5 stvari koje tvoj AI portfolio mora imati u 2026. godini

Prestani lagati sebi: tvoj sertifikat ne vrijedi ništa bez dokaza iz radionice

Prekini s kupovinom ‘AI kurseva’ koji obećavaju brzu zaradu. To je marketinška laž koja će tvoju karijeru ostaviti u blatu do sredine 2026. godine. Ako želiš posao koji zapravo preživljava val automatizacije, moraš ignorisati LinkedIn influensere i početi raditi na inženjerski ispravan način. Tvoj portfolio ne smije biti galerija ChatGPT screenshotova, već dokaz da znaš kako se AI ponaša kad stvari krenu po zlu, kad podaci postanu gnjecavi i kad budžet za cloud počne da guta firmu. Prvih 150 riječi ovog vodiča će ti uštedjeti hiljade eura na beskorisnim licencama; ovdje pričamo o alatima koje moraš posjedovati i rizicima koje moraš preuzeti. Ti si taj koji mora kontrolisati model, a ne obrnuto.

1. Lokalni LLM operativni sistem: Miris vrelih tranzistora

Instalacija modela na sopstveni hardver je prvi korak ka autoritetu. Zaboravi na zavisnost od OpenAI-a. U 2026. godini, firme će tražiti ljude koji znaju kako instalirati Llama 4 lokalno i zaštititi privatnost podataka. Dok kucaš komande u terminalu, osjetit ćeš onaj specifičan miris zagrijanog silicijuma iz tvog laptopa – to je zvuk slobode od pretplate. Pravi majstor ne iznajmljuje alat, on ga posjeduje. Ako tvoj portfolio ne pokazuje da možeš pokrenuti open-source model bez interneta, ti si samo korisnik, a ne inženjer.

Zašto je privatnost tvoj najjači adut?

Klijenti su preplašeni. Niko ne želi da njihovi interni finansijski izvještaji završe u trening setu globalnog modela. Ako pokažeš da znaš kako spriječiti curenje podataka, tvoja cijena na satu skače za 40%. To nije teorija; to je čista ekonomija straha i sigurnosti.

WARNING: Nikada ne unosi API ključeve direktno u kod koji kačiš na GitHub. Jedan pogrešan ‘push’ i tvoj bankovni račun će biti isisan od strane botova koji skeniraju javne repozitorije u potrazi za propustima. Koristi .env datoteke ili ćeš naučiti lekciju na teži način.

2. Dokaz o čišćenju ‘toksičnih’ podataka

Podaci u stvarnom svijetu su odvratni. Oni su puni rupa, duplikata i logičkih grešaka. Tvoj portfolio mora imati odjeljak o tome kako si uzeo haotičan skup informacija i pretvorio ga u zlato. Moraš pokazati proces kako napraviti čist dataset bez ijedne greške. To je prljav posao, tvoji prsti će (metaforički) biti prekriveni digitalnom masnoćom dok budeš čistio baze od 50.000 redova, ali to je ono što donosi novac. Loši podaci ubijaju AI, a ti si tu da budeš hirurg koji odstranjuje tumor loših informacija.

3. Agentni workflow: Spajanje nespojivog

AI koji samo priča je igračka. AI koji radi je alat. Tvoj portfolio mora sadržavati projekat gdje si povezao Zapier i AI da automatizuješ stvarne poslovne procese. Zamisli sistem koji sam čita mailove, filtrira prioritete i odgovara kupcima dok ti spavaš. To nije naučna fantastika, to je tvoj zadatak za vikend. Nemoj samo pričati o automatizaciji; pokaži šemu spajanja, API rute i logiku odlučivanja. Koristi transformer arhitekturu da objasniš klijentu zašto je tvoj agent pametniji od običnog bota.

Da li mi treba programerska diploma za ovo?

Ne. U 2026. godini, važnije je da razumiješ logiku sistema nego da znaš napamet sintaksu Pythona. Iako je korisno naučiti Python od nule, tvoj fokus treba biti na arhitekturi rješenja. Firme traže ljude koji rješavaju probleme, a ne one koji samo prepisuju kod sa Stack Overflow-a.

4. Anatomija neuspjeha: Zašto tvoj model halucinira?

Najveća greška početnika je što kriju greške. Ja želim da vidim gdje je tvoj model ‘pukao’. Uvrsti sekciju ‘Šta nije radilo’. Objasni kako si pokušao smanjiti temperature parametar da zaustaviš lupetanje AI-a, ali je on i dalje griješio. To pokazuje zrelost. Samo amateri tvrde da im kod radi iz prve. Ako ne razumiješ zašto AI halucinira, ne smiješ mu povjeriti ni listu za kupovinu, a kamoli biznis proces.

5. Etika i vlasništvo: Ko posjeduje tvoj rad?

U 2026. godini pravna pitanja će biti minsko polje. Tvoj portfolio mora pokazati da razumiješ zakone o AI radu. Moraš biti sposoban objasniti klijentu da li je sadržaj koji generišu njihovo vlasništvo ili pripada korporaciji koja drži model. To je razlika između profesionalca i hobiste. Koristi konkretne primjere iz lokalne regulative da dokažeš da si u toku sa standardima. Bez ovog, ti si samo rizik za firmu, a ne imovina.

Anatomija jedne katastrofe: Kako sam spržio 500$ na Cloudu za sat vremena

Ovo je priča o mom neuspjehu. Zaboravio sam postaviti limit na API pozive unutar petlje. Dok sam pio kafu, skripta je u beskonačnom loopu slala zahtjeve GPT-4 modelu. Kad sam se vratio, račun je bio veći od moje stanarine. Lekcija: Uvijek, ali uvijek, postavi ‘hard limit’ na billing dashboardu. Ako to ne uradiš, tvoj ‘pametni’ sistem će te dovesti do bankrota brže nego što stigneš reći ‘automatizacija’. Uči na mojim modricama, nemoj praviti svoje.

Fiziologija AI modela: Zašto se ‘pregrijavaju’?

Jednom mi je stari serviser u radionici rekao: ‘Sve što radi, mora da se hladi’. Kod AI-a, hlađenje nije samo fizičko. To je optimizacija resursa. Ako tvoj model troši previše tokena na gluposti, on se ‘pregrijava’ finansijski. Moraš naučiti kako smanjiti cloud račun koristeći tehnike poput ‘prompt caching-a’ ili manjih, specijalizovanih modela. Ne koristi čekić tamo gdje ti treba pinceta. Ne koristi masivni LLM da sortiraš tri broja. To je bacanje energije i para.

Zaključak: Tvoj plan za vikend

Nemoj samo čitati. Izađi u garažu (ili otvori VS Code). Uzmi jedan projekat. Očisti podatke. Instaliraj lokalni model. Zabilježi svaki put kad si opsovao jer kod nije radio. To je tvoj portfolio. To je tvoja ulaznica za 2026. godinu. Sretno, trebat će ti više nego što misliš, ali ako pratiš ovaj putokaz, bit ćeš onaj koji drži ključeve radionice dok drugi čekaju u redu za biro.