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.

Autonomija nije binarna odluka. Agent može samo čitati podatke, može predlagati promjene, može pripremiti promjenu za odobrenje, može izvršiti niskorizične akcije ili može voditi cijeli workflow. U OpenClaw-u je najzdravije krenuti od čitanja i prijedloga, jer se tako prikupljaju dokazi o kvaliteti prije većih ovlasti.

Ključne odluke

• Razinu autonomije vezati uz rizik poslovne akcije.
• Slanje emaila, brisanje podataka i promjena suppression liste trebaju strože kontrole od sažetka.
• Ljudska potvrda treba biti ugrađena u workflow, a ne naknadni dogovor.
• Svaka razina treba imati log i mogućnost povratka na ručnu obradu.

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 razine: read-only, draft, approve-to-apply, limited auto, full auto.
• Mapirati OpenClaw akcije na odgovarajuću razinu.
• Za svaku akciju definirati tko je smije odobriti.
• Uvesti audit log za svaku agentovu odluku i alat koji je pozvan.

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 write pristup prije nego što je dokazana kvaliteta klasifikacije.
• Visokorizične i niskorizične akcije imaju iste dozvole.
• Ljudska potvrda postoji samo u uputi, ali ne u backendu.
• Ne postoji prekidač za privremeno gašenje agenta.

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

• Akcije po razini autonomije.
• Odbijene ili korigirane akcije.
• Vrijeme čekanja na odobrenje.
• Incidenti po tipu alata.
• Broj vraćanja na ručni način rada.

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.