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.

Email reply agent čita dolazne odgovore i predlaže klasifikaciju: interes, pitanje, nije relevantno, odgoda, opt-out, bounce ili automatski odgovor. Najvažnije pravilo je da opt-out i prigovor imaju prioritet. Backend treba deterministički dodati suppression zapis nakon potvrđene klasifikacije ili poslati slučaj čovjeku kada agent nije siguran.

Ključne odluke

• Opt-out detekcija mora biti konzervativna i imati ljudsku provjeru kod nejasnoća.
• Bounce processing i reply intent nisu isti problem.
• Agent ne smije brisati ili skrivati originalnu poruku.
• Suppression listu izvršava backend, ne model.

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

• Definirati klasifikacijske klase i primjere hrvatskih odgovora.
• Napraviti schema za reply_type, opt_out_detected, sentiment, next_action i evidence_excerpt.
• Testirati na starim replyjima s ručnom oznakom.
• Za opt-out automatski pokrenuti suppression workflow samo prema jasnim pravilima.

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

• Agent propusti prigovor jer je poruka kratka ili ironična.
• Automatski odgovor se tretira kao stvaran interes.
• Originalna poruka se zamijeni sažetkom i izgubi dokaz.
• Suppression se doda bez email normalizacije.

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

• Točnost opt-out detekcije.
• False negative prigovori.
• Reply classification accuracy.
• Vrijeme obrade odgovora.
• Suppression workflow completion rate.

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.