Poslovni savjet može biti činjenično točan, dobro napisan i gotovo beskoristan. Rečenice poput „postavite jasne ciljeve”, „slušajte zaposlenike” ili „pratite rezultate kampanje” teško je osporiti. Problem nastaje kada ih autor predstavlja kao stručno znanje, a ne objašnjava u kojim okolnostima vrijede i što učiniti kada ne daju rezultat.
LinkedIn je počeo autorima pružati privatne povratne informacije o sadržaju koji korisnici označavaju kao generički AI sadržaj. No nova opcija otvara pitanje koje nadilazi umjetnu inteligenciju: koliko poslovnih objava stvara dojam stručnosti, a čitatelju zapravo ne pomaže donijeti bolju odluku?
Prema službenoj LinkedInovoj objavi od 15. rujna 2026., više od milijun članova koristilo je opciju Seems like AI slop tijekom prva dva tjedna njezine dostupnosti. Platforma također navodi da je svojim mjerama smanjila broj pregleda sadržaja klasificiranog kao generički AI sadržaj za 40 posto. Riječ je o LinkedInovim podacima, bez dovoljno objavljenih pojedinosti za neovisnu provjeru učinka.
Što LinkedIn zapravo pokušava prepoznati?
LinkedIn izrazom AI slop opisuje sadržaj koji je vjerojatno nastao uz pomoć umjetne inteligencije, djeluje uglađeno, ali nema dovoljno sadržajne vrijednosti, vlastite perspektive ili originalnosti.
Korisnici mogu označiti takve objave i komentare, a autor na temelju povratnih informacija može dobiti privatnu napomenu u analitici. Prema službenim uputama, takva oznaka ne znači kršenje pravila platforme.
LinkedIn zasebno koristi automatizirane sustave za prepoznavanje i ograničavanje distribucije generičkog sadržaja. Iz same korisničke oznake nije moguće zaključiti koliko će ljudi vidjeti pojedinu objavu.
Generičan tekst ne mora biti napisan uz pomoć AI-ja. Isto tako, autor može koristiti AI za uređivanje teksta, a ipak ponuditi vlastitu analizu i provjerljive argumente.
Zato pitanje tko je napisao rečenicu nije dovoljno za procjenu njezine stručne vrijednosti. Važnije je što autor zna objasniti i obraniti.
Kada dobar savjet postaje loš poslovni savjet?
Uzmimo preporuku koju često susrećemo u tekstovima o menadžmentu: zaposlenicima treba postaviti jasne ciljeve.
Sama po sebi, preporuka je razumna. Ali zamislimo tim u kojem su ciljevi već jasno definirani, a rezultati izostaju. Hoće li dodatno objašnjavanje ciljeva riješiti problem?
Možda zaposlenici nemaju ovlasti za odluke koje se od njih očekuju. Možda dva odjela imaju ciljeve koji se međusobno sukobljavaju. Ili se učinak mjeri pokazateljem na koji tim ne može dovoljno utjecati.
To su različiti problemi i zahtijevaju različite odluke.
Stručan autor ne mora unaprijed znati koje je objašnjenje točno. Ali mora prepoznati da početna preporuka nije dovoljna i pokazati što bi provjerio prije nego što predloži rješenje.
Tu je razlika između poznavanja poslovnog rječnika i stručne prosudbe. Prvo omogućuje da savjet zvuči uvjerljivo. Drugo pomaže odrediti kada ga treba primijeniti, prilagoditi ili odbaciti.
Takav pristup vrijedi i za tekstove napisane bez AI-ja. Profesionalan ton ne može nadomjestiti nedostatak argumenta.
Marketinška kampanja može imati odlične brojke i promašiti cilj
U marketingu je problem posebno vidljiv kada se uspjeh kampanje opisuje brojem pregleda, reakcija ili klikova.
Pretpostavimo da je cilj kampanje povećanje prodaje, a izvještaj pokazuje snažan rast dosega i angažmana. Jesu li to dobri rezultati?
Za vidljivost kampanje možda jesu. Ali sami po sebi ne govore je li ostvaren prodajni cilj.
Odgovor ovisi o tome što je kompanija željela postići, koji su pokazatelji bili unaprijed određeni i postoji li pouzdana veza između rezultata kampanje i poslovnog ishoda.
Primjerice, rast broja upita može biti korisniji pokazatelj od pregleda ako kampanja treba dovesti potencijalne kupce. No ni veći broj upita nije dovoljan ako se ne zna njihova kvaliteta ili koliko ih završava kupnjom.
Stručnost se ovdje vidi u izboru mjerila i tumačenju rezultata, a ne u sposobnosti da se brojke predstave kao uspjeh.
Autor koji zna objasniti zašto određeni pokazatelj nije dovoljan daje čitatelju način da izbjegne pogrešnu poslovnu odluku.
Što istraživanja govore o radu s AI-jem?
Problem prihvaćanja uvjerljivih odgovora bez dovoljno provjere istraživali su Carnegie Mellon University i Microsoft Research.
U istraživanju objavljenom 2025. sudjelovalo je 319 zaposlenika koji su opisali 936 primjera korištenja generativnog AI-ja na poslu.
Veće povjerenje u AI bilo je povezano s manjim prijavljenim angažmanom u kritičkom razmišljanju. Nasuprot tome, sudionici s većim povjerenjem u vlastite sposobnosti prijavljivali su veći angažman.
Istraživanje se temelji na samoprocjenama i ne dokazuje da korištenje AI-ja uzrokuje slabljenje kritičkog razmišljanja. Nalazi upućuju na rizik pretjeranog oslanjanja na AI, osobito kada korisnik ima veliko povjerenje u njegove odgovore.
Autori su također utvrdili da se dio misaonog napora premješta s prikupljanja informacija na provjeru AI odgovora i njihovo uklapanje u završni rezultat.
Za profesionalca koji objavljuje savjete provjera činjenica ostaje nužna, ali nije dovoljna. I činjenično točan savjet treba provjeriti u odnosu na okolnosti u kojima bi ga netko mogao primijeniti.
Što autor mora dodati prije objave?
Prije objavljivanja pročitajte vlastiti tekst i podcrtajte njegovu glavnu preporuku. Zatim provjerite možete li odgovoriti na pitanje: u kojim okolnostima ovaj savjet ne bih primijenio?
Ako preporučujete više individualnih razgovora sa zaposlenicima, razmotrite može li problem biti u nejasnim odgovornostima, a ne u nedostatku komunikacije. Ako savjetujete veće ulaganje u marketinški kanal, provjerite pokazuje li njegov rezultat stvarni doprinos poslovnom cilju.
Sljedeći korak je uklanjanje tvrdnji koje zvuče stručno, ali čitatelju ne govore što napraviti. Rečenicu „kompanije trebaju donositi odluke na temelju podataka” zamijenite objašnjenjem koje biste podatke prvo provjerili i zašto. Ako podaci nisu dovoljni za zaključak, napišite što još nedostaje.
Provjerite i možete li obraniti svaku brojku koju navodite. Rast od 30 posto malo govori bez početne vrijednosti, razdoblja usporedbe i objašnjenja što se zapravo mjerilo. Ako se pozivate na istraživanje, razdvojite njegov nalaz od vlastitog tumačenja.
Na kraju izbrišite barem jednu opću preporuku i zamijenite je konkretnim opažanjem, argumentom ili odlukom. Ako nemate osobno iskustvo, možete analizirati javno dostupne podatke ili objasniti zašto se ne slažete s raširenim poslovnim savjetom. Pritom jasno navedite na čemu temeljite zaključak.
Najkorisnija provjera dolazi nakon toga: može li čitatelj na temelju vaše objave prepoznati situaciju u kojoj treba postupiti drukčije nego što je prvotno planirao?
Na financa.ba već smo pisali o tome zašto originalnost dobiva na vrijednosti kada AI postane standard. Za autora poslovne objave originalnost ima vrijednost kada iza nje stoji argument koji čitatelj može provjeriti i upotrijebiti.
Može li tekst proći test bez imena autora?
Prije objavljivanja uklonite ime, fotografiju i radno mjesto autora.
Bi li u tekstu ostalo nešto što pokazuje njegovo znanje, iskustvo ili način razmišljanja?
Ako objava sadrži samo opće preporuke, mogao bi je potpisati gotovo bilo tko iz iste profesije. Ako autor objašnjava kada preporuka ne vrijedi, prepoznaje iznimke ili pokazuje kako je došao do zaključka, njegov je doprinos vidljiv.
LinkedIn može prepoznavati generički sadržaj i prikupljati korisničke povratne informacije. No za autora je korisnije pitanje koju bi pogrešnu poslovnu odluku čitatelj mogao izbjeći zahvaljujući njegovoj objavi.
Ako na to nema odgovor, možda mu ne nedostaje bolja formulacija. Možda još nema dovoljno dobar argument.
Autor: financa.ba
Prilikom preuzimanja obvezno navesti izravni link na članak.
