produktivnost rada, kapitala i TFP-a, ali ne daje čvrste usporedive podatke za kapitalnu produktivnost.
Regionalni firm-level dokazi za Hrvatsku	Potrebna su longitudinalna istraživanja o automatizaciji i produktivnosti poduzeća u Hrvatskoj.	Regionalni izvori odnose se na bankarski sektor Bosne i Hercegovine i konceptualni rad o digitalnoj optimizaciji.
Melville, Kraemer i Gurbaxani (2004)	Ako se zapis želi zadržati, potrebno je otvoriti i provjeriti izvor te povezati ga s konkretnim mjestom u prozi.	Zapis je uklonjen iz popisa jer u tekstu nije citiran, a njegov sadržaj nije otvoren u provjeri.
Syverson (2011)	Ako se zapis želi zadržati, potrebno je otvoriti i provjeriti izvor te povezati ga s konkretnim mjestom u prozi.	Zapis je uklonjen iz popisa jer u tekstu nije citiran, a njegov sadržaj nije otvoren u provjeri.

SPOR

Spor 1 — Dvosmjerna usklađenost popisa literature

U prozi se pojavljuju citati za 21 bibliografsku jedinicu, dok su u popisu literature 23 zapisa. Zapisi za Melville, Kraemer i Gurbaxani te Syversona nisu citirani u članku.

Budući da je riječ o kontroli bibliografskih zapisa i povezivanja citata s popisom literature, nalaz je vraćen provjeri literature, a ne piscu.

Spor 2 — Minimalni opseg od 10.000 riječi

Kontrolna lista navodi da minimalni opseg nije dosegnut. Riječ je o formalnom zahtjevu iz uzvodne faze, ali njegovo izvršenje može zahtijevati novi sadržaj, dodatne izvore ili proširenje postojećih tvrdnji. Zbog toga se nalaz prijavljuje kao spor uzvodno/nizvodno:

skraćivanje ponavljanja i preustroj postojeće proze nizvodno su rješivi;
dodavanje novoga dokaznog sadržaja i izvora uzvodno je rješivo.