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.

Rasa i Botpress su relevantni kada je primarni problem razgovor s korisnikom: namjere, dijalog, kanali, fallback i predaja čovjeku. OpenClaw tada treba biti CRM sloj koji prima kvalificirani lead, status, izvor i kontekst razgovora. Konverzacijski agent nije isto što i interni agent za batch klasifikaciju ili dashboard analizu.

Ključne odluke

• Chatbot treba imati jasne poslovne namjere i fallback prema čovjeku.
• CRM zapis treba nastati tek kada postoji smislen upit ili kontakt podatak.
• Rasa i Botpress pristup treba procijeniti po licenci, deploymentu i kanalu.
• LLM odgovori u chatu moraju imati granice, posebice kod cijena, rokova i pravnih tvrdnji.

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

• Popisati najčešće korisničke namjere i potrebne podatke za lead.
• Dizajnirati predaju čovjeku i spremanje transkripta ili sažetka.
• Povezati chat submit s OpenClaw lead API-jem.
• Mjeriti kvalitetu razgovora i stopu korisnih leadova.

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

• Chatbot obeća ponudu bez stvarne provjere.
• Svi razgovori se spremaju u CRM bez kvalifikacije i privole gdje je potrebna.
• Fallback nije jasan pa korisnik ostane u petlji.
• Konverzacijski kanal nema UTM ili izvor upita.

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

• Chat-to-lead conversion.
• Fallback rate.
• Korisni leadovi iz chata.
• Nedovršeni razgovori.
• Ručne korekcije CRM zapisa iz chata.

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.