Od chatbota do agentnih sustava
Umjetna inteligencija godinama se u praksi svodila na velike jezične modele i chatbote. Ti su sustavi odgovarali na pitanja, generirali tekst i pomagali u svakodnevnom radu, ali su ostajali ulogirani u okvir „pametnog sugovornika“.
Agentni AI označava iduću fazu. Umjesto jednog modela koji odgovara na upite, pojavljuju se softverski agenti koji samostalno planiraju, donose odluke i izvršavaju zadatke u poslovnim procesima. Ti agenti mogu:
- razumjeti poslovni cilj (npr. obraditi zahtjev, pripremiti ponudu, optimizirati rutu),
- razbiti ga na niz koraka,
- pozivati vanjske sustave i API‑je,
- suradnjom s drugim agentima i ljudima dovršiti zadatak.
U praksi to znači da AI više nije samo „sloj“ iznad postojećih procesa, već postaje dio operativnog sustava poduzeća. Najnovija istraživanja pokazuju da većina organizacija vidi ogroman potencijal u ovakvim rješenjima, ali i jasan jaz između vizije i stvarne implementacije u proizvodnim okruženjima.
Platforme za orkestraciju više agenata
Veliki tehnološki i industrijski igrači već razvijaju platforme koje mogu orkestrirati desetke ili stotine AI agenata. Ključna ideja je da različiti specijalizirani agenti preuzimaju uske zadatke, dok centralna platforma koordinira njihov rad, prati metrike i usklađenost s pravilima.
Bankarstvo i fintech: agenti kao operativni sustav
U bankarskom i fintech sektoru pojavljuju se specijalizirani „operacijski sustavi“ za agentni AI. Tipičan scenarij uključuje:
- agenta za prikupljanje i obradu podataka o klijentu,
- agenta za procjenu rizika i usklađenost s regulatornim okvirom,
- agenta za pripremu personalizirane ponude,
- agenta za komunikaciju s korisnikom kroz više kanala (web, mobilna aplikacija, chat).
Platforma iznad njih nadzire tokove rada, bilježi sve korake i osigurava da odluke zadovoljavaju interne politike i regulatorne zahtjeve. U slučaju odstupanja, sustav može automatski eskalirati slučaj ljudskom stručnjaku.
Logistika i opskrbni lanci: agenti bez programiranja
U logistici i upravljanju opskrbnim lancima agentni AI se koristi za optimizaciju ruta, upravljanje zalihama i koordinaciju dobavljača. Novi alati omogućuju kreiranje agenata bez klasičnog programiranja: poslovni korisnik u prirodnom jeziku definira cilj (npr. „minimiziraj kašnjenja isporuka na ovoj ruti“) i pravila (ograničenja kapaciteta, rokovi, ugovorne kazne), a sustav generira agenta koji djeluje kroz mrežu dobavljača i partnera.
Takvi agenti mogu se povezati s postojećim sustavima za planiranje resursa (ERP), skladišnim sustavima (WMS) i IoT senzorima u stvarnom vremenu. Time se stvara dinamičan sloj odlučivanja koji reagira na promjene na terenu, a ne samo na unaprijed definirane planove.
Korisničko iskustvo i kontakt centri
Sektori usmjereni na korisničko iskustvo među prvima uvode agentne arhitekture. Kontakt centri su prirodno okruženje za testiranje jer kombiniraju velike količine ponavljajućih upita s manjim brojem složenih slučajeva.
Arhitektura „ljudi u petlji“
U modernim kontakt centrima pojavljuju se slojevite arhitekture:
- front‑line agenti preuzimaju jednostavne upite (status narudžbe, promjena adrese, osnovne informacije),
- specijalizirani agenti pripremaju sažetke razgovora, provjeravaju podatke u CRM‑u i predlažu odgovore,
- ljudski agenti donose konačne odluke u složenim, emocionalno osjetljivim ili regulatorno rizičnim slučajevima.
Na taj način AI preuzima repetitivne dijelove posla, skraćuje vrijeme obrade i smanjuje broj pogrešaka, dok ljudi ostaju odgovorni za kontekst, empatiju i krajnju odluku. Važan element je transparentnost: sučelja za ljudske agente sve češće prikazuju „razmišljanje“ AI‑ja, izvore podataka i razloge za predloženi odgovor.
Platforme i društvene mreže: poslovni agenti kao usluga
Velike društvene i komunikacijske platforme najavljuju poslovne AI agente koje poduzeća mogu „uključiti“ unutar postojećih profila ili kanala. Ti agenti u nekoliko minuta preuzimaju niz zadataka:
- automatizirano odgovaranje na upite kupaca u chatu ili komentarima,
- generiranje personaliziranih ponuda na temelju povijesti interakcija,
- sinkronizaciju s ERP i CRM sustavima za provjeru zaliha, cijena i statusa narudžbi,
- pokretanje jednostavnih radnih tokova, poput otvaranja naloga za podršku ili iniciranja povrata.
Cilj je podići produktivnost za red veličine, ali uz zadržavanje kontrole. Poduzeća žele mogućnost definiranja pravila, ograničenja i tonova komunikacije, kao i jasne logove svih radnji koje agent poduzima.
Europski kontekst: regulacija oblikuje arhitekturu
Europa u priču o agentnom AI‑ju ulazi s dodatnim slojem – regulacijom. EU AI Act i prateći kodeksi prakse posebno naglašavaju sustave koji imaju sistemski rizik ili se koriste u visokorizičnim područjima poput zdravstva, financija, obrazovanja ili javnih usluga.
Za agentne sustave to ima nekoliko konkretnih posljedica:
- potrebno je pratiti odluke agenata i moći rekonstruirati „lanac odluka“,
- mora postojati jasna podjela odgovornosti između dobavljača modela, integratora i krajnjeg korisnika,
- za visokorizične primjene traže se dodatne provjere, testiranja i dokumentacija.
Drugim riječima, poduzeća više ne mogu razmišljati samo o točnosti modela ili brzini inferencea. Moraju planirati kako će objasniti zašto je određeni agent donio specifičnu odluku, koje je podatke koristio i tko je odgovoran ako rezultat bude pogrešan.
Novi alati za nadzor i orkestraciju
Ovakvi zahtjevi potiču razvoj nove klase alata za nadzor i orkestraciju agentnih sustava. Ti alati ne samo da povezuju više agenata i upravljaju njihovim zadacima, nego i:
- bilježe sve interakcije, pozive API‑ja i odluke,
- omogućuju reviziju i rekonstrukciju tijeka odluka,
- pružaju sučelja razumljiva ne‑inženjerima (pravnicima, regulatorima, menadžerima),
- uvode pravila za ograničavanje ponašanja agenata u određenim scenarijima.
Primjerice, agent u banci može imati dopuštenje da samostalno odobrava manje transakcije ili promjene limita unutar definiranih granica, ali svaki izlazak iz tih okvira automatski se preusmjerava ljudskom odobravatelju. Sustav pritom mora jasno zabilježiti tko je što učinio i zašto.
Od pilota do stvarne implementacije
Za europske tvrtke sljedeće dvije godine mogle bi biti presudne. Većina organizacija danas ima barem jedan pilot‑projekt s generativnom AI, najčešće u obliku internog asistenta ili eksperimentalnog chatbota. No agentni AI traži dublju promjenu: umjesto izoliranih pilota, potrebno je promišljati cijele tokove rada.
Dizajn agentnog ekosustava
Uspjeh neće ovisiti samo o odabiru najboljeg modela ili najnovijeg frameworka, već o dizajnu „agentnog ekosustava“. Ključni elementi tog dizajna uključuju:
- jasne ciljeve za svakog agenta – što točno smije, a što ne smije raditi, u kojim sustavima i s kojim ovlastima,
- pravila suradnje s ljudima – kada je čovjek u petlji, tko donosi konačnu odluku i kako se rješavaju konflikti između preporuke AI‑ja i ljudske procjene,
- mehanizme nadzora i revizije – logiranje, metrike, alarme i procedure za slučaj incidenta,
- usklađenost s europskim propisima – od zaštite podataka (GDPR) do zahtjeva EU AI Acta za transparentnost i upravljanje rizicima.
Tvrtke koje ove elemente ugrade u ranoj fazi lakše će skalirati od pilot‑projekata do široke primjene u više odjela i zemalja.
Gdje početi: praktični koraci
Za organizacije koje tek ulaze u agentni AI, tipičan put uključuje nekoliko koraka:
- Identificirati procese s visokim udjelom ponavljajućih zadataka i jasnim pravilima (npr. obrada zahtjeva, standardne upite korisnika, izvještavanje).
- Definirati uloge jednog ili dva jednostavna agenta s ograničenim ovlastima i jasnim metrikama uspjeha.
- Uspostaviti osnovnu platformu za orkestraciju i nadzor, čak i ako je riječ o internom „minimum viable“ rješenju.
- Postaviti mehanizme za povratne informacije od korisnika i zaposlenika te iterativno prilagođavati agente.
- Tek nakon što osnovni scenariji rade stabilno, širiti upotrebu na složenije procese i veći broj agenata.
Ključno je da agentni AI ne ostane izoliran od ostatka IT okruženja. Integracija s postojećim sustavima (ERP, CRM, ticketing, IoT platforme) i jasna pravila pristupa podacima često su veći izazov od samog izbora modela.
Nova organizacijska paradigma
Agentni AI nije samo tehnološki trend. Riječ je o početku nove organizacijske paradigme u kojoj će digitalni i ljudski timovi raditi rame uz rame. U mnogim će poduzećima „digitalni kolege“ postati standardni dio svakodnevnog rada, od back‑office administracije do rada na terenu.
Tvrtke koje agentni AI shvate kao priliku za preoblikovanje procesa – a ne samo kao još jedan kanal za chatbot – imat će priliku automatizirati cijele tokove rada i stvoriti fleksibilnije, otpornije organizacije. One koje ostanu na razini eksperimenta riskiraju da ih konkurencija prestigne, ne samo u produktivnosti, nego i u sposobnosti brzog prilagođavanja novim regulatornim i tržišnim zahtjevima.
U europskom kontekstu, gdje su povjerenje, sigurnost i usklađenost jednako važni kao i inovacija, upravo će kvalitetan dizajn agentnih ekosustava odvojiti uspješne pionire od onih koji će morati spašavati projekte nakon prvih ozbiljnih incidenata.
