Što ova AI-agent tema rješava

AI agent ima smisla samo ako rješava konkretan zadatak: razumije tekst, koristi relevantan kontekst, poziva dopuštene alate, vraća strukturirani izlaz ili pomaže čovjeku donijeti bolju odluku. Dobar agent nije samo chat odgovor, nego kontrolirani workflow s pravilima, logovima i mjerljivim ishodom.

Chatbot prvenstveno vodi razgovor, klasična automatizacija izvršava unaprijed definirane grane, a AI agent kombinira modelsku procjenu s alatima i stanjem. U OpenClaw-u to znači da forma, CRM, outbound queue i dashboard mogu ostati deterministički, dok agent pomaže tamo gdje treba razumjeti tekst, procijeniti prioritet ili pripremiti sljedeći korak.

Ključne odluke

• Ne koristiti AI agenta za pravila koja je lakše riješiti običnim if/else tokom.
• Za korisnički razgovor treba zaseban dizajn dijaloga, a za operativni agent zaseban tool layer.
• Agentic workflow ima smisla kada je ulaz varijabilan, a odluka ipak može biti provjerljiva.
• Automatizacija i agent trebaju dijeliti isti CRM izvor istine.

Kako primijeniti u praksi

Praktična provedba počinje malim opsegom: jedan agent, jedan zadatak, jasna ulazna polja, ograničeni alati, validiran izlaz i ljudska provjera gdje postoji rizik. Nakon toga se šire modeli, RAG, multi-agent orkestracija, routing i automatizirano izvršavanje.

Koraci provedbe

• Klasificirati zadatke na statična pravila, razgovorne scenarije i agentic procjene.
• Za statična pravila koristiti običan backend kod ili queue worker.
• Za korisnički chat postaviti jasne fallbacke i kontakt s čovjekom.
• Za agente definirati dopuštene alate, format izlaza i način validacije.

Najčešće pogreške

Najčešća pogreška je preveliko povjerenje u prompt i premalo povjerenje u backend kontrole. Prompt pomaže modelu, ali dozvole, validacija, idempotentnost, audit log, sandbox, evaluacija i rollback moraju biti dio sustava.

Na što treba paziti

• Svaki AI dodatak se nazove agentom i time se prikrije da nema autonomne odluke.
• Jednostavan workflow se nepotrebno poskupi modelskim pozivima.
• Chatbot obeća radnju koju backend ne može provesti.
• Agent i klasična automatizacija rade nad različitim podacima.

Mjerenje i kontrola

AI agent treba imati svoje metrike: točnost, schema pass rate, tool call greške, latenciju, trošak, prihvaćanje prijedloga, broj ručnih korekcija i incidente. Bez mjerenja se ne zna je li agent stvarno bolji od ručnog procesa.

Metrike koje imaju smisla

• Udio zadataka riješenih bez AI-ja.
• Udio zadataka koji traže modelsku procjenu.
• Fallback razgovori prema čovjeku.
• Greške mapiranja između chata i CRM-a.
• Trošak po korisnom izvršenju.

AI-agent pristup

Pouzdan AI-agent pristup povezuje model, context builder, tool dispatcher, strukturirani izlaz, memoriju, retrieval, permission matricu, evaluacije i monitoring. Besplatni open-source framework može smanjiti ulazni trošak, ali produkcijski trošak modela, hostinga, GPU/CPU resursa, observabilityja i održavanja treba računati zasebno.

Što se provjerava prije produkcije

• Je li agentov zadatak dovoljno uzak i mjerljiv.
• Jesu li alati definirani kroz jasnu shemu i backend validaciju.
• Postoji li ljudska provjera za rizične akcije.
• Jesu li prompt, model, output schema i eval skup verzionirani.
• Postoji li audit log, budget limit, fallback i testiran kill switch.