AI umiješnosti: Kako SkillNet želi spriječiti da vještine postanu digitalno smeće

Da su AI agenti ljudi, do sada bi ih većina otpustila zbog kroničnog sindroma ponavljanja. Umjesto da uče iz iskustva, oni — kao vječni stažisti — svaki put iznova rješavaju iste probleme, bez obzira koliko su slični prethodnim. Problem nije u nedostatku pamćenja, nego u nedostatku sustavnog načina za akumulaciju, usporedbu i prijenos vještina. To nije samo akademska briga: prema istraživanju Stanforda iz 2025., do 40% komercijalnih AI rješenja troši resurse na ponavljanje zadataka koje su drugi agenti već riješili — samo što to nitko ne bilježi. Ovdje ulazi SkillNet, projekt koji ne nudi još jednog čudotvornog modela, nego nešto mnogo dosadnije (a stoga i korisnije): infrastrukturu. Autori — istraživači s UC Berkeleya i Allen Institute for AI — ne pokušavaju izumiti toplo vodu, nego stvoriti jedinstveni okvir u kojem bi se AI vještine mogle kategorizirati, evaluirati i povezivati. To znači da, umjesto da svaki tim gradi vlastiti ad-hoc sustav za, recimo, pretraživanje PDF-ova ili generiranje izvještaja, SkillNet nudi zajednički jezik za opisivanje što ta vještina zapravo radi, koliko je pouzdana i kako se može kombinirati s drugim. Ključna riječ ovdje je ontologija — ne u filozofskom, nego u doslovno dosadnom smislu. SkillNet ne klasificira vještine po slučajnim tagovima, nego ih organizira prema hijerarhiji, odnosima i metrikama: je li vještina kompletna (riješava li problem do kraja?), izvediva (radi li u stvarnom svijetu, a ne samo u laboratoriju?), održiva (može li je netko tko nije njen autor ažurirati?). To zvuči očito, ali do sada većina AI sustava radi po principu crne kutije: funkcionira dok funkcionira, a kad prestane — nipošto nećete saznati zašto. Da se razumijemo: SkillNet nije novi algoritam, već knjižnica za knihovnice. Neće vas učiniti pametnijim, ali će možda spriječiti da vaš AI tim ponovo izmišlja kako parsirati Excel datoteke 2026. godine. A to, u svijetu gdje se reinventiranje točka plaća u satima inženjera i terabajtima GPU računa, nije zanemarivo.

Problem s kojim se SkillNet suočava nije tehnološki, nego kulturni. AI zajednica voli brze rezultate i sjajne demo-ove, a ne infrastrukturu koja izgleda kao IKEA uputa za sastavljanje ormara. Dokazi? Projekt je objavljen kao arXiv preprint — što znači da još nije prošao recenziju — a već se može čuti šaptanje kako je prekompliciran ili nepotreban. Istovremeno, iste te glave će se za godinu dana žaliti kako im AI agenti opet ne rade ono što trebaju, jer nitko nije dokumentirao kako su rješavali slične probleme prije. Zanimljivo je kako SkillNet ne pokušava riješiti problem inteligencije, nego organizacije. Umjesto da čekamo da modeli postanu svemoćni, autorima je jasno da bi trebali bolje upravljati onim što već imamo. To uključuje i relacijsku bazu vještina: ako vaš agent zna generirati sažetke, ali ne i provjeravati njihovu točnost, SkillNet bi trebao moći prepoznati tu prazninu i povezati ga s drugim agentom koji to umije. Zvuči kao zdravo razmišljanje, ali u svijetu gdje se LLM-ovi treniraju na istim podacima bez obzira na licencije ili kvalitetu, to je gotovo radikalna ideja. Najveća ironija? SkillNet bi mogao biti korisniji van akademije nego unutar nje. Startupima koji grade AI alate na brzu ruku, tvrtkama koje pokušavaju integrirati generativne modele u postojeće sustave, pa čak i vladinim agencijama koje se muče s digitalizacijom — svima bi trebao standardizirani način da kažu: „Evo, ovo naš agent već umije, nemojte ponavljati“ ili „Ovaj dio nam nedostaje, tko ga ima?“.