Nuo skaičiuoklės iki DI agento
Technologijų perspektyva: nuo popierinės lentelės iki dirbtinio intelekto (DI) agentų – kas planuoja, kaip, kokiu greičiu ir kokiu tikslumu.
Rolandas Rakštys · lektorius · Vytauto Didžiojo universitetas, Žemės ūkio akademija · Bioekonomikos plėtros fakultetas, Verslo ir kaimo plėtros katedra · [email protected] · ORCID 0000-0003-0299-9930
2 skyrius „Verslo planavimo ir vertinimo procesas“, 2.1.4 poskyris · skyriaus v1.0.9 (2026-10-09) · rinkinio v1.0.1 · 12 skaidrių, ≈ 24 min.
Rakštys, R. (2026). 2 skyrius. Verslo planavimo ir vertinimo procesas (v1.0.9, 2026-10-09). Verslo planavimas ir vertinimas. Vytauto Didžiojo universitetas, Žemės ūkio akademija. https://rakstys.eu/studijos/verslo-planavimas-ir-vertinimas/skyriai/ch02/ · CC BY-NC-ND 4.0
Viena prielaida – kiek laiko?
Verslo plano „finansinė dalis“ – lentelė, braižoma ranka ant popieriaus.
Kiekviena technologinė banga pakeitė ne tik įrankius, bet ir pačią planavimo paradigmą – kas planuoja, kaip, kokiu greičiu ir kokiu tikslumu.
Pakeitus vieną prielaidą reikėjo perskaičiuoti visą modelį – valandas ar dienas.
Todėl praktikoje kurtas vienas – „bazinis“ – scenarijus, o jautrumo analizė buvo veikiau teorinė koncepcija nei realus įrankis.
„Kas, jeigu?“
Skaičiuoklė leido pirmą kartą interaktyviai modeliuoti: pakeisti prielaidą ir akimirksniu matyti poveikį visam modeliui. Tai ne tik greičio, bet ir mąstymo paradigmos pokytis.
Pasak VisiCalc kūrėjo Danielio Bricklino, „kas, jeigu“ analizė tapo prieinama visiems, o ne tik didelėms korporacijoms, turinčioms tarnautojų ir vadybos magistrų štabus.Bricklin, 2009, p. 21
Planavimas virto nuolatiniu prielaidų testavimu, o ne vienkartiniu lentelės sudarymu.
Vienas duomenų pagrindas
Įmonės išteklių valdymas
(angl. Enterprise Resource Planning, ERP) – nuo medžiagų poreikio valdymo (angl. Material Requirements Planning, MRP) sistemų, išplitusių 8-ajame dešimtmetyje, iki „SAP R/3“ (1992): gamyba, finansai ir pardavimai – viename procese.Nuo planavimo knygos prie komandos
Pirma – informacijos prieinamumas
Rinkos duomenys, konkurentų ataskaitos, makroekonominės prognozės – ir mažoms įmonėms bei startuoliams. Planavimo kokybė demokratizuota, bet atsirado informacijos pertekliaus problema.Antra – greitis ir iteratyvumas
Debesų technologijos (angl. cloud computing) leido komandoms dirbti su tuo pačiu planu realiu laiku – pvz., „Google Sheets“.Planavimas iš duomenų
Daugiau duomenų – ne geresnė logika
Klaidingo tikslumo problema (žr. 2.1.3) paaštrėjo: kai modelis maitinamas dideliais duomenų kiekiais, rezultatai atrodo „moksliškiau“.
Fundamentalios prielaidos gali būti tokios pat netikslios kaip ir rankinėje analizėje.
Dideli duomenys nekompensuoja blogos konceptualios logikos.
Kur DI pranašesnis
M5 konkurse mašininio mokymosi (angl. Machine Learning, ML) modeliai reikšmingai aplenkė geriausius klasikinius metodus: geriausių penkių komandų pranašumas prieš etaloninį metodą viršijo 20 % (Makridakis et al., 2022).
Laiko eilučių uždaviniai: paklausos prognozavimas, pinigų srautų planavimas ir panašios sritys.
Įprasta laiko eilutė: automatizuoti algoritmai pasiekia didesnį tikslumą nei tradiciniai tiesiniai modeliai.
Kur patvirtinto statistinio modelio nėra – struktūriniai lūžiai, geopolitiniai karai, netikėtos įstatymų pataisos – atspariausias žmogaus ir algoritmo derinys, o ne visiška autonomija vienai pusei; už prognozavimo horizonto belieka planuoti prisitaikymą ir atsparumą (Tetlock ir Gardner, 2015).
Iš kūrėjos – į kuratorę
Ką DI sustiprina
Demokratizacija: mažos įmonės, kurios negalėjo sau leisti analitikų komandos, gauna kokybiškesnes prognozes ir scenarijų analizes – aktualu Lietuvai, kur dominuoja MVĮ.
NMA ir kitų paramos institucijų skaitmenizacija pakeitė lūkesčių architektūrą: planas vis dažniau turi būti pagrįstas struktūruotais duomenimis, ne vien tekstiniu pasakojimu.
Keli skaičiai po kablelio – stipresnė „moksliškumo“ iliuzija nei paprastame Excel modelyje, nors abu remiasi tomis pačiomis neapibrėžtomis prielaidomis.
Optimizmo šališkumas
Gali sustiprėti, jei DI mokomas istoriniais duomenimis, kuriuose vyrauja sėkmingi atvejai (angl. survivorship bias).Klaidingas tikslumas
Rizika dar padidėja (žr. 2.1.3).Atsakomybės problema
Kai planas kuriamas DI asistento pagalba, kas atsako už prielaidų kokybę – žmogus ar algoritmas?Vienas stalas – trys poslinkiai
DI – galingas planavimo instrumentas, bet ne planavimo subjektas.Galutinė atsakomybė už prielaidas, scenarijų parinkimą ir sprendimų priėmimą lieka žmogui.
Gilesnė technologijų ir verslo planavimo santykio analizė – baigiamajame vadovėlio skyriuje.
Šaltiniai
Bricklin, D. (2009). Bricklin on Technology. Wiley.
Gartner. (2020). 2020 strategic roadmap for cloud financial planning and analysis solutions. Gartner, Inc.
Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2022). M5 accuracy competition: Results, findings, and conclusions. International Journal of Forecasting, 38(4), 1346–1364. https://doi.org/10.1016/j.ijforecast.2021.11.013
Ries, E. (2011). The Lean Startup: How Today's Entrepreneurs Use Continuous Innovation to Create Radically Successful Businesses. Crown Business.
Tetlock, P. E., & Gardner, D. (2015). Superforecasting: The Art and Science of Prediction. Crown.
Rakštys, R. (2026). 2 skyrius. Verslo planavimo ir vertinimo procesas (v1.0.9, 2026-10-09). Verslo planavimas ir vertinimas. Vytauto Didžiojo universitetas, Žemės ūkio akademija. https://rakstys.eu/studijos/verslo-planavimas-ir-vertinimas/skyriai/ch02/ · CC BY-NC-ND 4.0
Skaidrės parengtos remiantis vadovėliu „Verslo planavimas ir vertinimas“. Tekstas susistemintas ir vizualiai sumaketuotas pasitelkus dirbtinio intelekto įrankius (Claude), laikantis autoriaus nustatytų darbo su DI protokolo ir verifikavimo procedūrų.