Nacrt seminarskog rada: Umjetna inteligencija, produktivnost i struktura zaposlenosti u poduzećima: mehanizmi i ograničenja dostupnih dokaza

Utjecaj umjetne inteligencije na troškove rada i strukturu zaposlenosti u poduzećima

1. Uvod: što se može zaključiti iz dostupnih nalaza

Rasprava o umjetnoj inteligenciji i radu često se oblikuje oko suprotstavljenih tvrdnji. Prema jednoj, umjetna inteligencija i automatizacija smanjuju potrebu za ljudskim radom, osobito ondje gdje se zadaci mogu kodificirati, standardizirati i prepustiti softveru ili strojevima. Prema drugoj, tehnologija povećava produktivnost zaposlenika, stvara nove zadatke i proširuje potražnju za radom koji je s njom komplementaran. Dostupna literatura ne podupire nijednu od tih tvrdnji kao univerzalno pravilo.

Pouzdaniji je zaključak da se učinci razlikuju prema vrsti zadatka, sposobnostima modela, iskustvu radnika i načinu na koji poduzeće uvodi tehnologiju. Eksperimentalne studije pokazuju produktivne dobitke u određenim zadacima pisanja, korisničke podrške i rada znanja, ali ti rezultati ne predstavljaju opći učinak na sva zanimanja, sva poduzeća ili ukupnu zaposlenost. Istodobno, nalazi o industrijskim robotima pokazuju da automatizacija može imati negativne lokalne učinke, ali i da se dio rada može premjestiti u druge sektore i zadatke.

Ovaj rad zato ne polazi od pitanja zamjenjuje li umjetna inteligencija rad ili mu pomaže u svim okolnostima. Umjesto toga, razmatra različite mehanizme: tehnološku supstituciju, komplementarnost rada i tehnologije, promjenu strukture zadataka, produktivnost, potražnju za vještinama, organizaciju poduzeća i moguće makroekonomske posljedice. Posebno treba razlikovati tehničku izloženost zanimanja od stvarnog usvajanja tehnologije i stvarnog gubitka zaposlenosti. Zaključak o učinku na zaposlenost ovisi o tome mjeri li se tehnička mogućnost, stvarno usvajanje ili opaženi gubitak radnih mjesta.

Trošak rada po jedinici outputa važan je za temu rada, ali dostupni korpus ne omogućuje izravnu empirijsku procjenu punog troška u poduzećima koja uvode generativnu umjetnu inteligenciju. Postoje nalazi o produktivnosti, vremenu rada, outputu i zapošljavanju, ali ne i cjelovit račun koji bi u istom poduzeću obuhvatio plaće, implementaciju, obuku, nadzor, promjene u broju zaposlenih i vrijednost proizvedenog outputa. Stoga se trošak rada u ovom radu obrađuje kao ekonomski problem povezan s produktivnošću, a ne kao potvrđeni empirijski ishod dostupne literature.

2. Tehnološka supstitucija rada

Tehnološka supstitucija nastaje kada tehnologija preuzme aktivnost koju je prije obavljao radnik. U task-based pristupu predmet analize nije cijelo zanimanje, nego pojedinačni zadatak unutar proizvodnog procesa. Takav pristup omogućuje preciznije razumijevanje odnosa između tehnologije i rada jer jedno zanimanje obično uključuje više različitih aktivnosti. Neke mogu biti rutinske i kodificirane, dok druge zahtijevaju procjenu, komunikaciju, prilagodbu ili rješavanje problema.

Automatizacija se zato ne mora manifestirati kao potpuno uklanjanje zanimanja. Tehnologija može smanjiti vrijeme potrebno za određenu aktivnost, promijeniti redoslijed zadataka ili radniku dati alat koji povećava njegov output. David Autor pokazuje da računala najlakše preuzimaju rutinske i kodificirane zadatke, dok se važnost drugih oblika ljudskog rada može povećati (Autor, 2015). To ne znači da su nerutinski zadaci zaštićeni od automatizacije, nego da njihova izloženost ovisi o sposobnostima konkretne tehnologije i organizacijskom kontekstu.

Acemoglu i Restrepo razlikuju displacement effect i reinstatement effect. Prvi označuje premještanje rada iz zadataka koje preuzima kapital ili softver. Drugi označuje stvaranje novih zadataka u kojima ljudi ponovno imaju komparativnu prednost (Acemoglu i Restrepo, 2019). Ukupni učinak na potražnju za radom proizlazi iz odnosa ta dva procesa, a ne iz same činjenice da je neki zadatak automatiziran.

Restrepo tehnološku promjenu analizira kroz tri povezana kanala: supstituciju rada, produktivnost i raspodjelu proizvodnih zadataka (Restrepo, 2024). Automatizacija može smanjiti trošak obavljanja pojedine aktivnosti, ali istodobno otvoriti pitanje hoće li poduzeće povećati output, promijeniti strukturu zaposlenosti ili uvesti nove zadatke. Bez podataka o tim kanalima nije moguće iz automatizacije pojedinačne aktivnosti izvesti zaključak o ukupnoj zaposlenosti.

3. Komplementarnost tehnologije i ljudskog rada

Tehnologija je komplementarna radu kada povećava produktivnost ili vrijednost ljudskog rada. Komplementarnost može nastati zato što zaposlenik uz pomoć tehnologije brže obavlja isti zadatak, zato što može obavljati složenije zadatke ili zato što se njegov rad kombinira s novom vrstom outputa. U sva tri slučaja tehnologija ne uklanja nužno potrebu za zaposlenikom, nego mijenja njegov doprinos proizvodnom procesu.

Autor naglašava da povijest automatizacije nije jednostavno povijest nestanka poslova. Tehnološki napredak može smanjiti potrebu za radom u određenim aktivnostima, ali može povećati produktivnost i potražnju za drugim vrstama rada (Autor, 2015). Ako niži troškovi povećaju potražnju za proizvodom ili uslugom, dio početnog supstitucijskog učinka može biti ublažen većim obujmom proizvodnje.

Komplementarnost nije ravnomjerno raspoređena među zaposlenicima. Ista tehnologija može najviše koristiti radnicima koji imaju dovoljno iskustva da procijene njezin output, ali može posebno pomoći i početnicima ako im daje pristup znanju i obrascima rada koji su prije bili dostupni samo iskusnijim kolegama. Studije generativne umjetne inteligencije pokazuju upravo takve heterogene učinke.

Noy i Zhang u eksperimentu profesionalnog pisanja nalaze smanjenje vremena rada i povećanje kvalitete outputa uz korištenje ChatGPT-a (Noy i Zhang, 2023). Brynjolfsson, Li i Raymond nalaze da je AI alat povećao produktivnost agenata korisničke podrške, pri čemu su veći prosječni dobici zabilježeni kod manje iskusnih i manje produktivnih radnika (Brynjolfsson, Li i Raymond, 2025). Ti rezultati podupiru tezu o komplementarnosti, ali samo za promatrane zadatke i populacije.

Komplementarnost stoga ne znači da će svi zaposlenici imati jednaku korist. Ona može promijeniti relativnu vrijednost iskustva, stručnosti i sposobnosti provjere outputa. U nekim okolnostima tehnologija smanjuje razlike među zaposlenicima, a u drugima povećava vrijednost radnika koji mogu dizajnirati procese, nadzirati modele i rješavati probleme koje sustav ne može pouzdano obaviti.

4. Automatizacija zadataka nasuprot zanimanja

Zadatak je pojedinačna aktivnost ili komponenta proizvodnog procesa. Zanimanje je širi skup međusobno povezanih zadataka koje obavlja određena skupina radnika. Razlika između tih razina ključna je za procjenu učinka umjetne inteligencije. Ako je samo dio zadataka u zanimanju automatizabilan, tehnička mogućnost automatizacije ne znači da će cijelo zanimanje nestati.

Međunarodna organizacija rada u procjenama generativne umjetne inteligencije naglašava da je većina zanimanja sastavljena od kombinacije automatizabilnih i neautomatizabilnih zadataka (Gmyrek, Berg i Bescond, 2023; Gmyrek i sur., 2025). Zbog toga je vjerojatniji proces transformacije sadržaja rada nego trenutačni nestanak čitavih zanimanja. Radnik može izgubiti dio rutinskih aktivnosti, ali zadržati posao kroz komunikaciju, koordinaciju, procjenu ili odgovornost za konačni rezultat.

Ova razlika važna je i za tumačenje procjena izloženosti. Ako je zanimanje visoko izloženo sposobnostima umjetne inteligencije, to znači da se dio njegovih zadataka preklapa s onim što tehnologija potencijalno može obaviti. Ne znači da će poslodavac tehnologiju zaista uvesti, da će ona biti dovoljno pouzdana ili da će radno mjesto biti ukinuto.

Kod generativne umjetne inteligencije dodatni je problem to što sustav može proizvoditi sadržaj, ali ne preuzima nužno odgovornost za njegovu točnost, prikladnost ili posljedice. Organizacija zato može zadržati zaposlenika i nakon automatizacije dijela aktivnosti, ali mu promijeniti ulogu. Umjesto izravnog stvaranja prvog nacrta, zaposlenik može provjeravati, uređivati, uspoređivati i prilagođavati rezultat.

Analiza zanimanja mora zato razlikovati najmanje tri ishoda: djelomičnu automatizaciju zadataka, promjenu sadržaja posla i potpunu zamjenu radnog mjesta. Dostupni izvori najviše podupiru prva dva ishoda. Za treći su potrebni longitudinalni podaci o konkretnim poduzećima i radnicima, a takvi podaci u dostavljenom korpusu nisu dovoljno zastupljeni.

5. Mjerenje izloženosti umjetnoj inteligenciji

Felten, Raj i Seamans razvijaju pristup prema kojem se izloženost AI-ju procjenjuje povezivanjem sposobnosti umjetne inteligencije sa sposobnostima potrebnima u zanimanjima (Felten, Raj i Seamans, 2021). ILO procjene izloženost promatraju na razini zadataka i zanimanja, uz razlikovanje potencijala za automatizaciju i potencijala za transformaciju rada (Gmyrek, Berg i Bescond, 2023; Gmyrek i sur., 2025).

Takve mjere imaju važnu analitičku vrijednost jer omogućuju usporedbu zanimanja. One mogu pokazati gdje je tehnička mogućnost promjene veća, primjerice među administrativnim odnosno clerical zanimanjima. Međutim, indeks izloženosti nije mjera stvarne automatizacije, stvarnog usvajanja tehnologije ili stvarnog gubitka radnih mjesta.

Razlika između potencijala i opaženog ishoda mora se zadržati u cijelom radu. Ako se indeks izloženosti pretvori u tvrdnju o ugroženosti zanimanja, analitički se preskače nekoliko koraka: odluka poduzeća o usvajanju, trošak implementacije, raspoloživost podataka, organizacijska spremnost, regulacija i prihvaćanje tehnologije među radnicima i korisnicima.

Merola i suradnici u pregledu empirijskih dokaza naglašavaju da se učinci generativne umjetne inteligencije oblikuju tek kroz usvajanje i organizaciju rada (Merola i sur., 2026). Zato ista razina tehničke izloženosti može dovesti do različitih ishoda u različitim poduzećima. Jedno poduzeće može tehnologiju koristiti za smanjenje rutinskog rada, drugo za povećanje outputa postojećih zaposlenika, a treće je uopće ne mora uvesti.

Mjerenje izloženosti stoga je početna točka, a ne završni dokaz. Ono je korisno za identifikaciju područja u kojima treba očekivati organizacijske promjene, ali samo po sebi ne određuje smjer promjene zaposlenosti, plaća ili troška rada.

6. Generativna umjetna inteligencija kao zamjena za radni napor

Generativna umjetna inteligencija može djelovati kao zamjena za dio radnog napora kada proizvodi prvi nacrt, prijedlog, klasifikaciju ili odgovor koji bi inače izradio zaposlenik. U takvom slučaju tehnologija ne mora zamijeniti cijelo zanimanje. Dovoljno je da smanji vrijeme koje zaposlenik ulaže u određenu aktivnost ili broj zaposlenika potreban za određeni obujam zadataka.

Eksperiment Noya i Zhang pokazuje da su sudionici uz ChatGPT profesionalne zadatke pisanja rješavali brže, uz povećanje kvalitete outputa (Noy i Zhang, 2023). Taj nalaz pokazuje da generativni alat može smanjiti potrebni ljudski napor u konkretnom zadatku. Ne pokazuje, međutim, da će poduzeće zbog toga otpustiti radnike ili smanjiti ukupan broj radnih sati. Poduzeće može istu uštedu vremena iskoristiti za veći broj zadataka, višu kvalitetu usluge ili uvođenje novih aktivnosti.

Brynjolfsson, Li i Raymond nalaze produktivni učinak AI asistenta u korisničkoj podršci (Brynjolfsson, Li i Raymond, 2025). U tom kontekstu alat povećava broj riješenih problema po satu. To se može tumačiti kao djelomična zamjena radnog napora, ali i kao komplementarnost jer zaposlenik i dalje sudjeluje u procesu. Smjer učinka na broj zaposlenih ovisi o tome hoće li povećana produktivnost povećati potražnju za uslugom, smanjiti potreban kapacitet ili promijeniti vrstu posla.

Važno je odvojiti smanjenje vremena za pojedinu aktivnost od smanjenja ukupnog radnog vremena u poduzeću. Prvi nalaz može biti izravno izmjeren u eksperimentu. Drugi zahtijeva podatke o organizaciji rada, ukupnom outputu, broju zaposlenih i odlukama menadžmenta. Dostupna literatura pruža uvjerljivije dokaze za prvi nego za drugi ishod.

7. Generativna umjetna inteligencija kao komplement stručnosti

Komplementarni učinak posebno je vidljiv kada tehnologija radniku omogućuje da brže pristupi informacijama, strukturira tekst ili dobije prijedlog za rješavanje problema. U tom slučaju vrijednost rada ne nestaje, nego se mijenja način na koji se stvara output. Radnik može prijeći s izravnog izvođenja rutinske aktivnosti na izbor, provjeru i prilagodbu rezultata.

U studiji korisničke podrške AI asistent više je pomogao početnicima i manje produktivnim zaposlenicima nego iskusnijim radnicima (Brynjolfsson, Li i Raymond, 2025). To pokazuje da umjetna inteligencija ne mora uvijek povećavati razlike između radnika s različitim razinama iskustva. U konkretnom kontekstu može prenositi dio znanja učinkovitijih radnika onima koji tek razvijaju radne vještine.

Noy i Zhang također nalaze smanjenje razlika u produktivnosti među sudionicima eksperimenta (Noy i Zhang, 2023). Taj rezultat odnosi se na razlike u mjerenoj produktivnosti u eksperimentalnim zadacima. Ne treba ga pretvoriti u zaključak da umjetna inteligencija smanjuje ukupnu dohodovnu ili imovinsku nejednakost. Produktivnost na zadatku i raspodjela dohotka različiti su ishodi.

Komplementarnost može biti uvjetovana kvalitetom ljudske provjere. Ako radnik može prepoznati pogrešku, prilagoditi prijedlog i preuzeti odgovornost za konačni rezultat, tehnologija može povećati output. Ako se output prihvaća bez dovoljne provjere, isti alat može proizvesti pogrešan ili neprikladan rezultat.

Zato umjetna inteligencija mijenja i sadržaj stručnosti. Vrijednost više nije samo u sposobnosti izrade prvog rješenja, nego i u formuliranju problema, izboru podataka, procjeni pouzdanosti i povezivanju rezultata s ciljevima organizacije. To može povećati potražnju za novim kombinacijama tehničkih, komunikacijskih i prosudbenih vještina.

8. Produktivnost zaposlenika i ograničenja mjerenja

Produktivnost nije jedna jedinstvena varijabla u svim studijama. Noy i Zhang mjere vrijeme rješavanja zadataka i kvalitetu pisanog outputa. Brynjolfsson, Li i Raymond promatraju broj riješenih problema po satu. Dell’Acqua i suradnici analiziraju broj dovršenih zadataka, vrijeme rada, kvalitetu outputa i točnost na zadatku izvan sposobnosti modela (Dell’Acqua i sur., 2026).

Zbog tih razlika rezultate treba uspoređivati oprezno. Povećanje brzine rada ne mora značiti jednak porast kvalitete. U jednom kontekstu moguće je da zaposlenik proizvede više sadržaja iste ili bolje kvalitete. U drugom se može povećati brzina, ali pogoršati točnost. Mjerna varijabla zato mora biti navedena uz nalaz, a ne zamijenjena širim pojmom produktivnosti.

Dell’Acqua i suradnici pokazuju da AI djeluje kao pojačivač na zadacima unutar svojih sposobnosti, ali može djelovati kao ometač na zadacima izvan te granice (Dell’Acqua i sur., 2026). Rast brzine rada ne jamči rast kvalitete ili točnosti na zadacima koji se nalaze izvan aktualne granice sposobnosti modela.

Ovaj nalaz ima izravne posljedice za poduzeća. Ako se AI uvodi u procese s jasnim kriterijima kvalitete i mogućnošću ljudske provjere, produktivni učinak može biti veći. Ako se uvodi u zadatke koji zahtijevaju pouzdanu prosudbu izvan sposobnosti modela, organizacija može dobiti brži, ali manje točan output.

Produktivnost zaposlenika zato treba promatrati zajedno s kvalitetom, točnošću, vremenom provjere i posljedicama pogreške. Dostupne studije daju snažne dokaze za rast produktivnosti u konkretnim zadacima, ali ne omogućuju opću tvrdnju da generativna AI povećava produktivnost svih zaposlenika ili svih poduzeća.

9. Potražnja za radom i zamjena pojedinih pozicija

Učinak umjetne inteligencije na potražnju za radom može se pojaviti prije nego što se vidi u ukupnoj zaposlenosti. Poduzeće može smanjiti zapošljavanje na određenim pozicijama, promijeniti profile budućih kandidata ili povećati udio oglasa povezanih s AI-jem, a da se ukupni broj zaposlenih još ne promijeni.

Acemoglu, Autor, Hazell i Restrepo analiziraju AI izloženost, online oglase za posao i zapošljavanje. Njihovi nalazi upućuju na to da AI-izložene ustanove smanjuju zapošljavanje na ne-AI pozicijama, ali u promatranom razdoblju nema jasnog agregatnog učinka na ukupnu zaposlenost ili plaće (Acemoglu i sur., 2022). To podupire razlikovanje promjene potražnje za pojedinim zadacima od promjene ukupnog broja radnih mjesta.

Takav obrazac može nastati zbog realokacije unutar poduzeća. Ako se dio administrativnog rada automatizira, poduzeće može zapošljavati manje administrativnih radnika, ali više stručnjaka za upravljanje podacima, razvoj proizvoda, prodaju ili odnose s korisnicima. Ukupna zaposlenost tada ne mora odmah pasti, premda se struktura zapošljavanja mijenja.

S druge strane, ako poduzeće može povećati output bez povećanja potražnje, produktivnost može dovesti do smanjenja broja potrebnih radnih sati. Dostupni izvori ne daju dovoljno podataka za opći zaključak o tome koliko je taj kanal važan u različitim sektorima.

Najoprezniji zaključak jest da AI može smanjiti potražnju za određenim zadacima i pozicijama prije nego što se pokaže agregatni učinak na zaposlenost. Za procjenu ukupnog učinka potrebno je promatrati stvarno usvajanje, promjene u oglasima, broj zaposlenih, output i nastanak novih zadataka u istim poduzećima.

10. Trošak rada po jedinici outputa

Trošak rada povezan je s brojem radnih sati, naknadama zaposlenika i količinom outputa koji se tim radom proizvodi. Uvođenje umjetne inteligencije može promijeniti svaki od tih elemenata, ali smjer ukupnog učinka nije određen samim rastom produktivnosti.

Ako zaposlenik uz pomoć AI-ja proizvede više outputa u istom vremenu, radni trošak po jedinici outputa može se smanjiti pod pretpostavkom da se ostali relevantni elementi ne promijene. Međutim, takav zaključak zahtijeva podatke o outputu i trošku rada u istom organizacijskom kontekstu. Studije Noya i Zhang, Brynjolfssona i suradnika te Dell’Acque i suradnika mjere produktivnost u konkretnim zadacima, ali ne daju cjelovit račun ukupnog troška rada poduzeća.

Dostupni korpus također ne omogućuje potvrdu tvrdnje o smjeru ukupnog troška nakon implementacije. Nisu istodobno izmjereni troškovi rada, obuke, nadzora, promjene procesa, održavanja sustava i outputa. Zbog toga se ne može zaključiti da AI nužno smanjuje ili povećava trošak rada po jedinici outputa.

Ono što se može reći jest da rast produktivnosti mijenja ekonomsku računicu zapošljavanja. Ako se output povećava bez proporcionalnog povećanja radnih sati, poduzeće može imati drukčiji odnos između potrebnog rada i proizvedenog outputa. Ako se, međutim, povećani kapacitet koristi za širenje proizvodnje, broj zaposlenih može ostati stabilan ili rasti.

Trošak rada zato treba tretirati kao otvoreno istraživačko pitanje. Za čvršći zaključak potrebne su longitudinalne baze poduzeća koje prate uvođenje AI-ja, broj i strukturu zaposlenih, plaće, radne sate, output, ulaganja u tehnologiju i promjene u organizaciji rada.

11. Rutinski i nerutinski zadaci

Rutinski zadaci podložniji su automatizaciji kada se mogu jasno opisati pravilima i ponavljaju se u stabilnim uvjetima. Nerutinski zadaci uključuju veću razinu procjene, prilagodbe, komunikacije ili rješavanja novih problema. Ova podjela nije apsolutna, ali je korisna za razumijevanje povijesnih obrazaca tehnološke promjene.

Autor i Dorn pokazuju da je automatizacija rutinskih zadataka u američkom kontekstu bila povezana s rastom niskokvalificiranih uslužnih poslova i polarizacijom tržišta rada (Autor i Dorn, 2013). Taj nalaz ne odnosi se izravno na generativnu umjetnu inteligenciju, ali pruža povijesnu analogiju. Nestanak ili smanjenje rutinskih aktivnosti ne mora dovesti do jednolikog smanjenja zaposlenosti. Može doći do rasta drugih poslova, uključujući one koji se oslanjaju na osobni kontakt ili fizičku prisutnost.

Generativna umjetna inteligencija pomiče dio rasprave prema kognitivnim i administrativnim zadacima. Globalne procjene posebno izdvajaju administrativna odnosno clerical zanimanja kao skupine s najvišom potencijalnom izloženošću generativnoj AI (Gmyrek, Berg i Bescond, 2023; Gmyrek i sur., 2025). To ne pokazuje da će ta zanimanja nestati, nego da je u njima veći potencijal za promjenu zadataka.

Poduzeća mogu odgovoriti na taj potencijal smanjenjem rutinskog rada, povećanjem obujma usluge ili promjenom kompetencija koje traže pri zapošljavanju. U svim tim slučajevima struktura zanimanja može se promijeniti bez potpunog ukidanja postojećih radnih mjesta.

12. Skill-biased technological change

Skill-biased technological change označuje tehnološku promjenu koja povećava relativnu potražnju za određenim vještinama. Acemoglu ističe da tehnologija može biti pristrana prema vještinama, ali da smjer te pristranosti ovisi o odnosu tehnoloških mogućnosti i ponude vještina (Acemoglu, 2002).

U kontekstu umjetne inteligencije pitanje je složenije jer ista tehnologija može povećati vrijednost visoko kvalificiranog rada, ali i pomoći manje iskusnim radnicima. Studija korisničke podrške pokazuje veće dobitke za početnike i manje produktivne zaposlenike (Brynjolfsson, Li i Raymond, 2025). Eksperiment profesionalnog pisanja pokazuje smanjenje razlika u produktivnosti među sudionicima (Noy i Zhang, 2023).

Ti nalazi ne poništavaju mogućnost dugoročne nejednakosti. Kratkoročni produktivni dobitak na konkretnom zadatku nije jednak dugoročnoj raspodjeli plaća, dohotka ili vlasništva kapitala. IMF-ova analiza naglašava da AI može povećati produktivnost i dohodak, ali i nejednakost ako se koristi koncentriraju među vlasnicima kapitala i radnicima čije su vještine posebno komplementarne tehnologiji (Cazzaniga i sur., 2024).

Potrebno je stoga razlikovati tri razine: učinak na produktivnost pojedinca, učinak na potražnju za određenom vještinom i učinak na raspodjelu dohotka. Dostupni izvori najizravnije mjere prvu razinu. Druga i treća zahtijevaju šire i dugoročnije podatke.

13. Polarizacija zaposlenosti i promjena plaća

Polarizacija zaposlenosti opisuje obrazac u kojem raste zaposlenost na vrhu i dnu distribucije, dok sredina slabi. Autor i Dorn takav obrazac povezuju s automatizacijom rutinskih zadataka i rastom niskokvalificiranih usluga u američkom povijesnom kontekstu (Autor i Dorn, 2013).

Robotizacija također može promijeniti kvalifikacijsku strukturu bez jasnog pada ukupne zaposlenosti. Graetz i Michaels nalaze da su roboti povećali produktivnost i ukupnu faktorsku produktivnost, bez značajnog smanjenja ukupne zaposlenosti, ali uz smanjenje udjela zaposlenosti niskokvalificiranih radnika (Graetz i Michaels, 2018). Taj nalaz pripada razdoblju koje prethodi današnjoj generativnoj AI i ne treba ga čitati kao izravan dokaz njezina učinka.

U Sjedinjenim Američkim Državama Acemoglu i Restrepo nalaze negativnu povezanost izloženosti industrijskim robotima s lokalnom zaposlenošću i plaćama (Acemoglu i Restrepo, 2020). U Njemačkoj Dauth i suradnici nalaze drukčiji obrazac, prema kojem su gubici u proizvodnji uglavnom kompenzirani novim poslovima u uslugama, dok su početni trošak posebno snosili mlađi radnici koji ulaze na tržište rada (Dauth i sur., 2021).

Razlike među tim nalazima mogu proizlaziti iz lokalne nasuprot agregatnoj razini, vremenskog horizonta, sektorske strukture i institucija tržišta rada. Zbog toga ne postoji osnova za jednostavnu tvrdnju da svaka automatizacija smanjuje plaće ili da svaka povećava zaposlenost.

14. Plaće i nejednakost

Umjetna inteligencija može utjecati na plaće kroz nekoliko kanala. Ako povećava produktivnost zaposlenika, može povećati vrijednost njihova rada. Ako istodobno smanjuje potražnju za određenim zadacima, može oslabiti pregovaračku poziciju radnika koji su specijalizirani za te zadatke. Ako se koristi koncentriraju među vlasnicima kapitala, promjena produktivnosti može povećati raspodjelne razlike.

Empirijski nalazi o generativnoj AI zasad su uvjerljiviji za razlike u produktivnosti nego za dugoročne promjene plaća. Noy i Zhang pokazuju smanjenje razlika u produktivnosti među sudionicima eksperimenta, dok Brynjolfsson, Li i Raymond nalaze veće relativne dobitke kod manje iskusnih i manje produktivnih radnika (Noy i Zhang, 2023; Brynjolfsson, Li i Raymond, 2025). Ti nalazi ne dokazuju promjenu ukupne dohodovne ili imovinske nejednakosti.

Makroekonomski scenariji upozoravaju na mogućnost da koristi budu nejednako raspoređene. Cazzaniga i suradnici izloženost povezuju s potencijalnom komplementarnošću i dohodovnim ishodima, ali naglašavaju da je riječ o modelskim scenarijima, a ne izravnom mjerenju budućih rezultata (Cazzaniga i sur., 2024).

Zaključak mora zato razlikovati opažene produktivne učinke od širih distribucijskih posljedica. Može se reći da generativna AI u nekim eksperimentima smanjuje razlike u produktivnosti ili daje veće dobitke početnicima. Ne može se na temelju toga zaključiti da smanjuje ukupnu nejednakost. Jednako tako, modelska mogućnost povećanja nejednakosti nije dokaz da će se taj ishod nužno ostvariti.

15. Organizacija rada u poduzeću

Uvođenje umjetne inteligencije ne mijenja samo pojedinačne zadatke. Ono može promijeniti redoslijed rada, podjelu odgovornosti, način nadzora i odnos između zaposlenika i menadžmenta. OECD navodi da učinci AI-ja ovise o vještinama, organizaciji i institucijama, a ne samo o tehničkim svojstvima alata (OECD, 2023).

Organizacijska promjena može imati oblik automatizacije pripreme informacija, raspoređivanja zadataka, praćenja učinka ili procjene rezultata. Može također promijeniti autonomiju zaposlenika. Ako sustav daje preporuke koje menadžer može prihvatiti ili odbaciti, AI je podrška odlučivanju. Ako sustav određuje raspored, tempo ili kriterije evaluacije, njegov utjecaj na organizaciju rada je veći.

Merola i suradnici naglašavaju da empirijski učinci generativne AI nisu jednaki u svim organizacijama i da se često mjere heterogenim metodama (Merola i sur., 2026). To znači da se produktivnost alata ne može odvojiti od načina na koji je proces rada dizajniran.

Poduzeće koje uvodi AI bez promjene procesa može ostvariti ograničen učinak. Poduzeće koje reorganizira zadatke, osigurava obuku i uspostavi ljudsku provjeru može tehnologiju koristiti kao komplement radu. Organizacijski dizajn zato posreduje između tehničke mogućnosti i ekonomskog ishoda.

16. Algoritamsko upravljanje, nadzor i autonomija

Algoritamsko upravljanje označuje korištenje softvera ili umjetne inteligencije za automatiziranje dijelova menadžerskih funkcija. To može uključivati raspoređivanje, praćenje, evaluaciju ili podršku pri odlučivanju. OECD-ovo istraživanje poslodavaca pokazuje da algoritamsko upravljanje može poboljšati odluke i učinkovitost, ali otvara pitanja odgovornosti, objašnjivosti i zaštite radnika (Milanez, Lemmens i Ruggiu, 2025).

Automatizacija dijela menadžerske funkcije nije isto što i nestanak menadžerske uloge. Menadžer može dobiti više podataka i preporuka, ali i dalje odgovarati za izbor ciljeva, rješavanje iznimaka i komunikaciju sa zaposlenicima. Tehnologija može promijeniti sadržaj upravljanja bez smanjenja broja menadžera.

U prikupljenom korpusu Milanez, Lemmens i Ruggiu potvrđuju automatizaciju dijelova menadžerskih funkcija, ali ne pružaju izravan dokaz da generativna AI smanjuje broj hijerarhijskih razina. Nema dovoljno izravnih podataka o broju menadžera, širini kontrole ili promjeni hijerarhijske strukture.

Algoritamsko upravljanje može povećati učinkovitost, ali i smanjiti autonomiju radnika ako se odluke donose prema kriterijima koje zaposlenici ne mogu razumjeti ili osporiti. Procjena organizacijskog učinka zato mora obuhvatiti i kvalitetu odluka, objašnjivost, odgovornost i radne uvjete.

17. Hijerarhija i koordinacijske uloge

Jedna od mogućih posljedica automatizacije jest smanjenje potrebe za nekim koordinacijskim funkcijama. Ako sustav brzo prikuplja informacije, raspoređuje zadatke i prati izvršenje, dio aktivnosti koje su prije obavljali srednji menadžeri može biti automatiziran. Međutim, iz toga ne slijedi da će se smanjiti broj hijerarhijskih razina.

Koordinacija nije samo razmjena informacija. Ona uključuje određivanje ciljeva, rješavanje sukoba, procjenu rizika, odgovornost za odluke i upravljanje odnosima među ljudima. Dostupni izvor o algoritamskom upravljanju ne mjeri izravno te dimenzije na način koji bi omogućio zaključak o promjeni hijerarhije (Milanez, Lemmens i Ruggiu, 2025).

U prikupljenom korpusu taj se problem zato mora prikazati kao istraživačka praznina. Može se govoriti o automatizaciji dijelova koordinacije i nadzora, ali ne i o potvrđenom smanjenju broja menadžerskih razina, menadžera ili širine kontrole.

Za takav zaključak bile bi potrebne longitudinalne organizacijske studije koje uspoređuju strukturu poduzeća prije i nakon uvođenja generativne AI. Trebale bi obuhvatiti broj hijerarhijskih razina, broj zaposlenika u menadžmentu, raspon odgovornosti, način odlučivanja i troškove koordinacije. Takvi podaci nisu dostavljeni u dovoljnom opsegu.

18. Makroekonomski učinci i gospodarski rast

Na makroekonomskoj razini treba povezati produktivnost, zaposlenost, plaće, potražnju i raspodjelu dohotka. Automatizacija može povećati produktivnost, ali njezin učinak na zaposlenost ovisi o tome hoće li veći output povećati potražnju, hoće li se stvoriti novi zadaci i kako će se rad realocirati.

Graetz i Michaels pokazuju da industrijski roboti mogu povećati produktivnost bez značajnog smanjenja ukupne zaposlenosti, uz promjenu kvalifikacijske strukture (Graetz i Michaels, 2018). Dauth i suradnici nalaze kompenzaciju gubitaka u proizvodnji novim poslovima u uslugama, dok Acemoglu i Restrepo nalaze negativne lokalne učinke u američkim tržištima rada (Acemoglu i Restrepo, 2020; Dauth i sur., 2021).

Ti nalazi pokazuju da lokalni negativni učinak i agregatna kompenzacija mogu postojati istodobno. Radnik koji izgubi posao u automatiziranom sektoru možda neće odmah imati korist od novih poslova u drugom sektoru. Zato makroekonomski rast ne uklanja automatski tranzicijske troškove.

IMF-ov izvještaj razmatra scenarije u kojima AI povećava produktivnost i dohodak, ali također može povećati nejednakost ako su koristi koncentrirane među kapitalom i komplementarnim radnicima (Cazzaniga i sur., 2024). Budući da su riječ o modelskim scenarijima, oni ne predstavljaju izravno mjerenje budućeg ishoda.

19. Nastanak novih poslova i tranzicija

Tehnološki napredak može istodobno smanjiti potražnju za starim zadacima i stvoriti nove. Acemoglu i Restrepo taj proces opisuju pojmovima displacement effect i reinstatement effect (Acemoglu i Restrepo, 2019). Novi zadaci ne nastaju automatski niti nužno u istom sektoru u kojem je došlo do automatizacije.

Povijesni nalazi o automatizaciji rutinskih zadataka pokazuju da se rad može premjestiti u usluge, ali takvi poslovi ne moraju imati ista obilježja, plaće ili uvjete kao prethodni poslovi (Autor i Dorn, 2013). U Njemačkoj su gubici u proizvodnji bili uglavnom kompenzirani novim poslovima u uslugama, ali su početni trošak posebno snosili mlađi radnici koji ulaze na tržište rada (Dauth i sur., 2021).

Za generativnu umjetnu inteligenciju još nedostaju dovoljno dugi longitudinalni podaci o tome koja nova zanimanja stvarno nastaju. Moguće je identificirati nove zadatke povezane s nadzorom, integracijom i uporabom AI sustava, ali tehnička mogućnost ne predstavlja dokaz da su se takva zanimanja u dovoljnom opsegu pojavila.

Tranzicija zato može biti neujednačena. Neki radnici mogu dobiti produktivni alat, drugi mogu izgubiti dio zadataka, a treći mogu trebati dodatno obrazovanje prije prelaska u nove uloge. Makroekonomski rast i organizacijska korist od tehnologije ne znače da će se svi radnici jednako brzo prilagoditi.

20. Hrvatski i regionalni kontekst

Dostupni hrvatski i regionalni izvori pružaju kontekst o HRM-praksama, stavovima i društvenim implikacijama, ali ne daju izravnu procjenu stvarnog učinka umjetne inteligencije na hrvatsku zaposlenost, plaće, produktivnost ili trošak rada.

Bakotić i Burnač analiziraju percepcije i HRM-prakse u velikim hrvatskim proizvodnim poduzećima. Njihov izvor upućuje na ograničenu spremnost poduzeća da prepoznaju pritiske povezane sa starenjem stanovništva, manjkom kvalificiranih radnika, automatizacijom i robotizacijom (Bakotić i Burnač, 2024). Taj nalaz može poslužiti za razumijevanje organizacijskog kapaciteta, ali ne dokazuje stvarni učinak generativne AI na hrvatsko tržište rada.

Uzelac i Simichen analiziraju stavove studenata o umjetnoj inteligenciji, obrazovanju i zapošljavanju (Uzelac i Simichen, 2025). Studenti AI vide istodobno kao prijetnju i priliku te naglašavaju važnost dodatnog obrazovanja i mekih vještina. Budući da je riječ o lokalnom studentskom uzorku, nalazi se ne mogu generalizirati na sve radnike ili poduzeća.

Plantak, Vargović i Trstenjak razmatraju šire socioekonomske i distributivne implikacije umjetne inteligencije (Plantak, Vargović i Trstenjak, 2023). Njihov doprinos koristan je za povezivanje tehnološke učinkovitosti s društvenom pravednošću, ali nije empirijska procjena hrvatske zaposlenosti ili troška rada.

Regionalni izvori zato služe kao kontekst, ne kao dokaz glavne ekonomske teze. Za Hrvatsku nedostaju podaci o stvarnom usvajanju generativne AI, promjenama outputa po zaposleniku, troškovima rada, plaćama, promjenama zanimanja i organizacijskoj strukturi poduzeća.

Zaključak

Dosadašnji nalazi ne podupiru jednostavan zaključak ni o univerzalnoj zamjeni ni o univerzalnoj komplementarnosti ljudskog rada. Učinci se razlikuju prema vrsti zadatka, sposobnostima modela, iskustvu radnika i načinu usvajanja. Noy i Zhang te Brynjolfsson, Li i Raymond pokazuju produktivne dobitke u konkretnim zadacima, dok Dell’Acqua i suradnici pokazuju da rast brzine rada ne jamči rast kvalitete ili točnosti na zadacima izvan aktualne granice sposobnosti modela.

Industrijska robotika i raniji IT pružaju povijesnu i teorijsku analogiju, ali nisu izravan dokaz učinka današnje generativne AI. Njihovi nalazi pokazuju da automatizacija može imati različite lokalne, sektorske i agregatne posljedice. Negativni lokalni učinci mogu postojati istodobno s realokacijom rada u druge sektore.

Najstabilniji zaključak odnosi se na razliku između zadatka i zanimanja. Umjetna inteligencija može preuzeti dio aktivnosti bez potpunog nestanka radnog mjesta. Globalne procjene posebno izdvajaju administrativna odnosno clerical zanimanja kao skupine s najvišom potencijalnom izloženošću generativnoj AI, ali ta izloženost sama po sebi ne pokazuje stvarnu automatizaciju, otkaze ili promjenu zaposlenosti.

Korpus ne omogućuje izravnu empirijsku procjenu troška rada po jedinici outputa. Također ne pruža izravan dokaz da generativna AI smanjuje broj hijerarhijskih razina. Hrvatski izvori daju podatke o HRM-praksama, percepcijama i društvenim implikacijama, ali ne dokazuju stvarne hrvatske učinke na zaposlenost, plaće, produktivnost ili troškove.

Preostala teza zato mora biti uža: dostupna literatura pouzdanije podupire tvrdnju o heterogenim promjenama zadataka i produktivnosti nego izravnu tvrdnju o ukupnom trošku rada, smanjenju hijerarhije ili konačnoj promjeni strukture zaposlenosti. Rani izvori ne daju dokaz o neposrednom masovnom nestanku radnih mjesta, ali zbog heterogenosti mjera još ne potvrđuju ni konačan dominantni obrazac transformacije rada.

---

Literatura

1. Acemoglu, D. (2002). „Technical Change, Inequality, and the Labor Market.” Journal of Economic Literature, 40(1), 7–72. https://doi.org/10.1257/0022051026976

2. Acemoglu, D., Autor, D., Dorn, D., Hanson, G. H., & Price, B. (2014). „Return of the Solow Paradox? IT, Productivity, and Employment in US Manufacturing.” American Economic Review, 104(5), 394–399. https://doi.org/10.1257/aer.104.5.394

3. Acemoglu, D., Autor, D., Hazell, J., & Restrepo, P. (2022). „AI and Jobs: Evidence from Online Vacancies.” Journal of Labor Economics, 40(S1), S293–S340. https://economics.mit.edu/people/faculty/daron-acemoglu/data-archive

4. 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

5. Acemoglu, D., & Restrepo, P. (2020). „Robots and Jobs: Evidence from US Labor Markets.” Journal of Political Economy, 128(6), 2188–2244. https://doi.org/10.1086/705716

6. Autor, D. H. (2015). „Why Are There Still So Many Jobs? The History and Future of Workplace Automation.” Journal of Economic Perspectives, 29(3), 3–30. https://doi.org/10.1257/jep.29.3.3

7. Autor, D. H., & Dorn, D. (2013). „The Growth of Low-Skill Service Jobs and the Polarization of the US Labor Market.” American Economic Review, 103(5), 1553–1597. https://doi.org/10.1257/aer.103.5.1553

8. Bakotić, D., & Burnač, I. (2024). „Labor Market Impacts and Human Resource Management Practices: Croatian Manufacturing Companies Perspective.” Ekonomski pregled, 75(4), 347–360. https://doi.org/10.32910/ep.75.4.4

9. Brynjolfsson, E., Li, D., & Raymond, L. R. (2025). „Generative AI at Work.” The Quarterly Journal of Economics, 140(2), 889–942. https://doi.org/10.1093/qje/qjae044

10. Cazzaniga, M., Jaumotte, F., Li, L., Melina, G., Panton, A. J., Pizzinelli, C., Rockall, E. J., & Mendes Tavares, M. (2024). „Gen-AI: Artificial Intelligence and the Future of Work.” IMF Staff Discussion Note, 2024/001. https://doi.org/10.5089/9798400262548.006

11. Dauth, W., Findeisen, S., Südekum, J., & Wössner, N. (2021). „The Adjustment of Labor Markets to Robots.” Journal of the European Economic Association, 19(6), 3104–3153. https://doi.org/10.1093/jeea/jvab012

12. Dell’Acqua, F., McFowland, E. III, Mollick, E. R., Lifshitz-Assaf, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2026). „Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality.” Organization Science, 37(2), 403–423. Online-first 2025. https://doi.org/10.1287/orsc.2025.21838

13. Felten, E. W., Raj, M., & Seamans, R. (2021). „Occupational, Industry, and Geographic Exposure to Artificial Intelligence: A Novel Dataset and Its Potential Uses.” Strategic Management Journal, 42(12), 2195–2217. https://doi.org/10.1002/smj.3286

14. Graetz, G., & Michaels, G. (2018). „Robots at Work.” The Review of Economics and Statistics, 100(5), 753–768. https://direct.mit.edu/rest/article/100/5/753/58489/Robots-at-Work

15. Gmyrek, P., Berg, J., & Bescond, D. (2023). Generative AI and Jobs: A Global Analysis of Potential Effects on Job Quantity and Quality. ILO Working Paper 96. International Labour Organization. https://doi.org/10.54394/FHEM8239

16. Gmyrek, P., Berg, J., Kamiński, K., Konopczyński, F., Ładna, A., Nafradi, B., Rosłaniec, K., & Troszyński, M. (2025). Generative AI and Jobs: A Refined Global Index of Occupational Exposure. ILO Working Paper 140. International Labour Organization. https://doi.org/10.54394/HETP0387

17. Merola, R., Ernst, E., Samaan, D., del Rio-Chanona, M., & Teutloff, O. (2026). „The Impact of GenAI on Jobs, Productivity and Work Organization: A Review of the Empirical Evidence.” ILO Research Brief. https://doi.org/10.54394/00034628

18. Milanez, A., Lemmens, A., & Ruggiu, C. (2025). „Algorithmic Management in the Workplace: New Evidence from an OECD Employer Survey.” OECD Artificial Intelligence Papers, 31. https://doi.org/10.1787/287c13c4-en

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. (2023). OECD Employment Outlook 2023: Artificial Intelligence and the Labour Market. OECD Publishing. https://www.oecd.org/en/publications/oecd-employment-outlook-2023_08785bba-en/full-report/artificial-intelligence-and-the-labour-market-introduction_ea35d1c5.html

21. Plantak, M., Vargović, E., & Trstenjak, J. (2023). „Razvoj umjetne inteligencije: Socioekonomske implikacije, moralni izazovi i društvena pravednost.” Zbornik radova Međimurskog veleučilišta u Čakovcu, 14(1), 100–111. https://hrcak.srce.hr/306612

22. Restrepo, P. (2024). „Automation: Theory, Evidence, and Outlook.” Annual Review of Economics, 16, 1–25. https://doi.org/10.1146/annurev-economics-090523-113355

23. Uzelac, N., & Simichen, B. (2025). „Utjecaj umjetne inteligencije na tržište rada: Stavovi studenata.” Polytechnic and Design, 13(3), 169–178. https://doi.org/10.19279/TVZ.PD.2025-13-3-01

PROVJERA BROJEVA

U prozi su korištene samo brojčane vrijednosti koje su dio bibliografskih godina ili bibliografskih identifikatora. Godine uz autor–godina citate pripadaju citatnom zapisu i ne predstavljaju zasebne brojčane tvrdnje. Nisu uneseni postoci, veličine uzorka, koeficijenti, broj studija ni brojčane procjene učinka.

PROVJERA LITERATURE

Oznaka citata u prozi	Gdje je citirana	Zapis u popisu	Status
Acemoglu (2002)	poglavlje 12	zapis 1	u redu
Acemoglu i Restrepo (2019)	poglavlja 2, 4 i 19	zapis 4	u redu
Acemoglu i Restrepo (2020)	poglavlja 13 i 18	zapis 5	u redu
Acemoglu i sur. (2022)	poglavlje 9	zapis 3	u redu
Autor (2015)	poglavlja 2, 3 i 11	zapis 6	u redu
Autor i Dorn (2013)	poglavlja 11, 13 i 19	zapis 7	u redu
Bakotić i Burnač (2024)	poglavlje 20	zapis 8	u redu
Brynjolfsson, Li i Raymond (2025)	poglavlja 3, 6, 7, 8, 12, 14 i zaključak	zapis 9	u redu
Cazzaniga i sur. (2024)	poglavlja 12, 14 i 18	zapis 10	u redu
Dauth i sur. (2021)	poglavlja 13, 18 i 19	zapis 11	u redu
Dell’Acqua i sur. (2026)	poglavlja 8 i zaključak	zapis 12	u redu
Felten, Raj i Seamans (2021)	poglavlje 5	zapis 13	u redu
Graetz i Michaels (2018)	poglavlja 13 i 18	zapis 14	u redu
Gmyrek, Berg i Bescond (2023)	poglavlja 4, 5 i 11	zapis 15	u redu
Gmyrek i sur. (2025)	poglavlja 4, 5 i 11	zapis 16	u redu
Merola i sur. (2026)	poglavlja 5, 8, 15 i 20	zapis 17	u redu
Milanez, Lemmens i Ruggiu (2025)	poglavlja 16 i 17	zapis 18	u redu
Noy i Zhang (2023)	poglavlja 3, 6, 7, 8, 12 i 14	zapis 19	u redu
OECD (2023)	poglavlje 15	zapis 20	u redu
Plantak, Vargović i Trstenjak (2023)	poglavlje 20	zapis 21	u redu
Restrepo (2024)	poglavlja 2 i 3	zapis 22	u redu
Uzelac i Simichen (2025)	poglavlje 20	zapis 23	u redu

Registar literature pokriva sve izvore korištene u prozi. Iz popisa nisu uključeni izvori koji su ostali necitirani.

RUPE U POKRIVENOSTI

1. Sadržajna rupa — trošak rada po jedinici outputa.
   Dostupni izvori mjere produktivnost, output, zaposlenost ili scenarije, ali ne daju cjelovit račun troška rada u poduzeću koje uvodi generativnu AI. Poglavlje 10 zato je napisano kao konceptualni okvir i istraživačka praznina.

2. Sadržajna rupa — stvarni učinak generativne AI na broj zaposlenih u poduzeću.
   Dostupni nalazi o zapošljavanju i AI izloženosti ne pružaju dovoljno longitudinalnih podataka o stvarnom smanjenju ili povećanju broja zaposlenih nakon uvođenja tehnologije.

3. Sadržajna rupa — hijerarhijska struktura.
   Izvor o algoritamskom upravljanju potvrđuje automatizaciju dijelova menadžerskih funkcija, ali ne mjeri broj hijerarhijskih razina, broj menadžera ili širinu kontrole. Poglavlje 17 je zbog toga ograničeno.

4. Sadržajna rupa — nova zanimanja.
   Teorijski izvori objašnjavaju stvaranje novih zadataka, ali dostavljeni korpus ne daje dovoljno aktualnih longitudinalnih podataka o tome koja su nova zanimanja stvarno nastala nakon uvođenja generativne AI.

5. Sadržajna rupa — hrvatski stvarni učinci.
   Hrvatski i regionalni izvori pokrivaju HRM-prakse, percepcije, obrazovanje i društvene implikacije. Ne pokrivaju stvarno usvajanje AI-ja, promjene plaća, produktivnost, zaposlenost ili trošak rada u Hrvatskoj.

6. Sadržajna rupa — dugoročni makroekonomski učinak.
   IMF daje modelske scenarije, a ILO pregled ranih empirijskih dokaza, ali nema dovoljno dugih vremenskih serija za čvrst zaključak o konačnom učinku generativne AI.

7. Nalaz o isporuci — STYLE PROFILE nije dostavljen.
   Tekst je oblikovan prema briefu i općem zahtjevu za akademski rad.

8. Nalaz o isporuci — kontrolna lista nije zasebno emitirana u presudi debate u obliku koji bi se mogao izvršiti nad gotovim tekstom?
   U dostavljenoj presudi kontrolna lista jest emitirana, pa je ispunjena u nastavku.

PRIMIJENJENE ZAKLJUČANE ODLUKE

Odluka	Mjesto u tekstu
24 — preformulacija tvrdnje o brzini, kvaliteti i točnosti	poglavlje 8
41 — uklanjanje nepodržane definicije troška rada	poglavlje 10; tema je zadržana kao istraživačka praznina
42 — uklanjanje tvrdnje o ukupnom trošku implementacije, nadzora i obuke	poglavlje 10; navedeno je da korpus ne omogućuje cjelovit račun
69 — razdvajanje smanjenja razlika u produktivnosti od ukupne nejednakosti	poglavlja 7 i 14
73 — razlikovanje potencijalne izloženosti od opaženih ishoda	poglavlja 4 i 5
75 — ograničenje tvrdnje o hijerarhiji na ono što mjeri izvor o algoritamskom upravljanju	poglavlje 17

Kontrolna lista za provjeru nakon pisanja

#	Provjera	Status
1	Tvrdnja o brzini rada ograničena je na kvalitetu i točnost na zadacima izvan granice sposobnosti modela.	prošlo
2	Nema tvrdnje da je trošak rada po jedinici outputa empirijski izmjeren u ovom korpusu.	prošlo
3	Nema tvrdnje da AI povećava ukupni trošak zbog implementacije, nadzora i obuke kao nalaza korpusa.	prošlo
4	Razlike u produktivnosti nisu predstavljene kao dokaz promjene ukupne dohodovne ili imovinske nejednakosti.	prošlo
5	Izloženost zanimanja odvojena je od stvarne automatizacije i gubitka zaposlenosti.	prošlo
6	Nigdje nije navedeno da visoka izloženost sama dokazuje otkaze ili promjenu zaposlenosti.	prošlo
7	Eksperimentalni nalazi navedeni su uz svoje zadatke i populacije.	prošlo
8	Robotika i raniji IT predstavljeni su kao povijesna i teorijska analogija.	prošlo
9	Zaključak ne tvrdi da je transformacija rada konačno potvrđen dominantan obrazac.	prošlo
10	Algoritamsko upravljanje nije prošireno u tvrdnju o smanjenju hijerarhijskih razina.	prošlo
11	Hrvatski izvori nisu korišteni kao dokaz stvarnog hrvatskog učinka na zaposlenost, plaće ili troškove.	prošlo
12	Tema troška rada zadržana je, ali je obrađena kraće i prijavljena kao rupa.	prošlo
13	Poglavlje o organizaciji rada navodi nedostatak dokaza o smanjenju hijerarhijskih razina.	prošlo
14	Hrvatsko poglavlje navodi nedostatak podataka o stvarnom usvajanju, zaposlenosti, plaćama i produktivnosti.	prošlo
15	U tezi je naveden uvjet da zaključak ovisi o tome mjeri li se tehnička mogućnost, usvajanje ili opaženi gubitak zaposlenosti.	prošlo
16	Operacionalizacija je uključena u uvod i zaključak, a ne samo u ograničenja.	prošlo
17	Restrepo, OECD i ILO korišteni su i kao pregledni okviri za sintezu.	prošlo
18	Zaključne tvrdnje nisu šire od mjera i ograda izvora.	prošlo