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.

Slobodan tekst je koristan za objašnjenje, ali CRM treba strukturirane vrijednosti: status, reason code, confidence, suggested_next_action, due_date ili opt_out_detected. JSON schema smanjuje kaos jer model mora vratiti poznata polja, a backend može provjeriti tipove i dopuštene vrijednosti.

Ključne odluke

• Za svaku agentovu odluku definirati minimalnu shemu.
• Enum vrijednosti moraju odgovarati stvarnim CRM statusima i reason codeovima.
• Confidence nije dokaz, nego signal za prag ljudske provjere.
• Slobodno objašnjenje treba biti odvojeno od polja koja se automatski koriste.

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 output schema za lead triage, reply classification i dashboard insight.
• Dodati validaciju outputa prije spremanja.
• Ako schema ne prođe, vratiti agentu popravak ili poslati run na ručnu obradu.
• Verzionirati schema promjene i testirati stare primjere.

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

• Model vrati tekst koji čovjek razumije, ali sustav ne može parsirati.
• Promijeni se naziv statusa u promptu, ali ne i u CRM-u.
• Confidence se koristi kao jedini kriterij za automatsku akciju.
• Nevalidan JSON se tiho sprema u notes.

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

• Schema validation pass rate.
• Fallback zbog nevalidnog izlaza.
• Automatske odluke po confidence pragu.
• Promjene schema verzije.
• Ručne korekcije strukturiranih polja.

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.