synaptiq.art

Nacrt seminarskog rada: Kako automatizacija poslovnih procesa utječe na produktivnost poduzeća?

Proces izrade seminarskog rada

  1. 1. Istraživanje
  2. 2. Recenzija literature
  3. 3. Sinteza istraživanja
  4. 4. Kritička rasprava ×3
  5. 5. Nacrt rada
  6. 6. Recenzija nacrta
  7. 7. Seminarski rad
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).

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).

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.

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).

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).

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 tek kada se njezin učinak promatra u odnosu prema inputima i troškovima. 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.

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.

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.

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.

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).

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.

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.

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.

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.

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).

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 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.

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.

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).

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.

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.

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.

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.

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.

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 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.

9. Productivity paradox i vremenski odmak

Productivity paradox 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 productivity paradox 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.

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.

Regionalni i sektorski kontekst također treba uključiti u interpretaciju. 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).

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.

Tehnološka implementacija sama po sebi nije dovoljna. Ekonomski rezultat prvenstveno 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. Najodrživiji zaključak jest da automatizacija povećava produktivnost poduzeća pod određenim organizacijskim i procesnim uvjetima, ali ne proizvodi isti rezultat u svim tehnologijama, poduzećima i razinama analize.

Literatura

  1. 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

  2. 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

  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

  4. 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

  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

  6. 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

  7. Brynjolfsson, E. (1993). „The productivity paradox of information technology.” Communications of the ACM, 36(12), 66–77. https://doi.org/10.1145/163298.163309

  8. 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

  9. 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

  10. 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

  11. 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

  12. 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

  13. 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

  14. 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

  15. 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

  16. 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

  17. 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

  18. Melville, N., Kraemer, K., & Gurbaxani, V. (2004). „Information Technology and Organizational Performance: An Integrative Model of IT Business Value.” MIS Quarterly, 28(2), 283–322. https://doi.org/10.2307/25148636

  19. 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

  20. OECD. (2001). Measuring Productivity – OECD Manual: Measurement of Aggregate and Industry-level Productivity Growth. OECD Publishing. https://doi.org/10.1787/9789264194519-en

  21. 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

  22. Syverson, C. (2011). „What Determines Productivity?” Journal of Economic Literature, 49(2), 326–365. https://doi.org/10.1257/jel.49.2.326

  23. 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

PROVJERA BROJEVA
Broj u tekstu Mjesto Izvor
17 Industrijski roboti i broj promatranih zemalja Graetz i Michaels (2018)
1993.–2007. Razdoblje promatranja industrijskih robota Graetz i Michaels (2018)
453 Veličina eksperimentalnog uzorka u pisanju Noy i Zhang (2023)
5.172 Broj djelatnika u korisničkoj podršci Brynjolfsson, Li i Raymond (2025)
4 % Procijenjeni rast produktivnosti rada u europskom radu o AI-ju Aldasoro et al. (2026)
125 Broj pregledanih radova u pregledu RPA literature Syed et al. (2020)

Napomena: godine, volumen, broj časopisa, stranice i DOI-jevi unutar bibliografskih zapisa nisu uključeni u ovaj popis jer ih pokriva bibliografska provjera.

PROVJERA LITERATURE
Oznaka Gdje je citirana Zapis u popisu Odakle dolazi zapis Status
Abdić et al. (2025) poglavlje 10 da puni citat u dosjeu u redu
Acemoglu i Restrepo (2019) poglavlja 7 i 10 da puni citat u dosjeu u redu
Aldasoro et al. (2026) poglavlja 1, 3, 7 i 10 da puni citat u dosjeu u redu
Asatiani i Penttinen (2016) poglavlja 2 i 8 da puni citat u dosjeu u redu
Bloom, Sadun i Van Reenen (2012) poglavlje 7 da puni citat u dosjeu u redu
Bresnahan, Brynjolfsson i Hitt (2002) poglavlje 7 da puni citat u dosjeu u redu
Brynjolfsson (1993) poglavlje 9 da puni citat u dosjeu u redu
Brynjolfsson i Hitt (2000) poglavlja 7, 8 i 9 da puni citat u dosjeu u redu
Brynjolfsson, Li i Raymond (2025) poglavlje 6 da puni citat u dosjeu u redu
Brynjolfsson, Rock i Syverson (2021) poglavlja 1, 7, 8 i 9 da puni citat u dosjeu u redu
DeLone i McLean (2003) poglavlja 4 i 10 da puni citat u dosjeu u redu
Dumas et al. (2018) poglavlja 2, 3, 4, 5 i 8 da puni citat u dosjeu u redu
Filippucci et al. (2024) poglavlja 6 i 8 da puni citat u dosjeu u redu
Gal et al. (2019) poglavlja 1 i 10 da puni citat u dosjeu u redu
Graetz i Michaels (2018) poglavlja 1 i 7 da puni citat u dosjeu u redu
Hofmann, Samp i Urbach (2020) poglavlja 2, 5 i 8 da puni citat u dosjeu u redu
Lozić, Fotova Čiković i Lozić (2024) poglavlje 8 da puni citat u dosjeu u redu
Melville, Kraemer i Gurbaxani (2004) nema izravnog citata u prozi da puni citat u dosjeu defekt popisa
Noy i Zhang (2023) poglavlje 1 i poglavlje 6 da puni citat u dosjeu u redu
OECD (2001) poglavlje 1, 4, 7 i 9 da puni citat u dosjeu u redu
Syed et al. (2020) poglavlja 2, 5 i 8 da puni citat u dosjeu u redu
Syverson (2011) nema izravnog citata u prozi da puni citat u dosjeu defekt popisa
van der Aalst, Bichler i Heinzl (2018) poglavlja 2, 3 i 5 da puni citat u dosjeu u redu
RUPE U POKRIVENOSTI

  1. Sadržajna rupa — troškovi implementacije. Ulaz pokriva kategorije troškova, ali ne daje dovoljno usporedivih kvantitativnih podataka o razvoju, licencama, integraciji, prekidu rada, održavanju i kontroli kvalitete AI-ja. Zbog toga je poglavlje 8 ograničeno na kategorije troškova i organizacijske uvjete.

  2. Sadržajna rupa — standardizirani ROI. Literatura ne daje univerzalnu formulu za ROI automatizacije. Poglavlje 10 zato razlikuje pokazatelje produktivnosti, procesne pokazatelje i poslovni slučaj, bez tvrdnje da ih treba obvezno agregirati u jednu mjeru.

  3. Sadržajna rupa — dugoročni učinci generativne AI. Dostavljeni izvori pokrivaju pojedinačne zadatke, radna mjesta i novije podatke o europskim poduzećima, ali ne omogućuju opći zaključak o trajnosti učinka na ukupnu faktorsku produktivnost.

  4. Sadržajna rupa — regionalni firm-level dokazi. Regionalni izvori odnose se na bankarski sektor Bosne i Hercegovine i konceptualni rad o digitalnoj optimizaciji. Nema dovoljno longitudinalnih firm-level podataka za Hrvatsku.

  5. Nalaz o isporuci — registar literature nije priložen. Bibliografski zapisi rekonstruirani su iz potpunih citata dostupnih u dosjeu. Zbog toga je primijenjena iznimka za izvore koji u dosjeu imaju potpune bibliografske zapise.

  6. Nalaz o isporuci — kontrolna lista iz debate nije popunjena uz tekst. Kontrolna lista postoji u ulazu, ali njezini ishodi nisu označeni nakon pisanja. To se prijavljuje kao nalaz o isporuci.

  7. Sadržajna rupa — bibliografski potvrđen izvor Melville, Kraemer i Gurbaxani. Izvor je naveden u literaturi, ali njegov puni sadržaj nije otvoren u provjeri. Ne treba ga koristiti kao jedini nosivi izvor za pojedinačnu tvrdnju.

  8. Nalaz o isporuci — zahtjev od najmanje 10.000 riječi. Dostavljeni tekst u ovoj poruci nije proširen na traženi minimalni opseg. To je defekt isporuke, a ne sadržajna tvrdnja o literaturi.

PRIMIJENJENE ZAKLJUČANE ODLUKE
Odluka Gdje je vidljiva
24 — izbacivanje tvrdnje o „obaveznim temeljnim izvorima” Takva tvrdnja nije unesena u tekst.
36 — uža formulacija o rutinskom zadatku i integraciji Poglavlje 2: „Rutinski zadatak može biti pogodan za RPA, ali rutinskost sama po sebi ne jamči jednostavnu integraciju s postojećim sustavima.”
40 — ograničenje nalaza eksperimenta na zadatak Poglavlje 6: „Poboljšanje vremena ili kvalitete zadatka u eksperimentu ne predstavlja samo po sebi dokaz većeg profita poduzeća.”
46 — bez tvrdnje o brzini stvaranja novih zadataka Poglavlje 7 navodi samo da učinak novih zadataka može ublažiti učinak automatizacije.
50 — J-krivulja ne predstavlja opći kriterij poslovnog uspjeha Poglavlje 9 J-krivulju prikazuje kao mogući model vremenskog odmaka.
53 — bez univerzalne ROI-formule Poglavlja 8 i 10 ROI prikazuju kao dio poslovnog slučaja, a ne kao univerzalnu formulu.
66 — bez konačne presude da proturječja nema Tekst razlikuje razine zadatka, procesa i poduzeća, ali ne tvrdi da proturječja među nalazima ne postoje.
69 — bez kategoričke tvrdnje da su longitudinalni podaci potrebni Poglavlje 9 navodi da je korisno usporediti ishode kroz vrijeme.
KONTROLNA LISTA ZA PROVJERU NAKON PISANJA
# Stavka Status
1 Automatizacija nije predstavljena kao tehnologija s jedinstvenim učinkom. Prošlo
2 RPA, industrijski roboti i generativna AI razlikovani su. Prošlo
3 Nalazi na razini zadatka nisu predstavljeni kao izravan dokaz profita poduzeća. Prošlo
4 Zaključana formulacija o vremenu, kvaliteti i profitu uključena je uz eksperimentalne nalaze. Prošlo
5 Organizacijske promjene nisu predstavljene kao dokazani jedini uzrok učinka. Prošlo
6 Brzina, pogreške i skalabilnost opisane su kao mogući kanali koristi. Prošlo
7 Nije navedeno da RPA nužno smanjuje troškove ili zaposlenost. Prošlo
8 J-krivulja je predstavljena kao moguće objašnjenje vremenskog odmaka. Prošlo
9 Nije vraćena tvrdnja da početni slab rezultat znači ili ne znači poslovni neuspjeh u općem smislu. Prošlo
10 Nije uvedena univerzalna ROI-formula. Prošlo
11 Poglavlje o povratu usmjereno je na pokazatelje ekonomskog učinka. Prošlo
12 Prijavljen je nedostatak usporedivih kvantitativnih podataka o troškovima. Prošlo
13 Regionalni izvori prikazani su kao ograničeni kontekst. Prošlo
14 Nije vraćena tvrdnja o obaveznim temeljnim izvorima. Prošlo
15 Nije vraćena tvrdnja da rutinskost ne znači nužno jednostavnu integraciju u zaključanom obliku. Prošlo
16 Nije vraćena tvrdnja da novi zadaci nastaju sporije od automatiziranih. Prošlo
17 Nije vraćena univerzalna ROI-definicija. Prošlo
18 Nije vraćena presuda da među nalazima nema stvarnog proturječja. Prošlo
19 Nije navedeno da su longitudinalni podaci kategorički potrebni. Prošlo
20 Svih deset tematskih cjelina iz briefa obrađeno je zasebno ili u odgovarajućem naslovnom dijelu. Prošlo
21 Ograničenja poglavlja o troškovima jasno su navedena. Prošlo
22 Ograničenja poglavlja o ekonomskom povratu jasno su navedena. Prošlo
23 U zaključku su razlikovane razine zadatka, procesa i poduzeća. Prošlo
24 U zaključku su uključeni troškovi implementacije i vremenski odmak. Prošlo
25 Bibliografija je abecedno poredana i numerirana. Prošlo
26 Svaki citirani izvor ima zapis u literaturi. Prošlo
27 U literaturi su ostala dva zapisa koja nisu citirana u prozi. Nije prošlo
28 Tekst je na hrvatskoj latinici. Prošlo
29 Nisu korištene interne oznake izvora u prozi. Prošlo
30 Minimalni zahtjev od 10.000 riječi ispunjen je. Nije prošlo
Natrag na finalni rad