Umjetna inteligencija i javni natječaji 2026.: što zna, a što promaši

Provjereno 5. rujna 2026.

U 2026. pitanje više nije koristi li se jezični model pri odgovaranju na javne natječaje, nego gdje donosi stvarnu korist, a gdje oduzima bodove ili čak posao. Granica je jasna: umjetna inteligencija izvrsno čita, sažima i preoblikuje dokumente koje joj date, a vrlo je loša u tome da sama pronađe objave koje su izašle ovaj tjedan.

Što tvrtke stvarno rade s umjetnom inteligencijom

Pet primjena ponavlja se kod svih koji ozbiljno rade na javnim natječajima.

Analiza dokumentacije o nabavi. Dokumentacija za veći postupak lako ima nekoliko stotina stranica raspoređenih u pet ili šest datoteka. Model koji čita duge PDF-ove iz nje u nekoliko minuta izvuče točan predmet nabave, podjelu na grupe, trajanje ugovora, ugovorne kazne, popis dokumenata koje treba priložiti i sporne točke prijedloga ugovora.

Sažetak i odluka o izlasku na natječaj. Sažetak obavijesti o nadmetanju u stalnom formatu, s naručiteljem, predmetom, rokom za dostavu ponuda, procijenjenom vrijednošću i uvjetima sposobnosti, omogućuje da se hrpa objava prosije mnogo brže.

Izvlačenje kriterija za odabir ponude. Upute ponuditeljima opisuju kriterije, njihove pondere i način bodovanja, ponekad u tablici, a ponekad u odlomku zakopanom na dvanaestoj stranici. Strukturirano izvlačenje tih kriterija s njihovim težinama zatim služi kao nacrt tehničkog dijela ponude.

Pisanje tehničkog dijela ponude. Najraširenija i najrizičnija primjena. Model dobro sastavlja kostur koji prati kriterije, preoblikuje odlomke iz ranijih ponuda i provjerava je li koji zahtjev iz tehničkih specifikacija ostao bez odgovora. Loš je u izmišljanju dodane vrijednosti, koja mora doći iz tvrtke.

Praćenje i razvrstavanje. Kad su objave jednom preuzete iz ažurnog izvora, model ih vrlo dobro rangira po važnosti, pridružuje im CPV kodove i prepoznaje duplikate. Ključan je dio rečenice: kad su jednom preuzete.

Što umjetna inteligencija radi dobro, a što loše

Slijepa točka: pronalaženje aktualnih objava

To je najslabije shvaćeno ograničenje. Opći pomoćnici, uključujući ChatGPT i Perplexity, nemaju pristup Elektroničkom oglasniku javne nabave Republike Hrvatske ni pouzdan pristup TED-u. Na upit da pronađu otvorene natječaje za održavanje informatičke opreme u Splitsko-dalmatinskoj županiji vraćaju uglavnom stare, često zatvorene postupke.

Tri tehnička razloga. Prvo, hrvatski sustav ima jedan jedini portal na kojem se objavljuje dokumentacija i na kojem se predaju ponude, ali njegov sadržaj stoji iza obrasca za pretraživanje i prijave, pa ga tražilice slabo indeksiraju. Drugo, prozor jednog natječaja je kratak, često nekoliko tjedana, dok se indeks osvježava sporije. Treće, pouzdani izvori su strukturirani, s vlastitim pretraživanjem i podacima, a nijedan opći pomoćnik ih ne poziva.

Otuda pravilo: jezični model dolazi na red nakon otkrivanja objave, nikada umjesto njega.

Tri konkretna rizika

Izmišljene reference

Model proizvodi uvjerljiv tekst, a ne provjeren tekst. U tehničkom dijelu ponude to daje brojeve normi koje ne postoje, certifikate pripisane tvrtki koja ih nema, izmišljene reference na gradilištima ili članke zakona s pogrešnim brojem. Netočna referenca nije samo formalna pogreška: može se čitati kao davanje neistinitih podataka, što je razlog za isključenje gospodarskog subjekta iz postupka. Svaki činjenični podatak koji je proizveo model mora provjeriti osoba koja ga poznaje.

Generičan odgovor

Tekst nastao bez vlastite građe prepoznaje se po općim formulacijama i izostanku operativnih pojedinosti. Kriteriji kvalitete nagrađuju upravo suprotno: imenovane ljude, brojčani vremenski plan, metodologiju primijenjenu na konkretnu lokaciju, mjere prilagođene potrebi opisanoj u tehničkim specifikacijama. Zakon o javnoj nabavi traži da se ugovor dodijeli ekonomski najpovoljnijoj ponudi i da cijena ne bude jedini kriterij, pa se ti bodovi stvarno gube. Tečna, ali zamjenjiva ponuda gubi ondje gdje se razlika i pravi.

Povjerljivost dokumentacije

Dokumentacija ponekad sadrži nacrte, podatke o pogonu ili adrese osjetljivih lokacija, a ponuda koja se priprema sadrži poslovnu strategiju i cijene. Tri najmanje mjere opreza: provjerite da dobavljač ne koristi poslane podatke za treniranje modela, radite na poslovnoj usluzi s ugovornom obvezom o tome, i iz dokumenata uklonite ono što ondje ne mora biti. Dio dokumentacije sadrži i odredbe o povjerljivosti koje zabranjuju prosljeđivanje trećima, a mrežna usluga je treći.

Upiti koji funkcioniraju

Ova tri upita ciljaju zadatke u kojima je model dobar: podatak mu je dan ili je stabilan.

Sažetak objave. Zalijepite tekst obavijesti, pa nametnite stalni format.

Ovo je obavijest o nadmetanju. Vrati isključivo, u obliku popisa:
naručitelj, predmet nabave u jednoj rečenici, vrsta ugovora (radovi / robe / usluge),
vrsta postupka, podjela na grupe, rok za dostavu ponuda, trajanje ugovora,
kriteriji za odabir ponude s ponderima, traženi dokumenti.
Ako podatka nema u tekstu, napiši "nije navedeno".
Ne dodaji nijedan podatak koji ne stoji u tekstu.

Zadnja uputa je najvažnija: ona smanjuje popunjavanje praznina izmišljanjem.

Pridruživanje CPV kodova. Korisno pri gradnji profila praćenja.

Za djelatnost "{djelatnost}" navedi relevantne CPV kodove, od najširega
do najužega, uz službeni naziv svakoga i ocjenu od 1 do 5 koliko je vjerojatno
da će ga naručitelj upotrijebiti za tu potrebu.
Dodaj susjedne kodove koje treba isključiti radi smanjenja šuma. Odgovori u JSON-u.

Kodove zatim provjerite u službenom CPV pregledniku: model lako proizvede kod ispravnog oblika koji ne postoji.

Širenje popisa sinonima. Pretraživanje oglasnika je doslovno: tko traži informatičke usluge, neće dobiti objavu naslovljenu održavanje informacijskog sustava. Stvaranje inačica iz rječnika naručitelja model radi najbolje.

Ti si javni naručitelj u Hrvatskoj. Za djelatnost "{djelatnost}" navedi
15 do 20 formulacija koje bi naručitelj upotrijebio u nazivu predmeta nabave,
uključujući administrativni žargon, a zatim srodne pojmove koje treba isključiti.
Odgovori u JSON-u.

Stav javnih naručitelja

U hrvatskom pravu javne nabave danas ne postoji poseban okvir za umjetnu inteligenciju, ni za naručitelje ni za gospodarske subjekte. Zakon o javnoj nabavi o umjetnoj inteligenciji ne govori ništa. Primjenjuju se, dakle, postojeći režimi: načela javne nabave, Opća uredba o zaštiti podataka i europska uredba o umjetnoj inteligenciji, Uredba (EU) 2024/1689, koja je stupila na snagu 1. kolovoza 2024.

Nije poznata hrvatska sudska praksa ni odluka Državne komisije za kontrolu postupaka javne nabave koja bi se izjasnila o ponudi napisanoj uz pomoć jezičnog modela. To ne znači da je pitanje nemoguće: naručitelj u načelu može u dokumentaciju upisati odredbu o korištenju takvih alata, pa dokumentaciju treba pročitati i s te strane prije nego što se odgovori.

Praktičan zaključak je jednostavan. Odgovornost za sve što stoji u ponudi ostaje na gospodarskom subjektu, jednako kao kad tekst piše vanjski konzultant. Model je alat za internu pripremu, a ne suautor koji dijeli odgovornost.

Scoutee tu podjelu i primjenjuje: objave se prikupljaju iz datiranih i strukturiranih izvora, a model se uključuje tek poslije, da razvrsta i sažme ono što je stvarno objavljeno.

Izvori

• Zakon o javnoj nabavi, pročišćeni tekst
• Elektronički oglasnik javne nabave Republike Hrvatske
• Državna komisija za kontrolu postupaka javne nabave
• Službeni CPV preglednik, SIMAP