Kamera vidi prekršaj. AI ocenjuje vozača. Gde prestaje safety, a počinje nadzor?
Video-telematika odavno nije samo kamera u vozilu. Novi sistemi prepoznaju ponašanje vozača, klasifikuju događaje i mogu da grade individualne risk score profile. U isto vreme, Srbija priprema novi Zakon o zaštiti podataka o ličnosti, sa posebnim odredbama o video-nadzoru i obradi podataka pomoću veštačke inteligencije. Za fleet se zato otvara vrlo praktično pitanje: šta radimo sa podacima koje sistem prikupi i gde prestaje bezbednost, a počinje nadzor zaposlenog?
Kamera registruje da je vozač skrenuo pogled sa puta.
Sistem događaj označava kao distraction. Vezuje ga za konkretnog vozača. Ulazi u njegovu istoriju, možda menja risk score, a fleet ili safety manager dobija upozorenje. Snimak se pregleda, komentariše ili prosleđuje dalje. Posle toga može uslediti coaching, razgovor sa rukovodiocem ili neka druga odluka.
Sve to u praksi uglavnom zovemo jednim imenom:
video-telematika.
Ali iza tog jednog naziva krije se nekoliko različitih procesa.
Sistem nije samo zabeležio šta se dogodilo sa vozilom. Obradio je podatak o čoveku, procenio njegovo ponašanje i napravio zaključak koji može da utiče na način na koji ga kompanija ocenjuje.
Tu kamera prestaje da bude samo dokaz sa puta.
Nacrt ne stvara ovaj problem. Samo ga stavlja mnogo jasnije na sto
U Srbiji je u toku javna rasprava o novom Nacrtu zakona o zaštiti podataka o ličnosti. Traje do 10. septembra 2026. godine, a Ministarstvo pravde je 7. septembra organizovalo i okrugli sto posvećen nacrtu.
Do zaključenja ovog teksta nije objavljen zvaničan izveštaj sa tog skupa niti izmenjena verzija nacrta.
Važno je zato razdvojiti dve stvari.
Video-telematika nije tek sada postala pitanje zaštite podataka.
Važeći Zakon o zaštiti podataka o ličnosti već uređuje profilisanje, automatizovano donošenje odluka, pravne osnove obrade, minimizaciju podataka i procenu uticaja na zaštitu podataka.
Novi nacrt, međutim, detaljnije ulazi u oblasti koje su poslednjih godina postale mnogo važnije u praksi — pre svega video-nadzor i obradu podataka pomoću AI sistema.
Poverenik za informacije od javnog značaja i zaštitu podataka o ličnosti Milan Marinović je još početkom godine, dok je nacrt bio u pripremi, kao jedan od problema iz prakse naveo korišćenje video-nadzora za kontrolu rada zaposlenih i disciplinske postupke.
Za kompanije koje uvode kamere i AI monitoring to nije nevažan signal.
Postoji, ipak, važna ograda.
Odredbe nacrta koje se izričito odnose na video-nadzor u poslovnom prostoru ne mogu se automatski preslikati na kameru ugrađenu u vozilo. Iz samog teksta nacrta ne može se pouzdano zaključiti da je pravni režim potpuno isti.
Ali osnovno pitanje ostaje:
šta se dešava kada sistem uveden radi bezbednosti počne sistematski da ocenjuje ponašanje konkretnog vozača?
Tu počinje prava fleet tema.
VAŽNO: Tekst koji analiziramo je Nacrt zakona dostupan tokom javne rasprave. Nije važeći zakon i može biti izmenjen pre eventualnog usvajanja. Ovaj članak nije pravno mišljenje, već analiza mogućih operativnih posledica za upravljanje flotama.
Video-telematika odavno nije samo video
Prve kamere u vozilima imale su prilično jednostavan posao.
Dogodi se incident.
Postoji snimak.
Može da se proveri šta se zaista desilo.
Današnji sistemi rade mnogo više.
Kamera može biti povezana sa telematikom vozila, GPS-om, CAN podacima i sistemima za monitoring vozača. Softver može automatski da prepozna ili označi događaje kao što su:
- korišćenje mobilnog telefona;
- nevezivanje sigurnosnog pojasa;
- distrakcija;
- pogled van puta;
- moguća pospanost;
- prekratko odstojanje;
- naglo kočenje;
- prekoračenje brzine;
- agresivan manevar.
Jedan događaj sam po sebi možda ne govori mnogo.
Ali onda dolaze sledeći.
Pet.
Dvadeset.
Trend za poslednjih 30 ili 90 dana.
Poređenje sa drugim vozačima.
I na kraju:
driver score.
Za fleet je to korisno. Umesto da neko ručno pregleda stotine ili hiljade sati vožnje, sistem izdvaja događaje koji zahtevaju pažnju.
Ali u tom trenutku menja se i priroda podatka.
Što se sistem više pomera od snimanja događaja ka ocenjivanju vozača, pitanje više nije samo:
„Imamo li pravo da postavimo kameru?“
Mnogo važnije postaje:
„Šta tačno merimo, zašto to merimo i šta posle radimo sa rezultatom?“
Kada podatak vozila postane podatak vozača
Nacrt široko definiše podatak o ličnosti, uključujući podatke o lokaciji. Profilisanje obuhvata obradu kojom se ocenjuju svojstva fizičkog lica, među njima radni učinak, pouzdanost, ponašanje, lokacija ili kretanje.
Za fleet je to vrlo konkretno.
Podatak koji na dashboardu izgleda kao običan KPI vozila može dobiti potpuno drugo značenje čim ga povežemo sa konkretnim vozačem.
| Fleet podatak | Šta sistem registruje | Kada postaje podatak o vozaču |
| GPS | lokaciju vozila | kada se vozilo poveže sa konkretnim vozačem |
| Brzina | kretanje vozila | kada se događaj pripiše vozaču |
| Harsh braking | dinamički događaj | kada uđe u individualnu safety istoriju |
| Cabin video | sliku i ponašanje osobe | praktično odmah |
| Mobile phone event | prepoznato ponašanje | kada se poveže sa identifikovanim vozačem |
| Fatigue / distraction event | procenu stanja ili ponašanja | kada se pripiše konkretnom licu |
| Driver score | izvedenu ocenu | direktno predstavlja profil vozača |
| Route history | kretanje vozila | kada omogućava praćenje kretanja zaposlenog |
Ovo je važna razlika.
Fleet podaci nisu anonimni samo zato što su nastali u vozilu.
Ako kompanija zna ko je vozio, vrlo brzo može da zna i ko je ubrzao, naglo kočio, gde se kretao i kako je algoritam ocenio njegovo ponašanje.
Safety ili nadzor? Sve zavisi od toga šta sistem radi
Nije svaka kamera isti problem.
Praktično možemo razlikovati pet nivoa.
Nivo 1 — kamera usmerena ka putu
Primarna funkcija je dokumentovanje događaja ispred vozila.
Tipičan use-case:
incident evidence.
Nivo 2 — event-triggered cabin video
Snimak iz kabine se čuva samo oko određenog događaja.
Na primer, nekoliko sekundi pre i posle naglog kočenja.
Nivo 3 — kontinuirano snimanje kabine
Sistem stalno registruje šta se događa u radnom prostoru vozača.
Tu količina i osetljivost podataka znatno rastu.
Nivo 4 — AI Driver Monitoring
Kamera više nije samo uređaj za snimanje.
Softver pokušava da prepozna telefon, pojas, pogled, pospanost, distrakciju i druga ponašanja.
Nivo 5 — AI scoring i poslovna odluka
Događaji se sabiraju.
Od njih nastaje ocena.
Ocena postaje klasifikacija.
A klasifikacija može da proizvede posledicu.
Tu se pojavljuje najvažnija razlika.
AI DETEKCIJA
„Sistem je prepoznao moguće korišćenje telefona.“
nije isto što i:
AI ODLUKA
„Ovaj vozač je high risk i automatski mu se umanjuje bonus.“
U prvom slučaju čovek dobija informaciju koju treba proveriti.
U drugom algoritam već počinje da odlučuje o čoveku.
Automatizovati detekciju nije isto što i automatizovati odluku
Važeći propisi već štite lice od odluka zasnovanih isključivo na automatizovanoj obradi kada takva odluka proizvodi pravne posledice ili značajno utiče na njegov položaj.
Nacrt dodatno uređuje obradu pomoću AI i posebno problematizuje situacije u kojima sistem, bez učešća čoveka, može da proizvede štetne posledice ili značajno utiče na položaj lica.
Za fleet je suština jednostavna:
Algoritam može da pronađe događaj. Ne znači da treba sam da donese odluku.
Ako sistem označi safety event, a safety manager pregleda snimak, proveri kontekst i razgovara sa vozačem, to je jedan model rada.
Ako algoritam sam izračuna score i taj broj automatski utiče na bonus, status vozača ili neku drugu odluku, situacija je mnogo osetljivija.
EU AI Act je druga regulativa, ali isti sistem može otvoriti oba pitanja
Za kompanije koje posluju u EU ili koriste platforme razvijene za evropsko tržište postoji još jedan sloj — EU AI Act.
To nije isti propis kao zakon o zaštiti podataka. Usklađenost sa jednim ne znači automatski da je rešeno i drugo pitanje.
Posebno su osetljivi AI sistemi koji se koriste pri zapošljavanju i upravljanju radnicima kada utiču na odluke o ljudima.
Zato nije isto kada sistem samo označi mogući safety incident i kada na osnovu niza događaja automatski ocenjuje zaposlenog ili utiče na njegov radni status.
Za fleet postoji jedno vrlo praktično pravilo:
pre kupovine AI funkcije definišite odluku za koju ćete je koristiti.
Kamera možda nije najveći problem
Zamislimo jednostavan primer.
Kamera sačuva deset sekundi videa.
Sistem iz toga napravi:
Event: Distracted driving
Driver: 024
Risk score: 76/100
90-day history: 31 događaj
Classification: Elevated risk
Šta je dugoročno važnije?
Tih deset sekundi videa?
Ili ocena koja je iz njih nastala?
Snimak može biti obrisan.
Ali šta ostaje sa eventom?
Sa score-om?
Sa istorijom?
Sa klasifikacijom vozača?
Sa PDF izveštajem koji je neko već preuzeo?
Sa podatkom koji je prenet u drugi sistem?
Zato retention policy ne može da odgovara samo na pitanje:
„Koliko dugo čuvamo video?“
Treba da odgovori i na:
„Koliko dugo čuvamo ono što je sistem iz tog videa zaključio?“
Gde prestaje safety, a počinje praćenje rada?
Nacrt posebno uređuje video-nadzor u poslovnom prostoru.
Između ostalog, predviđa da se pre njegovog uvođenja razmotre manje invazivni načini za ostvarivanje iste svrhe i da zaposleni budu informisani. Korišćenje video-nadzora za praćenje rada zaposlenih tretira se kao posebno osetljivo pitanje.
Ali ovde opet treba biti precizan.
Nacrt ne kaže da je kabina vozila automatski isto što i poslovni prostor.
Zato odredbe pisane za poslovne prostorije ne treba bez dodatnog pravnog tumačenja preslikavati na službeno vozilo.
Operativni problem je, međutim, lako prepoznati.
Ako je sistem uveden radi bezbednosti, a vremenom se koristi za kontinuirano merenje, rangiranje i ocenjivanje radnog učinka, kompanija više ne koristi iste podatke na isti način.
Svrha se promenila.
A upravo tu mora da postoji jasna granica.
Ko zapravo vidi podatke?
U praksi se često polazi od pretpostavke:
„Kamera je u našem vozilu, znači podaci su kod nas.“
Često nisu.
Tipičan tok može da izgleda ovako:
CAMERA
↓
VEHICLE GATEWAY
↓
MOBILE NETWORK
↓
VENDOR CLOUD
↓
AI ANALYTICS
↓
FLEET DASHBOARD
↓
SAFETY MANAGER
↓
HR / MANAGEMENT / CLAIMS
Iza pojedinih koraka mogu stajati različite kompanije.
Zato „ko ima pristup dashboardu?“ nije dovoljno pitanje.
Fleet treba da zna:
- ko određuje svrhu obrade;
- ko obrađuje podatke u ime kompanije;
- koji podizvođači učestvuju;
- gde se podaci obrađuju i čuvaju;
- da li izlaze iz Srbije;
- ko može da vidi raw video;
- ko vidi samo safety event;
- ko vidi individualni score;
- da li vendor koristi podatke i za druge svrhe;
- šta se sa njima dešava kada ugovor prestane.
Važna je i evidencija pristupa.
Ako je neko pregledao snimak, prosledio ga ili ga koristio kao osnov za odluku, kompanija treba da zna ko je to uradio, kada i zašto.
Access log ovde nije samo cybersecurity stvar. Može biti i dokaz ko je podatak koristio i u koju svrhu.
Retention nije jedno pitanje
Kod video-telematike ne postoji jedan jedini podatak.
Postoje najmanje četiri sloja:
raw video
event clip
metadata
driver score i drugi izvedeni podaci
Njihov rok čuvanja ne mora biti isti.
Ako je za rešavanje konkretnog safety događaja dovoljan kraći period čuvanja snimka, činjenica da platforma tehnički može da ga zadrži mnogo duže nije razlog da se to automatski radi.
Isto važi za podatke koje AI izvede iz snimka.
Brisanje videa ne rešava mnogo ako risk score, event history ili klasifikacija ostanu bez jasnog roka.
Tehnički moguće nije isto što i operativno potrebno.
DPIA treba raditi pre nego što sistem pustite u rad
Procena uticaja na zaštitu podataka — DPIA — već postoji kao obaveza kada određena vrsta obrade, posebno uz nove tehnologije, može da stvori visok rizik za prava i slobode ljudi.
Kod video-telematike to postaje posebno važno kada sistem:
- snima vozača;
- automatski analizira njegovo ponašanje;
- pravi individualni profil;
- koristi taj profil pri poslovnim odlukama.
Ako projekat izgleda ovako, DPIA nema mnogo smisla raditi na kraju, kada su oprema kupljena, platforma ugovorena i kamere već ugrađene.
Tada je za ozbiljne izmene često kasno ili skupo.
Procena treba da bude deo projekta dok još možete da odlučite da neku funkciju isključite, smanjite količinu podataka ili promenite način rada.
Ponekad je najbolji podatak upravo onaj koji nikada niste prikupili.
13 pitanja za vendora pre potpisivanja ugovora
Tender za video-telematiku ne bi trebalo da se završi na broju kamera, rezoluciji, storage-u i ceni po vozilu.
Treba pitati i sledeće:
1. Šta sistem tačno snima?
Put, kabinu, zvuk ili više toga istovremeno?
2. Da li se snima stalno ili samo oko događaja?
I šta se tačno šalje u cloud?
3. Koje događaje AI prepoznaje?
Telefon, pojas, pospanost, pogled van puta, distrakciju?
4. Da li sistem pravi individualni driver score?
Ako pravi, na osnovu čega?
5. Kako sistem povezuje događaj sa konkretnim vozačem?
Karticom, aplikacijom, rasporedom, prepoznavanjem lica ili drugim metodom?
6. Koliko dugo se čuva raw video?
I na kojoj lokaciji?
7. Koliko dugo se čuvaju eventi, metadata i driver score?
To ne mora biti isti rok kao za video.
8. Ko u našoj kompaniji može da vidi koji podatak?
Fleet, safety, HR, rukovodstvo?
9. Ko kod vendora ima pristup?
Pod kojim uslovima i da li se pristup evidentira?
10. Koji podizvođači učestvuju u obradi?
Cloud provider, AI provider, connectivity provider?
11. U kojim državama se podaci obrađuju i čuvaju?
12. Da li se podaci klijenta koriste za razvoj ili treniranje algoritama?
Ako da, koji podaci i pod kojim uslovima?
13. Možemo li da isključimo funkcije koje nam nisu potrebne?
Sistem možda može da meri 25 stvari.
To ne znači da floti treba svih 25.
Šta fleet treba da uradi pre uključivanja kamera
Redosled je važan.
Ne treba tehnologija da određuje proces. Fleet prvo treba da zna šta želi da postigne, a tek onda kako će sistem biti podešen.
Pre rollout-a treba:
1. Jasno definisati svrhu.
„Safety“ nije dovoljno precizno ako će isti podaci kasnije biti korišćeni i za performance management, HR ili disciplinske postupke.
2. Nacrtati data flow.
Od kamere do poslednjeg servera, sistema i korisnika.
3. Utvrditi pravni osnov za svaku vrstu obrade.
4. Odrediti koje podatke stvarno treba prikupljati.
5. Razdvojiti safety proces od HR i disciplinskog procesa.
6. Posebno definisati rokove za video, evente, metadata i izvedene ocene.
7. Uvesti role-based access.
Ne treba svako ko tehnički može da dobije pristup taj pristup i da ima.
8. Vozačima jasno objasniti šta sistem radi.
Šta snima, kada, zašto i ko podatke koristi.
9. Proveriti vendor i cloud ugovore pre rollout-a.
Privacy nije tema za kraj projekta.
10. Obezbediti ljudsku proveru pre odluke koja može ozbiljnije da utiče na zaposlenog.
AI može dobro da filtrira događaje.
Može i da pogreši.
Šta je sa kaznama?
Nacrt predviđa kazne za pravna lica za niz povreda koje se odnose na nezakonitu obradu podataka, video-nadzor, obradu pomoću AI i automatizovano odlučivanje.
Ali kazna nije jedini rizik, niti je u praksi uvek najveći.
Loše postavljen sistem može da napravi i druge probleme:
- pogrešnu procenu vozača;
- konflikt sa zaposlenima;
- gubitak poverenja;
- nekontrolisan pristup snimcima;
- curenje podataka;
- safety program koji vozači počnu da doživljavaju kao alat za kažnjavanje.
A kad zaposleni prestanu da veruju sistemu, gubi se i deo njegove safety vrednosti.
Dobra video-telematika počinje pre kamere
Video-telematika može mnogo da donese floti.
Snimak može da razjasni incident koji bi inače ostao „reč protiv reči“. AI može da izdvoji događaje koje safety tim nikada ne bi mogao ručno da pronađe među hiljadama sati vožnje. Coaching može da se zasniva na konkretnim situacijama, a ne na utisku.
Ali pre nego što se uključi kamera, mora da bude jasno zašto je uključujemo.
Ako sistem može da prati 25 ponašanja vozača, ne znači da treba koristiti svih 25.
Ako može da napravi driver score, ne znači da taj broj treba automatski da odlučuje o čoveku.
Ako kamera može stalno da snima, ne znači da mora.
Ako vendor može dugo da čuva podatke, ne znači da je to potrebno floti.
Zato prvo pitanje projekta ne bi trebalo da bude:
Koju kameru kupujemo?
Bolje pitanje je:
Koji problem pokušavamo da rešimo i koji minimum podataka nam je za to potreban?
Kamera je tek jedan deo sistema.
Ono što dolazi posle snimka mnogo je važnije.
Izvori
- Ministarstvo pravde Republike Srbije — Javna rasprava o Nacrtu zakona o zaštiti podataka o ličnosti, 2026.
- Nacrt zakona o zaštiti podataka o ličnosti, verzija dostupna tokom javne rasprave.
- Zakon o zaštiti podataka o ličnosti Republike Srbije.
- Poverenik za informacije od javnog značaja i zaštitu podataka o ličnosti — smernice i materijali o proceni uticaja i obradi podataka.
- Evropska unija — AI Act, relevantne odredbe koje se odnose na AI sisteme u kontekstu zapošljavanja i upravljanja radnicima.
Napomena: Članak je informativnog karaktera i ne predstavlja pravno mišljenje.