AI agenti izlaze iz pilot faze: sledeći problem nisu modeli nego kontrola

Prva faza poslovne upotrebe generativne AI uglavnom se svodila na razgovor sa modelom: postavi pitanje, dobiješ odgovor i zatim čovek odlučuje šta će sa njim. Agentni sistemi menjaju taj odnos. Oni mogu da koriste alate, rade sa fajlovima, pozivaju druge sisteme, izvršavaju više koraka i nastavljaju zadatak duže od jednog razgovora.

OpenAI je 10. septembra 2026. predstavio Agents API u public beta verziji, sa infrastrukturom namenjenom dugotrajnim agentnim zadacima, korišćenju alata, radu sa fajlovima i koordinaciji podagenata.^[1] Sama objava nije dokaz da je problem agenata rešen, ali jeste još jedan signal da se tržište pomera od demonstracija ka operativnoj infrastrukturi.

Pilot više nije najteži deo

Napraviti impresivan demo postalo je relativno jednostavno. Mnogo je teže dozvoliti agentu da radi unutar stvarnog poslovnog procesa, gde postoje kupci, novac, poverljivi podaci, rokovi i posledice greške.

Kada agent samo predlaže tekst, greška je uglavnom vidljiva čoveku pre objave. Kada dobije mogućnost da menja podatke, pokreće procese ili komunicira sa drugim sistemima, granica rizika se pomera. Tada više nije dovoljno pitati koliko je model inteligentan. Važno je šta sme da uradi, kojim podacima sme da pristupi i ko odgovara kada nešto pođe pogrešno.

Agent nije samo model

OpenAI svoj Agents API opisuje kao kombinaciju modela, alata, okruženja i harness infrastrukture koja upravlja kontekstom i dugotrajnim sesijama. Sistem može da koristi MCP, prilagođene funkcije i ugrađene alate, a podržana je i paralelizacija rada kroz podagente.^[1]

To je važna promena u načinu na koji kompanije treba da razmišljaju o AI. Vrednost više ne dolazi samo iz kvaliteta jednog odgovora, već iz načina na koji je kompletan tok rada projektovan. Loš proces sa dobrim modelom i dalje ostaje loš proces, samo brži.

Dozvole postaju poslovna tema

Svaki agent koji radi ozbiljan posao mora da ima neki identitet i određeni nivo pristupa. Može da čita dokumente, proverava bazu podataka, priprema izveštaj ili pokrene određenu radnju. Problem nastaje kada organizacija agentu da više prava nego što su mu za konkretan zadatak potrebna.

Zato princip minimalnih privilegija, koji je godinama normalan deo informacionih sistema, postaje jednako važan i kod AI agenata. Agent za analizu prodaje ne mora automatski da ima pravo da menja finansijske podatke. Agent koji priprema odgovor klijentu ne mora nužno da može samostalno da ga pošalje.

Microsoftov primer pokazuje potencijal, ali i granice podataka

Microsoft je 17. septembra objavio sopstveno iskustvo sa AI transformacijom i naveo da je do septembra 2026. više od 111 agenata bilo raspoređeno kroz procese cloud supply chaina. U pet merenih mesečnih ciklusa između aprila i avgusta, prosečno vreme planiranja smanjeno je sa približno deset na manje od 2,5 radna dana.^[2]

Kompanija je takođe navela da je u više od 20 mesečnih istraga vezanih za planiranje potražnje vreme potrebno za ljudski validirano objašnjenje smanjeno sa pet do sedam dana na manje od nekoliko sati, pri čemu su neki slučajevi završeni za manje od 20 minuta.^[2] Važna ograda je da Microsoft jasno označava ove rezultate kao interne podatke za konkretne procese i periode, a ne kao univerzalni benchmark za sve kompanije.

Brzina nije dovoljna ako ne postoji trag odluke

Kada agent radi jedan zadatak, relativno je lako utvrditi šta se dogodilo. Kada nekoliko agenata sarađuje, koristi različite alate i donosi niz mikroodluka, postaje mnogo važnije imati dobar zapis toka rada.

Kompaniji treba mogućnost da kasnije odgovori na jednostavna pitanja: koje podatke je agent koristio, šta je promenio, koji alat je pozvao, koji rezultat je dobio i gde je čovek odobrio sledeći korak. Bez takvog traga automatizacija može ubrzati posao, ali istovremeno otežati istragu kada dođe do greške.

Podaci postaju ograničenje pre modela

AI agent ne može pouzdano da upravlja procesom ako su dokumenti zastareli, baze neusaglašene ili pravila postoje samo u glavama zaposlenih. Što je agent autonomniji, to je veća cena lošeg podatka, jer pogrešan izlaz može postati ulaz za sledeći korak.

Zbog toga implementacija agenata često otkriva probleme koje je organizacija godinama mogla da ignoriše: nejasno vlasništvo nad podacima, različite verzije istog dokumenta, nedokumentovane procedure i procese koji funkcionišu samo zato što iskusni zaposleni znaju kako da zaobiđu njihove slabosti.

Čovek ostaje važan, ali na drugom mestu

Ljudska kontrola ne mora da znači da zaposleni ručno potvrđuje svaki korak. To bi uništilo veliki deo vrednosti automatizacije. Mnogo je korisnije definisati tačke na kojima je ljudska procena zaista potrebna.

Niskorizični koraci mogu biti automatizovani, dok finansijske odluke, komunikacija sa klijentom, promene produkcionih podataka ili drugi osetljivi koraci mogu zahtevati eksplicitno odobrenje. Tako čovek ne proverava sve, ali ostaje odgovoran tamo gde greška ima stvarne posledice.

Šta to znači za manju kompaniju

Manje firme ne moraju da grade desetine agenata da bi imale koristi od ovog pristupa. Često je dovoljno izabrati jedan dobro definisan proces: pripremu nedeljnog izveštaja, kontrolu sadržaja, analizu podataka ili proveru promena na sajtu.

Pravi test nije da li agent može jednom da izvrši zadatak. Test je da li isti proces može pouzdano da ponovi, da li čovek može da proveri šta je urađeno i da li postoji bezbedan način da se zaustavi kada nešto nije u redu.

Sledeća faza AI nije još jedan chatbot

Agentni sistemi imaju smisla tek kada postanu deo konkretne poslovne arhitekture. Model je samo jedan sloj. Oko njega moraju da postoje podaci, dozvole, alati, evidencija, pravila i ljudska odgovornost.

Zato sledeća velika poslovna tema verovatno neće biti samo koji model kompanija koristi. Mnogo važnije pitanje biće kome i čemu njen AI agent ima pristup, šta sme da uradi i ko može da objasni svaku važnu odluku koju je sistem napravio.