Čovek podnese zahtev za pomoć, dozvolu ili dokument. Odgovor stigne brzo: ne ispunjava uslove. Ono što nedostaje jeste objašnjenje koje može da proveri. Koji podatak je presudio, ko ga je proverio i kome da kaže da je pogrešan? Ovo je zamišljena situacija, ali dobro otvara pitanje šta očekujemo od uprave koja koristi veštačku inteligenciju.
Za Humanophilic je važan i drugi deo priče. Dobro upotrebljena AI može da oslobodi službenika ponavljanja, olakša nalaženje relevantnih dokumenata i ubrza postupak. Vrednost se vidi kada oslobođeno vreme postane pažnja za složen slučaj i kada građanin lakše ostvari pravo. Broj obrađenih predmeta treba čitati zajedno sa kvalitetom objašnjenja i mogućnošću ispravke.
U središtu te promene su ljudi koji već rade u instituciji. Službenik poznaje postupak, a kroz rad upoznaje i situacije koje formular ne opisuje dobro. Napredak bi bio da uz odgovarajuću obuku i AI alat bolje koristi to znanje: nalazi relevantne podatke, proverava predloge i razumljivije objašnjava odluku. Ako se na nepromenjen postupak samo dodaju softver, novi formulari i novi timovi, ostaje pitanje da li smo olakšali posao ili napravili još jedan administrativni sloj.
Ovde nas zanimaju primene koje utiču na prava, obaveze i postupanje prema ljudima: ko dobija pomoć, čiji zahtev ide na proveru, ko duže čeka i kako nastaje sudsko ili upravno obrazloženje. Razlikovaćemo sistem koji računa po unapred zadatim pravilima, model koji prepoznaje obrasce u ranijim predmetima i generativnu AI koja sastavlja tekst. Svaki traži drugačiju proveru. Izabrani primeri pokazuju mogućnosti i propuste; nijedan ne predstavlja ceo kontinent ili sve ustanove svoje zemlje.
Sposobniji službenik, bolja javna služba
Obuka službenika mora biti deo uvođenja AI. Naučiti gde se klikće i kako se postavlja pitanje tek je početak. Potrebno je vežbati na poslovima koje ljudi stvarno rade: šta se sme poveriti alatu, gde proveriti njegov odgovor, kako prepoznati prećutanu pretpostavku i kada zaustaviti automatizovanu obradu.
Takav pravac već postoji. Kanadska strategija za saveznu upravu predviđa obuku postojećih zaposlenih, prilagođenu radnom mestu, odgovornosti i početnom znanju. To je plan razvoja kadra; ne treba ga predstavljati kao dokaz da je svaki službenik već osposobljen. Kanada — obuka postojećih službenika.
Britanski DWP, resor za rad i penzije, sproveo je probu Copilota od oktobra 2024. do marta 2025, uz 3.549 dodeljenih licenci. Taj broj ne znači da su svi zaposleni prošli istu obuku ili učestvovali u evaluaciji. Mnogi su učili samostalnim isprobavanjem, a učesnici su tražili jasnije uvođenje u rad i obuku prilagođenu svojim zadacima. Proba je obuhvatila centralne službe, bez zaposlenih u Jobcentrima koji neposredno rade sa građanima. Evaluacija zasnovana na anketama, razgovorima i poređenju sa nekorisnicima govori o iskustvu i procenjenom učinku; ne meri posebno koliko sama obuka popravlja odluke o pravima ljudi. DWP — evaluacija probne primene.
Brazilski federalni sud TRF1 prijavio je 2025. obuku 414 sudija i službenika. Kolumbijske sudske smernice idu i korak dalje od opšteg poziva na obuku: traže učenje prilagođeno poslu i početnom znanju, praktičan deo i proveru naučenog. Imamo, dakle, dokaz održane obuke u jednom slučaju i propisane zahteve u drugom. Iz tih izvora još ne saznajemo koliko zaposleni nakon obuke bolje otkrivaju greške. Obuka je potreban uslov za odgovoran rad, ali njena delotvornost tek treba da se meri. Obučen službenik ne može sam popraviti nezakonit kriterijum, neprikladan model ili nedostatak osoblja; potrebne su i promene pravila, alata i organizacije rada. TRF1 — program Sinergia, kolumbijske smernice, član 13.
Zato predlažemo praktičnu proveru sposobnosti: dati službeniku predmet u kojem AI predlog sadrži pogrešan podatak, izgubljenu ogradu ili neprikladnu kategoriju. Može li to da prepozna, vrati se izvoru i obrazloži ispravku? Za taj posao potrebni su vreme, pristup dokumentima i ovlašćenje da odbaci predlog. Potpis bez tih uslova može postati samo formalna potvrda rada sistema.
Odgovornost treba da prati stvarnu kontrolu. Službenik proverava predmet; rukovodstvo obezbeđuje obuku i uslove rada; institucija uređuje izbor sistema, njegovu upotrebu i ispravke. To je naš kriterijum dobrog upravljanja, dok se konkretna pravna odgovornost utvrđuje prema merodavnom pravu. Tehnički tim treba da podupre postojeću službu. Nije potrebno da svaka rutinska radnja čeka novi ljudski potpis, ali značaj odluke i težina moguće greške moraju odrediti koliko je provere potrebno.
Tri rečenice, tri strane, pa opet tri rečenice
Zamislimo inženjera koji izveštaj napiše u tri rečenice. AI od njih napravi tri strane, a rukovodilac drugom AI nalaže da te strane svede na tri rečenice. Jedan alat proizveo je tekst koji drugi uklanja. Ako se usput nije dodala potrebna, proverena informacija, duži dokument nije unapredio posao.
Postoji i ozbiljnije pitanje: da li su završne tri rečenice sačuvale početno značenje? „Verovatno završavamo u petak, ako test prođe” moglo bi kroz preformulisanje postati „završetak je planiran za petak”. Nestao je uslov od kojeg rok zavisi. Ovaj primer je zamišljen; nije nalaz o ponašanju svakog proizvoda ili svake firme.
AI sažetak nije doslovan zapis: treba proveriti šta je izostavio, dodao ili predstavio sigurnije nego u izvorniku. Kada kroz više službi putuju preformulisane verzije, izvor mora ostati dostupan za proveru značenja.
Smernice za sudije Engleske i Velsa upravo zato zahtevaju čitanje izvornih dokumenata: AI pomoć ne zamenjuje neposredno razmatranje dokaza. Dobra obuka uključuje i sposobnost da se prepozna kada je izvor već dovoljno kratak i jasan. Sudske smernice iz oktobra 2025, odeljak o odgovornosti.
Kada „ne znamo” postane „znamo”
Generativna AI može da proizvede uverljivu formulaciju bez dovoljnog činjeničnog osnova. Američki institut NIST među rizicima opisuje upravo samouvereno iznošenje netačnog sadržaja i odstupanje od datog ulaza. Jezička uverljivost odgovora zato nije dokaz da se događaj odigrao onako kako odgovor kaže. NIST — profil rizika generativne AI, odeljak 2.2.
Zamišljeni primer iz spisa pokazuje koliko mala promena može biti važna. Izvor glasi: „U spisu nema potvrde da je dopis primljen.” U prepričavanju nastane: „Dopis nije primljen.” U narednom sažetku: „Lice nije bilo obavešteno.” Prva rečenica govori o tome šta nedostaje u dokumentaciji. Druga tvrdi šta se dogodilo sa dopisom. Treća donosi širi zaključak. Jedna se ne može automatski izvesti iz prethodne.
Dok se ne pribave dodatne činjenice, nejasnoća mora ostati vidljiva. Kao pravilo provere predlažemo da sažetak razlikuje šta je dokumentovano, šta neko tvrdi, šta je pretpostavka i šta još ne znamo.
Upozorenje nije etiketa čoveka
Sličan problem nastaje kada alat razvrstava izjave ili ljude u kategorije. Izdvojena reč može da pokrene upozorenje, a kontekst da se izgubi. Izraz „ubiću se od smeha” nije isto što i izjava o nameri samopovređivanja. Rečenica „ubiću te” zahteva razmatranje okolnosti: da li je pretnja, citat, prepričavanje ili preterivanje? Same reči ne rešavaju to pitanje. Ovo su jezički primeri, bez procene bilo koje konkretne osobe.
AI može da uzme u obzir kontekst koji dobije, ali može i da propusti važan detalj. Ako se „moguća pretnja” u sledećem koraku prenese kao „utvrđena pretnja”, a zatim kao osobina čoveka, izgubljena je razlika između signala i zaključka. Da li se oznake automatski prosleđuju drugim sistemima zavisi od konkretne primene; to ne treba pretpostavljati za svaku AI.
Uz upozorenje treba sačuvati izvor, razlog označavanja i otvorena pitanja. Obučena osoba treba da proveri kategoriju, promeni je ili ukloni, a ispravka da stigne i u evidencije u koje je pogrešna oznaka već preneta. Upozorenje treba da pokrene proveru, a ne da unapred odredi njen ishod.
Universal Credit: pojedinačan zahtev, statistički obrazac
Universal Credit je britansko socijalno davanje; ovde posmatramo model za zahteve za avans, odnosno raniju isplatu. Model iz podataka pojedinačnog zahteva procenjuje rizik prevare i usmerava deo zahteva za avans na proveru službeniku. Model je učio da razvrstava zahteve na osnovu ranijih podataka i zabeleženih ishoda. Dobija podatke konkretnog podnosioca, a procenjuje ih prema obrascima naučenim iz drugih predmeta. DWP navodi da pri obuci modela nije koristio lična svojstva zaštićena pravilima o nediskriminaciji, osim starosti koja utiče na iznos. I kada takvo svojstvo nije neposredan ulaz, drugi podaci mogu biti povezani s njim. To je mogućnost koju treba proveriti, a ne dokaz da je ovde utvrđena. Nisu javni svi podaci na kojima je model razvijen ni težina koju daje pojedinim podacima, uz pozivanje na zaštitu sprovođenja zakona. Javnost zato ne može da ponovi njegov obračun. Javni zapis o algoritmu.
Zaštita je i u načinu provere: službenik ne vidi brojčanu procenu rizika niti zna da je model izdvojio predmet; takvi zahtevi mešaju se sa slučajevima izabranim radi poređenja. Odbijanje avansa ne znači automatski odbijanje celog prava na Universal Credit. Ipak, dodatna provera već jeste posledica za čoveka. Obrazac može biti povod da se činjenice provere; sam po sebi nije dokaz prevare konkretnog podnosioca. Opis ljudske provere.
DWP navodi i korist: model je 2,5 puta uspešniji u prepoznavanju visokorizičnih avansa nego slučajan izbor iz kontrolne grupe. U njegovom merenju, odbijanje avansa nakon službeničke provere računa se kao ispravno upućivanje. Kod izdvojenih zahteva koje službenik naknadno odobri, medijana čekanja na isplatu duža je za jedan dan nego kod automatski odobrenih. To su nalazi samog resora, ne nezavisna potvrda ukupne tačnosti ili pravičnosti. Pokazuju, ipak, razlog za ciljanu proveru umesto dodatne dokumentacije od svih podnosilaca. DWP — korist, čekanje i metod obračuna.
Ista procena iz jula 2026. beleži 3,35 puta veću stopu upućivanja nebritanskih nego britanskih državljana. Među upućenima, odnos stopa odbijanja avansa između iste dve grupe iznosio je 1,04, bez statistički značajne razlike. Prvi broj poredi učestalost provere; drugi njen ishod. Nijedan ne znači da su nebritanski državljani 3,35 puta skloniji prevari. Ostaje pitanje pogrešnog označavanja ispravnih zahteva i nezavisne provere službeničkih odluka. DWP priznaje slabiji učinak kod pojedinih grupa; u toj proceni reobučeni model još čeka uvođenje. DWP — procena učinka 2025/26.
Dakle, javni podaci otkrivaju razlog za ispitivanje nejednakog tereta, ali ne dokazuju da je svako upućivanje diskriminacija. Pitanje stereotipnosti rešava se proverom relevantnosti podataka, grešaka po grupama i stvarne mogućnosti da pojedinac obori pogrešnu pretpostavku.
Postoji i utvrđen evropski primer. Holandski organ za zaštitu podataka ustanovio je nezakonitu i diskriminatornu obradu državljanstva u sistemu subvencija za troškove čuvanja dece. Među spornim upotrebama bio je samoučeći model rizika koji je koristio podatak da li je podnosilac holandski državljanin; visoke procene rizika usmeravale su zahteve na dodatnu proveru. Poreskoj upravi je 2021. izrečena kazna od 2,75 miliona evra za više nezakonitih obrada. Ljudsko razmatranje na kraju nije uklonilo diskriminaciju pri izboru koga proveravati. Ceo skandal ipak ne treba pripisati jednom modelu: šteta je nastala kroz spoj podataka, politike kontrole i postupanja institucije. Nalaz o modelu rizika, odluka o kazni.
Kanada: ko dobija ubrzanje, a ko ostaje da čeka?
Kanadska služba za imigraciju, izbeglice i državljanstvo (IRCC) koristi različite alate. Za deo viza i porodičnih prijava, pravila službenika i pravila izvedena mašinskim učenjem iz ranijih predmeta služe razvrstavanju i proveri da li jednostavni slučajevi ispunjavaju uslove određenog programa. To još nije konačna dozvola: službenik proverava i druge uslove za ulazak ili boravak i donosi odluku. IRCC navodi da ovi alati ne odbijaju zahteve niti preporučuju odbijanje. Tvrdnju da čovek donosi svaku odluku ipak treba vezati za konkretan postupak: drugi, pravilima zasnovani sistemi mogu dati i konačno automatsko odobrenje, kao kod pojedinih elektronskih putnih dozvola. IRCC — obrada prijava, registar upotreba.
Kako se meri učinak? IRCC je 2022. prijavio 87 odsto bržu procenu rutinskih viznih predmeta. To nije isto što i 87 odsto kraće ukupno čekanje svih podnosilaca. Kontrola opisana parlamentu iste godine predviđala je dnevni slučajni uzorak deset odsto jednostavnih predmeta. Cilj je bio najmanje 99 odsto slaganja službenika sa pozitivnom automatskom procenom ispunjenosti programskih uslova. To je prag kontrole, a ne dokazana ukupna tačnost sistema. Slaganje sa čovekom pritom ne otkriva grešku koju oboje ponavljaju. IRCC — rezultat za rutinske predmete, parlamentarni izveštaj, strana 66.
Državni revizor je 2023. utvrdio konkretnu slabost u programu supružnika i partnera u Kanadi. Predmeti sa automatski potvrđenim uslovima završavali su se prosečno za 7,7 meseci, a oni u ručnoj obradi za 9,5. Gotovo svi predmeti haićanskih državljana išli su ručnim putem. IRCC nije izmerio koliko razliku objašnjava složenost predmeta niti dovoljno preraspodelio rad da je smanji. To je dokumentovan problem nejednakog čekanja i upravljanja postupkom, a ne nalaz da je algoritam te ljude pogrešno odbio. Institucija je prihvatila preporuku za bolje praćenje; obećanje samo po sebi nije dokaz da je razlika otklonjena. OAG — revizija, odeljci 9.57–9.64, odgovor IRCC-a.
Položaj pojedinca proverava se i posle odgovora. Od jula 2025. uz odbijanje većine privremenih prijava, a od maja 2026. i stalnog boravka, dostavljaju se beleške službenika, uz izuzetke i mogućnost da delovi teksta budu izostavljeni radi zaštite podataka. Postoji i put da se od suda traži provera zakonitosti odluke. Podnosilac prvo traži dozvolu da sud preispita odluku; ako je dobije, sledi razmatranje. Ali javno postojanje tog puta ne govori koliko je algoritamskih grešaka pronađeno. U pregledanim izvorima nedostaje uporediva aktuelna serija: koji alat je uticao na predmet, koja greška je otkrivena, kako je ispravljena i koliko je čovek čekao. Beleške uz odluku, pravila sudske kontrole, član 72.
Sudovi: uverljiv nacrt mora da ostane proverljiv
AI kao pomoć u pronalaženju spisa, poređenju predmeta i sastavljanju radnog sažetka može biti dobar put ka efikasnijem pravosuđu. Brazilski Vrhovni federalni sud, na primer, koristi Victor za razvrstavanje predmeta, a alat Maria za podršku radu sa sadržajem, sažecima i nacrtima. To su opisane funkcije; same po sebi ne dokazuju kraće ukupno suđenje ili kvalitetniju presudu. Korist nastaje ako manje tehničkog rada ostavi više vremena za činjenice, argumente stranaka i proveru izvora. STF — upotrebe AI, septembar 2025.
Kolumbijska odluka T-323/24 pokazuje zašto je važan redosled rada. U predmetu zdravstvenih prava deteta sa autizmom sudija je koristio ChatGPT pošto je već oblikovao sopstveno obrazloženje. Ustavni sud nije utvrdio da je AI zamenila sudiju, ali je razmotrio manjkavosti transparentnosti i odgovornosti. Zaštitu prava je delom potvrdio, a u pogledu prevoza dopunio. Ishod zato nije opšta dozvola da se svaki AI nacrt samo potpiše, već zahtev da se može pokazati kako je sudija samostalno došao do zaključka. Ustavni sud Kolumbije — T-323/24.
U drugom kolumbijskom predmetu, STP21973-2025 od 2. decembra 2025, nacrt osuđujuće presude uz pomoć generativne AI pojavio se u elektronskom spisu pre završnih izlaganja stranaka. Sud je problem prepoznao u nepristrasnosti i pretpostavci nevinosti: odluka je delovala unapred formirano, pre nego što je postupak završen. Nije reč o tome da je softver sam izrekao kaznu. AI je ušla u proces u trenutku u kojem je nacrt mogao da ugrozi otvorenost sudijskog razmatranja. Vrhovni sud — pregled predmeta STP21973-2025, naknadno obrazloženje o upotrebi AI, strana 8.
Brazilska pravila za AI u pravosuđu izričito prepoznaju potrebu za kritičkom analizom i rizik nekritičkog prihvatanja automatizovanog predloga. Zajedničko pitanje ovih slučajeva jeste koliko slobode za procenu ostaje čoveku posle uverljivo napisanog nacrta. Obuka ima smisla kada sudija ili službenik ume da pronađe problem, promeni zaključak i objasni zašto je to uradio. Brazilska pravila CNJ 615, izmenjeni tekst.
Indija: greška koju dva nivoa odlučivanja nisu zaustavila
Indijski primer pokazuje konkretnu posledicu neproverenog teksta. Vrhovni sud Indije je 2. jula 2026, u predmetu Pooja Ramesh Singh protiv Jammu and Kashmir Bank, ukinuo odluke prvostepenog i žalbenog tribunala u postupku zbog nemogućnosti izmirenja dugova i vratio predmet na ponovno odlučivanje. U obrazloženju su bili neistiniti navodi koje je proizvela AI: nepostojeći predmeti i izmišljeni pasusi pripisani stvarnim odlukama. Žalbeni nivo nije otklonio problem. Zvanično objavljena odluka 2026 INSC 668.
Posledica je stvarna: odluke nisu opstale, a postupak mora ponovo da se vodi. To ne znači da je sud unapred rešio osnovni dug ili utvrdio sve finansijske posledice greške. Pokazuje da formalno prisustvo ljudi na dva nivoa nije dovoljno ako reference nisu proverene. Obuka za takav posao treba da proverava izvor, pravno značenje i vezu sa činjenicama konkretnog predmeta, a ne samo jezičku uverljivost nacrta.
Togo: kako se bira ko dobija pomoć
Ruralno proširenje programa Novissi u Togu koristilo je 2020–2021. mašinsko učenje da usmeri novčanu pomoć siromašnijim ljudima. Satelitski podaci pomogli su pri izboru područja, a obrasci upotrebe telefona pri proceni korisnika. Model je iz anketa učio koje osobine prate siromaštvo, pa je te veze primenjivao na druge ljude. Dobio je način da proceni kome dati prednost, ali ne i neposredan uvid u svačije okolnosti.
Istraživanje objavljeno u časopisu Nature našlo je 4–21 odsto manje grešaka isključivanja nego kod razmatranih metoda izbora prema području stanovanja. Greška ovde znači da pomoć zaobiđe siromašnu osobu koju je trebalo obuhvatiti izborom. Naspram zamišljenog potpunog socijalnog registra, takvih grešaka bilo je 9–35 odsto više. Dakle, ishod zavisi i od raspoložive alternative. Brojke mere izbor korisnika, ne smanjenje siromaštva; autori istraživanja učestvovali su u razvoju pristupa. Nature — evaluacija programa.
Čovek bez telefona ili mogućnosti da se registruje mogao je ostati izvan procesa još pre te procene. Postojao je besplatan telefonski kanal za prigovore tokom registracije, izbora i isplate, uz dnevno praćenje pritužbi. U pregledanom operativnom izveštaju, međutim, nema dovoljno podataka da se utvrdi koliko je pogrešnih procena siromaštva tako ispravljeno. Da bismo ocenili položaj pojedinca, potreban nam je i taj rezultat. Svetska banka — Novissi.
Priča se nastavila kroz ASTRE, širi program socijalne zaštite i razvoja registra. Posle teškoća u sprovođenju, program je preuređen u aprilu 2026. Izveštaj Svetske banke od 1. maja njegovu realizaciju ocenjuje kao „umereno nezadovoljavajuću”, a napredak ka razvojnom cilju povoljnije. Novi pokazatelj, koji broji ljude obuhvaćene novčanim intervencijama ovog projekta, 21. aprila još je bio na nuli. To se odnosi na novi deo programskog praćenja, ne na istorijske primaoce Novissija. Raniji uspeh zato treba sačuvati kao rezultat određenog programa i perioda; učinak nastavka proveravati zasebno. ASTRE — stanje iz maja 2026.
Australija: kada prosek postane zahtev da vratite novac
Robodebt je australijski primer automatizovanog postupka zasnovanog na pravilima. Za nastanak problema nije bio potreban jezički model. Program je prihod iz poreskih podataka pretvarao u dvonedeljni prosek i na toj osnovi računao navodnu preplatu socijalne pomoći. Zamislimo nekoga ko je radio samo polovinu godine. Raspoređivanje ukupne zarade kroz celu godinu pripisuje mu prihod i u periodu kada nije radio. A pravo na pomoć zavisi od onoga što je zaista zaradio u relevantnom periodu. Godišnji zbir to ne dokazuje. Federalni sud — objašnjenje postupka.
Iz takve pretpostavke nastajao je zahtev za povraćaj novca, a građanin je morao da traži stare obračune i pokaže gde je račun pogrešan. Dobar AI alat mogao bi da mu olakša taj posao: složi dokumenta, uporedi datume i prihode, objasni razliku i pomogne da napiše prigovor. Takva pomoć ima smisla uz pristup sopstvenom predmetu, pouzdane izvore, zaštitu podataka i čoveka kome može da se obrati kada alat nije dovoljan. Institucija, sa svoje strane, mora da proveri osnov duga pre nego što zatraži novac. Lakša žalba i pouzdanija početna odluka treba da rade zajedno.
Ni finansijski rezultat nije bio ušteda. Kraljevska komisija je za period 2014/15–2023/24, prema tada dostupnim podacima i projekcijama, obračunala 971,4 miliona australijskih dolara troškova i 406,2 miliona procenjenih ušteda. Razlika je neto trošak od oko 565,2 miliona. Uračunati su sprovođenje i saniranje programa; šira društvena šteta nije novčano procenjena. Ovaj bilans ne treba mešati sa prostim sabiranjem otpisanih dugova i vraćenog novca. Kraljevska komisija — poglavlje 14.
Šta se dogodilo sa birokratijom? Program je automatizovao deo rada, ali je otvorio novi posao: dodatne ručne provere, prigovore i ispravke. Komisija beleži povećanje finansiranja zbog većeg udela ručnih i delimično onlajn postupaka. Pravna pomoć u Viktoriji prijavila je za 2016/17. godinu 21 odsto više predmeta Centrelink u kojima je pomagala, uz opis opterećenja automatizovanim dugovima. To nije mera svih dodatnih sati u Australiji. Pokazuje, ipak, zašto posao ne treba meriti samo na stolu prve službe: vreme koje ona uštedi može kasnije da potroši građanin, druga služba ili pravna pomoć. Komisija — troškovi provera, Victoria Legal Aid — godišnji izveštaj, strana 10.
Diella: šta radi, a ko odlučuje?
Albanija Diellu zvanično predstavlja kao državnu ministarku za veštačku inteligenciju. Njena potvrđena početna funkcija jeste pomoć korisnicima portala e-Albania pri pristupu uslugama i dokumentima. Iza ministarske titule, međutim, treba pročitati konkretne akte. Član 2 predsedničkog dekreta 331 od 12. septembra 2025. odgovornost za uspostavljanje i funkcionisanje virtuelnog ministra dodeljuje premijeru. Sam dekret ne daje softveru pravo da samostalno odlučuje o pojedinačnom slučaju tako da ta odluka obavezuje ljude ili institucije. Diellina zvanična stranica, dekret 331.
Vladin odgovor na zahtev za informacije, objavljen u registru za 2025, preciznije opisuje posao: analitička podrška prikupljanju, obradi i predstavljanju informacija, kroz servise povezane sa postojećim državnim sistemima. Za javne nabavke premijer je 11. decembra 2025. naveo da konačan rezultat donosi nadležna komisija na osnovu podataka koje Diella iznosi. Najavio je i mogućnost provere koraka koji su doveli do rezultata. To je zvanično opisan model rada; nije nezavisna potvrda da se svaka takva kontrola već sprovodi. Registar odgovora, stavka 47, opis postupka javnih nabavki.
U septembru 2026. vlada i dalje govori o izgradnji celovitog sistema javnih nabavki uz AI. U pregledanim izvorima nismo potvrdili samostalno pravno ovlašćenje Dielle da izabere pobednika tendera, niti objavljenu reviziju njenih odluka i ispravki. Praktično pitanje ostaje: šta komisija proverava, šta može da odbaci i kakvo obrazloženje dobija učesnik postupka. Broj obrađenih dokumenata ne odgovara na to. Vlada Albanije, 8. septembar 2026.
HUDERIA: šta se procenjuje i da li je to obavezno?
HUDERIA je postupak procene uticaja AI koji je razvio Savet Evrope, organizacija odvojena od Evropske unije. Bavi se ljudskim pravima, demokratijom i vladavinom prava. Nije centralni softver Evropske unije koji nadzire sve odluke. Komitet ministara odobrio je metodologiju 26. februara 2025, a prateći model kontekstualne analize rizika, COBRA, 25. februara 2026. Oba dokumenta su neobavezujuća uputstva za javne i privatne organizacije. Savet Evrope — HUDERIA.
Njena vrednost je u redosledu pitanja: gde se sistem koristi, koga može da pogodi, koliko je posledica ozbiljna i popravljiva, šta kažu pogođeni ljudi i kako se rizik smanjuje. Provera obuhvata kontekst, učešće zainteresovanih i pogođenih grupa, procenu uticaja i plan ublažavanja. Za socijalnu pomoć to znači da dobra prosečna tačnost nije dovoljan odgovor ako su greške koncentrisane kod ljudi kojima je pomoć najpotrebnija.
EU je učestvovala u oblikovanju ovog pristupa. Njena službena beleška izričito traži da HUDERIA ostane dobrovoljna metodologija, usklađena sa pristupom Uredbe EU o veštačkoj inteligenciji (AI Act). Postoje obuke i rad sa stručnjacima kroz HUDERIA Academy i Platform, ali to nije dokaz da sve evropske uprave već primenjuju postupak ili objavljuju rezultate. Beleška Saveta EU 16537/25, pokretanje obuke i platforme.
AI Act je zaseban pravni okvir. Njegov član 27 za određene organizacije koje primenjuju visokorizične sisteme, uključujući javne organe, predviđa procenu mogućih posledica po osnovna prava, uz propisane izuzetke. Prema izmenjenom tekstu iz jula 2026, odgovarajuća pravila za visokorizične primene navedene u prilogu propisa, Aneksu III, primenjuju se od 2. decembra 2027. HUDERIA može da pomogne u proceni, ali sama po sebi ne potvrđuje usklađenost sa zakonom i ne zamenjuje pojedinačnu žalbu. Za Srbiju se prava u konkretnom postupku proveravaju u domaćim propisima. AI Act, članovi 27 i 113.
SAD: zašto memorandum nije univerzalan?
Američka kancelarija za upravljanje i budžet (OMB) memorandumom M-25-21 postavlja pravila za AI u saveznim organima na koje se dokument odnosi. Nije opšti zakon za svaku privatnu firmu, saveznu državu ili opštinu. Posebne mere odnose se na primene „visokog uticaja”, u kojima je AI glavni osnov značajne odluke o pravima ili bezbednosti. Samo prisustvo službenika ne uklanja taj uticaj. Dokument traži procenu posledica, testiranje, nadzor i prekid neusaglašene primene; rok za osnovne mere bio je 3. april 2026. OMB M-25-21, GAO — pregled obaveza.
Razlikuju se tri situacije. Dokument ne obuhvata sisteme nacionalne bezbednosti, a za obaveštajne organe predviđa poseban izuzetak od obaveza za primene visokog uticaja. Ograničene probne primene mogu imati uslovni izuzetak. Konačno, glavni AI službenik može za konkretnu primenu odobriti odstupanje od određenog zahteva ako pisana procena pokazuje da bi zahtev povećao ukupni rizik po prava ili bezbednost, ili neprihvatljivo ometao rad ključan za zadatak agencije. Potrebni su evidencija, godišnje preispitivanje, obaveštavanje OMB-a i javni sažetak u granicama zakona. Razlog ove fleksibilnosti jeste procena različitih rizika i operativnih potreba; opravdanost pojedinog izuzetka tek treba proveriti. Obuhvat i izuzeci u memorandumu.
Neispunjena obaveza je druga stvar. Državni revizorski organ GAO je u februaru 2026. kod energetskog resora zabeležio nedostajuće podatke o početku upotrebe i korišćenju demografskih svojstava u evidenciji AI sistema. Kod zdravstvenog resora u martu je našao pogrešne datume. Za Department of the Interior, resor koji se bavi i saveznim zemljištem i prirodnim resursima, u novembru 2025. naveo je da plan opisuje prijavu neusaglašenih sistema, ali ne razrađuje njihovo povlačenje. Ovi nalazi dokumentuju propuste izveštavanja i planiranja; ne potvrđuju odobren izuzetak niti sami dokazuju da je konkretna opasna AI ostala u radu. Pregledani izvori ne daju pouzdan uzrok svakog propusta, pa ga ne treba nagađati. GAO — praćenje preporuka.
Zato pitanje nije samo da li dokument postoji, nego koja se obaveza odnosi na konkretan sistem, ko je potpisao odstupanje, na osnovu čega i šta se dogodilo posle pronađene greške.
Merilo je ceo postupak kroz koji čovek prolazi
Najkorisnije poređenje počinje opisom rada pre uvođenja AI. Ko je šta radio, koliko je postupak trajao i gde su nastajale greške? Posle uvođenja treba pratiti ceo predmet, od zahteva do odluke i moguće ispravke. Za takvu proveru predlažemo šest merila:
- Sposobnost zaposlenih: mogu li posle obuke pouzdano da provere AI predlog na predmetima iz svog posla, prepoznaju promenu značenja i ospore pogrešnu kategoriju? Broj polaznika nije dovoljan pokazatelj.
- Korist za građanina: koliko traje put do isplate, dozvole ili obrazloženog odgovora; koliko puta predaje isti podatak i koliko pomoći dobija u složenom slučaju?
- Greške, uključujući neprimećene: koliko ispravnih zahteva dobija pogrešnu oznaku, koliko opravdanih zahteva ostaje zanemareno i šta otkriva provera uzorka predmeta na koje se niko nije žalio?
- Očuvano značenje i mogućnost ispravke: može li se iz sažetka vratiti na izvor, razlikovati činjenica od pretpostavke i ukloniti pogrešna oznaka i u povezanim evidencijama? Koliko građanin čeka i kakvu posledicu trpi dok traje provera?
- Razlike među ljudima i predmetima: ko češće ide na proveru ili duže čeka? Prosečno ubrzanje može sakriti grupu za koju je postupak sporiji. Podatke treba razdvajati uz odgovarajuću zaštitu privatnosti.
- Ukupan posao i trošak: koji nepotrebni koraci su ukinuti, koliko koštaju alat, obuka, održavanje i kontrola, a koliko dodatnog rada imaju službenici i građani? Da li je oslobođeno vreme zaista postalo pažnja za složen predmet?
Ovo je urednički predlog za procenu, a ne univerzalni pravni obrazac. Ni pojedinačan broj nema uvek samo jedno značenje. Više žalbi može značiti više grešaka, ali i lakši pristup žalbi. Manje žalbi može značiti bolji rad ili teže osporavanje odluke. Potrebno je pogledati razloge, ishode i trajanje.
Iz pregledanih primera ne možemo proglasiti jedan model uprave dokazanim zlatnim standardom. Postoje korisne primene, ozbiljni propusti i pravila čije rezultate tek treba proveriti. Zato je važnije pokazati šta se promenilo u stvarnom radu nego nabrojati kupljene sisteme.
Ko, onda, odgovara građaninu? Za procenu javne službe treba razlikovati tri pitanja: ko razmatra i ispravlja njegov predmet; ko nadzire rad sistema i otklanja ponovljene greške; i ko po zakonu snosi posledice propusta. Prva dva moraju imati jasno određene nadležne osobe ili organe. Treće se utvrđuje prema konkretnom pravu i činjenicama; potpis službenika sam ne rešava odgovornost institucije, rukovodstva ili dobavljača.
Naš zahtev prema instituciji je praktičan: građanin treba da dobije razumljive razloge, put do ispravke i stvarno preispitivanje. Službeniku su za to potrebni znanje, vreme, pristup izvorima i ovlašćenje da ospori predlog, a instituciji nadzor i sposobnost da popravi postupak. Cilj obuke je da zaposleni uz AI bolje razume predmet i posveti više pažnje čoveku. Uspeh se potvrđuje tek kada se sačuva značenje informacija, ukloni nepotreban posao i pogrešna odluka zaista može da se promeni.
Izvori / poreklo
Nacrt v3.1, dorađen 27. septembra 2026. prema prihvaćenoj uredničkoj oceni. DWP primer uključuje prijavljenu korist i ograničenja, Kanada razdvaja razliku u čekanju od uzroka, obuka ostaje predlog čiji se učinak meri, a završetak razdvaja ispravku predmeta, nadzor sistema i pravnu odgovornost. 46 veza na 42 različita javna izvora. Osnova proveravana 26. septembra, dopune 27. septembra. Pre konačne objave ostaju autorska redakcija i provera aktuelnosti. Nije objavljeno.