Autor: Nermin Sefić
Nijedna tehnologija u posljednja tri desetljeća nije toliko brzo prešla put od laboratorijske znatiželje do geopolitičkog pitanja prvog reda kao umjetna inteligencija. Dok su internet i mobilna…
Nijedna tehnologija u posljednja tri desetljeća nije toliko brzo prešla put od laboratorijske znatiželje do geopolitičkog pitanja prvog reda kao umjetna inteligencija. Dok su internet i mobilna telefonija trebali gotovo dva desetljeća da postanu predmet ozbiljne regulatorne rasprave, veliki jezični modeli i generativna AI dostigli su tu točku unutar nekoliko godina od prvih široko dostupnih proizvoda. Rezultat je utrka triju velikih regulatornih filozofija — europske, američke i kineske — koje se natječu ne samo za tehnološku prednost, nego i za pravo da definiraju globalne norme prema kojima će se ova tehnologija razvijati u sljedećem desetljeću.
Ova utrka nije apstraktna akademska rasprava. Ona određuje gdje će se graditi podatkovni centri, koje će tvrtke privući kapital, koji će standardi postati de facto globalni zbog veličine tržišta koje ih nameće, i, možda najvažnije, koliko će koncentrirana ili distribuirana biti moć nad jednom od najznačajnijih tehnologija u povijesti čovječanstva.
Europska unija odabrala je put koji kritičari nazivaju pretjerano opreznim, a zagovornici odgovornim: sveobuhvatan, horizontalni regulatorni okvir koji pokušava unaprijed kategorizirati rizike umjetne inteligencije i propisati obveze razmjerne tim rizicima. AI Act, koji je nakon dugotrajnih pregovora konačno usvojen, predstavlja prvi opsežan pokušaj bilo koje velike jurisdikcije da regulira umjetnu inteligenciju kao samostalnu kategoriju, a ne kroz postojeće sektorske propise poput zaštite podataka ili zaštite potrošača.
Temeljna logika europskog pristupa je klasifikacija prema riziku. Sustavi koji predstavljaju "neprihvatljiv rizik" — poput socijalnog bodovanja građana od strane države ili manipulativnih tehnika koje iskorištavaju ranjivosti pojedinaca — jednostavno su zabranjeni. Sustavi "visokog rizika", koji uključuju primjene u zapošljavanju, kreditnom bodovanju, kaznenom pravosuđu i kritičnoj infrastrukturi, podliježu strogim zahtjevima za dokumentaciju, transparentnost, ljudski nadzor i procjenu sukladnosti prije stavljanja na tržište. Sustavi ograničenog rizika, poput chatbotova, zahtijevaju samo transparentnost prema korisnicima da komuniciraju sa strojem. Sve ostalo pada u kategoriju minimalnog rizika i ostaje uglavnom neregulirano.
Ova arhitektura ima privlačnu logičku dosljednost, ali i praktične izazove koji su postali očiti u prvim mjesecima primjene. Definiranje granice između "visokog" i "ograničenog" rizika pokazalo se iznimno teškim u praksi — mnogi sustavi ne pripadaju čisto niti jednoj kategoriji, već postoje na spektru ovisno o kontekstu primjene, a ne o samoj tehnologiji. Isti model velikog jezičnog razumijevanja može se koristiti za pisanje marketinških tekstova (minimalan rizik) i za pomoć u donošenju odluka o zapošljavanju (visok rizik) — regulacija se time nužno mora vezati uz primjenu, a ne uz samu tehnologiju, što stvara ogroman teret usklađenosti za tvrtke koje razvijaju opće modele bez unaprijed poznate krajnje primjene.
Europska strategija počiva na pretpostavci koja se već pokazala djelomično točnom u kontekstu zaštite podataka kroz GDPR: da veličina jedinstvenog europskog tržišta daje EU-u moć da nametne svoje standarde globalno, jer je tvrtkama jeftinije uskladiti cijeli proizvod s najstrožim zahtjevima nego graditi zasebne verzije za različita tržišta. Ovaj fenomen, poznat kao "Brussels effect", djelomično se ponavlja i s AI Actom — mnoge velike tehnološke tvrtke već prilagođavaju svoje globalne prakse upravljanja rizikom prema europskim zahtjevima, čak i za proizvode koji se ne prodaju izravno na europskom tržištu, jednostavno zato što je jedinstvena, globalno usklađena arhitektura sustava jeftinija za održavanje od fragmentirane.
No postoje i ozbiljna ograničenja Brussels efekta u kontekstu AI-a koja nisu postojala u istoj mjeri kod zaštite podataka. Umjetna inteligencija, za razliku od obrade osobnih podataka, izravno je povezana s vojnom i nacionalno-sigurnosnom konkurentnošću na način koji stvara snažne poticaje državama da razviju vlastite, paralelne kapacitete neovisno o europskim standardima. Kina i Sjedinjene Države jednostavno nemaju isti poticaj da se usklade s europskim pravilima kao što su ga imale globalne tehnološke tvrtke u kontekstu privatnosti podataka, gdje se radilo prvenstveno o komercijalnim, a ne strateškim interesima.
Sjedinjene Američke Države odabrale su fundamentalno drugačiju filozofiju — fragmentiran, sektorski i uglavnom dobrovoljan pristup koji favorizira brzinu inovacije nad preventivnom regulacijom. Umjesto jednog sveobuhvatnog saveznog zakona poput europskog AI Acta, američki pristup sastoji se od mozaika izvršnih naredbi, dobrovoljnih obveza koje su velike tehnološke tvrtke preuzele u dogovoru s Bijelom kućom, postojećih sektorskih regulatora koji primjenjuju svoje ovlasti na AI primjene unutar svojih domena, i sve aktivnije mreže državnih zakona koji pokušavaju popuniti prazninu koju savezna vlada ostavlja.
Ova fragmentacija nije slučajna, nego odražava duboko ukorijenjenu američku regulatornu filozofiju koja preferira reaktivnu regulaciju kroz sudske sporove i sektorske agencije nad preventivnom, horizontalnom regulacijom unaprijed. Zagovornici ovog pristupa argumentiraju da je nemoguće unaprijed predvidjeti sve načine na koje će se tehnologija koja se razvija ovom brzinom koristiti, i da pokušaj sveobuhvatne prethodne regulacije neizbježno guši inovaciju kroz nesrazmjerno opterećenje malih tvrtki i startupova koji nemaju resurse velikih igrača za usklađivanje s kompleksnim regulatornim zahtjevima.
Kritičari, s druge strane, upozoravaju da ovaj pristup ostavlja značajne praznine u zaštiti — posebno za građane koji su izloženi automatiziranim odlukama u područjima poput zapošljavanja, stanovanja ili pristupa financijskim uslugama, gdje ne postoji jasan federalni okvir odgovornosti usporediv s europskim zahtjevima za visokorizične sustave. Ova napetost između brzine inovacije i zaštite građana ostaje neriješena, a razlike u pristupu među pojedinim američkim saveznim državama — od relativno strogih zahtjeva u nekim državama do gotovo potpunog odsustva regulacije u drugima — stvaraju vlastitu vrstu fragmentacije koja otežava tvrtkama koje posluju na nacionalnoj razini.
Ono što američki pristup gubi u koherentnosti, djelomično nadoknađuje u brzini i fleksibilnosti kapitala. Bez potrebe za dugotrajnim usklađivanjem sa sveobuhvatnim regulatornim zahtjevima prije lansiranja proizvoda, američke tvrtke mogu iterirati brže, testirati tržište ranije, i privući rizični kapital koji je osjetljiv na regulatornu neizvjesnost. Ova dinamika djelomično objašnjava zašto najveći dio globalnog kapitala uloženog u AI startupove i dalje teče prema američkim tvrtkama, unatoč sve glasnijim upozorenjima o rizicima nekontrolirane primjene.
Kineski model predstavlja treću, distinktivnu filozofiju koja kombinira aktivnu državnu koordinaciju industrijske politike s ciljanom regulacijom specifičnih primjena koje se smatraju posebno osjetljivima, poput algoritama preporuke sadržaja i generativnih modela dostupnih javnosti. Za razliku od europskog pokušaja sveobuhvatne horizontalne regulacije ili američkog fragmentiranog, uglavnom reaktivnog pristupa, kineska strategija eksplicitno povezuje regulaciju umjetne inteligencije sa širim ciljevima nacionalne tehnološke suverenosti i socijalne stabilnosti.
Kineski regulatori uveli su specifične zahtjeve za registraciju algoritama koji utječu na javno mišljenje ili mobilizaciju društva, obveznu procjenu sigurnosti za generativne AI sustave prije javnog lansiranja, i jasne smjernice o sadržaju koji takvi sustavi ne smiju generirati. Ovaj pristup, iako restriktivan u pogledu političkog i društvenog sadržaja, istovremeno je izrazito poticajan prema komercijalnom i industrijskom razvoju AI tehnologije, s masovnim državnim ulaganjima u istraživanje, infrastrukturu podatkovnih centara i obrazovanje kadrova.
Ova naizgled kontradiktorna kombinacija — stroga kontrola sadržaja uz agresivnu podršku tehnološkom razvoju — odražava temeljnu logiku kineske industrijske politike koja umjetnu inteligenciju tretira kao strateški resurs usporediv s energetskom ili vojnom infrastrukturom, gdje je državna koordinacija ne prepreka nego preduvjet za postizanje globalne konkurentnosti. Ograničenja pristupa naprednim poluvodičkim čipovima koja su uvele Sjedinjene Države dodatno su pojačala ovaj obrazac, gurajući Kinu prema još intenzivnijem državnom ulaganju u domaće kapacitete proizvodnje čipova i alternativne pristupe arhitekturi modela koji zahtijevaju manje računalne snage.
Praktična posljedica ove tri paralelne, međusobno nekompatibilne regulatorne filozofije jest da multinacionalne tvrtke koje žele poslovati globalno moraju graditi sustave usklađenosti koji istovremeno zadovoljavaju europske zahtjeve za dokumentacijom i procjenom rizika, američku mrežu sektorskih i državnih propisa, i kineske zahtjeve za registracijom algoritama i kontrolom sadržaja. Ova fragmentacija stvara značajan operativni teret, posebno za manje tvrtke koje nemaju resurse velikih tehnoloških konglomerata za održavanje zasebnih pravnih timova po jurisdikciji.
Jedno od najkontroverznijih pitanja koje proizlazi iz ove fragmentacije jest pitanje prekograničnog toka podataka za treniranje modela. Europski zahtjevi za zaštitu podataka, kineska ograničenja izvoza određenih kategorija podataka, i američka relativno liberalna politika stvaraju situaciju u kojoj tvrtke moraju donositi teške odluke o tome gdje treniraju svoje modele, kojim podacima imaju pristup u pojedinim jurisdikcijama, i kako osigurati da model treniran u jednoj jurisdikciji zadovoljava zahtjeve druge kad se implementira tamo.
Drugo područje trvenja tiče se otvorenih modela — sustava čije su težine javno dostupne za preuzimanje i modifikaciju. Europski i američki regulatori zauzeli su djelomično različite stavove o tome trebaju li otvoreni modeli podlijegati istim zahtjevima kao zatvoreni komercijalni sustavi, dok kineski pristup aktivno potiče otvorene modele kao strategiju za smanjenje ovisnosti o zapadnoj tehnologiji, s nekoliko vodećih kineskih laboratorija koji su objavili konkurentne otvorene modele upravo kao dio šire strategije tehnološke neovisnosti.
Za zemlje i regije koje nisu među tri velika regulatorna centra, ova utrka stvara složen skup odluka o vlastitoj strategiji. Većina manjih ekonomija nema kapacitet niti tržišnu veličinu da razvije vlastiti, samostalan regulatorni okvir usporediv s bilo kojim od tri velika modela, što ih efektivno prisiljava da se pozicioniraju prema jednom od postojećih pristupa ili pokušaju izgraditi hibridni model prilagođen vlastitim prioritetima.
Europske susjedne zemlje i zemlje koje teže članstvu u EU-u prirodno teže usklađivanju s europskim regulatornim modelom, djelomično zbog postojećih institucionalnih veza, a djelomično zbo želje za pristupom europskom tržištu koje zahtijeva sukladnost. Zemlje s bliskim gospodarskim i sigurnosnim vezama sa Sjedinjenim Državama često slijede fleksibilniji, sektorski pristup, dok zemlje unutar šire kineske ekonomske sfere utjecaja sve više razmatraju elemente kineskog modela državne koordinacije, posebno u kontekstu razvojnih ekonomija gdje državno vođena industrijska politika ima dužu tradiciju.
Ova dinamika stvara rizik od stvaranja nekoliko relativno izoliranih regulatornih blokova koji otežavaju globalnu interoperabilnost AI sustava, slično kao što se dogodilo s nekim aspektima interneta u kontekstu cenzure i kontrole sadržaja. Iako potpuna fragmentacija ostaje malo vjerojatan scenarij zbog ekonomskih poticaja za zadržavanje globalne povezanosti, trend prema regionalnim regulatornim blokovima sa značajnim razlikama u temeljnoj filozofiji čini se sve izvjesnijim.
Paralelno s regulacijom primjena umjetne inteligencije, sve tri jurisdikcije suočavaju se sa zasebnim, ali povezanim pitanjem: kako regulirati razvoj sve naprednijih temeljnih modela čije potencijalne sposobnosti nadilaze trenutne primjene i uvode nove kategorije rizika, od zloporabe u razvoju biološkog ili kemijskog oružja do šireg pitanja gubitka ljudske kontrole nad sve autonomnijim sustavima.
Ovo pitanje stvara neobičnu situaciju u kojoj vodeći AI laboratoriji, uglavnom smješteni u Sjedinjenim Državama, aktivno pozivaju na stroguju regulaciju vlastite industrije, argumentirajući da su rizici najnaprednijih sustava dovoljno ozbiljni da opravdaju preventivnu, a ne samo reaktivnu regulaciju. Ovaj poziv na regulaciju odozdo, od strane same industrije, predstavlja neobičan obrazac u povijesti tehnološke regulacije, gdje su industrijski akteri tipično lobirali protiv, a ne za stroge regulatorne zahtjeve.
Skepticizam prema ovim pozivima djelomično proizlazi iz sumnje da veliki, dobro kapitalizirani laboratoriji zagovaraju regulaciju upravo zato što regulatorni teret nesrazmjerno pogađa manje konkurente i nove sudionike na tržištu, efektivno djelujući kao barijera ulaska koja štiti postojeće vodeće igrače od buduće konkurencije. Ova dinamika, poznata kao "regulatorna zarobljenost" u obrnutom smjeru, komplicira jednostavne narative o motivima iza poziva na stroguju regulaciju.
Financijski sektor nudi posebno instruktivan primjer kako se tri regulatorne filozofije sudaraju u praksi, jer banke i osiguravajuća društva već desetljećima posluju pod gustom mrežom sektorske regulacije koja se sada mora uskladiti s novim, horizontalnim AI zahtjevima. Europska banka koja koristi model strojnog učenja za procjenu kreditnog rizika mora istovremeno zadovoljiti postojeće zahtjeve bankovne regulative o transparentnosti kreditnih odluka, nove AI Act zahtjeve za visokorizične sustave koji uključuju procjenu kreditne sposobnosti pojedinaca, i zahtjeve za zaštitu podataka koji ograničavaju koje varijable model smije koristiti.
Ova preklapajuća regulacija stvara značajan trošak usklađenosti, ali istovremeno nudi i priliku — banke koje uspiju izgraditi sustave usklađenosti koji zadovoljavaju najstrože zahtjeve mogu te iste sustave koristiti kao konkurentsku prednost pri ulasku na tržišta s manje strogim zahtjevima, umjesto da grade zasebne, manje robusne sustave za svako tržište. Ova dinamika djelomično objašnjava zašto neke velike globalne financijske institucije aktivno lobiraju za stroguju, ne slabiju, AI regulaciju — jednom kad izgrade skupu infrastrukturu usklađenosti, ta infrastruktura postaje barijera ulaska koja štiti njihovu tržišnu poziciju od manje kapitaliziranih konkurenata.
Američke financijske institucije, s druge strane, suočavaju se sa znatno fragmentiranijim regulatornim krajolikom, gdje savezni bankovni regulatori, regulatori vrijednosnih papira i regulatori pojedinih država svaki imaju djelomično preklapajuću, ali ne identičnu nadležnost nad AI primjenama u financijskim uslugama. Ova fragmentacija, iako teoretski stvara više prostora za inovaciju, u praksi često rezultira pravnom nesigurnošću koja tjera institucije prema konzervativnijim primjenama AI-a nego što bi inače odabrale, jednostavno da izbjegnu rizik od naknadnog regulatornog spora s bilo kojim od preklapajućih regulatora.
Jedno od najsloženijih pravnih pitanja koje sve tri jurisdikcije pokušavaju riješiti, svaka na svoj način, jest pitanje odgovornosti kad autonomni ili polu-autonomni AI sustav donese odluku koja uzrokuje štetu. Tradicionalni pravni okviri odgovornosti za proizvode i nemarno postupanje razvijeni su za kontekst u kojem je ljudska odluka ili jasno definirana proizvodna greška uzrok štete — kontekst koji se ne mapira jednostavno na scenarij u kojem AI model, treniran na milijunima primjera, donese odluku koju nijedan pojedinačni programer nije eksplicitno programirao niti mogao unaprijed predvidjeti.
Europski pristup pokušava riješiti ovo pitanje kroz kombinaciju AI Acta, koji nameće zahtjeve za dokumentacijom i transparentnošću koji olakšavaju naknadnu istragu odgovornosti, i zasebnih prijedloga direktive o odgovornosti za AI koja bi olakšala žrtvama teret dokazivanja uzročne veze između AI sustava i pretrpljene štete. Ovaj pristup priznaje da tradicionalni standard dokazivanja, koji zahtijeva da žrtva dokaže točno kako je proizvod bio neispravan, postaje gotovo nemoguće ispuniti kad je "proizvod" kompleksan model strojnog učenja čije unutarnje odlučivanje ni sami njegovi kreatori ne mogu u potpunosti objasniti.
Američki pristup, oslanjajući se uglavnom na postojeće doktrine nemarnog postupanja i odgovornosti za proizvode koje se razvijaju kroz sudsku praksu, ostavlja mnogo više prostora za sudove da postupno, kroz pojedinačne slučajeve, razviju standarde primjenjive na AI štetu. Ovaj pristup nudi fleksibilnost prilagodbe specifičnim okolnostima svakog slučaja, ali i stvara značajnu pravnu nesigurnost za tvrtke koje ne mogu unaprijed znati kako će sud protumačiti njihovu odgovornost prije nego što se dogodi stvarna šteta i spor.
Rasprava o AI regulaciji često zanemaruje temeljni fizički resurs o kojem sva tri regulatorna modela ovise u praksi — pristup naprednim računalnim čipovima i energiji potrebnoj za treniranje i pokretanje najvećih modela. Regulacija koja izgleda odlično na papiru postaje irelevantna ako zemlja koja je donosi nema domaće kapacitete za razvoj vlastitih naprednih modela, čineći je ovisnom o modelima razvijenima drugdje koje njezina regulacija ne može izravno oblikovati tijekom faze treniranja.
Ova dinamika djelomično objašnjava zašto su američka izvozna ograničenja na napredne poluvodičke čipove prema Kini postala jednako značajan element globalne AI politike kao i formalna regulacija primjena — kontrola nad temeljnom infrastrukturom omogućuje neizravan utjecaj koji nadilazi formalnu regulatornu nadležnost. Zemlje bez domaćih kapaciteta proizvodnje čipova ili pristupa jeftinoj energiji u velikim razmjerima suočavaju se sa strukturnim ograničenjem svoje sposobnosti da provode neovisnu AI strategiju, neovisno o kvaliteti njihovog regulatornog okvira na papiru.
Iza vidljive, političke razine regulacije odvija se manje vidljiva, ali jednako značajna bitka oko tehničkih standarda koji određuju kako će se apstraktni regulatorni zahtjevi prevesti u konkretne, mjerljive tehničke specifikacije. Europski AI Act, primjerice, oslanja se u velikoj mjeri na "harmonizirane norme" koje razvijaju europska standardizacijska tijela — ako tvrtka može dokazati sukladnost s tim tehničkim normama, dobiva pretpostavku sukladnosti sa širim zakonskim zahtjevima, čineći same tehničke norme praktički jednako važnima kao i tekst zakona.
Ova dinamika stvara manje vidljivu, ali strateški značajnu arenu natjecanja u kojoj tvrtke, industrijska udruženja i pojedine zemlje pokušavaju utjecati na sadržaj tehničkih normi na načine koji favoriziraju njihove postojeće tehnološke pristupe ili konkurentske prednosti. Tvrtka koja je već izgradila sustave usklađene s određenim tehničkim pristupom ima jasan poticaj lobirati da upravo taj pristup postane službena norma, otežavajući konkurentima koji su izgradili alternativne, jednako valjane tehničke pristupe.
Međunarodna suradnja oko tehničkih normi za AI ostaje značajno manje razvijena od suradnje oko, primjerice, telekomunikacijskih standarda, djelomično zbog brzine kojom se sama tehnologija razvija, što otežava postizanje stabilnog konsenzusa prije nego što tehnologija koju norma pokušava regulirati zastari i bude zamijenjena novom generacijom pristupa.
Iako se rasprava o AI konkurentnosti često fokusira na regulaciju, kapital i računalnu infrastrukturu, dugoročna sposobnost bilo koje jurisdikcije da ostane relevantna u ovoj utrci u konačnici ovisi o dostupnosti kvalificirane radne snage sposobne razvijati, implementirati i nadzirati sve sofisticiranije AI sustave. Ovo pitanje otvara zaseban skup strateških izbora koji nadopunjuju, ali i djelomično nadilaze, samu regulatornu filozofiju.
Sjedinjene Države zadržavaju značajnu prednost kroz privlačnost svojih sveučilišta za najtalentiranije istraživače diljem svijeta, uz relativno fleksibilan sustav radnih viza za visokokvalificirane radnike u tehnološkom sektoru, iako je ova prednost povremeno ugrožena promjenama imigracijske politike koje otežavaju zadržavanje talenta obrazovanog na američkim sveučilištima. Europa se suočava sa strukturnim izazovom "odljeva mozgova" prema američkim tehnološkim tvrtkama koje nude znatno više plaće, unatoč činjenici da europska sveučilišta i dalje proizvode značajan broj vrhunski obrazovanih AI istraživača.
Kina je tijekom prethodnog desetljeća ostvarila značajan napredak u domaćem obrazovnom kapacitetu za AI, djelomično kao odgovor na sve stroža američka ograničenja pristupa naprednim tehnologijama koja su pojačala poticaj za razvoj domaće stručnosti neovisne o zapadnim institucijama. Ovaj trend, ako se nastavi, mogao bi tijekom sljedećeg desetljeća značajno promijeniti globalnu ravnotežu talenta koja je dosad snažno favorizirala zapadne, posebno američke, institucije.
Pitanje kako regulirati otvorene modele — sustave čije su težine javno objavljene i dostupne za preuzimanje, modifikaciju i ponovnu distribuciju bilo kome — zaslužuje posebnu pažnju jer ne uklapa se jednostavno u tradicionalnu logiku regulacije usmjerenu prema pojedinačnim proizvođačima proizvoda koji zadržavaju kontrolu nad svojim proizvodom nakon lansiranja. Jednom kad su težine modela javno objavljene, izvorni razvijatelj gubi praktičnu sposobnost kontrolirati kako se taj model koristi, tko ga koristi, ili spriječiti uklanjanje sigurnosnih ograničenja koja je izvorno ugradio.
Ova stvarnost stvara temeljnu napetost između dvije vrijedne javne koristi — transparentnosti i demokratizacije pristupa AI tehnologiji koju otvoreni modeli omogućuju, nasuprot rizika da isti taj otvoreni pristup omogući zlonamjernim akterima uklanjanje sigurnosnih ograničenja i primjenu modela za štetne svrhe koje bi zatvoreni, kontrolirani pristup mogao spriječiti. Europski regulatori generalno zauzimaju opreznijij stav prema najnaprednijim otvorenim modelima, dok kineska strategija aktivno potiče otvorene modele kao alat tehnološke neovisnosti, a američki pristup ostaje podijeljen unutar same industrije, s nekim vodećim laboratorijima koji zagovaraju otvorenost i drugima koji je smatraju neopravdano rizičnom za najnaprednije sustave.
Gledajući unaprijed, nekoliko širokih scenarija čini se plauzibilnima za razvoj ove regulatorne utrke tijekom sljedećeg desetljeća. Prvi scenarij, djelomične konvergencije, pretpostavlja da će praktični pritisci multinacionalnog poslovanja postupno gurati sva tri modela prema djelomično sličnijim, interoperabilnim zahtjevima, barem u pogledu osnovnih tehničkih standarda dokumentacije i testiranja, čak i ako temeljne filozofije ostanu različite. Ovaj scenarij nalikuje onome što se dogodilo s globalnim računovodstvenim standardima, gdje značajne nacionalne razlike ostaju, ali osnovna tehnička infrastruktura postaje sve interoperabilnija.
Drugi scenarij, produbljene fragmentacije, pretpostavlja da će rastuće geopolitičke napetosti, posebno između Sjedinjenih Država i Kine, gurati sva tri bloka prema sve različitijim, manje interoperabilnim sustavima, s tehnološkim "zidovima" koji odvajaju ne samo regulaciju, nego i temeljnu infrastrukturu, podatke i talent između blokova. Ovaj scenarij nalikuje onome što se djelomično već dogodilo s pristupom određenim internetskim platformama i uslugama između Kine i zapadnog svijeta.
Treći scenarij, koji mnogi analitičari smatraju najvjerojatnijim, pretpostavlja trajnu, ali upravljivu fragmentaciju u kojoj tvrtke i zemlje razvijaju sve sofisticiranije strategije za navigiranje kroz tri paralelna sustava, slično kako su multinacionalne tvrtke desetljećima navigirale kroz različite porezne, radne i regulatorne sustave bez potpune globalne harmonizacije. Ovaj scenarij ne rješava temeljnu fragmentaciju, ali je čini upravljivim operativnim troškom umjesto egzistencijalnog izazova za globalno poslovanje.
Neovisno o tome koji se scenarij ostvari, jedna stvar ostaje sigurna — brzina kojom se sama AI tehnologija razvija znači da će regulatorni okviri sva tri velika igrača zahtijevati kontinuiranu reviziju i prilagodbu, čineći ovo područje jednim od najdinamičnijih u globalnoj ekonomskoj i pravnoj politici tijekom nadolazećih godina.
Iako se rasprava o AI regulaciji često svodi na trostranu dinamiku između vlada, velikih tehnoloških tvrtki i, povremeno, vojnih i sigurnosnih agencija, civilno društvo i akademska zajednica odigrali su značajniju ulogu u oblikovanju regulatornog krajolika nego što se to obično priznaje. Organizacije za digitalna prava, akademski istraživači specijalizirani za algoritamsku pristranost i pravnu odgovornost, te novinari koji istražuju stvarne posljedice AI sustava na ranjive skupine, doprinijeli su dokumentiranju konkretnih šteta koje su oblikovale konačan tekst europskog AI Acta znatno više nego što bi se moglo pretpostaviti isključivo iz formalnog zakonodavnog procesa.
Ova dinamika posebno je izražena u kontekstu prepoznavanja specifičnih primjena visokog rizika unutar AI Acta — kategorije poput automatiziranog skeniranja životopisa u procesu zapošljavanja ili algoritamskog određivanja socijalnih naknada nisu se pojavile u zakonodavnom tekstu spontano, nego kao izravan odgovor na dokumentirane slučajeve stvarne štete koje su identificirali istraživači i novinari prije nego što su regulatori uopće počeli razmišljati o toj specifičnoj primjeni. Ova dinamika sugerira da budući razvoj regulacije, u sve tri jurisdikcije, vjerojatno će nastaviti reagirati na dokumentirane slučajeve stvarne štete jednako, ako ne i više, nego na apstraktne teoretske rasprave o riziku.
Za organizacije suočene sa zadatkom navigiranja kroz ovu fragmentiranu regulatornu stvarnost, nekoliko praktičnih principa proizlazi iz dosadašnjeg iskustva ranih usvojitelja usklađenosti. Prvo, graditi modularnu, a ne monolitnu arhitekturu upravljanja AI rizikom, koja omogućuje dodavanje ili prilagodbu zahtjeva specifičnih za pojedino tržište bez potrebe za redizajniranjem cijelog sustava usklađenosti od nule. Drugo, investirati u dokumentaciju i objašnjivost modela znatno prije nego što to postane formalno obvezno u pojedinoj jurisdikciji, jer je dokumentacija stvorena naknadno, pod pritiskom regulatornog roka, sustavno lošije kvalitete od one izgrađene kao integralni dio razvojnog procesa od samog početka.
Treće, aktivno pratiti razvoj regulacije u sve tri velike jurisdikcije, ne samo u onoj gdje je organizacija formalno sjedište, jer se regulatorni zahtjevi jedne jurisdikcije sve češće prelijevaju u praktične poslovne odluke koje utječu na globalno poslovanje, neovisno o tome gdje je proizvod izvorno namijenjen prodaji.
Konkretan uvid u to koliko ozbiljno EU misli svoj regulatorni okvir dolazi iz same strukture kazni propisanih Člankom 99. AI Acta. Za najteže povrede — zabranjene AI prakse poput manipulativnih tehnika koje iskorištavaju ranjivosti ili biometrijskog nadzora u stvarnom vremenu na javnim mjestima — kazna može doseći 35 milijuna eura ili 7% globalnog godišnjeg prometa tvrtke, ovisno o tome koji je iznos veći. Za usporedbu, ovo je gotovo dvostruko veći postotak od maksimalne GDPR kazne od 4% prometa, čineći AI Act jednim od najstrožih regulatornih okvira u povijesti EU-a po apsolutnoj financijskoj izloženosti.
Druga razina kazni, do 15 milijuna eura ili 3% prometa, odnosi se na povrede vezane uz visokorizične sustave i transparentnost, dok treća razina, do 7,5 milijuna eura ili 1% prometa, pokriva davanje netočnih ili obmanjujućih informacija nadzornim tijelima. Zanimljiv detalj koji često promiče pažnji jest da se za mala i srednja poduzeća te startupove primjenjuje obrnuta logika — umjesto višeg iznosa (fiksni ili postotak prometa, ovisno što je veće), primjenjuje se niži iznos, pružajući stvarnu, zakonski propisanu zaštitu manjim akterima od nesrazmjerno teških kazni koje bi mogle ugroziti njihov opstanak.
Prema izvještajima iz sredine 2026., unatoč tome što su zabranjene prakse formalno provedive od veljače 2025., nijedna javna kazna još nije izrečena pod AI Actom do lipnja 2026. — Europska komisija je pokrenula početne istrage, ali odabrala je pristup koji prioritizira suradnju i smjernice prije stroge provedbe, slično obrascu koji je primijenila i kod ranih godina GDPR-a. Stručnjaci upozoravaju da bi EU, baš kao i s GDPR-om, mogla odabrati nekoliko visokoprofilnih slučajeva da postavi presedan — moguća meta uključuje AI sustave u sektoru ljudskih resursa ili generativne AI usluge koje nisu dovoljno transparentne o svojoj prirodi.
Utrka za oblikovanje globalnih normi umjetne inteligencije neće vjerojatno rezultirati jednim pobjedničkim modelom koji preuzima globalnu dominaciju, kao što se to dogodilo s nekim ranijim tehnološkim standardima. Umjesto toga, vjerojatniji je scenarij trajne koegzistencije tri, ili više, paralelnih regulatornih filozofija, s tvrtkama i zemljama koje se moraju kretati kroz sve složeniju mrežu zahtjeva ovisno o tržištima na kojima žele poslovati.
Svaki od tri velika pristupa nosi jasne kompromise. Europski model nudi jasnoću i predvidljivost pravnog okvira uz cijenu potencijalno sporije inovacije i rizika da postane manje relevantan ako se tehnologija razvije brže nego što regulatorni okvir može pratiti. Američki model nudi brzinu i fleksibilnost uz cijenu fragmentacije i praznina u zaštiti građana. Kineski model nudi koherentnu državnu koordinaciju usmjerenu prema strateškim ciljevima uz cijenu ograničene autonomije za pojedince i tvrtke unutar tog sustava.
Za organizacije koje djeluju globalno, praktičan zaključak nije čekanje da se ova utrka razriješi prema jednom dominantnom modelu, nego graditi fleksibilnu, modularnu arhitekturu usklađenosti koja se može prilagoditi različitim regulatornim zahtjevima po tržištu, uz kontinuirano praćenje kako se sva tri modela razvijaju u narednim godinama. S obzirom na brzinu kojom se sama tehnologija razvija, vjerojatno je da će se i regulatorni okviri sva tri velika igrača značajno mijenjati tijekom sljedećeg desetljeća, čineći ovu utrku dinamičnim, kontinuiranim procesom radije nego jednokratnim natjecanjem s jasnim krajem.
#AIGovernance #AIRegulation #EUAIAct #Geopolitics #NerminSefic #GNKASG #GNKDINAMOLtd #gospodarstvo #financije #tehnologija #analiza #poslovanje #NerminSefić
Cjelovit tekst i izvor: https://gnk-asg.hr/objave/utrka-ai-regulacije-sad-eu-kina/
Autor i urednička odgovornost: Nermin Sefić. Izdavač: GNK ASG d.o.o..
#GNKASG #GNKDINAMOLtd #NerminSefic #BusinessIntelligence #AIgovernance #AIregulation #EUAIAct #UnitedStatesAIpolicy #ChinaAIregulation #NerminSefić
