Obrazovanje za majstora i oblak agenata

Temeljni stav Akademije svetlosti i obrazovnih resursa XPower

Aleksej Ananjin i grupa Ešelon

26. septembar 2026.

Naše akademije gradimo kao okruženje za stalni razvoj inteligencije, specijalizovanih agenata i ljudi koji umeju da rade sa njima. Osnovna inteligencija povezuje oblasti znanja. Oblak agenata pomaže u praćenju istraživanja, poređenju podataka, proračunima i proveri rešenja. Majstor određuje pravac, organizuje tim i odgovara za ono što se na kraju događa ljudima, opremi i okruženju.

Za takav stav postoji praktičan razlog. Naši zadaci odavno prevazilaze granice jedne profesije. U njima se susreću biologija, inženjerstvo, svemir, električna energija i energija u širem smislu, arhitektura, ekonomija, nacionalna bezbednost, ljudske sposobnosti i mogućnosti zajednica. Svaka oblast se menja. Novi rezultati nastaju unutar disciplina i na njihovim presecištima.

Zato akademija treba da pomogne čoveku da sagleda celinu, produbi znanje tamo gde je potrebno njegovo rasuđivanje i upravlja sistemom znanja koji se stalno obnavlja. Za nas profesionalni rad obavlja sklop koji čine majstor, tim ljudi, inteligencija, agenti i merna sredstva.

1 Zašto naša akademija ima tako široke granice

Uzmimo svetlost. Svetiljka ima električnu snagu, spektar, optiku, toplotni režim, upravljanje i radni vek. Prostorija ima geometriju, površine, dnevnu svetlost i način korišćenja. Čovek ima vidni zadatak, dnevni ritam, uzrast, individualne osobine i nagomilani umor. Organizacija ima troškove, zahteve rada i odgovornost za radne uslove.

Jedan projekat osvetljenja zato zahteva više stručnih jezika. Inženjer projektuje instalaciju. Arhitekta sagledava prostor. Biolog postavlja pitanja o delovanju svetlosti na organizam. Ekonomista proverava ukupne troškove posedovanja. Odgovorni za održavanje procenjuje popravljivost i mogućnost očuvanja zadatog režima tokom godina. Kvalitet zajedničkog rešenja zavisi od povezivanja tih znanja.

U našim obrazovnim resursima ljudske sposobnosti i radna spremnost (human performance) obuhvataju opažanje, obradu informacija, učenje, precizno delovanje, oporavak i podnošenje opterećenja. Individualna produktivnost odnosi se na rezultate određene aktivnosti. Pod produktivnošću populacije podrazumevamo zajedničku sposobnost društva da uči, stvara, održava infrastrukturu i kvalitet života. Potrebni su jasni pokazatelji i pažljiv prelazak između razmera: nalaz iz male laboratorijske grupe tek treba proveriti u školi, prodavnici, gradu ili grani privrede.

Energetika i nacionalna bezbednost ulaze u ovaj krug kroz otpornost infrastrukture, dostupnost resursa, pouzdanost komunikacija i računarstva i očuvanje stručnosti. Svemir dodaje ograničene resurse, autonomiju, dug radni vek i visoku cenu greške. Princip iz svemirskog sistema može koristiti na Zemlji; njegova primenljivost proverava se u konkretnim uslovima.

Prošlost donosi iskustva trajnosti, eksploatacije i neuspeha. Budućnost zahteva scenarije. Nauka na granicama saznanja omogućava razmatranje ideja koje još prolaze proveru. Akademija treba da označi status svakog materijala: ponovljiv rezultat, preliminarno zapažanje, model, hipoteza ili autorska pretpostavka. Smelost pitanja treba da prati preciznost u odnosu prema dokazima.

2 Tok znanja prevazilazi mogućnosti jednog stručnjaka

Prema našoj preliminarnoj proceni, u širokom krugu tema koje nas zanimaju svakodnevno se pojavljuje približno 350–600 naučnih radova. To je radna procena autora. Bibliometrijska potvrda zahteva utvrđene teme, baze podataka, period brojanja i pravila uklanjanja duplikata, uključujući preprint i kasniju časopisnu verziju istog rada.

Već takav okvir pokazuje obim zadatka. Sa deset minuta za prvo upoznavanje sa svakim radom dobijamo približno 58–100 sati dnevno. To je uslovni proračun potrebnog vremena. Temeljno proučavanje metode, provera računa i poređenje sa ranijim rezultatima zahtevaju dodatno vreme.

Profesionalni rad obuhvata i objekat, ljude, merenja, projektovanje, dogovore i posledice odluka. Čovek može duboko razumeti svoju struku i istovremeno fizički propuštati važne promene u susednim oblastima. Povremeno stručno usavršavanje ne može u potpunosti rešiti ovaj problem.

Sama objava rada malo govori o njegovoj praktičnoj vrednosti. Sistem mora prepoznati ponavljanja, ograničenja eksperimenata, ispravke i povučene radove i uporediti protivrečne rezultate. Potreban je stalan izbor znanja uz očuvanje pristupa izvornim dokazima.

Sve veći deo tog posla nameravamo da poveravamo inteligenciji i agentima. Automatizovano praćenje širokog toka zahteva proveru potpunosti i kvaliteta samog praćenja. Spisak obrađenih dokumenata još ne potvrđuje razumevanje predmeta i pouzdanost zaključka.

3 Šta podrazumevamo pod obukom inteligencije

Osnovnu inteligenciju u našem modelu čini jedan ili više snažnih modela koji razumeju zadatak, povezuju oblasti i usklađuju rad. Specijalizovani agent dobija funkciju, pristup izvorima i alatima, pravila provere i granice ovlašćenja. Više agenata može koristiti isti osnovni model i obavljati različite poslove.

Obuka obuhvata više procesa. Razvojni timovi obučavaju i unapređuju osnovne modele. Mi oblikujemo profesionalno okruženje njihove primene: proverene materijale, rečnike, metode, računske alate, primere, uputstva i ispitivanja. Posebno dodatno obučavanje modela na pripremljenim podacima moguće je kada postoji opravdanje i dovoljno resursa.

Dodavanje novog rada u bazu znanja ili davanje tog rada agentu u tekućem zadatku obnavlja informacije kojima raspolaže. Promena parametara modela zahteva poseban postupak. Akademija zato treba tačno da navede šta je obnovljeno, koja verzija se koristi i koje provere je prošla.

Naziv profesije nije dovoljna priprema za agenta. Potrebni su mu zadatak, kvalitetni ulazni podaci, odgovarajući alati i jasan kriterijum rezultata. Agent za svetlotehniku treba da radi sa merenjima i proračunima. Agent za ekonomiju treba da pokaže pretpostavke i osetljivost modela. Agent za naučne podatke treba da razlikuje eksperimentalni rezultat od tumačenja autora.

Oblak agenata ima smisla kada se funkcije mogu podeliti i rezultati uskladiti. Broj agenata povezujemo sa složenošću zadatka, cenom greške i troškom računarstva. Jednostavno pitanje može rešiti jedan izvršilac. Složen projekat traži više kompetencija i posebnu proveru njihove usklađenosti.

4 Akademija treba da služi ljudima i agentima

Naša akademija ima dve publike. Čoveku je potrebna mapa oblasti: osnovni pojmovi, uzročne veze, važna pitanja, tipične greške i razumevanje koga uključiti u rad. Agentima su potrebni materijali koje mogu pouzdano pronaći, protumačiti, primeniti i proveriti.

Svaka značajna metoda treba da navede izvore, datum provere, oblast primene, ograničenja i primere. Proračun treba da pokaže formulu, jedinice, ulazne podatke i pretpostavke. Tvrdnja o efektu treba da objasni uslove merenja i način poređenja.

Čovek može učiti kroz kratak članak, analizu objekta, razgovor sa majstorom, laboratorijski rad ili stvarni zadatak. Za agenta isti materijal može postojati kao strukturisan zapis, uputstvo, skup podataka i kontrolni zadaci. Oba oblika treba da imaju istu proverljivu osnovu.

Zamislimo da novi rad menja poznate granice metode koju koristimo. Akademija treba da pomogne u pronalaženju povezanih lekcija, računa, uputstava agentima i projekata koje treba preispitati. Obnavljanje znanja tako postaje konkretan posao sa posledicama.

Poseban zadatak jeste očuvanje iskustva majstora: znakova koje primećuju na objektu, razloga za sumnju u račun, procene stanja opreme i trenutka kada prekidaju eksperiment. Takvo iskustvo postaje nastavni materijal posle razmatranja uslova, provere i jasnog opisa granica primene.

5 Zašto je potreban pravi majstor

Majstor sagledava predmet u celini. On ili ona razume potreban rezultat, kome je namenjen, njegovu cenu i način da se utvrdi da je posao završen. Zadržava duboku stručnost u svom poslu i ume da uključi ljude drugih specijalnosti.

Akademija proširuje taj pogled. Svetlotehničaru koristi da prepozna kada pitanje ulazi u biologiju, zahteva ekonomski proračun ili zavisi od održavanja. Dubinski stručni rad može se podeliti između agenata i odgovarajućih stručnjaka. Razumevanje majstora treba da omogući postavljanje pitanja, procenu odgovora i prepoznavanje opasnog pojednostavljenja.

Ova uloga ima konkretne obaveze: određivanje cilja i kriterijuma kvaliteta; proveru podataka; utvrđivanje ovlašćenja; organizovanje merenja i ispitivanja; odlučivanje u granicama kompetencije; praćenje rezultata tokom korišćenja. Početnik do ove uloge dolazi kroz praksu uz podršku iskusnih ljudi.

Profesionalno rasuđivanje nastaje u radu sa stvarnošću. Ono uključuje razumevanje onoga što još ne znamo. Majstor treba da ume da zastane, uključi drugog stručnjaka, zatraži ponovljeno merenje i prizna da privlačno rešenje još nije spremno za primenu.

Agenti pomažu da se sačuva više detalja, nastavi nedovršen posao, primete promene i zabeleže rezultati. Ljudi doprinose dodatnom stručnošću i radom na objektu. Za nas su završenost, pouzdanost i trajnost provera majstorstva, uključujući vreme posle predaje kada rešenje nastavlja da radi bez prisustva autora.

6 Kako model radi u Akademiji svetlosti

Pretpostavimo da prodavnici treba novo osvetljenje. Majstor i naručilac prvo utvrđuju zadatke: vidljivost robe, uslove rada, kvalitet prostora, potrošnju energije i održavanje. Za tvrdnju o uticaju na radne sposobnosti ili ponašanje unapred se biraju posebni pokazatelji i odgovarajuća provera.

Posao se zatim deli. Jedan agent prikuplja ulazne podatke i označava praznine. Drugi proučava naučne izvore. Treći pomaže u proračunu svetlosnog okruženja. Četvrti upoređuje režime upravljanja i potrošnju energije. Peti računa ukupne troškove posedovanja. Agent za proveru traži neusaglašene pretpostavke, slabe izvore i greške u jedinicama. Majstor i stručnjaci razmatraju celinu.

Akademija treba da uči pravilnom obimu svakog zaključka. Osvetljenost opisuje određenu osobinu svetlosnog okruženja. Tvrdnja o smanjenju grešaka zaposlenih traži posmatranje grešaka. Tvrdnja o rastu prodaje traži analizu prodaje uz ostale faktore. Vezu između tih rezultata tek treba utvrditi.

Pilot-projekat poredi projektovano rešenje sa stvarnim objektom. Beleže se početni uslovi i promene i bira opravdano poređenje. Pri proceni rezultata uzimaju se u obzir sezona, asortiman, posećenost, sastav smena i drugi važni faktori. Procenu efekta prati opis neizvesnosti.

Posle primene u akademiju se vraćaju podaci iz rada: odstupanja, popravke, pritužbe, dobra rešenja i razlozi za izmene. Oni unapređuju materijale za ljude i uputstva za agente. Obrazovanje dobija povratnu informaciju sa objekta koji radi.

7 Poverenje se gradi ispitivanjima

Predlažemo proveru sklopa stručnjaka, agenata i alata za određenu grupu zadataka. Čovek treba da pokaže postavljanje zadatka, razumevanje ograničenja i sposobnost provere rezultata. Agenti treba da rešavaju zadatke u kojima je moguće utvrditi tačnost odgovora i kvalitet postupaka.

Potrebni su i zahtevni slučajevi: nepotpuni podaci, zastarela metoda, protivrečni izvori, neverovatno povoljan rezultat ili izlazak iz granica stručnosti. Dobar sistem treba da prepozna kada su potrebni dodatni podaci ili stručnjak.

Saglasnost više agenata ima ograničenu dokaznu vrednost. Zajednički model, isti izvori i slična uputstva mogu ponoviti istu grešku. Značajni zaključci zato se proveravaju prema primarnim podacima, računima, merenjima i, po potrebi, nezavisnoj ekspertizi.

Za odobravanje rada na zadatku predlažemo beleženje verzija modela i alata, uslova primene i roka ponovne procene. Bitna promena sistema treba da pokrene odgovarajuća ispitivanja. Takva interna procena kompetentnosti treba da ima tačno naveden status i obim.

I sama akademija treba da bude proverljiva. Njen kvalitet može se meriti pouzdanošću materijala, brzinom ispravke grešaka, sposobnošću polaznika da rešavaju stvarne zadatke i kvalitetom održavanja objekata. Posećenost nastave i broj izdatih potvrda prikazuju samo deo obrazovnog rada.

8 Ko već razvija srodne pristupe

Naš stav ima misaone prethodnike i savremene praktične primere. Oni dele pojedine principe našeg modela, uz razlike u nameni, obimu i zrelosti.

Daglas Engelbart. U radu Augmenting Human Intellect iz 1962. posmatrao je obučenog čoveka, alate, jezik i metode kao celovit sistem. Razvoj ljudskih mogućnosti povezan je sa usklađenim promenama tih delova. To je važna osnova za našu akademiju: alat, priprema korisnika i organizacija rada treba da se razvijaju zajedno. [1]

Google Co-Scientist. U maju 2026. Google je opisao sistem zasnovan na Gemini modelu, u kome specijalizovani agenti predlažu, kritikuju, rangiraju i dorađuju naučne hipoteze za istraživače. Na istoj stranici biolog Ritu Raman sa MIT objašnjava kako joj sistem pomaže da prouči literaturu, uredi ideje i prepozna kakvu stručnost treba tražiti od kolega. To je blizak primer rada naučnika, agenata i ljudskog istraživačkog tima. Objavljene primene odnose se na određene zadatke i zahtevaju stručnu proveru. [2]

Anthropic Research. Inženjerski prikaz iz 2025. opisuje vodećeg istraživačkog agenta i specijalizovane izvršioce koji ispituju različite pravce. Autori obrađuju postavljanje zadataka, alate, procenu kvaliteta i koordinaciju, uz visoke računske troškove i ograničenja kod tesno povezanih poslova. To podržava prilagođavanje oblaka agenata prirodi rada. [3]

Istraživači Harvard Business School i Wharton sa timom P&G. Rad The Cybernetic Teammate, objavljen u junu 2026, opisuje eksperiment sa 791 stručnjakom kompanije Procter & Gamble. U zadacima razvoja proizvoda učesnici sa AI bolje su povezivali tehničke i komercijalne aspekte; pojedinci sa AI dostizali su kvalitet timova bez AI. Autori ističu i trajnu vrednost ljudskog rasuđivanja pri izboru ideja. Među autorima su Itan Molik i Karim Lahani. Nalazi podržavaju zajedničku kompetentnost u ispitanim uslovima; druge profesije zahtevaju sopstvenu proveru. [4]

Ministarstvo energetike SAD i Genesis Mission. Zvanični program povezuje naučne podatke, računarske sisteme, eksperimentalna postrojenja i AI, povezujući istraživanje sa energetikom i nacionalnom bezbednošću. U središtu je zajednički rad naučne infrastrukture i inteligentnih sistema. To je institucionalno kretanje u srodnom pravcu. Ciljeve programa treba razmatrati odvojeno od ostvarenih rezultata. [5, 6]

Ovi primeri pokazuju da je povezivanje ljudske stručnosti i distribuirane inteligencije već predmet ozbiljnih istraživanja i praktičnog razvoja. Naš zadatak je da tu logiku dosledno primenimo na stručnu akademiju, pripremu majstora i praćenje stvarnih objekata.

9 Naš temeljni stav

Oblasti znanja kojima se bavimo previše su obimne i promenljive za potpun individualni obuhvat. Zato se oslanjamo na stalni razvoj osnovne inteligencije i specijalizovanih agenata. Akademija treba da im pruži proverljivo znanje, metode i povratne informacije iz prakse.

Čoveku akademija daje orijentaciju i put ka majstorstvu. Pomaže mu da sagleda celinu, postavlja precizna pitanja, upravlja agentima, uključi odgovarajuće stručnjake i proveri rezultate. Njegova stručna priprema, sposobnost delovanja i odgovornost za odluke ostaju važni.

Želimo da majstor raspolaže širinom znanja koja je ranije zahtevala veliku organizaciju i da se osloni na ljude tamo gde su potrebni njihovo iskustvo i učešće. Njegova ili njena pažnja treba da dosegne kvalitet ugrađenog svetla, stanje opreme, udobnost čoveka i sudbinu projekta posle predaje.

Za takav rad gradimo Akademiju svetlosti i razvijamo naše obrazovne resurse.

Tekst za ulazne stranice akademija

Oblast znanja kojoj je ova akademija posvećena obimna je i stalno se menja. Oslanjamo se na neprekidan razvoj osnovne inteligencije i oblaka specijalizovanih agenata. Akademija pomaže ljudima da se orijentišu, razvijaju majstorstvo, postavljaju zadatke, upravljaju agentima i proveravaju rezultate. Stručnjak ostaje u središtu: on ili ona povezuje znanje, tim i alate, donosi odluke i odgovara za kvalitet onoga što se događa u stvarnosti.

Izvori

Izvori su provereni 26. septembra 2026. Procena od 350–600 radova dnevno pripada autorima i zahteva zasebnu bibliometrijsku potvrdu.

[1] Douglas C. Engelbart. Augmenting Human Intellect: A Conceptual Framework. Stanford Research Institute, 1962. https://dougengelbart.org/content/view/138/

[2] Google DeepMind. Co-Scientist: A multi-agent AI partner to accelerate research. 19 May 2026. https://deepmind.google/blog/co-scientist-a-multi-agent-ai-partner-to-accelerate-research/

[3] Anthropic. How we built our multi-agent research system. 13 June 2025. https://www.anthropic.com/engineering/multi-agent-research-system

[4] Fabrizio Dell’Acqua et al. The Cybernetic Teammate: A Field Experiment on Generative AI and Teamwork. Organization Science. Published online 12 June 2026. DOI: 10.1287/orsc.2025.20702. https://pubsonline.informs.org/doi/10.1287/orsc.2025.20702

[5] U.S. Department of Energy. The American Science and Security Platform. https://www.energy.gov/undersecretaryforscience/genesis-mission/american-science-and-security-platform

[6] U.S. Department of Energy. Genesis Mission. https://genesis.energy.gov/