AI agenti posle 12 meseci: 6 lekcija iz prakse za firme koje žele stvarne rezultate (ne samo demo)
Naučite 6 ključnih lekcija za uspešno uvođenje AI agenata: zašto je workflow važniji od “pametnog agenta”, kada agenti nisu rešenje, kako zaustaviti „AI slop“, šta znači praćenje svakog koraka, kako graditi reusable komponente i kako organizovati saradnju ljudi i agenata.
AI agenti posle 12 meseci: 6 lekcija iz prakse koje prave razliku između „wow“ demoa i stvarnog ROI-ja
Ako ste u poslednjih godinu dana gledali prezentacije o veštačkoj inteligenciji, velika je šansa da ste videli barem jedan „wow“ demo: AI agent koji planira, klikće kroz alate, piše mejlove, popunjava forme, pravi izveštaje… i sve deluje kao da je budućnost već stigla.
A onda dođe realnost: korisnici se žale da agent „piše gluposti“, proces i dalje traje isto, samo sada imate dodatni sloj komplikacije, a timovi potajno nastavljaju da rade „ručno“ jer je brže i sigurnije. McKinsey je baš taj jaz između hype-a i prakse opisao vrlo direktno: mnoge kompanije se muče da izvuku vrednost, a neke su čak ponovo zapošljavale ljude tamo gde agenti nisu uspeli.
Dobra vest: ovo nije znak da AI agenti „ne rade“. Ovo je znak da agenti zahtevaju ozbiljan rad na procesima, evaluaciji i usvajanju, isto kao i svaka velika transformacija.
U ovom Biznis Planet vodiču dobićete 6 lekcija (izvučenih iz analize 50+ agentic implementacija) koje pomažu liderima da AI agente pretvore u merljiv rezultat: produktivnost, kvalitet, brzinu i bolje korisničko iskustvo.
AI agenti i „agentic AI“: šta tačno znači (da pričamo istim jezikom)
McKinsey definiše agentic AI kao sistem zasnovan na generativnim foundation modelima koji može da deluje u realnom svetu i izvršava višekoračne procese. Drugim rečima: AI agenti nisu samo chat koji odgovara na pitanje, već sistem koji planira korake, koristi alate i dovodi posao do „zatvaranja“ (closure).
Za biznis je ovo ogromno, jer se većina troška vremena ne dešava u „jednom odgovoru“, već u:
- prebacivanju između alata (CRM, e-mail, ticketing, tabele),
- skupljanju konteksta iz više izvora,
- čekanju odobrenja,
- i ponavljanju istih mikro-koraka.
Ali upravo tu se i krije prva velika zamka: ako ubacite AI agenta u loš proces, dobijate loš proces — samo brže, skuplje i sa više konfuzije.
„AI agenti ne popravljaju loš proces — samo ga ubrzaju. Zato je workflow važniji od ‘pametnog agenta’.“
Lekcija 1: AI agenti nisu poenta — poenta je workflow
Prva i najvažnija poruka je brutalno jednostavna: nije poenta u agentu, već u workflow-u. Organizacije često previše fokus stavljaju na „agentic alat“ i prave agente koji izgledaju sjajno u demou, ali ne poboljšavaju ukupni tok rada, pa vrednost ispadne razočaravajuća.
AI agenti i workflow redizajn: gde stvarno nastaje vrednost
„Workflow“ nije samo niz koraka u alatu. Workflow je kombinacija:
- ljudi (uloge, odgovornosti, odobrenja),
- procesa (pravila, standardi, izuzeci),
- tehnologije (alati, integracije, podaci).
Najuspešniji agentic projekti su oni koji fundamentalno reimaginiraju ceo workflow i onda promišljeno ubacuju AI agente tamo gde uklanjaju trenje.
McKinsey navodi da je dobar početak mapiranje procesa i identifikacija „pain point“-ova, jer to omogućava dizajn agentic sistema koji smanjuje nepotreban rad i pomaže ljudima i agentima da sarađuju. Uz „learning loops“ (petlje učenja) i mehanizme povratne informacije, sistem vremenom postaje pametniji i usklađeniji.
Mini primer iz prakse: dokumenti, ugovori i logovanje izmena
U jednom primeru modernizacije pregleda ugovora, tim je dizajnirao agentic sistem da uči unutar workflow-a: svaka izmena korisnika u editoru je logovana i kategorisana, pa su inženjeri koristili taj feedback da unaprede logiku promptova i bazu znanja. Tako agenti vremenom „kodifikuju“ novo ekspertno znanje.
Biznis checklist: kako primeniti Lekciju 1 (bez filozofije)
Ako želite da ova lekcija postane operativna, uradite sledeće:
- Mapirajte proces end-to-end (od ulaza do zatvaranja)
- Obeležite gde se gubi vreme: čekanja, ručni copy/paste, dupli unos
- Obeležite gde se gube pare: greške, reklamacije, propuštene prilike
- Definišite šta je „done“ (šta znači zatvoren slučaj)
- Tek onda odaberite gde AI agenti ulaze: trijaža, priprema, izvršenje, monitoring
Lekcija 2: AI agenti nisu uvek odgovor (izbegnite „agent/no agent“ zamku)
Druga lekcija: AI agenti mogu mnogo, ali ne treba ih koristiti za sve. Lideri često ne pitaju dovoljno jasno: „Koji je posao koji treba uraditi i koja je najbolja tehnologija za to?“ McKinsey predlaže da o agentima razmišljate kao o članu tima: koji „talenti“ su potrebni i ko je najbolji „igrač“ za taj posao.
AI agenti vs. automatizacija vs. genAI: pravilo izbora alata
McKinsey daje vrlo praktične smernice:
- Ako je zadatak pravilan i repetitivan sa strukturisanim inputom → rule-based automatizacija
- Ako je input nestrukturiran (dugi dokumenti), ali je zadatak ekstrakcija/generisanje → genAI/NLP/prediktivna analitika
- Ako je zadatak klasifikacija ili forecast iz istorijskih podataka → prediktivna analitika ili genAI
- Ako output traži sintezu, prosuđivanje ili kreativnu interpretaciju → genAI
- Ako je zadatak višekoračno odlučivanje i ima „long tail“ varijabilnih inputa i konteksta → AI agenti
Ključna poruka: nemojte se zaključati u binarni način razmišljanja „agent / ne agent“. Poenta je u kombinaciji ljudi + agenata + drugih AI alata, jer „kako dobro rade zajedno“ postaje tajni sastojak vrednosti.
AI agenti i standardizovani procesi: kada agent dodaje rizik
McKinsey navodi da low-variance, visoko standardizovani workflow-i (npr. onboarding investitora ili regulativna dokumentacija) često prate predvidivu logiku i strogo su upravljani. U tim slučajevima, agenti bazirani na nedeterminističkim LLM-ovima mogu dodati više neizvesnosti nego vrednosti.
Brzi test: da li je vaš proces kandidat za AI agente?
Odgovorite na 4 pitanja:
- Da li proces ima više koraka i prelazi preko više alata?
- Da li postoji velika varijabilnost inputa (različiti slučajevi, izuzeci)?
- Da li je potrebno povezivanje konteksta iz više izvora?
- Da li možete definisati pravila eskalacije i validacije?
Ako su 3/4 „da“ — AI agenti su verovatno dobar kandidat.
Lekcija 3: AI agenti i „AI slop“ — investirajte u evaluacije i poverenje korisnika
Jedan od najčešćih problema: agentic sistemi deluju impresivno u demou, ali u realnom radu korisnici se žale na „AI slop“ (nekvalitetne izlaze). Poverenje brzo pada, usvajanje je slabo, a svaka ušteda vremena može biti poništena padom kvaliteta.
McKinsey ovde daje analogiju koju vredi zapamtiti: onboarding agenata je više kao zapošljavanje novog zaposlenog nego kao implementacija softvera. Agenti treba da dobiju jasne opise posla, onboarding i kontinuirani feedback.
AI agenti i evals: metrike koje prave razliku
Da biste izgradili poverenje, morate meriti performanse. McKinsey navodi tipične evaluacije (evals) kao što su:
- Task success rate (end-to-end)
- F1 score / precision & recall
- Retrieval accuracy (za RAG tokove)
- Semantic similarity
- LLM as judge (subjektivnije ocene: jasnoća, korisnost)
- Bias detection (confusion matrices)
- Hallucination rate
- Calibration error (odnos samopouzdanja i tačnosti)
Bitno: nema „launch and leave“ — eksperti moraju ostati uključeni i testirati performanse tokom vremena, često uz veliki broj označenih primera (ponekad i hiljade).
Mini primer: KYC i credit risk — učenje iz neslaganja sa ljudima
McKinsey opisuje primer banke koja je transformisala KYC i credit-risk analizu: kada se preporuka agenta razlikovala od ljudskog suda, tim je identifikovao „rupe u logici“, unapredio kriterijume i ponovo testirao. U jednom slučaju, analiza agenta je bila previše opšta, pa su uvedeni dodatni agenti i tehnika iterativnog „zašto?“ da bi se postigla potrebna dubina.
Praktikum: kako zaustaviti „AI slop“ u 30 dana
Ako uvodite AI agente, probajte ovaj plan:
- Nedelja 1: definišite „zlatni standard“ izlaza (10–50 primera)
- Nedelja 2: uvedite evals + ručno ocenjivanje top 3 greške
- Nedelja 3: popravite prompt / znanje / pravila eskalacije
- Nedelja 4: proširite set primera, pratite trendove (hallucination rate, success rate)
Ovo je brz način da korisnici vide da se kvalitet popravlja — i da se poverenje gradi na dokazima, ne na obećanjima.
Lekcija 4: AI agenti moraju da budu proverljivi — pratite i verifikujte svaki korak
Dok imate 2–3 AI agenta, greške se često lako uoče. Ali kada kompanije krenu ka desetinama, stotinama ili hiljadama agenata, problem eskalira — posebno ako se prati samo „ishod“. Kada dođe do greške, teško je znati u kom koraku je nastala.
McKinsey preporučuje da se performanse verifikuju na svakom koraku workflow-a, i da se monitoring i evaluacija ugrade u tok rada kako bi se greške hvatale rano i logika stalno unapređivala.
AI agenti i observability: šta treba logovati
Praktično, želite da vidite:
- input koji je agent dobio (sanitizovan za privatnost),
- koje je dokumente/fakte povukao (retrieval),
- koje alate je koristio (tool calls),
- gde je dao preporuku,
- gde je tražio eskalaciju,
- i gde se kvalitet promenio kroz vreme.
Mini primer: pad tačnosti zbog lošijih podataka upstream
U jednom workflow-u pregleda dokumenata, tim je primetio nagli pad tačnosti kada se pojavio novi set slučajeva. Pošto su imali observability na svakom koraku, brzo su otkrili uzrok: određeni segmenti korisnika su slali lošije formatirane podatke, što je kvarilo interpretaciju i preporuke. Rešenje je bilo unapređenje prikupljanja podataka i parsiranja, nakon čega se performansa oporavila.
Biznis poenta: često problem nije „agent je glup“, već „ulaz je loš“ ili „integracija je krhka“. Bez praćenja koraka, to se ne vidi.
Lekcija 5: AI agenti i „reuse case“ — najbolji use case je onaj koji možete ponovo koristiti
U žurbi, firme prave „po jednog agenta za svaki zadatak“. Rezultat: redundansa, dupli rad, teško održavanje. McKinsey kaže da je važna strategija gradnje reusable agent komponenti i centralizovanih servisa (npr. observability, preodobreni promptovi, obrasci, reusable code, materijali za obuku) koji su lako dostupni developerima.
Oni navode da integracija ovih mogućnosti u jednu platformu može pomoći da se praktično eliminiše 30–50% neesencijalnog rada koji se tipično pojavljuje u izgradnji.
AI agenti kao „Lego kocke“: kako izgleda reuse u praksi
Umesto da gradite 10 različitih agenata koji svi:
- ingestuju dokumente,
- rade ekstrakciju,
- pretražuju bazu znanja,
- generišu sažetak,
vi gradite:
- 1 servis za ingest + parsing,
- 1 servis za retrieval + citiranje izvora,
- 1 evaluacioni paket (evals),
- 1 šablon za human-in-the-loop,
- 1 set preapproved promptova.
Onda novi workflow sklapate kao Lego: brzo, konzistentno i bez ponavljanja.
Biznis benefit: brže do produkcije + lakše održavanje
Reuse smanjuje trošak:
- razvoja,
- testiranja,
- compliance-a,
- i kasnijih izmena.
A to znači da AI agenti nisu „projekat koji nikad ne završava“, već platforma koja postaje sve jeftinija i bolja kako raste.
Lekcija 6: AI agenti ne ukidaju ljude — ali menjaju uloge i broj
Oko agenata postoji anksioznost: da li će ljudi biti zamenjeni? McKinsey kaže jasno: agenti će moći mnogo, ali ljudi ostaju esencijalni — samo se menjaju vrste posla: nadzor tačnosti, compliance, prosuđivanje, edge-case handling.
Broj ljudi u određenom workflow-u će se verovatno smanjiti kada se workflow transformiše, ali lideri moraju upravljati tranzicijom kao programom promene i promišljeno alocirati rad potreban za obuku i evaluaciju agenata.
Još jedna snažna poruka: bez pažljivo dizajnirane saradnje ljudi i agenata, i najnapredniji programi rizikuju tihe greške (silent failures), kumulativne greške i odbacivanje od strane korisnika.
AI agenti i human-in-the-loop: gde čovek treba da bude u procesu
Praktično, ugradite čoveka tamo gde:
- greška ima visok trošak,
- odluka ima reputacioni ili pravni rizik,
- podaci su osetljivi,
- ili je potreban kontekst koji nije formalizovan.
McKinsey daje primer pravne analize gde agent može organizovati ključne tvrdnje i iznose sa visokom tačnošću, ali advokati moraju da potvrde — jer je taj deo centralan za ceo slučaj.
Kako uvesti AI agente u firmi: praktičan model „od 0 do ROI“ (bez lutanja)
Sada kada znate 6 lekcija, evo praktičnog modela koji ih spaja u plan.
Korak 1: AI agenti i izbor procesa (najbolji start za SMB)
Za mala i srednja preduzeća, najbolji kandidati su:
- korisnička podrška (FAQ + trijaža + priprema tiketa),
- prodaja (kvalifikacija leadova + priprema ponuda),
- administracija (izveštaji, unos, validacija dokumenata),
- analitika (weekly summary + alarmi).
Korak 2: AI agenti i definicija „posla“
Napišite agentu „opis radnog mesta“:
- cilj,
- šta sme / ne sme,
- kada eskalira,
- koje alate koristi,
- KPI.
Ovo direktno adresira Lekciju 3 (onboarding) i Lekciju 6 (uloge ljudi).
Korak 3: AI agenti i workflow mapa (Lekcija 1)
Napravite mapu koraka i označite:
- ručne tačke,
- izvore podataka,
- mesta gde se čeka odobrenje,
- mesta gde nastaju greške.
Korak 4: AI agenti i pravi alat za pravi posao (Lekcija 2)
Za svaki korak označite: pravila / analitika / genAI / agent. Ne forsirajte agenta svuda.
Korak 5: AI agenti i evals (Lekcija 3)
Bez evals-a, sve je utisak. Počnite sa:
- task success rate,
- hallucination rate,
- retrieval accuracy (ako imate RAG),
- i human approval rate.
Korak 6: AI agenti i observability (Lekcija 4)
Logujte korake, posebno:
- retrieval izvore,
- tool calls,
- eskalacije,
- greške i njihove uzroke (loš input vs loša logika).
Korak 7: AI agenti i reuse (Lekcija 5)
Kada prvi workflow radi, nemojte praviti „drugi agent od nule“. Izgradite reusable komponente.
„Reality check“: gde firme najčešće pogreše sa AI agentima
Greška 1: Prave agenta pre nego što razumeju workflow
Rezultat: agent radi „nešto“, ali ne zatvara slučaj.
Greška 2: Ne mere kvalitet, pa poverenje padne
Jedan talas „AI slop“-a i ljudi odustanu.
Greška 3: Prate samo ishod, ne korake
Kad se desi greška, ne znate gde.
Greška 4: Grade previše „one-off“ agenata
Održavanje postane noćna mora.
Greška 5: Ne dizajniraju saradnju čovek–agent
Silent failures ubijaju usvajanje.
Šta kažu brojke: AI agenti se šire, ali najveća razlika je u redizajnu workflow-a
McKinsey Global Survey „The State of AI 2025“ navodi da 23% ispitanika kaže da njihove organizacije skaliraju agentic AI sistem u nekoj funkciji, dok dodatnih 39% eksperimentiše sa AI agentima. Istovremeno, „high performers“ su znatno skloniji da fundamentalno redizajniraju workflow-e, što se pokazuje kao jedan od najjačih faktora za postizanje smislenog poslovnog uticaja.
Ovo se savršeno uklapa u Lekciju 1: tehnologija nije dovoljna — workflow transformacija je ključ.
Preporuka za čitanje:
- „Šta je AI agent?“ (osnovni pojmovi)
- „Automatizacija poslovnih procesa“ (RPA, workflow alati)
- „Korisnička podrška: smanjenje tiketa i SLA“
- „CRM i prodajni levak: kvalifikacija leadova“
- „Upravljanje promenama u organizaciji“ (adoption)
1) Šta su AI agenti i po čemu se razlikuju od genAI alata?
AI agenti su sistemi koji ne samo da generišu odgovor, već planiraju korake i izvršavaju zadatke preko alata (CRM, e-mail, baze podataka). GenAI alat često ostaje na nivou „predloga“, dok agent ide ka „izvršenju“.
2) Zašto je workflow važniji od samog AI agenta?
Zato što se vrednost stvara u celini procesa: ko odobrava, gde se čeka, gde se greši, gde se duplira posao. AI agenti imaju smisla kada skraćuju tok i uklanjaju trenje, ne kada se ubace u postojeći haos.
3) Kada AI agenti nisu dobar izbor?
Kada je proces strogo standardizovan (low variance), kada su posledice greške velike bez kontrole, ili kada zadatak traži duboku empatiju i etičko prosuđivanje bez jasnih pravila eskalacije.
4) Šta znači „AI slop“ i kako se sprečava?
„AI slop“ je nekvalitetan, neprecizan ili neupotrebljiv output koji ruši poverenje. Sprečava se kroz evaluacije (evals), zlatni standard izlaza, monitoring grešaka i iterativno poboljšanje prompta/znanja.
5) Koje metrike su najvažnije za evaluaciju AI agenata?
Tipično: task success rate, hallucination rate, retrieval accuracy (ako koristite RAG), precision/recall, stopa eskalacije čoveku i stopa odobrenja.
6) Šta je observability kod AI agenata i zašto je bitan?
Observability znači da možete pratiti svaki korak: input, izvore, tool calls, odluke i greške. Bez toga, kada agent pogreši, ne znate gde je nastao problem.
7) Šta znači „reuse case“ u praksi?
To je pristup gde pravite modularne komponente (retrieval, evals, monitoring, prompt library) i onda nove procese sklapate brzo, bez ponavljanja razvoja od nule.
8) Da li AI agenti zamenjuju ljude?
Uglavnom ne direktno. Menjaju uloge: ljudi rade nadzor, compliance, prosuđivanje i izuzetke, dok agenti preuzimaju ponovljive korake i brzinu.
AI agenti donose ROI kada ih tretirate kao transformaciju, ne kao dodatak
Ako treba da ponesete jednu rečenicu, neka bude ova: AI agenti uspevaju kada poboljšavaju workflow, imaju evaluacije, proverljive korake, reusable komponente i jasnu saradnju sa ljudima.
McKinsey je to rekao bez uvijanja: uspešna agentic implementacija nije laka — traži „hard work“. Ali baš zato, firme koje ovo urade kako treba imaju prednost: brže zatvaraju procese, smanjuju trenje i grade sistem koji vremenom postaje pametniji.
Stay In Touch