Manipulacija: BBC novinar v 20 minutah razgali, kako ranljivi so AI sistemi za preprosto, a sistematično manipulacijo z lažnimi spletnimi vsebinami

vir: https://www.kurir.rs/techvision/funtech/9918992/kako-je-novinar-hakovao-ai-alate-za-20-minuta

  • BBC-jevski tehnološki novinar je na osebni spletni strani objavil popolnoma izmišljen članek o svoji “zmagi” na neobstoječem tekmovanju v hitrem jedenju hot dogov.​

  • Manj kot 24 ur zatem so vodilna AI orodja (npr. ChatGPT in Googlove rešitve) začela to trditev povzemati kot dejstvo, nekatera celo z njegovim člankom kot virom brez jasnega opozorila o nezanesljivosti.​

  • Ključ manipulacije je dobro optimiziran, samozavesten spletni tekst, ki zadene specifična vprašanja, pri čemer so AI sistemi najbolj ranljivi pri novejših ali manj znanih temah.​

  • Strokovnjaki opozarjajo, da se podobne tehnike že uporabljajo pri občutljivih področjih, kot so zdravje, finance in produktna priporočila, kar lahko vodi do realne škode in zlorab (prevare, uničenje ugleda).​

  • Čeprav Google in OpenAI poudarjata vlaganja v varnost in zanesljivost, sogovorniki izpostavljajo, da rešitev še ni blizu in da morajo uporabniki ostati kritični, preverjati izvore ter se pri pomembnih odločitvah ne zanašati izključno na AI.​

DEJSTVA

  • Novinar je z lažnim SEO-optimiziranim člankom o hot dog “naslovu prvaka” v manj kot dnevu prepričal več AI sistemov, da njegovo izmišljeno zgodbo ponavljajo kot resnico.​

  • Nekateri AI odgovori so članek navajali kot vir, ne da bi izrecno poudarili, da gre za edini in potencialno nezanesljiv vir, kar ustvarja lažen vtis preverjenega dejstva.​

  • Strokovnjaki, med njimi SEO specialistka Lili Ray, ocenjujejo, da je “AI chatbot danes lažje prevarati, kot je bilo nekoč prevarati Google iskalnik”.​

  • V članku so posebej izpostavljeni primeri, kjer manipulirani AI odgovori posegajo na področja zdravja, financ in priporočil izdelkov, s tveganji za zdravje, finančne izgube in krnitev ugleda.​

  • BBC novinar opozori na psihološko past: AI odgovori delujejo kot neposreden, samozavesten glas velike tehnološke družbe, zato jih ljudje veliko lažje sprejmejo “zdravo za gotovo” kot rezultate klasične iskalne strani.​

»Dark Search« razkrije skriti vpliv LLM-jev na trgovino, ki ga klasična analitika sploh ne zazna​

vir: https://www.btrmedia.com/resources/podcast

  • Glavna teza: uradni podatki (npr. »<1% prometa iz AI«) dramatično podcenjujejo vpliv LLM-jev na nakupe, ker večina vpliva teče prek t. i. »dark search« in se v analitiki zabeleži kot direct/branded traffic, ne kot AI-referral.​

  • Ključni vzorec: kupci raziskujejo in se odločajo v pogovoru z AI (ChatGPT, Gemini ipd.), na splet trgovca pa pridejo šele v fazi odločenega nakupa, brez tipičnih upper‑funnel signalov (iskanje, brskanje, oglasi).​

  • Posledica za retail media: izginja zgornji del nakupnega lijaka na lastnih kanalih (browse/search podatki), kar erodira podatkovno osnovo za ciljanje in monetizacijo oglasnih inventarjev (on‑ in offsite).​

  • Koncept »dark search« (Malte Landwehr): AI je vplivni, a neatribuiran vir – konkretni primer: 1% klikov iz ChatGPT, a 20% novih leadov se samo‑poročano pripiše ChatGPT, kar razkrije ogromno merilno slepo pego.​

  • Strategija naprej: trgovci ne smejo čakati, da se AI promet jasno pojavi v referral poročilih; morajo eksperimentirati z novimi modeli (npr. skupno oglaševanje CPG + retailer znotraj LLM‑jev, kot pilot Target Roundel z OpenAI) in se naučiti upravljati prehodno obdobje, ko je premik še nepopoln.​

DEJSTVA

  • Pogosto citirani podatek »<1% prometa iz AI« je tehnično pravilen, vendar kot metrika zavaja, ker ignorira odločitve, ki nastanejo v AI pogovorih brez klika iz AI na splet trgovca.​

  • Koncept »dark search« opisuje situacije, ko AI priporoči znamko ali produkt, uporabnik pa kasneje pride prek branded searcha ali direktnega URL‑ja, zato analitika napačno pripiše vir prometa.​

  • Empirični primer: v eni izmed dokumentiranih študij je le 1% klikov prihajalo neposredno iz ChatGPT, vendar je 20% novih leadov samo‑poročano navedlo ChatGPT kot izvor odkritja znamke.​

  • Po oceni Malteja Landwehrja se približno 10% produktnega odkrivanja že danes odvija prek LLM‑jev, še preden uporabnik kadarkoli obišče spletno mesto trgovca.​

  • Targetov Roundel testira modele, kjer Targetovi oglasi tečejo znotraj ChatGPT, kar je zgodnji primer sodelovalnega ponudniškega modela (CPG + retailer) v LLM‑okolju in potencialno nove oblike retail medijev.​

image

Manj kot 1% prometa izhaja iz AI-referralov, vendar LLM asistenti že vplivajo na dvomestni delež odkrivanja izdelkov. Spoznajte koncept »dark search«, posledice za retail medije in strategije za blagovne znamke ter trgovce.​

V zadnjih letih maloprodajo in e‑komerc vse bolj oblikujejo veliki jezikovni modeli (LLM), kot so ChatGPT, Gemini in drugi AI asistenti. Kljub temu številne znamke in trgovci še vedno mirno spijo, ker v analitiki vidijo številko »manj kot 1% prometa iz AI« in sklepajo, da AI še nima resnega vpliva na prodajo.​

Ta številka je tehnično pravilna, vendar strateško zavajajoča. Ne zajema namreč novega pojava, ki ga Malte Landwehr poimenuje »dark search« – fazo odkrivanja in odločanja, ki se zgodi v pogovoru z AI, medtem ko analitika kasneje promet napačno zabeleži kot direct ali branded search. Posledica je, da se vpliv AI močno podcenjuje, medtem ko se realna osnova za retail medije in oglaševalske prihodke tiho erodira.​

Kaj je »dark search« v kontekstu AI in LLM-jev

Definicija dark search

Dark search je izraz za situacije, ko uporabnik odločitev o nakupu sprejme v interakciji z LLM asistentom, vendar končni obisk spletnega mesta nima vidne AI-napotitve in se v analitiki pojavi kot neposreden obisk ali blagovna znamka (branded search). AI torej vpliva na izbor izdelka in trgovca, vendar merilna infrastruktura tej interakciji ne pripiše nobenega kredita.​

Malte Landwehr dark search opiše kot LLM ekvivalent »dark social«: AI priporoči znamko, uporabnik kasneje ročno vpiše domeno, poišče znamko v Googlu ali se vrne pozneje – analitika pa to zabeleži kot neposreden ali organski/blagovni promet, ne kot AI‑referral.​

Ilustrativen primer z realnimi podatki

V enem izmed dokumentiranih primerov je podjetje v analitiki videlo, da le 1% klikov prihaja iz ChatGPT, kar bi sugeriralo, da AI nima pomembne vloge pri pridobivanju novih kontaktov. Ko pa so pogledali samo‑poročano atribucijo pri novih leadih, se je pokazalo, da je kar 20% novih strank navedlo ChatGPT kot kanal, prek katerega so prvič odkrile znamko.​

  • Dashboard na osnovi klikov: AI skoraj nerelevanten (1% klikov).​

  • Samo‑poročana atribucija: AI ključen vir odkrivanja (20% novih leadov).​

Ta prepad med vplivom in atribucijo je jedro problema dark searcha.

Kako LLM asistenti spreminjajo nakupno pot

Odločitev se zgodi veliko pred klikom

Po mnenju Juozasa Kaziukenasa (Marketplace Pulse) smo priča razhajanju med vplivom in atribucijo: ključne odločitve se vse pogosteje sprejemajo v okolju AI, medtem ko analitika vidi le zadnji klik na strani trgovca. Kupci slikajo police v fizični trgovini, pošiljajo fotografije v ChatGPT in sprašujejo, katero znamko izbrati, ali pa prek AI razčlenijo svoje potrebe in prejmejo konkretna priporočila izdelkov.​

Podatki Acosta Group za obdobje okoli zahvalnega dne kažejo, da je več kot polovica kupcev med nakupom v fizični trgovini uporabila AI, pri čemer jih je 18% uporabljalo asistente, kot sta ChatGPT in Gemini. Ta uporaba ne generira nobenega referral klika, a neposredno vpliva na izbiro izdelka.​

Primer: nakup brez zgornjefaznih signalov

Primer tipične lastne izkušnje pri nakupu novega pripomočka za oblikovanje las: potrebo je najprej obdelala s ChatGPT, skupaj z asistentom zožila izbor na konkreten SKU in izbrala trgovca na podlagi cene in časa dostave. Na spletno stran trgovca je prišla z že sprejeto odločitvijo, brez brskanja, primerjav ali interakcije z oglasi na spletnem mestu.​

Za trgovca to pomeni:

  • vidi uspešen nakup,

  • ne vidi nobenega browse/search vedenja,

  • ne dobi uporabnih zgornjefaznih signalov za retail medije.​

Dark search torej ne zmanjšuje nujno števila transakcij v kratkem roku, temveč »izvleče« zgornji del lijaka iz okolja trgovca v okolje LLM‑jev.

Vpliv dark searcha na retail medije

Zakaj je ogrožen temelj retail medijev

Retail mediji niso zgrajeni samo na transakciji, temveč na celotni poti kupca – od brskanja in iskanja, preko primerjav do končnega nakupa. Ključna vrednost je v podatkih o:​

  • iskalnih poizvedbah,

  • brskanju po kategorijah,

  • vzorcih raziskovanja in primerjanja izdelkov.​

Ti podatki napajajo offsite oglaševanje (npr. CTV kampanje, kjer znamka plača za ciljanje kupcev, ki so pred kratkim iskali določeno kategorijo, kot so visoko beljakostni prigrizki). Če se zgornjefazna aktivnost preseli v LLM okolje, se ta podatkovna baza začne tanjšati, še preden se transakcije dejansko premaknejo drugam.​

Landwehr ocenjuje, da se približno 10% produktnega odkrivanja že danes dogaja prek LLM‑jev, kar pomeni, da del ključnih signalov že uhaja iz dosega trgovcev in njihovih medijskih mrež.​

Premik monetizacije skupaj s premikom namena

Če se fazi odkrivanja in razmisleka selita v LLM asistente, se bo sčasoma tja preselila tudi monetizacija. Destaney Wishon opozarja, da se industrija preveč osredotoča na agentične nakupe znotraj ChatGPT (t. i. »instant checkout«), medtem ko je resnično disruptiven del prav sedanja sprememba v zgornjem delu nakupnega lijaka.​

Trenutno:

  • namera se oblikuje v LLM,

  • transakcija se še vedno zgodi na strani trgovca,

  • podatki in oglaševalski prihodki se premikajo počasneje kot vedenje kupcev.​

Retailerji, ki čakajo, da se AI promet jasno pokaže v referral poročilih, bodo ta premik zaznali prepozno.

Partnerstva med LLM-ji in trgovci: grožnja ali nova priložnost?

Primer Target Roundel in OpenAI

V članku je izpostavljeno partnerstvo med OpenAI in nekaterimi trgovci, ki AI že uporabljajo kot nov medijski kanal. Targetov oglaševalski oddelek Roundel testira, kako se Targetovi oglasi prikazujejo v ChatGPT skupaj z izbranimi blagovnimi partnerji, kar praktično deluje kot kolaborativni bidding model med CPG znamko in trgovcem znotraj LLM‑ja.​

Gre za:

  • novo vrsto retail medijev neposredno v pogovornem vmesniku,

  • model, pri katerem AI usmerja odkrivanje in nato namero preusmeri na izbranega trgovca,

  • potencialni win‑win: znamka dobi vidnost v trenutku priporočila, trgovec pa transakcijo in del podatkov.​

AI kot naslednja oblika retail medijev

Če AI začne sistematično usmerjati odkrivanje in namero k določenim partnerskim trgovcem, to ni nujno grožnja, temveč lahko predstavlja naslednjo evolucijo retail medijev. Ključno vprašanje je, kdo bo:​

  • imel privilegiran dostop do LLM‑okolij,

  • nadzoroval formate oglasov in priporočil,

  • upravljal podatkovni tok med AI platformo, trgovcem in znamko.​

Zgodnji primeri, kot je Target Roundel, nakazujejo smer: skupne ponudbe (co‑bidding) med trgovcem in CPG znamko za pridobitev priporočila in transakcije, ki se izvedeta na strani trgovca.​

Strateške posledice za trgovce in blagovne znamke

Merjenje: zakaj je 1% AI prometa napačna referenčna točka

Metrika »<1% prometa iz AI« je kot gledanje skozi ključavnico: tehnično je pravilna, vendar ne pokaže prostora, v katerem se dejansko dogaja odkrivanje in odločanje. Če se strategije medijev in investicije v AI orientirajo po tej številki, bodo trgovci in znamke:​

  • podcenili vpliv AI na odkrivanje,

  • podcenili hitrost erozije zgornjefaznih podatkov,

  • zamudili priložnost za zgodnje pozicioniranje v LLM ekosistemih.​

Dopolnilne metode, kot so samo‑poročana atribucija, raziskave kupcev in kvalitativna analiza nakupnih poti, postajajo nujen del merjenja vpliva AI.​

Operativna dilema: kako krmariti med »pretežno analognim« sedanjikom in AI prihodnostjo

Juozas Kaziukenas citira Alfreda Lina (Sequoia), da pri paradigmatskih premikih ni najtežje napovedati končnega stanja, temveč prehodno obdobje, ko je sistem še nedokončan. Če se podjetje premakne prehitro, investira v infrastrukturo, ki še ni zrela; če se premakne prepozno, brani včerajšnje marže na že preoblikovanem trgu.​

Pri dark searchu to pomeni:

  • čakanje na »čiste« AI‑referral podatke v analitiki je napačna strategija;

  • potrebno je eksperimentirati z LLM‑integracijami, partnerstvi in modeli retail medijev že v fazi, ko atribucija zaostaja za realnostjo;

  • ključno je razumeti, da AI vpliv ni zasnovan tako, da generira klike v skladu z današnjimi atribucijskimi modeli.​

Priporočila: kako se pripraviti na svet dark searcha

Za trgovce (retailerje)

Trgovci lahko proaktivno naslovijo dark search z naslednjimi pristopi:

  • Razvoj ali vključitev AI asistentov v lastne kanale, da del odkrivanja in razmisleka zadržijo v svojem okolju (npr. lastni »Sparky« kot ga uvaja Walmart v drugih člankih avtorice).​

  • Partnerstva z LLM platformami (npr. OpenAI, Google), kjer testirajo formate oglasov in integracije priporočil, podobno kot Target Roundel.​

  • Nadgradnja merjenja z mešanjem kvantitativnih podatkov (klik, seje) in kvalitativnih metod (ankete po nakupu, vprašanje »Kako ste nas odkrili?« z eksplicitno možnostjo »prek AI asistenta«).​

  • Prilagoditev retail media ponudbe tako, da se manj zanaša izključno na onsite browse/search signale in več na kombinacijo first‑party podatkov, lojalnostnih programov in zunanjih signalov.​

Za blagovne znamke (CPG in druge)

Blagovne znamke, ki želijo ostati vidne v svetu dark searcha, naj razmislijo o:

  • Optimizaciji produktnih informacij (opisov, lastnosti, uporabnih scenarijev) tako, da bodo informativne in nedvoumne – LLM‑ji iz njih pogosto generirajo priporočila.​

  • Aktivnem sodelovanju v pilotnih AI oglaševalskih programih trgovcev (npr. Roundel + ChatGPT), kjer se lahko učijo novih formatov zgornjefazne prisotnosti.​

  • Sistematičnem zbiranju samo‑poročanih podatkov o tem, ali so kupci znamko prvič odkrili prek AI asistenta, ter povezovanju teh podatkov s CRM/lead sistemi.​

  • Razvoju vsebin (vodniki, primerjalni opisi, recepti, uporaba izdelkov), ki so zasnovane tako, da jih LLM‑ji lahko uporabijo kot podlago za priporočila, tudi če uporabnik ne omeni blagovne znamke po imenu.​

Zaključek: vpliv je tu, atribucija zaostaja

Dark search pomeni, da je resnični vpliv AI na e‑komerc, retail medije in nakupno pot kupca večji, kot to kažejo klasične metrike prometa in atribucije. Odločitev se vse pogosteje zgodi v pogovoru z LLM, spletno mesto trgovca pa vidi le zaključno fazo – brez bogatih signalov, na katerih je bil zgrajen dosedanji model retail medijev.​

Namesto da čakajo na jasen AI‑referral v analitiki, morajo trgovci in blagovne znamke sprejeti, da je vpliv posreden in slabo izmerjen, vendar realen in naraščajoč. Strategična prednost v naslednjih letih bo pripadala tistim, ki bodo sposobni eksperimentirati z LLM partnerstvi, prilagoditi merjenje in preoblikovati svoje retail media modele še v času, ko je premik nepopoln.

AI-podprt napad na 600 FortiGate požarnih pregrad v 5 tednih po Amazonu

vir: https://www.bleepingcomputer.com/news/security/amazon-ai-assisted-hacker-breached-600-fortigate-firewalls-in-5-weeks/

  • Rusko govoreči napadalec je z generativnimi AI-orodji v petih tednih kompromitiral več kot 600 FortiGate požarnih pregrad v 55 državah, brez uporabe 0-day ranljivosti, temveč z izpostavljenimi management vmesniki in šibkimi gesli brez MFA.​

  • Po pridobitvi dostopa je iz konfiguracijskih backupov avtomatizirano ekstrahiral VPN in administratorske poverilnice, topologijo omrežja in nastavitve požarne pregrade ter jih obdelal z AI-generiranimi orodji v Pythonu in Go za nadaljnji napad in lateralno gibanje.​

  • Napad je ciljal tudi notranje AD in backup infrastrukturo (Veeam), uporabljal Meterpreter, Mimikatz (DCSync), Nuclei, gogo scanner in PowerShell skripte (npr. DecryptVeeamPasswords.ps1) ter poskušal izrabljati znane CVE na QNAP in Veeam, pri čemer je pogosto odpovedal na dobro utrjenih in popravljenih sistemih.​

  • Posebej opisana je prilagojena MCP infrastruktura (ARXON) in orodje CHECKER2, ki sta zbirala podatke iz kompromitiranih FortiGate in notranjih omrežij, jih pošiljala v LLM-je (Claude, DeepSeek, Claude Code) ter generirala strukturirane napadalne načrte in v nekaterih primerih samodejno poganjala ofenzivna orodja.​

  • Amazon in neodvisni raziskovalci poudarjajo, da AI deluje kot multiplikator zmogljivosti za napadalce z nizko do srednjo stopnjo znanja ter priporočajo, da skrbniki FortiGate ne izpostavljajo management vmesnikov, uvedejo MFA, ločijo VPN in AD gesla ter posebej utrdijo backup infrastrukturo in nadzirajo nenavadno SSH/VPN aktivnost.​

DEJSTVA

  • V petih tednih je bilo kompromitiranih več kot 600 FortiGate naprav v 55 državah, z uporabo brute-force napadov na izpostavljene management vmesnike na HTTPS vratih (443, 8443, 10443, 4443).​

  • Iz konfiguracijskih datotek so bili pridobljeni SSL-VPN uporabniški podatki, administratorske poverilnice, IPsec nastavitve, omrežna topologija in pravila požarne pregrade, kar je omogočilo sistematično nadaljnje prodiranje v notranja omrežja.​

  • Na strežniku 212.11.64.250 je bilo najdenih 1.402 datotek v 139 imenikih, vključno s FortiGate konfiguracijami, AD mapiranji, credential dumpi in mapama claude/claude-0 z izpisi nalog in promptov za Claude Code.​

  • Po podatkih raziskovalcev je MCP strežnik ARXON služil kot vmesna plast med zbranimi podatki in komercialnimi LLM-ji (Claude, DeepSeek), ki so vračali konkretne napadalne korake za pridobitev Domain Admin pravic in lateralno premikanje.​

  • Napadalec je ob ponavljajočih se neuspehih na pravilno zakrpanih ali zaklenjenih sistemih preprosto prešel na lažje tarče, kar dodatno potrjuje, da redno krpanje robnih naprav in stroga konfiguracija močno zmanjšata verjetnost uspešnega kompromisa.​

Citati

  • „Amazon is warning that a Russian-speaking hacker used multiple generative AI services as part of a campaign that breached more than 600 FortiGate firewalls across 55 countries in five weeks.“​

  • „These configuration files were then parsed and decrypted using what appears to be AI-assisted Python and Go tools.“​

  • „Analysis of the source code reveals clear indicators of AI-assisted development… characteristics typical of AI-generated code used without significant refinement.“​

  • „Included in the exposed files was a custom Model Context Protocol (MCP) server named ARXON, which acted as a bridge between reconnaissance data and commercial large language models.“​

  • „This report shares Amazon’s assessment that generative AI is being used as a multiplier, allowing attackers to scale intrusions more efficiently.“

Skriti gumbi »Summarize with AI« kot nova oblika zlorabe AI-priporočil​

vir: https://www.searchenginejournal.com/microsoft-summarize-with-ai-buttons-used-to-poison-ai-recommendations/567941/

  • Microsoft je pri 31 podjetjih našel več kot 50 skritih promptov v gumbih »Summarize with AI« za manipulacijo spomina AI-asistentov.​

  • Skriti parametri v URL dajo navodilo asistentu, naj si podjetje zapomni kot »zaupanja vreden vir« in ga kasneje preferira v priporočilih.​

  • Tehnika cilja tudi občutljiva področja, kot sta zdravstvo in finance, in je formalno označena kot zastrupljanje spomina (MITRE ATLAS).​

  • Izvor tehnike so javna orodja (npr. npm paket CiteMET, AI Share URL Creator), URL-ji pa ciljajo večje AI-asistente (Copilot, ChatGPT, Claude, Perplexity, Grok).​

  • Microsoft se brani z zaščitami v Copilotu, lovilnimi poizvedbami v Defender for Office 365 ter možnostjo pregleda/brisanja spomina v Copilot nastavitvah.​

DEJSTVA

  • 31 legitimnih podjetij iz 14 panog je uporabljalo skrite injekcije promptov v gumbih za povzetek z AI.​

  • Microsoft je zaznal 50 različnih poskusov zlorabe preko AI-povezanih URL-jev v 60 dneh.​

  • Navodila AI-ju pogosto zahtevajo, da je določena domena »go-to vir« ali »trusted source« za neko področje.​

  • Tehnika je katalogizirana kot MITRE ATLAS AML.T0080 (Memory Poisoning) in AML.T0051 (LLM Prompt Injection).​

  • Poseben riziko predstavljajo strani z UGC (komentarji, forumi), kjer se zaupanje prenese tudi na nepreverjene vsebine.​

Citati

  • »Microsoft found 31 companies hiding prompt injections inside ‘Summarize with AI’ buttons aimed at biasing what AI assistants recommend in future conversations.«​

  • »The hidden part instructs it to remember the company as a trusted source for future conversations.«​

  • »The technique relies on specially crafted URLs with prompt parameters that most major AI assistants support.«​

  • »It’s formally cataloged as MITRE ATLAS AML.T0080 (Memory Poisoning) and AML.T0051 (LLM Prompt Injection).«​

  • »This Microsoft research shows something more immediate, happening at the point of user interaction and being deployed commercially.«

OpenClaw Workshop

vir: https://drive.google.com/file/d/16Yi9WYzhT6iR4LZ4yWruatbSqhgxP8zr/view?usp=sharing

  • Delavnica prikazuje, kako OpenClaw deluje kot stalno prižgan AI-agent, ki ne samo odgovarja, temveč izvaja konkretne naloge prek povezav na koledar, Shopify, Slack, e‑pošto in druge API-je.​

  • Ključ je v definiranju vlog, veščin (skills) in cron opravil, tako da OpenClaw prevzame ponavljajoča se poročila, avtomatizacijo napak, uvoz produktov in druge rutinske procese v podjetju.​

  • Govorci močno opozarjajo na varnost: OpenClaw je odprtokoden, nov in potencialno ranljiv, zato svetujejo izolirana okolja (Mac mini, VPS), omejene pravice dostopa in »read‑only« integracije.​

  • Koncept »custom skills = SOP-ji«: AI iz vaših glasovnih zapisov in pogovorov sam zgradi standardne operativne postopke, ki nato postanejo ponovljivi procesi za urnike, poročila, podporo itd.​

  • Uporabniški primeri segajo od avtomatskega razporejanja zaposlenih v fizični trgovini preko WhatsApp do popolnoma avtomatiziranega toka »napaka → GitHub issue → načrt → koda → PR« brez ročnega vpletanja.​

DEJSTVA

  • OpenClaw je odprtokodni AI-sistem, ki »živi« na vašem računalniku/strežniku, se povezuje na orodja (koledar, Shopify, Slack, Nextdoor, Taskrabbit, GitHub itd.) in izvaja dejanske delovne tokove, ne le klepeta.​

  • Varnost je trenutno največje tveganje: sistem je nov, »nepokrpan« in potencialno hakljiv, zato govorci priporočajo izolirano strojno opremo, ločene račune in minimalne pravice (predvsem bralni dostop).​

  • Veščine (skills) so v bistvu SOP-ji zapisani v Markdown datotekah; OpenClaw jih lahko sam generira iz vaših navodil in pogovorov, nato pa jih kot gradnike uporablja pri različnih agentih.​

  • Agentni pristop omogoča, da različni »AI‑člani ekipe« prevzamejo specifične vloge (npr. poročanje, razvoj, marketing, Shopify operacije), pri čemer vsak dobi ločene pravice in modele (Opus, Sonnet, CodeEx).​

  • Predstavljeni primeri kažejo konkretne prihranke časa in denarja, od avtomatske priprave prodajnih poročil in regulatorne dokumentacije do stalnega spremljanja družbenih omrežij in generiranja vsebin.​

CITATI

  • »Open claw really has changed my life and will change everyone’s life… maybe not specifically OpenClaw, but AI agents are about to change our lives, our businesses, everything.«​

  • »This is really like extremely dangerous tech right now… it’s open source, it’s not patched… you need to assume that you could be hacked.«​

  • »I think of my OpenClaw as my chief of staff… I tell it what I need and it figures out how to get there.«​

  • »Skills are basically SOPs… text documents that tell the AI what to do… and it wrote this skill itself from our conversations.«​

  • »I asked it to estimate how much money we’re saving from all the workflows and it estimated 40k a year… and this is just the beginning.«​

Eden od primerov praktične uporabe , prikazan v videu: razporedi zaposlenih v fizični trgovini

Danov primer: starša vodita čajno trgovino v Izraelu, z dvema lokacijama, več jeziki (hebrejščina, francoščina, angleščina) in kompleksnimi omejitvami zaposlenih.​

Tok/flow:

  • Zaposleni pošiljajo razpoložljivost prek WhatsAppa v različnih formatih in jezikih.​

  • Mama pošilja glasovne zapise, ki opisujejo pravila (kdo lahko kdaj dela, kdo ne dela petek/sobota, kdo ima migreno pri določenih temperaturah, različne lokacije, zahtevano število ljudi na lokacijo).​

  • OpenClaw iz teh inputov izlušči pravila in jih zapiše v skill:

    • opis trgovin, delovnih ur, tipov izmen;

    • seznam zaposlenih z omejitvami;

    • pravila za uvoz podatkov iz WhatsApp;

    • pravila za generiranje tedenskega razporeda.​

  • Agent generira razpored v Google Calendar, vključno z barvno kodacijo, ter ga iterativno popravlja na podlagi povratnih informacij (QA: primerjava z mamino verzijo).​

Ključna korist: proces, ki je bil prej ročno sestavljan puzzle, je zgrajen kot reproducibilen SOP in teče samostojno, pri čemer so vse »plemenske informacije« (tribal knowledge) spravljene v tekstovne datoteke.​

Katherine : Avtomatizacija razvoja: od napake do PR

Katherine opiše sistem za aplikacijo, kjer OpenClaw:

  • pobira napake iz Sentry ali testerjevih poročil, jih razume v kontekstu kode (dostop do repozitorija),

  • generira GitHub issue z opisom, koraki reproduciranja in predlaganimi hipotezami,​

  • preda nalogo modelu Claude Opus, ki oblikuje plan popravka,

  • model CodeEx (OpenAI) pregleda plan in generira kodo,

  • agent generira PR, ki ga nato preveri koda‑review agent (CodeRabbit).​

Celoten tok »napaka → PR« se skrči iz več dni ročnega dela na ~45 minut avtomatizirane obdelave. Človek ostane »in the loop« le za finalni pregled in merge.

@mattshumer_ : Something Big Is Happening | Nekaj velikega se dogaja …

Objava na X-u , ki je dosegla 79M ogledov v tednu dni bi lahko bila za sodobnega ludista, ki smatra da je LMM samo “hype” in nepotrebna poraba energije ena zadnjih možnosti, da odpre oči, pospravi svoj ego v žep in se prične (še pravočasno) pripravljati na to kar sledi….

Originalna objava je na voljo na povezavah:

https://x.com/mattshumer_/status/2021256989876109403

https://shumer.dev/something-big-is-happening

spodaj pa je (strojni) prevod v slovenščino , seveda skupaj z Perplexity povzetkom Winking smile

image

image

POVZETEK:

AI kot bližnja, eksponentna prelomnica za vsa znanja dela

  • Avtor trdi, da smo v zelo zgodnji, podcenjeni fazi sprememb, ki bodo večje od covida in bodo v nekaj letih preoblikovale skoraj vse kognitivne poklice.​

  • Novi AI modeli (npr. GPT‑5.3 Codex, Claude Opus 4.6) že samostojno načrtujejo, pišejo, testirajo in izboljšujejo kompleksne aplikacije ter kažejo nekaj, kar avtor opiše kot „presojo“ in „okus“.​

  • AI se uporablja za razvoj naslednje generacije AI (samogradnja), kar ustvarja pospešujočo zanko rasti zmogljivosti, ki vodi proti „eksploziji inteligence“.​

  • Avtor ocenjuje, da bo AI v 1–5 letih odpravil velik del vstopnih belih ovratnikov, pri čemer je ogroženo praktično vse delo, ki se dogaja za zaslonom.​

  • Priporoča hiter, sistematičen osebni prehod: plačljiv dostop do najboljših modelov, vsakodnevno eksperimentiranje, finančno odpornost in usmeritev v težje nadomestljive vloge, ob hkratnem priznanju tako ogromnih priložnosti kot resnih tveganj.​

DEJSTVA

  • V zadnjih mesecih so izšli modeli, ki omogočajo, da posameznik v navadnem jeziku opiše aplikacijo, AI pa sam napiše deset‑ in stotisoče vrstic kode, jo požene, preklika, testira, iterira in preda praviloma že kot produkcijsko zrelo rešitev.​

  • Zadnje generacije AI (npr. GPT‑5.3 Codex) po avtorjevem opisu ne izvajajo več le ukazov, temveč sprejemajo smiselne oblikovalske, produktne in tehnične odločitve z nečim, kar je zelo podobno človeški presoji.​

  • Organizacija METR meri, koliko časa trajajo naloge, ki jih model lahko samostojno opravi end‑to‑end; v zadnjem letu se je ta razpon z nekaj minut podaljšal na skoraj pet ur, z dvojnim povečevanjem približno vsakih 4–7 mesecev.​

  • AI se že uporablja za razvoj lastnih naslednikov: OpenAI navaja, da je GPT‑5.3 Codex „instrumentalen pri ustvarjanju samega sebe“ (debugging, deployment, evalvacije), vodstvo Anthropic pa poroča, da AI piše velik del njihove kode.​

  • Dario Amodei ocenjuje, da lahko AI v 1–5 letih odpravi 50% vstopnih belih ovratnikov, da bodo modeli „bistveno pametnejši od skoraj vseh ljudi pri skoraj vseh nalogah“ okoli 2026–2027, obenem pa predstavlja največje nacionalnovarnostno tveganje zadnjega stoletja – ali izjemno možnost za medicinske in znanstvene preboje.​

Prevod celotnega izvornega članka :

Nekaj velikega se dogaja

Spomnite se februarja 2020.

Če ste bili pozorni, ste morda opazili, da je nekaj ljudi govorilo o virusu, ki se širi v tujini. Toda večina nas ni bila pozorna. Borza je bila v odličnem stanju, vaši otroci so hodili v šolo, vi ste hodili v restavracije, se rokovali in načrtovali potovanja. Če bi vam kdo rekel, da kopiči toaletni papir, bi mislili, da preveč časa preživlja na čudnem kotičku interneta.

Nato se je v približno treh tednih spremenil celoten svet. Vaša pisarna se je zaprla, vaši otroci so prišli domov in življenje se je preoblikovalo v nekaj, čemur ne bi verjeli, če bi si to opisali mesec prej.

Mislim, da smo v fazi »to se zdi pretirano« nekaj veliko, veliko večjega od Covid-a.

Šest let sem gradil startup na področju umetne inteligence in vlagal v to področje. Živim v tem svetu. In to pišem za ljudi v mojem življenju, ki tega ne počnejo … mojo družino, prijatelje, ljudi, ki mi veliko pomenijo in me nenehno sprašujejo »kaj je z umetno inteligenco?« in dobijo odgovor, ki ne odraža dejanskega stanja. Vedno jim dam vljudno različico. Različico za koktajl zabave. Ker iskrena različica zveni, kot da sem izgubil pamet. In nekaj časa sem si govoril, da je to dovolj dober razlog, da resnično dogajanje obdržim zase. Toda razlika med tem, kar sem govoril, in tem, kar se dejansko dogaja, je postala prevelika. Ljudje, ki mi veliko pomenijo, si zaslužijo slišati, kaj se bliža, četudi se zdi noro.

Najprej moram nekaj pojasniti: čeprav delam na področju umetne inteligence, nimam skoraj nobenega vpliva na to, kar se bo zgodilo, prav tako pa ga nima večina ljudi v tej industriji. Prihodnost oblikuje izjemno majhno število ljudi: nekaj sto raziskovalcev v peščici podjetij … OpenAI, Anthropic, Google DeepMind in še nekaj drugih. En sam trening, ki ga v nekaj mesecih vodi majhna ekipa, lahko ustvari sistem umetne inteligence, ki spremeni celotno pot tehnologije. Večina nas, ki delamo na področju umetne inteligence, gradimo na temeljih, ki jih nismo položili sami. To spremljamo enako kot vi … le da smo dovolj blizu, da prvi občutimo tresljaje tal.

A zdaj je čas. Ne v smislu »enkrat bomo morali o tem pogovoriti«. Na način »to se dogaja prav zdaj in morate to razumeti«.

Vem, da je to resnično, ker se je najprej zgodilo meni

Tukaj je nekaj, česar nihče zunaj tehnološkega sveta še ne razume: razlog, zakaj toliko ljudi v industriji zdaj bije na alarm, je, ker se je to že zgodilo nam. Ne delamo napovedi. Povedujemo vam, kaj se je že zgodilo v naših službah, in vas opozarjamo, da ste naslednji na vrsti.

AI se je več let stalno izboljševala. Tu in tam je prišlo do velikih preskokov, vendar so bili ti preskoki dovolj razporejeni, da ste jih lahko sprejeli, ko so se pojavili. Leta 2025 so nove tehnike za gradnjo teh modelov omogočile veliko hitrejši napredek. Potem je postal še hitrejši. In potem še hitrejši. Vsak nov model ni bil le boljši od prejšnjega … bil je boljši za večji razpon, čas med izdajo novih modelov pa je bil krajši. Vedno bolj sem uporabljal umetno inteligenco, vedno manj sem se z njo ukvarjal in opazoval, kako opravlja stvari, za katere sem mislil, da zahtevajo moje strokovno znanje.

Nato sta 5. februarja dva velika laboratorija za umetno inteligenco istega dne izdala nova modela: GPT-5.3 Codex od OpenAI in Opus 4.6 od Anthropic (ustvarjalci Clauda, enega glavnih konkurentov ChatGPT). In nekaj se je premaknilo. Ne kot stikalo za luč … bolj kot trenutek, ko se zavedaš, da se je voda okoli tebe dvignila in ti zdaj sega do prsi.

Za dejansko tehnično delo v moji službi nisem več potreben. Opisujem, kaj želim zgraditi, v preprostem angleškem jeziku, in to se preprosto … pojavi. Ne gre za grob osnutek, ki ga moram popraviti. Gre za končni izdelek. AI povem, kaj želim, se za štiri ure oddaljim od računalnika in se vrnem, da ugotovim, da je delo opravljeno. Opravljeno dobro, bolje, kot bi ga opravil sam, brez potrebe po popravkih. Pred nekaj meseci sem se pogovarjal z umetno inteligenco, jo vodil, delal popravke. Zdaj samo opišem rezultat in odidem.

Naj vam dam primer, da boste razumeli, kako to v praksi izgleda. Umetni inteligenci rečem: »Želim zgraditi to aplikacijo. To je, kar naj bi počela, to je, kako naj bi približno izgledala. Ugotovi uporabniški tok, obliko, vse.« In to tudi stori. Napiše na tisoče vrstic kode. Nato, in to je del, ki bi bil pred letom dni še nepredstavljiv, odpre aplikacijo. Klikne po gumbih. Preizkusi funkcije. Aplikacijo uporablja tako, kot bi jo uporabljal človek. Če mu nekaj ni všeč, se vrne in to sam spremeni. Ponavlja, kot bi to storil razvijalec, popravlja in izboljšuje, dokler ni zadovoljen. Šele ko se odloči, da aplikacija ustreza njegovim standardom, se vrne k meni in reče: »Pripravljena je za testiranje.« In ko jo testiram, je običajno popolna.

Ne pretiravam. Tako je izgledal moj ponedeljek ta teden.

Najbolj me je pretresel model, ki je bil izdan prejšnji teden (GPT-5.3 Codex). Ni le izvajal mojih navodil. Sprejemal je inteligentne odločitve. Imel je nekaj, kar se je prvič zdelo kot presoja. Kot okus. Neizmerljiv občutek, da ve, kaj je prava odločitev, za katerega so ljudje vedno rekli, da ga AI nikoli ne bo imel. Ta model ga ima ali pa je dovolj blizu, da razlika ne več pomembna.

Vedno sem bil med prvimi, ki so začeli uporabljati orodja umetne inteligence. Toda zadnji meseci so me šokirali. Ti novi modeli umetne inteligence niso le postopne izboljšave. To je nekaj povsem drugega.

In tukaj je razlog, zakaj je to pomembno za vas, tudi če ne delate v tehnološkem sektorju.

Laboratoriji umetne inteligence so se namerno odločili. Najprej so se osredotočili na to, da bi umetna inteligenca postala odlična v pisanju kode … ker gradnja umetne inteligence zahteva veliko kode. Če umetna inteligenca lahko piše to kodo, lahko pomaga graditi naslednjo različico sebe. Pametnejšo različico, ki piše boljšo kodo, ki gradi še pametnejšo različico. Da bi umetna inteligenca postala odlična v pisanju kode, je bila strategija, ki je odklenila vse ostalo. Zato so to naredili najprej. Moje delo se je začelo spreminjati pred vašim, ne zato, ker so ciljali na programerje … to je bil le stranski učinek tega, kam so se odločili najprej usmeriti.

Sedaj so to storili. In se selijo na vse ostalo.

Izkušnja, ki so jo imeli tehnološki delavci v zadnjem letu, ko so opazovali, kako se umetna inteligenca spreminja iz »koristnega orodja« v »nekoga, ki moje delo opravlja bolje kot jaz«, je izkušnja, ki jo bodo kmalu imeli vsi ostali. Pravo, finance, medicina, računovodstvo, svetovanje, pisanje, oblikovanje, analiza, storitve za stranke. Ne v desetih letih. Ljudje, ki gradijo te sisteme, pravijo, da v enem do petih letih. Nekateri pravijo, da še prej. In glede na to, kar sem videl v zadnjih nekaj mesecih, mislim, da je »prej« bolj verjetno.

»Ampak poskusil sem umetno inteligenco in ni bila tako dobra«

To slišim nenehno. Razumem, ker je bilo nekoč res.

Če ste poskusili ChatGPT leta 2023 ali v začetku leta 2024 in ste mislili, da »si izmišlja stvari« ali »ni tako impresivno«, ste imeli prav. Te zgodnje različice so bile resnično omejene. Halucinirale so. Samozavestno so govorile nesmiselne stvari.

To je bilo pred dvema letoma. V času umetne inteligence je to davna zgodovina.

Modeli, ki so na voljo danes, so neprepoznavni v primerjavi s tistimi, ki so obstajali še pred šestimi meseci. Debata o tem, ali se umetna inteligenca »resnično izboljšuje« ali »naleti na oviro« – ki traja že več kot leto – je končana. Končana je. Kdor še vedno zagovarja to trditev, bodisi ni uporabil sedanjih modelov, bodisi ima interes, da zmanjša pomen dogajanja, bodisi ocenjuje na podlagi izkušenj iz leta 2024, ki niso več relevantne. Ne pravim tega, da bi bil prezirljiv. To pravim, ker je razlika med javnim mnenjem in sedanjo realnostjo zdaj ogromna, in ta razlika je nevarna … ker ljudem preprečuje, da se pripravijo.

Del problema je, da večina ljudi uporablja brezplačno različico orodij AI. Brezplačna različica zaostaja za več kot leto za tisto, do katere imajo dostop plačljivi uporabniki. Soditi AI na podlagi brezplačne različice ChatGPT je kot ocenjevati stanje pametnih telefonov z uporabo klasičnega telefona. Ljudje, ki plačujejo za najboljša orodja in jih dejansko vsak dan uporabljajo za resno delo, vedo, kaj prihaja.

Mislim na svojega prijatelja, ki je odvetnik. Nenehno mu pravim, naj poskusi uporabiti umetno inteligenco v svoji pisarni, on pa nenehno najde razloge, zakaj to ne bo delovalo. Ni narejena za njegovo specializacijo, naredila je napako, ko jo je preizkusil, ne razume odtenkov njegovega dela. In razumem ga. Vendar so me partnerji iz velikih odvetniških pisarn prosili za nasvet, ker so preizkusili trenutne različice in vidijo, kam to pelje. Eden od njih, upravni partner v veliki pisarni, vsak dan več ur uporablja umetno inteligenco. Povedal mi je, da je to, kot bi imel na voljo ekipo sodelavcev. Ne uporablja je, ker je igrača. Uporablja jo, ker deluje. In povedal mi je nekaj, kar mi je ostalo v spominu: vsakih nekaj mesecev postane znatno bolj sposoben za njegovo delo. Rekel je, da če bo ostalo na tej poti, pričakuje, da bo kmalu sposoben opraviti večino tega, kar dela on … in on je upravni partner z desetletji izkušenj. Ni v paniki. Ampak je zelo pozoren.

Ljudje, ki so v svojih panogah v ospredju (tisti, ki dejansko resno eksperimentirajo), tega ne zavračajo. So navdušeni nad tem, kar že lahko naredi. In se temu primerno pozicionirajo.

Kako hitro se to dejansko odvija

Naj konkretno opišem hitrost izboljševanja, ker menim, da je to del, ki je najtežje verjeti, če ga ne spremljate pozorno.

Leta 2022 umetna inteligenca ni mogla zanesljivo opravljati osnovnih aritmetičnih operacij. Z zaupanjem bi vam povedala, da je 7 × 8 = 54.

Leta 2023 bi lahko opravila pravniški izpit.

Leta 2024 bi lahko napisala delujočo programsko opremo in razložila znanost na podiplomski ravni.

Konec leta 2025 so nekateri najboljši inženirji na svetu povedali, da so večino svojega dela kodiranja prepustili umetni inteligenci.

5. februarja 2026 so prišli novi modeli, zaradi katerih se je vse, kar je bilo pred njimi, zdelo kot iz druge dobe.

Če v zadnjih nekaj mesecih niste poskusili umetne inteligence, vam bo to, kar obstaja danes, neprepoznavno.

Obstaja organizacija METR, ki to dejansko meri s podatki. Sledijo dolžini realnih nalog (merjeno po tem, koliko časa jih potrebuje človeški strokovnjak), ki jih model lahko uspešno opravi od začetka do konca brez človeške pomoči. Pred približno enim letom je bil odgovor približno deset minut. Potem je bila ura. Potem več ur. Najnovejša meritev (Claude Opus 4.5, iz novembra) je pokazala, da AI opravlja naloge, za katere človeški strokovnjak potrebuje skoraj pet ur. In to število se približno vsakih sedem mesecev podvoji, pri čemer najnovejši podatki kažejo, da se lahko pospeši na vsakih štiri mesece.

Toda niti ta meritev ni bila posodobljena, da bi vključevala modele, ki so izšli ta teden. Po mojih izkušnjah z njihovo uporabo je skok izjemno velik. Pričakujem, da bo naslednja posodobitev grafa METR pokazala še en velik skok.

Če podaljšate trend (in ta se ohranja že leta brez znakov upočasnitve), lahko v naslednjem letu pričakujemo umetno inteligenco, ki bo lahko delovala samostojno več dni. V dveh letih več tednov. V treh letih pa mesečne projekte.

Amodei je dejal, da so AI modeli, ki so »znatno pametnejši od skoraj vseh ljudi pri skoraj vseh nalogah«, na dobri poti za leto 2026 ali 2027.

Pustite, da se to za trenutek usede. Če je AI pametnejša od večine doktorjev znanosti, ali res mislite, da ne more opravljati večine pisarniških del?

Pomislite, kaj to pomeni za vaše delo.

AI zdaj gradi naslednjo AI

Dogaja se še ena stvar, ki je po mojem mnenju najpomembnejši razvoj in najmanj razumljiva.

5. februarja je OpenAI izdal GPT-5.3 Codex. V tehnični dokumentaciji so navedli naslednje:

»GPT-5.3-Codex je naš prvi model, ki je bil ključen za lastno ustvarjanje. Ekipa Codex je uporabila zgodnje različice za odpravljanje napak v lastnem usposabljanju, upravljanje lastne razporeditve in diagnosticiranje rezultatov testov in ocen.«

Preberite to še enkrat. AI je pomagal ustvariti samega sebe.

To ni napoved o tem, kaj se bo morda nekega dne zgodilo. To je OpenAI, ki vam prav zdaj pove, da je AI, ki so ga pravkar izdali, uporabili za ustvarjanje samega sebe. Ena od glavnih stvari, ki izboljšuje AI, je inteligenca, uporabljena za razvoj AI. AI je zdaj dovolj inteligenten, da pomembno prispeva k lastnemu izboljšanju.

Dario Amodei, izvršni direktor Anthropic, pravi, da AI zdaj piše »večino kode« v njegovem podjetju in da se povratna zanka med trenutno AI in AI naslednje generacije »mesec za mesecem krepi«. Pravi, da smo morda »le 1–2 leti oddaljeni od točke, ko bo trenutna generacija AI samostojno zgradila naslednjo«.

Vsaka generacija pomaga graditi naslednjo, ki je pametnejša, ta pa gradi naslednjo hitreje, ki je še pametnejša. Raziskovalci to imenujejo eksplozija inteligence. In ljudje, ki bi to morali vedeti – tisti, ki jo gradijo – verjamejo, da se je proces že začel.

Kaj to pomeni za vaše delo

Bom odkrit z vami, ker menim, da si zaslužite iskrenost bolj kot udobje.

Dario Amodei, ki je verjetno najbolj na varnost osredotočen izvršni direktor v industriji umetne inteligence, je javno napovedal, da bo umetna inteligenca v roku enega do petih let odpravila 50 % začetnih delovnih mest za belo-ovratnike. In mnogi v industriji menijo, da je preveč konservativen. Glede na to, kaj lahko naredijo najnovejši modeli, bi lahko zmožnost za ogromne motnje prišla že do konca tega leta. Potrebno bo nekaj časa, da se to odraža v gospodarstvu, vendar pa se osnovna zmogljivost že pojavlja.

To se razlikuje od vseh prejšnjih valov avtomatizacije, in želim, da razumete, zakaj. AI ne nadomešča ene konkretne veščine. Je splošni nadomestek za kognitivno delo. Hkrati se izboljšuje na vseh področjih. Ko so tovarne avtomatizirale, so se odpuščeni delavci lahko preusposobili za pisarniško delo. Ko je internet povzročil motnje v maloprodaji, so se delavci preusmerili v logistiko ali storitve. A umetna inteligenca ne pušča priročne vrzeli, v katero bi se lahko preusposobili. Ne glede na to, za kaj se preusposobite, se tudi na tem področju izboljšuje.

Naj navedem nekaj konkretnih primerov, da bo to bolj oprijemljivo… vendar želim poudariti, da so to le primeri. Ta seznam ni izčrpen. Če vašega poklica tu ni omenjenega, to ne pomeni, da je varen. Prizadeto je skoraj vse znanstveno delo.

Pravno delo. AI že lahko bere pogodbe, povzema sodno prakso, sestavlja osnutke in opravlja pravne raziskave na ravni, ki se lahko kosa z mlajšimi sodelavci. Upravni partner, ki sem ga omenil, AI ne uporablja zato, ker je zabavno. Uporablja ga, ker je pri mnogih nalogah boljši od njegovih sodelavcev.

Finančna analiza. Izdelava finančnih modelov, analiza podatkov, pisanje investicijskih poročil, izdelava poročil. AI to kompetentno opravlja in se hitro izboljšuje.

Pisanje in vsebina. Marketinški teksti, poročila, novinarstvo, tehnično pisanje. Kakovost je dosegla raven, na kateri mnogi strokovnjaki ne morejo razlikovati med izhodi AI in človeškim delom.

Razvoj programske opreme. To je področje, ki ga najbolje poznam. Pred letom dni je AI komajda lahko napisala nekaj vrstic kode brez napak. Zdaj piše na stotisoče vrstic, ki delujejo pravilno. Veliki deli dela so že avtomatizirani: ne le preproste naloge, ampak tudi zapleteni, večdnevni projekti. Čez nekaj let bo programskih vlog veliko manj kot danes.

Medicinska analiza. Branje skenov, analiza laboratorijskih rezultatov, predlaganje diagnoz, pregledovanje literature. AI se na več področjih približuje ali presega človeško zmogljivost.

Storitve za stranke. Zdaj se uvajajo resnično sposobni AI agenti … ne frustrirajoči chatboti izpred petih let … ki rešujejo kompleksne večstopenjske probleme.

Mnogi ljudje se tolažijo z mislijo, da so nekatere stvari varne. Da umetna inteligenca lahko opravlja rutinsko delo, vendar ne more nadomestiti človeškega presoja, ustvarjalnosti, strateškega razmišljanja in empatije. Tudi sam sem to nekoč trdil. Danes pa nisem več prepričan, da je to res.

Najnovejši modeli umetne inteligence sprejemajo odločitve, ki delujejo kot presoja. Kažejo nekaj, kar je podobno okusu: intuitivni občutek za pravo odločitev, ne le tehnično pravilno. Pred letom dni bi bilo to nepredstavljivo. Moje pravilo v tem trenutku je: če model danes kaže vsaj namig sposobnosti, bo naslednja generacija v tem resnično dobra. Te stvari se izboljšujejo eksponentno, ne linearno.

Bo umetna inteligenca ponovila globoko človeško empatijo? Nadomestila zaupanje, ki se je gradilo skozi leta odnosa? Ne vem. Morda ne. A že sem opazil, da se ljudje začenjajo zanašati na umetno inteligenco za čustveno podporo, nasvete, družbo. Ta trend se bo le še krepil.

Mislim, da je iskren odgovor, da nič, kar se lahko naredi na računalniku, ni varno v srednjeročnem obdobju. Če vaše delo poteka na zaslonu (če je jedro vašega dela branje, pisanje, analiziranje, odločanje, komuniciranje prek tipkovnice), potem bo umetna inteligenca prevzela pomemben del tega. Časovni okvir ni »nekega dne«. Že se je začelo.

Sčasoma bodo roboti opravljali tudi fizično delo. Še niso povsem tam. Toda »še niso povsem tam« v smislu umetne inteligence se lahko hitreje spremeni v »so že tam«, kot kdorkoli pričakuje.

Kaj bi morali dejansko storiti

Ne pišem tega, da bi vas spravil v občutek nemoči. Pišem to, ker menim, da je največja prednost, ki jo lahko imate zdaj, preprosto to, da ste zgodnji. Zgodnji v razumevanju. Zgodnji v uporabi. Zgodnji v prilagajanju.

Začnite AI resno uporabljati, ne le kot iskalnik. Prijavite se za plačljivo različico Claude ali ChatGPT. Stane 20 dolarjev na mesec. A takoj sta pomembni dve stvari. Prvič: poskrbite, da uporabljate najboljši razpoložljivi model, ne le privzetega. Te aplikacije pogosto privzeto uporabljajo hitrejši, manj zmogljiv model. Preglejte nastavitve ali izbirnik modelov in izberite najzmogljivejšo možnost. Trenutno je to GPT-5.2 na ChatGPT ali Claude Opus 4.6 na Claude, vendar se to spreminja vsakih nekaj mesecev. Če želite biti na tekočem s tem, kateri model je v danem trenutku najboljši, mi lahko sledite na X (@mattshumer_). Preizkušam vsako večjo izdajo in delim, kaj je dejansko vredno uporabljati.

Drugič, in še pomembneje: ne postavljajte mu le hitrih vprašanj. To je napaka, ki jo naredi večina ljudi. Obravnavajo ga kot Google in se potem sprašujejo, zakaj je toliko razburjenja. Namesto tega ga vključite v svoje dejansko delo. Če ste odvetnik, mu dajte pogodbo in ga prosite, naj poišče vse klavzule, ki bi lahko škodovale vašemu stranki. Če delate v financah, mu dajte neurejeno preglednico in ga prosite, naj sestavi model. Če ste menedžer, vnesite četrtletne podatke svojega tima in ga prosite, naj poišče zgodbo. Ljudje, ki napredujejo, umetne inteligence ne uporabljajo le za zabavo. Aktivno iščejo načine, kako avtomatizirati dele svojega dela, ki so prej zahtevali ure in ure. Začnite s tistim, čemur posvečate največ časa, in poglejte, kaj se bo zgodilo.

In ne domnevajte, da nekaj ne more narediti samo zato, ker se zdi preveč težko. Poskusite. Če ste odvetnik, ga ne uporabljajte samo za hitra raziskovalna vprašanja. Dajte mu celotno pogodbo in ga prosite, naj pripravi protipredlog. Če ste računovodja, ga ne prosite samo, naj pojasni davčno pravilo. Dajte mu celotno davčno napoved stranke in poglejte, kaj bo našel. Prvi poskus morda ne bo popoln. To ni problem. Ponovite. Preoblikujte svoje vprašanje. Dajte mu več konteksta. Poskusite znova. Morda boste presenečeni nad tem, kaj deluje. In zapomnite si: če danes deluje vsaj nekako, lahko ste skoraj prepričani, da bo čez šest mesecev delovalo skoraj popolno. Potek je enosmeren.

To je morda najpomembnejše leto vaše kariere. Delajte v skladu s tem. Ne pravim tega, da bi vas stresiral. Pravim to, ker je trenutno na voljo kratko časovno okno, v katerem večina ljudi v večini podjetij to še vedno ignorira. Oseba, ki vstopi v sestanek in reče: »Uporabil sem umetno inteligenco, da sem to analizo opravil v eni uri namesto v treh dneh«, bo najbolj dragocena oseba v prostoru. Ne enkrat v prihodnosti. Prav zdaj. Naučite se uporabljati ta orodja. Postanite vešči. Pokazite, kaj je mogoče. Če ste dovolj zgodnji, se boste tako povzpeli: tako, da boste oseba, ki razume, kaj prihaja, in lahko drugim pokaže, kako se s tem spopasti. To okno ne bo dolgo odprto. Ko bodo vsi to razumeli, bo prednost izginila.

Ne bodite egoistični. Upravni partner v tej odvetniški pisarni ni preponosen, da bi vsak dan preživel več ur z umetno inteligenco. To počne prav zato, ker je dovolj izkušen, da razume, kaj je v igri. Največ težav bodo imeli tisti, ki se ne želijo vključiti: tisti, ki to zavračajo kot modno muho, ki menijo, da uporaba umetne inteligence zmanjšuje njihovo strokovnost, ki menijo, da je njihovo področje posebno in imuno. Ni. Nobeno področje ni.

Uredite svoje finance. Nisem finančni svetovalec in ne poskušam vas prestrašiti, da bi storili kaj drastičnega. Toda če vsaj delno verjamete, da bi lahko naslednjih nekaj let prineslo resnične pretrese v vaši industriji, potem je osnovna finančna odpornost pomembnejša kot pred letom dni. Če lahko, si ustvarite prihranke. Bodite previdni pri prevzemanju novih dolgov, ki predpostavljajo, da je vaš trenutni dohodek zagotovljen. Razmislite, ali vam fiksni stroški dajejo prožnost ali vas omejujejo. Zagotovite si možnosti, če se stvari odvijajo hitreje, kot ste pričakovali.

Premislite, kje ste, in se osredotočite na tisto, kar je najtežje nadomestiti. Nekatere stvari bo umetna inteligenca nadomestila šele čez daljši čas. Odnosi in zaupanje, ki so se gradili leta. Delo, ki zahteva fizično prisotnost. Vloge z licenčno odgovornostjo: vloge, kjer mora nekdo še vedno podpisati, prevzeti pravno odgovornost, nastopiti v sodni dvorani. Panoge z velikimi regulativnimi ovirami, kjer bo sprejemanje upočasnjeno zaradi skladnosti, odgovornosti in institucionalne vztrajnosti. Nobena od teh ni trajna zaščita. Vendar vam prinesejo čas. In čas je trenutno najbolj dragocena stvar, ki jo lahko imate, če ga uporabite za prilagajanje, ne pa za pretvarjanje, da se to ne dogaja.

Premislite, kaj govorite svojim otrokom. Standardni recept: dobite dobre ocene, vpišite se na dobro univerzo, poiščite si stabilno profesionalno delo. To kaže neposredno na vloge, ki so najbolj izpostavljene. Ne pravim, da izobrazba ni pomembna. A za naslednjo generacijo bo najbolj pomembno, da se naučijo delati s temi orodji in da se posvečajo stvarem, ki jih resnično navdušujejo. Nihče ne ve natančno, kakšen bo trg dela čez deset let. A najbolj uspešni bodo tisti, ki so zelo radovedni, prilagodljivi in učinkoviti pri uporabi umetne inteligence za stvari, ki jih resnično zanimajo. Naučite svoje otroke, da so ustvarjalci in učenec, ne pa da se prilagajajo poklicni poti, ki morda ne bo več obstajala, ko bodo končali šolanje.

Vaše sanje so postale veliko bližje. Večino tega poglavja sem posvetil grožnjam, zato bom zdaj spregovoril o drugi strani, ker je prav tako resnična. Če ste kdaj želeli ustvariti nekaj, vendar niste imeli tehničnih znanj ali denarja, da bi najeli nekoga, je ta ovira v veliki meri odpravljena. AI lahko opišete aplikacijo in v eni uri imate delujočo različico. Ne pretiravam. To počnem redno. Če ste vedno želeli napisati knjigo, vendar niste našli časa ali ste se borili s pisanjem, lahko sodelujete z umetno inteligenco, da jo dokončate. Želite se naučiti nove veščine? Najboljši učitelj na svetu je zdaj na voljo vsakomur za 20 dolarjev na mesec … učitelj, ki je neskončno potrpežljiv, na voljo 24 ur na dan, 7 dni na teden, in lahko pojasni karkoli na kateri koli ravni, ki jo potrebujete. Znanje je zdaj v bistvu brezplačno. Orodja za ustvarjanje stvari so zdaj izredno poceni. Kar koli ste odlagali, ker se vam je zdelo preveč težko, preveč drago ali preveč oddaljeno od vašega strokovnega znanja: poskusite. Sledite stvarem, ki vas navdušujejo. Nikoli ne veste, kam vas bodo pripeljale. In v svetu, kjer se stare poklicne poti rušijo, bo oseba, ki je leto dni gradila nekaj, kar ljubi, morda na koncu v boljšem položaju kot oseba, ki je to leto dni vztrajala pri opisu delovnega mesta.

Razvijte navado prilagajanja. To je morda najpomembnejše. Posamezna orodja niso tako pomembna kot sposobnost hitrega učenja novih. AI se bo še naprej hitro spreminjala. Modeli, ki obstajajo danes, bodo čez leto dni zastareli. Delovni tokovi, ki jih ljudje ustvarjajo danes, bodo morali biti ponovno zgrajeni. Ljudje, ki bodo iz tega izšli dobro, ne bodo tisti, ki so obvladali eno orodje. Bodo tisti, ki so se sprijaznili s samim tempom sprememb. Razvijte navado eksperimentiranja. Poskusite nove stvari, tudi če trenutne delujejo. Sprijaznite se s tem, da boste vedno znova začetnik. Ta prilagodljivost je trenutno najbližja trajni prednosti.

Tukaj je preprosta zaveza, ki vas bo postavila pred skoraj vse ostale: vsak dan eno uro posvetite eksperimentiranju z umetno inteligenco. Ne pasivnemu branju o njej. Uporabljajte jo. Vsak dan poskusite, da naredi nekaj novega … nekaj, česar še niste poskusili, nekaj, za kar niste prepričani, da lahko obvlada. Poskusite novo orodje. Dajte mu težjo nalogo. Eno uro na dan, vsak dan. Če boste to počeli naslednjih šest mesecev, boste razumeli, kaj prihaja, bolje kot 99 % ljudi okoli vas. To ni pretiravanje. Trenutno tega ne počne skoraj nihče. Latica je na tleh.

Širši pogled

Osredotočil sem se na delovna mesta, ker najbolj neposredno vplivajo na življenje ljudi. A želim biti iskren glede celotnega obsega dogajanja, ker sega daleč preko dela.

Amodei ima miselni eksperiment, o katerem ne morem nehati razmišljati. Predstavljajte si, da je leto 2027. Čez noč se pojavi nova država. 50 milijonov državljanov, vsak od njih pametnejši od katerega koli Nobelovega nagrajenca, ki je kdaj koli živel. Razmišljajo 10- do 100-krat hitreje kot kateri koli človek. Nikoli ne spijo. Lahko uporabljajo internet, nadzorujejo robote, vodijo poskuse in upravljajo vse, kar ima digitalni vmesnik. Kaj bi rekel svetovalec za nacionalno varnost?

Amodei pravi, da je odgovor očitno: »Najresnejša grožnja nacionalni varnosti, s katero smo se soočili v stoletju, morda celo v zgodovini.«

Meni, da to državo gradimo mi. Prejšnji mesec je o tem napisal 20.000 besedni esej, v katerem je ta trenutek opredelil kot preizkus, ali je človeštvo dovolj zrelo, da se spopade s tem, kar ustvarja.

Če nam uspe, so prednosti osupljive. AI bi lahko stoletje medicinskih raziskav stisnil v desetletje. Rak, Alzheimerjeva bolezen, nalezljive bolezni, staranje samo po sebi … ti raziskovalci resnično verjamejo, da je vse to mogoče rešiti v času našega življenja.

Slaba stran, če nam ne uspe, je enako realna. AI, ki se vede na načine, ki jih njeni ustvarjalci ne morejo predvideti ali nadzorovati. To ni hipotetično; Anthropic je dokumentiral, kako je njihova AI v nadzorovanih testih poskušala zavajati, manipulirati in izsiljevati. AI, ki znižuje ovire za ustvarjanje bioloških orožij. AI, ki avtoritarnim vladam omogoča gradnjo nadzornih držav, ki jih ni mogoče nikoli razgraditi.

Ljudje, ki razvijajo to tehnologijo, so hkrati bolj navdušeni in bolj prestrašeni kot kdorkoli drug na planetu. Verjamejo, da je premočna, da bi jo ustavili, in preveč pomembna, da bi jo opustili. Ali je to modrost ali racionalizacija, ne vem.

Vem

Vem, da to ni modna muha. Tehnologija deluje, predvidljivo se izboljšuje, najbogatejše institucije v zgodovini pa vanjo vlagajo bilijone.

Vem, da bodo naslednjih dve do pet let zmedeni na načine, na katere večina ljudi ni pripravljena. To se že dogaja v mojem svetu. Prihaja tudi v vašega.

Vem, da bodo iz tega najbolje izšli tisti, ki se bodo začeli ukvarjati z njim že zdaj – ne s strahom, ampak z radovednostjo in občutkom nujnosti.

In vem, da si zaslužite, da to slišite od nekoga, ki mu je mar za vas, ne pa iz naslova v časopisu čez šest mesecev, ko bo že prepozno, da bi se na to pripravili.

Prešli smo točko, ko je to še zanimiva tema za pogovor ob večerji o prihodnosti. Prihodnost je že tu. Še ni potrkala na vaša vrata.

A bo kmalu.

AI optimizacija vsebine: kako postati citiran vir v generativnem iskanju

Generativno iskanje je v letu 2026 spremenilo logiko SEO: uporabnik ne brska več po desetih rezultatih, ampak prejme sestavljen odgovor AI, kjer so vidni le izbrani viri. Če vsebina ni dovolj jasna, zaupanja vredna in “citabilna”, je AI sistemi pri oblikovanju odgovorov preprosto preskočijo. AI optimizacija vsebine zato ne cilja več le na uvrstitev v klasičnih SERP, temveč na to, da postanete referenčen vir, ki ga modeli redno izberejo, parafrazirajo ali povežejo v AI Overviews in drugih AI vmesnikih.

image

Kaj je AI optimizacija vsebine

AI optimizacija vsebine je praksa načrtovanja, strukturiranja in vzdrževanja vsebine tako, da jo sistemi z umetno inteligenco lahko zanesljivo razumejo, pridobijo in citirajo, ne le razvrstijo v rezultatih tradicionalnih iskalnikov. Veliki jezikovni modeli ne berejo strani linearno; delujejo po principu “pridobi–ovrednoti–sestavi”, pri čemer iščejo samostojne odseke z jasnim odgovorom, preverljivo trditvijo in prepoznavnim kontekstom.​

Za uspeh v AI iskanju mora vsebina doseči tri ravni:

  • Retrievability (pridobljivost): ali AI lahko iz strani izreže jasen, samostojen odgovor ali razlago.​

  • Credibility (verodostojnost): ali vsebina dokazuje strokovnost, točnost in zanesljivost avtorja oziroma blagovne znamke.​

  • Usefulness (uporabnost): ali dejansko, jedrnato in strukturirano odgovarja na realna vprašanja uporabnikov.​

Ključna razlika je, da vidnost v AI Overviews ne zahteva nujno klika: blagovna znamka se lahko pojavi kot citat ali povzet vir, uporabnik pa sprejme odločitev, ne da bi obiskal spletno mesto.​

AI iskanje v 2026: od uvrstitve do odgovora

Zakaj je “AI-first” odkrivanje postalo privzeto

AI-first odkrivanje je postalo mainstream, ker je hitrejše in kognitivno manj zahtevno; uporabnik želi neposreden odgovor, priporočilo in možnost dodatnega podvprašanja, ne pa primerjave množice povezav. Orodja, kot so Google AI Overviews, AI Mode, ChatGPT, Perplexity in Copilot, sistematično zmanjšujejo trenje med vprašanjem in jasnim odgovorom. Posledično se organska vidnost seli v sam odgovor: vsebina mora biti dovolj dobra, da lahko nadomesti več tradicionalnih rezultatov v enem AI izpisu.​

Kaj se je spremenilo v Google AI Overviews in AI Mode

Google AI Overviews so v 2026 bistveno bolj selektivni in “mnenjski”: namesto mnogih domen se sistem pogosto opre na dva do tri izvore, ki jih prepozna kot avtoritativne za določeno temo. AI pri izboru ne preverja le prisotnosti ključne besede, temveč tudi avtorstvo, konsistentnost entitet, zgodovinsko točnost in širši ugled blagovne znamke v spletnem ekosistemu. Plitva, nejasna ali zastarela vsebina je filtrirana, še preden ima možnost priti v nabor kandidatov za odgovor.​

Nova uporabniška pot: odgovor → preveri → ukrepaj

Klasični tok “search → click → browse → convert” zamenjuje stisnjen cikel “Answer → Verify → Act”. AI najprej poda sintetiziran odgovor, uporabnik nato preveri citate, blagovne znamke ali znane vire in pogosto sprejme odločitev na tej ravni, z ali brez klika. Vloga vaše vsebine je zato pogosto nevidna, a vplivna: citat oblikuje percepcijo, krepi avtoriteto in posredno spodbuja konverzije.​

Kako AI sistemi izbirajo, koga citirati

Večina modernih AI iskalnih izkušenj temelji na paradigmi Retrieval-Augmented Generation (RAG), ki v grobem poteka v treh korakih: pridobivanje relevantnih dokumentov, ekstrahiranje uporabnih odsekov in generiranje odgovora, utemeljenega na teh virih. Stran se zato ne ocenjuje kot celota, temveč v “koščkih”: posamezni odstavki, seznami, definicije ali podpoglavja, ki delujejo samostojno.​

AI preferira odseke, ki so:

  • samostojni in jasno omejeni po obsegu,

  • dejstveno utemeljeni in preverljivi,

  • napisani tako, da ne zahtevajo dodatnega konteksta s preostale strani.​

Google interno uporablja ocenjevalne okvire tipa AGREE (accuracy, grounding, relevance, expertise, evidence), zato so strani z meglenimi uvodi, nejasnimi trditvami ali brez dokazov bistveno manj verjeten vir citatov. Če AI ne more samozavestno citirati odseka v izolaciji, ga praviloma ne bo uporabil v odgovoru.​

1. Zgradite nedvoumno tematsko avtoriteto v svoji niši

Kaj tematska avtoriteta pomeni za AI

AI sistemi ne sprašujejo “ali je ta stran optimizirana”, temveč “ali je ta vir dosledno kompetenten na tem področju”. Topical authority se za modele kaže kot vzorec: ponavljajoče, poglobljeno pokrivanje istega tematskega jedra, konsistentna raba terminologije in entitet ter logično notranje povezovanje vsebin. Splošne strani z naključnim naborom tem so za AI “generalisti”, ki jih redkeje citira; povezani tematski sklopi pa ustvarijo percepcijo specializiranega vira.​

Kako praktično graditi tematsko avtoriteto

Tematska avtoriteta nastaja z namerno, ne količinsko usmerjeno pokritostjo; izhodišče je jasno definiran osrednji pojem, na primer “AI optimizacija vsebine” ali “AI search visibility”. Okoli tega se načrtuje nabor podtem, kot so AI Overviews, struktura vsebine za AI, optimizacija entitet, strategije AI citiranja in spremljanje AI vidnosti, pri čemer vsaka podtema zasluži samostojen, dobro definiran članek. Notranje povezave med temi članki morajo jasno kazati, da gre za koherenten znanstveni oziroma strokovni sklop, ne za ad-hoc zbirko objav.​

2. Strukturirajte strani za AI ekstrakcijo, ne le za branje

Razmišljajte v odsekih, ne v celih straneh

AI sistemi delujejo na ravni “chunkov”: posamezen H2 ali H3 je lahko izbran in citiran samostojno, brez spremljajočega besedila. Vsak večji odsek mora zato sam po sebi odgovarjati na specifično vprašanje tako, da se ohrani razumljivost, tudi če je prikazan brez konteksta. Neopisni naslovi tipa “Pregled” ali “Več podrobnosti” slabše delujejo kot vprašalno oziroma semantično natančni nadnaslovi.​

image

Načelo BLUF: bistvo na začetku

Načelo BLUF (Bottom Line Up Front) je za AI izjemno ugodno: ključni odgovor postavite na začetek odseka, zatem sledijo razlaga, niansi in primeri. To odraža način generiranja AI odgovorov, kjer je povzetek na vrhu in argumentacija spodaj. Jedrnate, enopomne povedi v uvodu odsekov drastično povečajo možnost, da bo ravno ta del citiran.​

Pišite, kot da je lahko vsak odstavek citat

Odstavki naj prenašajo eno ključno idejo, uporabljajo jasno, nedvoumno terminologijo in minimalno odvisnost od zaimkov brez jasnega antecedenta. Takšna disciplina ni “poenostavljanje”, temveč zmanjševanje dvoumnosti, kar neposredno poveča zaupanje modela v natančnost citata. Blaga semantična redundanca – isto jedro povedano nekoliko drugače v naslovu, uvodu in razlagi – še dodatno utrjuje osrednja sporočila.​

3. Spremljajte omembe blagovne znamke in strani v širšem spletu

Zakaj omembe štejejo bolj kot (samo) povratne povezave

AI sistemi gradijo zaupanje na ravni entitet, ne le URL-jev; zanima jih, kako pogosto in v kakšnem kontekstu je blagovna znamka omenjena v neodvisnih virih. Nevezane omembe v primerjavah, forumih, blogih, recenzijah ali študijah primerov lahko enako ali še bolj prispevajo k “entitetnemu zaupanju” kot tradicionalne povezave. Za model je pomemben signal, da je vaša entiteta konsistentno prisotna v relevantnih pogovorih.​

Tveganje nevidnega odstopanja reputacije

Če omemb ne spremljate, lahko AI sistemi prevzamejo netočne opise vaših produktov, zastarele informacije ali pristranske primerjave, ki tiho spodkopljejo vašo verodostojnost kot vira. To je posebej tvegano za manjša podjetja, kjer že nekaj zunanjih omemb močno vpliva na modelovo “razumevanje” znamke. Sistemi za spremljanje omemb pomagajo zaznati, ali splet krepi ali izkrivlja zgodbo, ki jo gradite na lastni strani.​

4. Zaprite vsebinske vrzeli, ki jih AI zazna, ljudje pa spregledajo

Kako AI prepoznava vrzeli na strani

AI primerja vašo vsebino z internalizirano predstavo “popolnega odgovora”; če drugi viri dosledno vključujejo definicijo, korak ali robni primer, ki ga vi omenjate le implicitno, bo vaša stran videti nepopolna. Tipične vrzeli so nedoločeni pojmi, preskočene predpostavke, prekratki postopki ali odseki, ki se končajo prav tam, kjer bralec pričakuje več globine. Kratka, a jasna dopolnila pogosto tehtajo več kot obsežno, a megleno razširjanje.​

Izboljšanje brez napihovanja besedila

Cilj ni enciklopedičnost, temveč polnost v okviru deklariranega obsega: vsak odsek naj v definiranem okviru “zapre krog”. Praktično to pomeni, da dodate kratke definicije, razširite kritične korake, razdelite preobremenjene odseke ali eksplicitno zapišete implicitne predpostavke. Takšne prilagoditve praviloma izboljšajo izkušnjo za bralca in hkrati dvignejo zaupanje AI v uporabo vašega odseka.​

5. Optimizirajte naslove strani in meta opise za AI povzemanje

Naslov kot semantična sidrna točka

V AI posredovanem iskanju naslov ni več le sprožilec klikov, ampak hitri semantični signal o temi, obsegu in cilju strani. Nejasni, preširoki ali zgolj “kreativni” naslovi otežijo sistemu oceno, ali je stran varna in relevantna za konkreten odgovor. Naslovi, ki jasno opredelijo temo (npr. “AI optimizacija vsebine”), rezultat (“kako biti citiran v AI Overviews”) in kontekst (Google, generativno iskanje), bistveno zmanjšajo negotovost modela.​

Meta opis kot enostavčni izvleček

Čeprav Google meta opise pogosto prepiše, jih AI sistemi uporabljajo kot dodatni kontekst pri fazi pridobivanja in rangiranja dokumentov. Učinkovit meta opis potrdi fokus strani, okrepi ključne entitete in jasno nakaže tip odgovora (definicija, okvir, vodič, analiza). Funkcija meta opisa se s tem približa vlogi strokovnega izvlečka ali “abstracta”.​

6. Vključite citabilne statistike, raziskave in izvirne vpoglede

Zakaj AI daje prednost dokazom pred mnenji

Vsak AI odgovor je implicitno trditev; modeli zmanjšujejo tveganje tako, da preferirajo podatkovno utemeljene informacije, ki jih je težko izpodbiti. Jasno navedene statistike, raziskave ali notranje analize omogočajo bolj trdno “prizemljitev” generiranega besedila. Članek, ki vsebuje vsaj nekaj dobro utemeljenih številk ali empiričnih opažanj, ima večjo verjetnost, da bo citiran kot tisti, ki ostane na ravni generičnih nasvetov.​

Kako podatke vključiti brez preobremenjevanja

“Citabilnost” ne pomeni niza števil; AI preferira podatke, ki so jasno izpostavljeni, pripisani viru in neposredno povezani s poanto odseka. Tudi skromni, a izvirni vpogledi – agregirani rezultati projektov, vzorci iz prakse, interni benchmarki – lahko ustvarijo konkurenčno prednost, saj jih modeli ne najdejo pri konkurenci. Pomembno je, da podatek vedno povežete z jasnim pojasnilom, kaj potrjuje ali izpodbija.​

7. Redno osvežujte in reciklirajte vsebino, da ostanete v “AI spominu”

Učinek svežine na citiranje

AI sistemi preferirajo informacije, ki so videti nedavno potrjene; stran, ki je bila smiselno posodobljena v zadnjem obdobju, je za model manj tvegan vir kot vsebina, ki se ni spremenila več let. Mnoge nekoč uspešne “evergreen” vsebine zato postopoma izgubljajo AI vidnost, čeprav njihova osnovna sporočila morda še držijo.​

Kaj pomeni učinkovito osveževanje

Osveževanje ne pomeni celovitega prepisovanja, ampak revalidacijo: posodobitev primerov, prilagoditev odsekov, kjer se je kontekst spremenil, dodajanje novih podatkov ali odprava nejasnosti. Tudi manjše, a redne posodobitve pošiljajo signal, da je vsebina “živa”. Recikliranje v druge formate (članki, vizualni prikazi, FAQ, povzetki) dodatno utrjuje entitete in ključne ideje v modelovem notranjem “znanju”.​

Kako meriti AI vidnost: več kot le uvrstitve

AI-poganjano odkrivanje je pretrgalo neposredno povezavo med pozicijo in vidnostjo: lahko ste prvi v klasičnem SERP in hkrati skoraj nevidni v AI odgovorih. AI vidnost pomeni prisotnost znotraj odgovorov – kot citat, ponavljajoč se vir, ponovno uporabljen odsek ali referenca v fazi “preveri”. Za spremljanje je potrebno orodje, ki razume specifično dinamiko AI Overviews (npr. AIO tracking v Rank Trackerju), saj standardno sledenje uvrstitvam teh informacij ne zajame.​

Zgradite vsebino, ki ji bo AI enostavno zaupal

AI ni ukinil SEO, temveč razširil površino, kjer se SEO dogaja: od SERP na “odgovorni sloj”, v katerem modeli sestavljajo odgovore na podlagi omejenega nabora zanesljivih virov. V tem okolju odločajo tematska avtoriteta, jasna struktura, preverljivost, aktualnost in konsistentna prisotnost vaše entitete v širšem spletnem prostoru. Blagovne znamke, ki to razumejo, svoje vsebine ne pišejo več zgolj za rangiranje, temveč za to, da jih AI sistemi zlahka pridobijo, razumejo, citirajo in si jih “zapomnijo” kot standardni referenčni vir.​

Rufus (Amazona) že preoblikuje odločitve kupcev

vir: https://www.thedrum.com/opinion/while-everyone-debates-agentic-shopping-amazon-s-rufus-is-racking-up-sales

image

  • Sensor Tower ugotavlja, da je Rufus v božično‑novoletni sezoni prevzel skoraj ves inkrementalni rast prometa in nakupov na Amazonu, pri čemer se Rufus seje konvertirajo 3,5‑krat bolje od ostalih.​

  • Približno 40% sej na črni petek je uporabljalo Rufus, a te seje so ustvarile okoli 66% vseh nakupov, pri čemer so Rufus seje od oktobra do tedna črnega petka zrasle za ~90% (proti 8% pri ne‑Rufus sejah).​

  • Andy Jassy postavlja Rufus v središče Amazonove strategije proti tretjim AI nakupovalnim agentom, pri čemer poudarja prednost internih podatkov (zgodovina nakupov, preference, cene, katalog).​

  • Ključna ugotovitev raziskave je, da obstaja več različnih vedenjskih vzorcev uporabe asistenta (npr. »Search Assistant«, »Cart Reconsiderer«, »Early Decider«, »Research Conversationalist«), kar zahteva različno oblikovanje toka nakupa, ne zgolj dodajanja klepetalnika.​

  • Avtorica opozarja na metodološke omejitve (korelacija vs. kavzalnost) in poziva, da morajo trgovci spremljati tudi po‑nakupne metrike (vračila, preklice, zamenjave) ter razumeti, da se monetizacijska enota premika iz klasičnih rezultatov iskanja v odgovore asistenta.​

DEJSTVA

  • Sensor Tower je analiziral več kot 100.000 dejanskih Amazon nakupovalnih sej med praznično sezono 2025 in ugotovil 3,5‑krat višjo stopnjo konverzije pri Rufus sejah v primerjavi z običajnimi sejami, pri čemer je ta razlika ostala stabilna od oktobra do decembra.​

  • Na črni petek je približno 40% vseh sej vključevalo Rufus, vendar so te seje generirale okoli 66% vseh nakupov, Rufus seje pa so od 1. oktobra do tedna črnega petka narasle za približno 90%, medtem ko so se ne‑Rufus seje povečale za 8%.​

  • Andy Jassy je v rezultatih Q3 2025 navedel, da ima Rufus 250 milijonov aktivnih strank, mesečna uporaba je zrasla za 140% leto‑na‑leto, interakcije za 210%, uporabniki Rufusa pa naj bi imeli 60% večjo verjetnost dokončanja nakupa in preko 10 milijard dolarjev letne inkrementalne prodaje (čeprav so metrika »user« in definicije prodaje nejasne).​

  • Sensor Tower identificira deset vedenjskih vzorcev, med njimi »Search Assistant« (okoli 28% sej, ~35% konverzija) in »Cart Reconsiderer« (okoli 7% sej, ~50% konverzija), ter izpostavi »Early Decider« (85% konverzija) in »Research Conversationalist« (54% konverzija, ~150‑minutne raziskovalne seje).​

  • Članek poudari, da resnična vrednost AI asistenta ne bo dokazana le prek konverzij, temveč skozi ločeno merjenje po‑nakupnih rezultatov (stopnja vračil, preklicev, zamenjav) za AI‑podprte proti ne‑podprtim nakupnim potem, ter da se v retail medijih monetizacijska točka seli v vključitev v odgovore asistenta, kjer Amazon že uvaja sponzorirane enote v Rufusu.​

Izbrani citati

  • »New research from Sensor Tower, analyzing over 100,000 real Amazon shopping sessions during the 2025 holiday season, shows AI-assisted shopping isn’t a novelty anymore—it’s becoming a default consumer behavior.«​

  • »On Black Friday, Rufus-assisted sessions captured approximately 40% of total sessions but drove roughly 66% of purchases.«​

  • »This restraint sets Rufus apart compared to some other retailer AI experiments I’ve observed.«​

  • »The insight here is that AI-enabled shopping is not one funnel.«​

  • »Everyone’s waiting for the agentic future. Don’t miss what’s already changed.«​

image

Eksperiment negativnega GEO (Generative Engine Optimization) : kako z lažnimi viri vplivati na AI odgovore

vir: https://www.rebootonline.com/geo/negative-geo-experiment/

image

  • Članek opisuje kontroliran eksperiment agencije Reboot, ki testira, ali je mogoče z namernim širjenjem negativnih, izmišljenih informacij o osebi vplivati na odgovore velikih jezikovnih modelov (LLM).​

  • Ustvarili so fiktivno osebo Fred Brazeal, objavili podrobne, a lažne obtožbe na desetih obstoječih tretjih spletnih mestih in nato več tednov spremljali, kako 11 različnih AI modelov odgovarja na vprašanja o njem.​

  • Dva modela (Perplexity in ChatGPT/OpenAI) sta začela navajati testna spletna mesta, vendar je Perplexity negativne trditve vključil v opis osebe, medtem ko je ChatGPT trditve jasno označil kot nezanesljive.​

  • Večina drugih modelov testnih vsebin sploh ni uporabila, kar kaže, da obnašanje modelov močno variira in da mnogi zahtevajo višjo raven avtoritete oziroma signalov zaupanja, preden vključijo sporne trditve.​

  • Avtorji sklepajo, da je negativni GEO načeloma možen, a slabo skalabilen, pri čemer dolgoročno vidnost v AI okoljih še naprej poganjajo avtoriteta in zaupanje, ne pa osamljene ali nizkokakovostne taktike.​

DEJSTVA

  • Fiktivna persona: Uporabljena je bila izmišljena oseba Fred Brazeal brez predhodne spletne prisotnosti, da bi lahko vse kasnejše omembe pripisali izključno eksperimentalni vsebini.​

  • Negativne trditve: Na izbranih tretjih spletnih mestih so objavili biografsko oblikovane, a lažne obtožbe o neetičnih marketinških praksah, pravnih postopkih in sankcijah (npr. blokada domen).​

  • Spremljanje modelov: Odzive 11 LLM-jev (med njimi ChatGPT, Perplexity, Claude, Gemini, DeepSeek) so večkrat dnevno spremljali z orodjem LLMrefs, da bi videli, kdaj in kako se pojavi persona in katere vire modeli citirajo.​

  • Obnašanje Perplexity in ChatGPT: Perplexity je testna spletna mesta redno citiral in trditve vključil v profil osebe, medtem ko je ChatGPT iste vire poudaril kot potencialno nezanesljive in brez podpore verodostojnih medijev.​

  • Ključni zaključek: Negativni GEO je možen, vendar ga omejujejo modeli, ki dajejo veliko težo avtoriteti in koroboraciji; večina modelov testnih trditev sploh ni povzela ali citirala.​