Koji fakultet upisati u eri AI-ja?
Najkraći odgovor: ne postoji diploma za koju se može pouzdano tvrditi da je „AI-proof“. Veštačka inteligencija ne menja sva zanimanja na isti način, a najčešće prvo menja pojedine zadatke unutar njih. Zato fakultet nemoj birati prema obećanju da je neka profesija bez rizika. Pođi od svojih interesovanja i sposobnosti, pa proveri kakva znanja program gradi, kako izgleda stvarni rad, gde postoji stručna odgovornost, koliko praktičnog iskustva možeš da stekneš i da li te program priprema za dalje učenje.
To znači i da naziv oblasti nije dovoljan. Dva programa sličnog imena mogu se veoma razlikovati po temeljnim predmetima, načinu ocenjivanja, laboratorijama, praksi, projektima i tome da li student samo koristi alat ili ume da proveri njegov rezultat.
Dobra odluka zato ne glasi: „Koji fakultet je najsigurniji?“ Korisnije pitanje je:
U kojoj oblasti mogu da izgradim ozbiljno znanje, razumem posledice svog rada, steknem iskustvo koje mogu da pokažem i prilagođavam se dok se alati menjaju?
Ovaj vodič ne može da odluči umesto tebe. Može da ti pomogne da razlikuješ proverene činjenice, ono što se danas vidi i svoj lični utisak. Kada AI predloži podatak o studijama ili tržištu rada, primeni postupak za proveru ChatGPT odgovora na originalni izvor i njegov datum. Diploma jeste važna, ali sama ne određuje karijeru: ista oblast vodi ka različitim poslovima, a na profesionalni put utiču i uloge koje biraš, projekti, praksa, znanje iz konkretne oblasti i dalje učenje.
Šta AI zaista menja i gde nastaje pogrešan zaključak
Kada alat može da napiše tekst, generiše kod, predloži varijantu projekta ili sažme dokument, lako je preskočiti nekoliko koraka i zaključiti da celo zanimanje nestaje. Taj skok nije opravdan.
Put od mogućnosti alata do ishoda na tržištu rada izgleda približno ovako:
AI može da izvrši deo zadatka → organizacija zaista uvodi alat → menja se način rada → menja se skup zadataka u zanimanju → eventualno se menja broj i struktura poslova.
Svaki od tih koraka zavisi od pouzdanosti alata, cene i načina uvođenja, kvaliteta podataka, pravila, odgovornosti, veština ljudi i mogućnosti da se rezultat nezavisno proveri.
ILO zato naglašava da pokazatelji AI izloženosti mere šta bi tehnologija mogla da uradi sa sadašnjim zadacima, a ne šta će se nužno dogoditi sa zaposlenošću. Procena da je približno četvrtina globalne zaposlenosti potencijalno izložena generativnom AI-ju zato ne znači da će četvrtina poslova nestati. ILO–NASK indeks kao verovatniji ishod vidi promenu poslova, jer zanimanja sadrže više različitih zadataka.
To je ključna razlika za izbor studija. U jednom poslu AI može ubrzati prvi nacrt, pretragu ili rutinski proračun, dok čovek i dalje mora da postavi dobro pitanje, razume kontekst, proveri rezultat, razgovara sa klijentom ili pacijentom i preuzme odgovornost. OECD-ov pregled istraživanja upravo zato razlikuje automatizaciju pojedinih zadataka od dopunjavanja ljudskog rada i upozorava da rezultat zavisi od zadatka i načina primene.
Primeri u nastavku pokazuju kako AI menja pojedine zadatke. Ne mogu da predvide broj poslova, zarade ni ishode studija u Srbiji.
Srbija danas: koristan signal, ne prognoza do diplomiranja
Aktuelni podaci daju učeniku sliku današnjeg tržišta. Ne mogu da posluže kao prognoza za 2030. ili 2035. godinu.
| Izvor i period | Šta signal pokazuje | Šta ne pokazuje |
|---|---|---|
| RZS, drugi kvartal 2026. | U II kvartalu 2026. stopa nezaposlenosti bila je 7,2% među licima starim 15 i više godina i 22,0% u grupi 15–24; obe stope se računaju u odnosu na radnu snagu odgovarajuće grupe. | To nije udeo svih mladih bez posla, niti stopa nezaposlenosti diplomaca određenog smera. |
| Poslovi Infostud, prva polovina 2026. | Na platformi su objavljena 32.713 oglasa, a 4.868 bilo je označeno za studente i mlade. | Oglasi jedne platforme nisu sva radna mesta, sva zapošljavanja ni buduća potražnja. |
| Strategija razvoja AI-ja 2025–2030 i Nacionalna AI platforma | Srbija ima strateški okvir i javnu infrastrukturu relevantnu za univerzitete, institute, fakultete i startape. | To ne garantuje nova radna mesta, kvalitet programa ni praktičan pristup svakom studentu. |
Ne znamo kako će tržište rada u Srbiji izgledati kada današnji srednjoškolci diplomiraju. Početak karijere već sada može biti konkurentan, pa praktično iskustvo ima težinu. Oglase zato čitaj kao sliku jednog kanala i jednog perioda, ne kao presudu o diplomi.
Kako da razmišljaš o različitim oblastima
Široka oblast nije jedno zanimanje. Ekonomija, medicina, jezici ili inženjerstvo vode ka veoma različitim ulogama, a čak i ljudi sa istom diplomom mogu raditi različite zadatke. Sledeći profili pomažu da prepoznaš prirodu rada i pitanja koja treba da postaviš konkretnom programu. Oni nisu rang-lista niti prognoza broja poslova, zarada ili ishoda zaposlenja u Srbiji.
Elektrotehnika, mašinstvo i građevinarstvo
U ovim oblastima AI i drugi računarski alati mogu ubrzati modelovanje, simulaciju, ispitivanje varijanti i deo tehničke dokumentacije. Računarski model ipak nije fizički sistem. Inženjer mora da razume pretpostavke proračuna, proveri i validira rezultat, proceni neizvesnost i uporedi model sa stvarnim merenjem. ASME-ov okvir za verifikaciju, validaciju i procenu neizvesnosti dobro pokazuje zašto brža simulacija ne ukida testiranje.
Ovde su posebno važni standardi, bezbednost, procena rizika i posledice greške. Predlog alata sam po sebi ne dokazuje da je most, uređaj ili proizvod bezbedan i upotrebljiv.
Kada porediš programe, traži vezu između matematike i fizike, digitalnog modela i stvarnog sistema: laboratorijske ili terenske vežbe, projekte u kojima se nešto projektuje, izrađuje i meri, rad sa tehničkom dokumentacijom i praksu u stvarnom inženjerskom okruženju.
Arhitektura
Generisana slika zgrade može izgledati ubedljivo za nekoliko sekundi. Arhitektonski projekat ipak mora da odgovori na lokaciju, potrebe korisnika i klijenta, prostorna i tehnička ograničenja, propise, koordinaciju drugih struka, dokumentaciju i ono što je zaista moguće izgraditi.
RIBA izveštaj o AI-ju u arhitekturi opisuje pomoć pri izradi početnog projektnog zadatka, ranim varijantama, vizuelizaciji, BIM analitici i simulaciji performansi, ali istovremeno naglašava proveru i profesionalno prosuđivanje. Zato u programu gledaj studio projekte koji se više puta dorađuju na osnovu kritike, BIM i tehničku dokumentaciju, rad sa stvarnom lokacijom i korisnikom, kao i dodir sa terenom i gradilištem. Lep render je početak razgovora, ne dokaz da je projekat spreman za izvođenje.
Matematika, kvantitativne i prirodne nauke
Ova grupa ima najmanje dva različita toka koja ne treba mešati.
U matematici, statistici i kvantitativnom modelovanju važne su pretpostavke modela, statistički dizajn, programiranje, rad sa podacima, procena neizvesnosti i mogućnost da neko reprodukuje rezultat. AI može pomoći u računanju, kodiranju i traženju obrazaca, ali obrazac u podacima nije automatski dobro objašnjenje.
U eksperimentalnim i prirodnim naukama težište je na pitanju, dizajnu eksperimenta, kontroli uslova, merenju, laboratorijskom ili terenskom radu i interpretaciji. AI može pomagati od pregleda literature i obrade podataka do pojedinih laboratorijskih postupaka, ali AI-generisana hipoteza nije naučno otkriće bez provere. Nezavisni pregled za Evropsku komisiju zato naglašava validnost, reproduktivnost, interpretabilnost i stručni nadzor.
Pitaj program da li studenti rade istraživačke projekte sa jasno opisanom metodom, dokumentuju kod i podatke, ponavljaju ili nezavisno proveravaju rezultate i, tamo gde disciplina to zahteva, zaista rade u laboratoriji ili na terenu.
Medicina i zdravstvo
U zdravstvu AI može pomoći pri dokumentovanju i sažimanju poseta, pronalaženju informacija, obrazovanju, istraživanju i pojedinim oblicima kliničke podrške. WHO upozorava i na netačne, pristrasne ili nepotpune izlaze, kao i na opasnost da korisnik previše veruje automatizovanom predlogu.
To je oblast u kojoj razlika između podrške i odluke ima direktne posledice. Klinički pregled i rasuđivanje, razgovor sa pacijentom, poverenje, procedure, privatnost, etika i odgovornost ne mogu se svesti na generisani odgovor. Zato broj AI predmeta nije presudno merilo. Mnogo više govore kvalitet biomedicinskih osnova, kritičko čitanje dokaza, simulacije, bezbednost pacijenta i koliko kliničke prakse studenti imaju uz nadzor.
Pravo
Pravna pretraga, pregled velikog broja dokumenata, sažimanje, analiza ugovora i prvi nacrt teksta jesu zadaci u kojima AI može da ubrza prvi prolaz. Problem nastaje ako se brzina zameni za pouzdanost.
Pravnik mora da utvrdi koji je izvor merodavan, da proveri da li je pravo važeće u konkretnoj jurisdikciji, razume činjenice i cilj klijenta, oblikuje argument i strategiju i zaštiti poverljive podatke. Evropski CCBE vodič upravo povezuje upotrebu AI-ja sa kompetentnošću, poverljivošću i obavezama prema klijentu i sudu; to nije domaći propis, ali dobro objašnjava prirodu profesionalne odgovornosti.
Traži program u kojem se radi sa primarnim pravnim izvorima i proveravaju citati, pišu i revidiraju podnesci ili ugovori, vežbaju pregovaranje i usmena argumentacija i, gde postoji, radi u pravnoj klinici pod nadzorom.
Ekonomija, finansije i poslovanje
AI može ubrzati izdvajanje podataka iz dokumenata, rutinske izveštaje, analizu tabela, sažetke i praćenje pojedinih signala rizika. U OECD-ovom pregledu javne revizije, takvi rezultati se ipak proveravaju i validiraju, naročito kada je potrebno tumačiti pravila ili kontradikcije.
Vredan deo stručnosti leži u pitanjima koja tabela sama ne rešava: odakle podaci dolaze, šta nedostaje, koja je pretpostavka ugrađena u model, kako se menja ishod u drugom scenariju, koje pravilo važi i ko snosi posledice preporuke. Zato u programu traži rad sa stvarnim podacima koji nisu unapred sređeni, poslovne slučajeve sa suprotstavljenim ciljevima, rad sa bazama i modelima, praksu i obavezu da student odbrani svoju preporuku, a ne samo da dobije uredan rezultat.
Jezici, prevođenje i lokalizacija
Mašinski prevod nije učinio jezike nevažnim; promenio je deo toka rada. Sve važniji postaju naknadno uređivanje mašinskog prevoda, terminološki rad, lokalizacija i kontrola kvaliteta. Rezultat zavisi od svrhe teksta, publike, oblasti, stila, kulturnog konteksta i posledica greške.
Evropski okvir kompetencija za prevođenje zato uz tehnologiju zadržava jezičko, sociolingvističko, kulturno, kritičko i etičko znanje. U programu traži rad sa različitim vrstama tekstova, terminološke projekte, reviziju ljudskog i mašinskog prevoda, lokalizaciju i zadatke sa zahtevima kakvi se sreću u praksi, uz kontrolu kvaliteta. Ako te zanima nastava jezika, procenjuj i pedagošku praksu. To je drugačiji profesionalni profil od prevođenja.
Humanističke i društvene nauke
AI može da pomogne u pretrazi i početnoj sintezi literature, organizaciji materijala, pripremi ankete, početnom kodiranju kvalitativnih podataka ili organizovanju nacrta. Ali istraživač bira pitanje i metod, radi sa primarnim izvorima ili učesnicima, tumači značenje u istorijskom i društvenom kontekstu i odgovara za etiku i osetljive podatke.
Britanski National Centre for Research Methods upozorava da pomoćni AI izlazi mogu sadržati činjenične greške, pristrasnost i nestabilne rezultate. Za izbor programa zato je važnije da vidiš da li student samostalno prikuplja i analizira primarni materijal, obrazlaže metod i jasno odvaja podatak, interpretaciju i argument, nego da li samo brzo pravi sažetke literature.
Obrazovanje i nastava
AI može pomoći nastavniku da pripremi materijal, nacrt časa, zadatke ili deo administracije. Međutim, dobar materijal nije isto što i stvarno učenje učenika. Nastavnik postavlja pedagoški cilj, prati razumevanje, daje povratnu informaciju, vodi odeljenje, prilagođava pristup različitim potrebama i odgovara za odnos sa učenikom, inkluziju, privatnost i zaštitu deteta.
OECD Digital Education Outlook 2026 naglašava da AI alat opšte namene može poboljšati kvalitet urađenog zadatka bez trajnijeg učenja ako njegova upotreba nije pedagoški osmišljena. Zato gledaj koliko program uključuje školsku praksu pod nadzorom, planiranje i izvođenje časova sa povratnom informacijom, procenu stvarnog razumevanja i jasna pravila za podatke, AI i akademski integritet.
Dizajn i kreativne oblasti
AI može brzo proizvesti početne slike, varijante, prototipove i prepravke. Time ne rešava automatski pitanje šta treba napraviti, za koga, zašto i kako će se rezultat koristiti. Dizajner istražuje korisnika, bira problem, razvija koncept, procenjuje i uređuje rezultate, određuje vizuelni pravac, prihvata kritiku i komunicira sa klijentom i timom.
Design Council zbog toga vezuje dizajn AI sistema za razumevanje korisnika, upotrebljivost, pristupačnost, transparentnost i stvarne potrebe korisnika. Važni su i autorstvo, licenciranje i intelektualna svojina, ali konkretna pravila zavise od jurisdikcije. Pri poređenju programa gledaj portfolio u kojem se vidi proces rada: istraživanje, skice, odbačene varijante, testiranje i obrazloženje odluka. Galerija lepih završnih slika govori manje ako se ne vidi ko je i kako doneo ključne odluke.
Programiranje i IT: teži juniorski ulaz nije kraj struke
Studiranje računarstva i dalje može imati mnogo smisla ako te zaista zanimaju računarski sistemi i spreman/na si da izgradiš dobre osnove i stekneš iskustvo koje možeš da pokažeš. Slab razlog za izbor je očekivanje da IT diploma sama vodi do sigurnog i brzog zaposlenja.
Aktuelni srpski podaci pokazuju zahtevniji početak, ali moraju ostati odvojeni po platformama:
- Na Poslovi Infostud je u prvoj polovini 2026. bilo 1.633 IT oglasa, naspram 2.508 u istom periodu 2025, što je približno trećinu manje. Godišnji pregled platforme za 2025. navodi 4.619 IT oglasa, 16% manje nego 2024, uz fokus na iskusnije profile i retke juniorske pozicije.
- Na HelloWorld-u je broj oglasa koje je platforma označila kao AI pozicije porastao sa 192 u 2024. na 347 u 2025. Ipak, 57% tih oglasa bilo je za medior, oko 32% za senior, a 6,6% za junior profile.
Ove brojke ne treba spajati u jednu seriju: platforme imaju različit obuhvat i klasifikacije. One ne pokazuju celo IT tržište, niti dokazuju da je AI izazvao pad ukupnih ili juniorskih oglasa. Istovremeno, rast malog AI/ML segmenta nije dokaz da je taj smer lak ulaz za početnika.
U samom programerskom radu AI može generisati sintaksu, standardne delove koda i prvi nacrt rešenja. Ozbiljan softverski rad obuhvata mnogo više:
- razumevanje zahteva i ograničenja;
- algoritme i strukture podataka;
- baze, operativne sisteme i mreže;
- arhitekturu i rad sa postojećim sistemima;
- debagovanje, testiranje, bezbednost i pregled koda;
- proveru AI-generisanog koda;
- razumevanje domena u kojem softver radi.
Koliko AI ubrzava programiranje menja se zajedno sa alatima i vrstom zadatka. METR je početkom 2025. u jednoj uskoj grupi iskusnih open-source programera izmerio usporenje od 19%. U kasnijem eksperimentu sa novijim alatima rezultat se pomerio ka ubrzanju, ali zbog problema sa izborom učesnika i zadataka autori ga ne smatraju pouzdanom procenom. Iz ovih studija zato ne možemo izvući jedan procenat koji važi za današnje programere. Efekat zavisi od alata, zadatka i načina rada.
Kada porediš IT programe, nemoj samo brojati predmete sa „AI“ u nazivu. Pogledaj koliko su dobro postavljene osnove programa, da li projekti traže više od pisanja standardnih delova koda, kako se uče testiranje i bezbednost, da li se radi pregled koda i kako studenti dokazuju da razumeju rešenje koje je alat pomogao da naprave.
Kako da uporediš dva stvarna studijska programa
Počni od zvaničnih podataka, ne od slogana na naslovnoj strani. U Srbiji prvo proveri vrstu i nivo studija, a zatim da li su konkretna ustanova i program trenutno akreditovani u NAT vodiču za studente. Akreditacija je osnovna provera statusa, ne potvrda da je program najbolji ili da garantuje posao.
Zatim pogledaj važeći plan i program studija i opise nekoliko predmeta. Napravi tabelu za Program A i Program B i uz svaki odgovor sačuvaj link i datum provere.
| Pitanje | Program A: dokaz i datum | Program B: dokaz i datum |
|---|---|---|
| Da li su ustanova i tačan program trenutno akreditovani? | ||
| Koja je vrsta i nivo studija i koji su zvanični ishodi učenja? | ||
| Koji predmeti grade osnove koje ne zastarevaju sa jednom verzijom alata? | ||
| Da li su opisi predmeta javni i šta student zaista mora da uradi da položi? | ||
| Postoje li laboratorijski, klinički, studijski ili terenski zadaci relevantni za oblast? | ||
| Kako izgleda praksa: gde se odvija, koliko traje, ko je nadzire i šta student predaje? | ||
| Da li studenti rade realne projekte i dobijaju kritiku, reviziju ili merenje rezultata? | ||
| Kako program spaja AI i rad sa podacima sa domenskim znanjem, etikom i proverom? | ||
| Postoje li izborni ili interdisciplinarni predmeti koji omogućavaju promenu pravca? | ||
| Da li su podaci o alumnistima javni i metodološki objašnjeni, umesto svedeni na nekoliko uspešnih priča? |
Odluku zasnivaj na kombinaciji više pokazatelja. Partnerstvo sa kompanijom može biti korisno, ali pitaj šta studenti stvarno rade. Moderna laboratorija može biti vredna, ali proveri ko i koliko joj pristupa. AI predmet može biti odličan, ali ne ako zamenjuje temelje ili se ocenjivanje svodi na proizvod koji student ne ume da objasni.
Dobro pitanje za svaki predmet glasi: šta student na kraju ume samostalno da uradi, proveri i odbrani? Isti kriterijum važi i kada koristiš AI tokom istraživanja: vodič za učenje bez prepisivanja pomaže da sopstveni izbor, provera i zaključak ostanu tvoji.
Stavi tri realne opcije na isti list papira
Izaberi tri oblasti koje bi zaista mogao ili mogla da upišeš, a ne tri apstraktno „pametna“ izbora. Za svaku popuni isti radni list. Ne dodeljuj poene i ne računaj ukupan rezultat; cilj je da uočiš razlike, ne da tabela glumi psihološki test.
| Pitanje | Opcija 1 | Opcija 2 | Opcija 3 |
|---|---|---|---|
| Šta me u ovoj oblasti stvarno privlači, a koji njen deo samo zvuči prestižno ili sigurno? | |||
| Koja dva ili tri različita posla mogu da proisteknu iz nje? | |||
| Koje zadatke bih na tim poslovima zaista radio/la? | |||
| Šta AI može da ubrza, a šta zahteva razumevanje, proveru, odnos sa ljudima ili odgovornost? | |||
| Kakav dokaz rada mogu da izgradim tokom studija: projekat, portfolio, praksu, istraživanje, klinički ili terenski rad? | |||
| Šta o ovoj opciji potvrđuje aktuelan izvor za Srbiju i kog datuma? | |||
| Šta ostaje nepoznato do trenutka kada ću diplomirati? | |||
| Koja dva konkretna programa proveravam? | |||
| Koji sledeći dokaz moram da prikupim pre odluke? |
Dok popunjavaš tabelu, nemoj mešati zvaničan podatak, trenutnu sliku sa oglasa i lični utisak. Zapiši i šta još ne znaš. Prazno polje pokazuje šta treba da proveriš.
Pre prijave proveri kako studiranje zaista izgleda
Kada izbor suziš na tri oblasti, uz svaku izdvoji po dva konkretna programa. Ne moraš da procenjuješ oblast kao stručnjak. Za svaki program proveri sledeće:
- Šta se zaista uči. Pronađi program u aktuelnom NAT vodiču, pa na sajtu ustanove otvori važeći plan studija i opise nekoliko obaveznih predmeta. Dva programa sličnog imena ne moraju nuditi isto.
- Šta studenti rade tokom studija. Potraži primer studentskog projekta, zadatak namenjen studentima prve godine ili jasan opis laboratorijske, kliničke, školske ili terenske prakse. Ako je zadatak javno dostupan, probaj da uradiš jedan njegov deo ili pogledaj kako se rešava. Tako stičeš konkretniju sliku o radu koji te čeka.
- Kako iskustvo izgleda iznutra. Ako možeš, razgovaraj sa sadašnjim studentom, nastavnikom ili predstavnikom programa. Pitaj šta student radi samostalno, kakvu povratnu informaciju dobija i kako se proverava znanje kada je AI dozvoljen. Ako fakultet pominje laboratoriju, razmenu, kompanijski projekat ili pristup AI infrastrukturi, pitaj ko može da učestvuje i pod kojim uslovima.
- Šta važi za upis. Tek kada suziš izbor, proveri rokove, kvote, školarine, sadržaj prijemnog i potrebna dokumenta na aktuelnim zvaničnim stranicama programa.
Ne moraš sve da proveriš odjednom. Počni od oblasti koja ti je trenutno najbliža: otvori dva programa, uporedi nekoliko obaveznih predmeta i pronađi jedan studentski projekat ili opis prakse. Ako ti za rad sa dokumentima ili nalaženje početnih izvora treba odgovarajuća funkcija, pogledaj izbor AI alata prema školskom zadatku, ali svaki važan navod proveri u originalu. Plan istraživanja napravi samostalno; ako ti je teško da odrediš prvi korak, primeni pitanja iz vodiča za samostalnost u učenju. Posle toga ćeš lakše videti šta još treba da pitaš i da li želiš da nastaviš poređenje.