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.

AI agent ne treba uvijek vidjeti cijeli CRM zapis. Za mnoge zadatke dovoljni su opis potrebe, status, izvor i anonimizirani metapodaci. Redakcija uklanja ili maskira nepotrebne osobne podatke prije modelskog poziva, a retention pravila definiraju koliko se promptovi, outputi, traceovi i memorija čuvaju.

Ključne odluke

• Minimalizacija podataka vrijedi i za modele i za logove.
• Provider data flow treba dokumentirati po modelu i alatu.
• Redakcija mora biti deterministička gdje je moguće, ne samo modelska preporuka.
• Retention za prompt, trace, memoriju i dokumente treba biti odvojen.

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

• Mapirati koja polja svaki agent stvarno treba.
• Uvesti redaction layer za email, telefon, ime, OIB i slobodni tekst gdje nije potreban.
• Postaviti retention pravila za agent runove i traceove.
• Dokumentirati kada podaci izlaze prema cloud provideru ili ostaju lokalno.

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 dobije sve osobne podatke jer je lakše složiti context builder.
• Trace log zadrži podatke koji su redigirani u promptu.
• Memorija nema rok brisanja.
• RAG indeks sadrži dokumente bez pravila pristupa.

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

• Polja uklonjena redakcijom.
• Agent runovi po provider data flowu.
• Traceovi stariji od retention roka.
• Pristupi RAG dokumentima.
• Incidenti privatnosti.

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.