AI agenti su tema 2026, ali većini firmi ne treba agent nego skripta

Klijent nam je prošlog proljeća došao s rečenicom koja je zvučala kao da ju je prepisao s konferencije: "Trebamo autonomnog AI agenta koji sam vodi naš onboarding." Pitali smo što taj onboarding zapravo radi. Odgovor: pošalje tri e-maila po rasporedu, provjeri je li korisnik ispunio profil i ako nije, pošalje podsjetnik. To nije posao za agenta. To je cron job i tri uvjeta. Napisali smo ga u popodne, radi već godinu dana bez ijednog incidenta i ne košta ništa po pozivu.

Priča o agentima je 2026. posvuda. Agent koji sam rezervira, agent koji sam istražuje, agent koji donosi odluke. Tehnologija je stvarna i ponekad zadivljujuća. Ali u devet od deset razgovora koje vodimo, ono što firma opisuje kao "agenta" je zapravo linearni proces s par grananja. Za takav proces agent je najskuplji, najsporiji i najmanje predvidljiv način da riješite nešto što skripta riješi deterministički.

Što agent uopće jest, a što nije

Da se razumijemo oko pojmova. Agent u ozbiljnom smislu je sustav gdje LLM sam odlučuje koji korak slijedi, bira alate iz skupa koji mu je dan, procjenjuje rezultat i petlja se dok ne dovrši zadatak. Ključna riječ je odlučuje. Ako vi unaprijed znate redoslijed koraka, nemate agenta, imate workflow s LLM pozivom negdje unutra. A to je potpuno u redu, samo se nemojte pretvarati da je nešto drugo.

Gartner je u lipnju 2025. objavio predviđanje koje se tijekom 2026. stalno citira: više od 40 posto projekata s agentskom AI bit će otkazano do kraja 2027. Razlozi koje navode nisu egzotični. Rastući troškovi, nejasna poslovna vrijednost i neadekvatna kontrola rizika. Isti izvještaj uveo je i pojam "agent washing", prepakiravanje običnih chatbotova i RPA alata u nešto što se prodaje kao agent. Drugim riječima, pola tržišta prodaje skriptu pod imenom agenta, a drugu polovicu muči zašto agent košta kao mali tim.

Kada je skripta objektivno bolja

Determinizam je značajka, ne nedostatak. Ako proces ima jasan ulaz, poznate korake i jasan izlaz, deterministički kod je bolji po svakom mjerilu koje klijenta zanima. Jeftiniji je jer nema troška po tokenu. Brži je jer nema latencije modela. Testabilan je jer isti ulaz uvijek daje isti izlaz. I kad pukne, pukne na mjestu koje možete pročitati u logu, a ne negdje u "razmišljanju" modela koje ne možete ponoviti.

Primjer iz prakse. Za jedan e-commerce projekt trebalo je kategorizirati dolazne upite i proslijediti ih pravom timu. Prvi prijedlog na stolu bio je agent koji "razumije kontekst i sam rutira". Ono što je zapravo radilo: nekoliko ključnih riječi, provjera iznosa narudžbe i jedan LLM poziv samo za rubne slučajeve koje pravila ne pokriju. Devedeset posto prometa riješe pravila u milisekundama i bez troška. Model se pali samo za onih deset posto gdje stvarno dodaje vrijednost. To nije agent, to je dobar inženjering, i upravo zato radi.

Gdje agenti stvarno pucaju

Problem s pravim agentom nije u jednom koraku, nego u složenom učinku. Ako jedan korak pogodi ispravno s 95 posto pouzdanosti, lanac od pet takvih koraka pada na oko 77 posto. Deset koraka i ispod ste 60. Agent koji sam planira dugačke lance akcija matematički se raspada, a svaka pogreška usput ulazi kao ulaz u sljedeći korak i pojačava se.

Drugi problem je promatranje. Kad agent pogriješi, pitanje "zašto" često nema čist odgovor. Kontekst se nakupio kroz više poziva, model je negdje usput krivo protumačio jedan alatom vraćen rezultat i dalje gradio na tome. U skripti otvorite log i vidite točan red koji je pao. U agentu rekonstruirate lanac razmišljanja koji se možda više nikad neće ponoviti isto. Treći problem su akcije s posljedicama. Agent koji može slati e-mailove, mijenjati podatke ili trošiti novac, a nema stroge granice, prije ili poslije napravi nešto što niste tražili. Zato ozbiljni setupi uvijek imaju čovjeka na kritičnim koracima, a to opet ruši priču o punoj autonomiji.

Kada agent ipak ima smisla

Nismo protiv agenata, protiv smo agenata na krivom mjestu. Agent se isplati kad problem stvarno ima otvoren prostor rješenja, kad broj mogućih putanja raste tako da ih ne možete unaprijed nabrojati, i kad je prihvatljivo da sustav ponekad pogriješi jer čovjek ionako pregledava rezultat. Istraživanje nepoznate baze dokumenata, eksplorativna analiza podataka, zadaci gdje je svaki slučaj drukčiji. Tu adaptivnost agenta vrijedi onoga što stoji.

Pravilo koje koristimo je jednostavno. Prvo pitamo možemo li proces nacrtati kao dijagram s poznatim koracima. Ako možemo, to je workflow, pišemo kod i ubacimo LLM samo tamo gdje treba jezik ili prosudbu. Agentu dajemo priliku tek kad iskreno ne možemo nacrtati taj dijagram jer putanja ima previše. Devet od deset puta dijagram postoji, samo ga nitko nije htio nacrtati jer "agent" zvuči bolje na sastanku.

Povezano:

• AI u web developmentu 2025: gdje stvarno pomaže, a gdje je samo hype
• RAG nije magija, nego inženjering pretrage koji većina radi loše

Razmišljate o automatizaciji procesa i niste sigurni treba li vam agent ili obična skripta? Taj razgovor je najjeftiniji dio projekta, a spasi najviše novca. Javite nam se i proći ćemo kroz vaš slučaj bez hypea.