Зашто Agentic AI још увек не улази на велика врата у бизнис

AI Агент добија задатак да рекламира производ, сам претражује базу, формира понуду, шаље мејл клијенту и отвара налог у CRM-у, и то без иједног клика од стране човека. Менаџери који су присуствовали демонстрацији аплаудирају. Директор одмах одобрава буџет. Шест месеци касније, људи и даље мануелно раде наведени радни процес, а тај исти агент није ни пуштен у рад. Негде између демонстрације његових способности и стварног рада у компанији нешто је пошло наопако.

То „нешто“ није усамљен случај. То је, па скоро, постало правило. Према подацима које су током 2026. године поновили Forrester, Anaconda и панел CIO-а са MIT Sloan-а, чак 88% пилот пројеката AI агената никада није стигло до свакодневне употребе у компанијама. Реч је о једној од најцитиранијих бројки у целој индустрији ове године, а оно што је чини значајном јесте то што говори о AI агентима који су приликом демонстрације њихових способности радили савршено, а у стварној компанији су подбацили.

Овај текст није још један хвалоспев о томе како ће Аgentic AI променити свет до краја 2026. године, нити је одбацивање ове технологије. Реч је о критичном погледу на јаз између онога што Аgentic AI обећава и онога што данас заиста испоручује у бизнису, и зашто се тај јаз неће затворити само зато што ћемо имати све паметније AI моделе. Тема је важна баш сада јер је „agentic“ у 2025. и 2026. постао подразумевана маркетиншка етикета сваког софтверског производа. Када се нешто тако често појављује у презентацијама о употреби AI агената у бизнису, морамо разумети где су заиста границе те технологије.

Шта уопште значи „agentic“ и шта заправо хоће да вам продају под тим именом

Пре него што вам објасним зашто Аgentic AI не ради оно што продавци тврде, морамо да рашчистимо шта уопште та реч значи. Јер понекад, ту дође до забуне.

Постоји важна разлика између три ствари које се данас продају под истим именом. Прва је обичан chatbot: ЛЛМ који одговара на ваше питање и чека да поставите следеће. Друга је Agentic workflow: радни ток који је човек направио, где су кораци фиксни, углавном нема гранања, а AI попуњава само поједине тачке у њему. То је у суштини аутоматизација са језичким моделом у средини, која је функционална и предвидљива, јер је путању унапред дефинисао човек. Трећа, и једина која заслужује назив „agentic“ у пуном смислу, јесте систем са стварном аутономијом: агент који сам планира кораке радног тока, сам бира које алате ће употребити, сам доноси одлуке у петљи, сам одлучује о гранању унутар тока и сам реагује на оно што затекне у том процесу, и то без унапред зацртане путање.

Agentic workflow где је човек поставио ток јесте предвидљив јер је човек ограничио простор могућих исхода. Прави AI агент са аутономијом је непредвидљив по дефиницији, што је истовремено његова највећа снага и разлог зашто се бизнис колеба. Када вам продавац каже „наш производ је agentic“, прво питање које треба да му поставите је: да ли агент бира сопствену путању, или само извршава ону коју сте ви зацртали?

Највећи део данашњих AI алата на тржишту спада у средњу категорију (Agentic workflow), али се продаје као трећа (Аgentic AI). Неразумевање ових појмова и њихових основних функционалности само по себи кочи примену, јер купци не знају шта купују. Желе аутономију, а добију аутоматизацију, и на крају се разочарају у оба. А када говоримо о томе зашто „права“ аутономија не улази у бизнис, говоримо о суштински другачијем проблему од онога који мучи обичне AI аутоматизације.

Проблем последњих 5%

Сада долазимо до сржи проблема. Највећи неспоразум око Аgentic AI јесте веровање да је „сасвим добар“ језички модел довољан за посао. Али није. И математика то веома јасно показује.

Замислите агента који сваки појединачни корак у радном току обави тачно у 95% случајева. Звучи одлично, зар не? Али пословни процеси ретко имају само један корак. Можда их има десет: прочитај мејл, отвори прилог, прочитај захтев, провери залихе, израчунај цену, примени попуст по ценовнику, повуци податке купца из CRM-а, генериши документ, пошаљи га, ажурирај систем... Ако је сваки од ових корака независан и тачан у 95% случајева, вероватноћа да ће цео ланац свих 10 корака проћи без грешке није 95%. То је 0,95 на десети степен, што је 59%. Другим речима, агент који делује скоро савршено на нивоу извршавања појединачног корака, може исправно да уради цео задатак у мање од две трећине случајева.

То је тзв. „проблем последњих 5 посто“. Грешка се током радног тока умножава. И што је ток дужи, то је грешка већа. Управо због тога демонстрација рада AI агента на процесу који има три корака делује нестварно, а на процесу са десет корака пада већ у првом покушају.

Најпознатији референтни тест (benchmark) за ову појаву је τ-bench (tau-bench), који су развили истраживачи из компаније Sierra да би мерили како се агенти понашају у реалним интеракцијама са корисницима и алатима, уз поштовање пословних правила. Резултати су отрежњујући. Чак и врхунски агенти који самостално могу да позивају функције и алате, попут оних на GPT-5.5, успевају у мање од 50% задатака, и изузетно су неконзистентни.

Али кључни допринос овог референтног теста је метрика коју су назвали pass^k. То је вероватноћа да агент исти задатак реши исправно свих к пута заредом. Јер у бизнису вас не занима да ли агент може да обради наруџбину једном; занима вас да ли ће је обрадити тачно сваки пут, хиљаду пута дневно. Чак и за најбољег GPT-5.5 агента са преко 60% просечног успеха, pass^8 пада испод 25%. Преведено: агент који у 60% случајева уради посао како треба, када га пустите да исти задатак понови осам пута, сваки пут може успешно да обави задатак у мање од четвртине случајева.

Математика је немилосрдна и када модел делује скоро савршено. Модел са 90% успеха по појединачном покушају пада на свега 57% конзистентности при осам понављања. Та разлика између „углавном тачно“ и „поуздано тачно“ је тачно она разлика која дели импресиван демо од AI агента који се може пустити у рад.

Треба, ипак, напоменути да AI модели напредују. Најновији резултати на τ-bench-у показују да поједини модели сада прелазе 85% на појединачном покушају. Али ту постоји замка коју доносиоци одлука без техничког знања лако превиде: висок скор на референтном тесту мери се у контролисаним условима, са чистим подацима и јасно дефинисаним алатима. То није исто што и ваша компанија. А и када скорови расту, проблем конзистентности при понављању остаје структурна карактеристика модела, а не пролазна мана. Зато истраживачи све више граде и наменске тестове попут ReliabilityBench-а, који мере како се агент понаша када се појаве реални услови: другачије формулисани захтеви, повремени откази API-ја или оптерећење система. Постојећи референтни тестови дају извештаје само о успеху у једном покушају под идеализованим условима, што систематски прецењује поузданост у реални условима.

Поука за директора: када вам покажу скор са теста, питајте да ли је то просек једног покушаја или је то конзистентност кроз вишеструка понављања. То су два потпуно различита света.

Зашто исти захтев даје различите одговоре и зашто то бизнис не подноси

Ако је проблем последњих 5% питање колико често агент погреши, онда је недетерминизам питање да ли уопште можете да предвидите шта ће урадити. И за бизнис који живи од предвидљивости, ово је можда и тежа препрека од саме тачности.

Кренимо од чињенице која изненади већину људи који немају техничко знање о вештачкој интелигенцији. Када поставите језичком моделу потпуно идентично питање два пута, не морате нужно добити исти одговор (осим ако не питате о опште познатим чињеницама). Штавише, ни када инжењери „искључе случајност“ у ЛЛМ-у тако што поставе параметар температуре на нулу, што би теоријски требало да да увек исти резултат, излаз и даље варира. Савремени језички модели често дају различите излазе за исти упит чак и при „похлепном“ декодирању (greedy decoding) са температуром нула, када модел у сваком кораку бира токен која има највећу вероватноћу.

Зашто? Дуго је владало веровање да је кривац неки технички проблем који настаје у начину на који графичке картице сабирају бројеве. Али у септембру 2025. лабораторија Thinking Machines (коју је основала Мира Мурати, бивша директорка технологије у OpenAI-ју) објавила је анализу која је ту причу преокренула. Прави узрок, показали су, јесте нешто неочекивано: варијација величине групе (batch). Када пошаљете захтев моделу, сервер га обрађује заједно са захтевима других корисника у истом тренутку. Колико ће тих захтева бити, зависи од тренутног оптерећења сервера. А тај број истовремених захтева суптилно мења нумеричке путање у израчунавању, што на крају мења коју реч модел изабере. Покретање истог упита 1.000 пута при температури нула произвело је 80 различитих одговора; након замене три кључна рачунска модула верзијама независним од величине групе, свих 1.000 излаза били су идентични до нивоа бита.

Другим речима: из перспективе корисника, тренутно оптерећење туђих захтева на серверу постаје скривени улаз који непредвидиво помера ваш излаз. Ви ништа нисте променили, а одговор је другачији јер је неко други у истом тренутку послао упит који се обрађује на истој графичкој картици на којој се обрађује и ваш упит.

Чини се да ова мала „ситница“ представља егзистенцијални проблем AI-ја за читаве гране привреде. Банка која обрађује кредит не сме да донесе различиту одлуку за исти досије у зависности од тога колико је других људи у том тренутку користило систем. Рачуновођа који генерише финансијски извештај не сме да добије два различита износа за исте улазне податке. Правник коме агент припрема уговор мора да зна да ће иста клаузула изгледати исто сваки пут. У пракси, поновно покретање истог упита даје различите секвенце, што руши репродуктивност, а то подрива научне експерименте, отклањање грешака, безбедносне процене и поверење у компанији.

И ту се сукобљавају две филозофије. Традиционални пословни софтвер је детерминистички: иста формула или исти улаз дају исти излаз, и то увек, без изузетка. На овом правилу је изграђен читав корпоративни свет: ЕРП системи, рачуноводство, банкарски системи, системи за платни промет, осигурање. Agentic AI је пробабилистички: ради са вероватноћама, а не са извесностима. Тражити од организације која је деценијама градила поверење на детерминизму да пређе на систем који по својој природи даје различите одговоре на исти или сличан упит, представља суштинску промену парадигме пословања. Многи руководиоци то инстинктивно осећају, чак и када не умеју то да формулишу: нешто у вези са „паметним, али непредвидивим“ системом коси се са свиме што знају о томе како се води сигуран и поуздан бизнис.

Само да вам буде јасно: проблем је решив на техничком нивоу. Доказано је да се детерминизам може постићи инжењерским приступом проблему. Али постоје две кваке. Прво, то кошта: детерминистичко извршавање је спорије и скупље, јер жртвујете ефикасност групне обраде. Друго, и најважније за доносиоце одлука: велики провајдери AI модела то данас и даље не гарантују. OpenAI наводи да њихов API може бити само „углавном детерминистички“ без обзира на поставке параметра температуре; Anthropic-ова документација изричито каже да чак ни при температури 0,0 резултати неће бити потпуно детерминистички; Google такође наводи недетерминизам као основну особину његових AI модела.

Практична импликација за увођење Agentic AI: ако ваш посао захтева да исти улаз увек даје исти излаз (ревизија, регулаторно извештавање, финансијске трансакције, књиговодство), тада не можете поставити аутономног агента у центар вашег радног процеса и надати се најбољем.

Мораћете или да га оградите детерминистичким проверама (чиме смањујете његову аутономију), или да прихватите варијабилност и изградите процесе који ту варијабилност толеришу. Имате, наравно, и трећу опцију: игнорисање проблема, које ће вас сигурно одвести право у оних 88% пилот пројеката који никад не дођу до реализације.

Ко је крив кад агент погреши?

Претпоставимо да некако успете да решите и поузданост и недетерминизам. Остаје питање које ниједан модел не може да реши, јер није техничко: када аутономни агент донесе погрешну одлуку, ко ће бити одговоран?

Ово је препрека коју инжењери често потцењују јер су фокусирани на функционалност и крајњи резултат, а правници и директори одмах препознају. У класичном софтверу ланац одговорности је јасан: човек је донео одлуку, софтвер је само извршио. Код аутономног агента одлуку је донела машина: сама је изабрала да одобри попуст, да пошаље понуду, да откаже резервацију, да изврши новчану трансакцију. Прелазак вештачке интелигенције са модела заснованих на упитима ка аутономним агентима способним за независне акције ствара празнину у одговорности када интелигентна аутоматизација доведе до грешака које крше правне или етичке обавезе; питање ко сноси кривицу, програмер, оператер система или крајњи корисник, остаје отворено.

За европске компаније, а тиме и за српске које послују са ЕУ ово је озбиљно питање. EU AI Act улази у кључну фазу примене. Обавезе из Акта примењиваће се на све оператере високоризичних AI система, почевши од 2. августа 2026. За аутономне агенте последице су конкретне. Agentic AI системи, који могу самостално да извршавају сложене задатке кроз више корака и користе различите алате, захтевају посебну пажњу када је реч о праћењу њиховог рада. Да би се лакше уочили ризици и разумело како је систем дошао до одређеног резултата, потребно је бележити кључне кораке, коришћене податке, донете одлуке и добијене резултате. На тај начин компанија у сваком тренутку може да провери шта је систем радио, зашто је то урадио и да ли је поступао у складу са очекивањима.

Преведено на језик директора: сваку аутономну одлуку мораћете да реконструишете и објасните ревизору. А то је прилично тешко када систем по својој природи није ни детерминистичан ни потпуно објашњив.

Предложена ЕУ директива о одговорности за AI има циљ да олакша оштећеној страни пут до надокнаде тако што смањује терет доказивања о томе како је AI систем донео своју одлуку. За компанију која користи агента то значи обрнуто: лакше ћете бити тужени, а теже ћете доказати да нисте криви, ако не можете да објасните зашто је агент урадио то што је урадио.

Због свега овога, многе компаније одлажу примену вештачке интелигенције зато што не могу у потпуности да контролишу ризике, не могу да их објасне или да их јасно припишу одговорном лицу. Ниједан директор неће олако одобрити да аутономни агент самостално доноси одлуке у пословном процесу ако није јасно ко сноси одговорност када дође до грешке. Управо ту лежи један од највећих изазова примене Agentic AI система: питање одговорности. А то је питање на које данас ни правни оквир још увек не даје потпуно јасан и једнозначан одговор.

Скривени трошак

Постоји још један разлог, много једноставнији од математике и права, а вероватно најчешћи у пракси: агент је добар тачно онолико колико је добар приступ подацима са којима треба да ради. А у већини компанија тај приступ је катастрофалан.

У току демонстрације рада AI агента, он ради са чистим, сређеним, лако доступним и идеалним подацима. У вашој компанији подаци вероватно постоје у три различита система која међусобно не разговарају, у Excel табелама на нечијем десктопу, у ПДФ-овима скенираним 2014. године, у пољима која је неко попуњавао „како му је тог дана одговарало“. Пројекти који пропадну деле заједнички образац: урушавају се на стварним документима и производе излазе које ниједан ревизор не може да верификује. Пилот пројекат увек ради одлично. Демонстрација AI алата у сали за састанке је беспрекорна.

Бројке то недвосмислено потврђују. Истраживање спроведено током 2026. над 650 руководилаца показало је да 78% компанија има покренуте пилоте AI агената, али само 14% је стигло до стварне употребе у компанији. А када су анализирали зашто, добили су листу узрока која нема везе са интелигенцијом модела. Пет фактора објашњава 89% неуспеха у скалирању: сложеност интеграције са старим системима, недоследан квалитет излаза при великом обиму обраде улаза, одсуство алата за надзор, нејасно власништво над процесима и недовољно података за обуку у датом домену.

Обратите пажњу чега нема на тој листи. Нема „модел није довољно паметан“.

Forrester-ова анализа корена проблема код компанија са негативним повратом улагања иде у истом смеру: 22% имплементација пријављује негативан ROI после 12 месеци, а као узроци се наводе нејасни критеријуми успеха, недовољан приступ алатима или подацима и одступање у покривености евалуације. И у овом случају ниједан од узрока није суштински проблем квалитета модела, већ проблем опсега и власништва.

Ово је можда и најважнија порука овог текста за власника бизниса. Када размишљате о увођењу AI агента, вероватно замишљате систем који „размишља“. Стварни посао који треба да се уради је нешто сасвим друго: 80% труда треба да се усмери на дефинисање корака кроз које се AI решење развија, тестира и уводи у пословање, а не на памет модела. Треба повезати агента са вашим CRM-ом, ЕРП-ом, базама, треба решити аутентификацију, ограничења приступа, делимичне отказе система. Скоро половина компанија наводи интеграцију и управљање (governance) као своје главне препреке за Аgentic AI; агенту је потребна конекција у реалном времену ка CRM-у, ЕРП-у, базама и API-јима трећих страна, а у пилоту су те везе обично биле симулиране или су користиле унапред снимљене податке. Оркестрација модела је често лакши део посла, а тежак део је поуздано и безбедно повезивање са стварним системима у компанији.

Овде се враћамо на причу о детерминизму из раније секције, јер се две препреке спајају. ЕРП системи, на којима почива пословање, изграђени су на детерминистичкој логици: правила, валидације, гарантовани исходи. Када покушате да на тај детерминистички темељ накалемите агента који доноси одлуке на основу вероватноћа, не сукобљавају се само две технологије, већ се сукобљавају две филозофије поузданости. Транзиција са детерминистичких пословних система на системе прожете вероватносним AI-јем је питање преуређења темеља на којима компанија заснива поверење у сопствене процесе. Зато чак и компаније које имају новац и потребан таленат и знање остају заглављене. Дигитална инфраструктура, подаци и процеси су заостали, а агент не може бити паметнији од канала којима до њега стижу информације.

Конкретно за малу или средњу фирму: пре него што почнете да размишљате о AI агенту, запитајте се да ли су ваши подаци уопште у стању у коме би и човек могао да ради са њима без превеликог мучења. Ако нису, ниједан модел то неће решити уместо вас.

Контрадикторни гласови

Било би непоштено од мене да код вас створим утисак да постоји консензус о Agentic AI. Не постоји. И вреди чути три различита гласа, јер сваки носи део истине.

Оптимисти тврде да је проблем пролазан, и да није структурне природе. По њима, оно што данас изгледа као зид заправо је само тренутна незрелост екосистема који убрзано сазрева. Оно што 2026. чини другачијом од претходних циклуса пумпања јесте зрелост: фундаментални модели су поузданији, оквири за оркестрацију су се стабилизовали, а алати за надзор, заштитне механизме и управљање коначно су сустигли потребе. Agentic AI ради, али да ли га ваша организација може операционализовати пре конкуренције. За оптимисте, 88% неуспеха је природна стопа одустајања у раној фази сваке трансформативне технологије. И имају аргумент: рана усвајања рачунарства у облаку и интернета имала су сличне стопе неуспеха.

Скептици узвраћају да је проблем дубљи и да га скалирање неће решити само од себе. По њима, неконзистентност коју открива pass^k метрика и недетерминизам нису дечје болести, већ структурне особине пробабилистичких система. Можете их ублажити, али не и уклонити без жртвовања управо онога због чега сте агента и хтели: аутономије. Гартнерова прогноза иде у прилог опрезности: Гартнер предвиђа да ће преко 40% пројеката Аgentic AI бити напуштено до 2027. Скептик би рекао: ако скоро половина пилот пројеката који се данас покрећу буде угашено за годину или две, можда проблем није у томе што компаније не умеју да операционализују, већ у томе што технологија још није за оно за шта је рекламирају и продају.

Трећи глас, можда и најзанимљивији, каже да није проблем ни у технологији ни у зрелости, већ у очекивањима. По овом гледишту, агенти већ раде одлично, само не оно што им тренутни наратив приписује. Најтврђа бројка из читаве приче заправо подржава овај став: корени неуспеха приписују се нејасним критеријумима успеха и проблемима опсега, а не квалитету модела: то нису проблеми интелигенције, већ проблеми дефинисања и власништва. Другим речима, компаније не успевају зато што никада нису јасно дефинисале шта очекују од увођења Аgentic AI. Ово гледиште пребацује одговорност са технологије на организацију и вероватно је најближе истини.

Ако сте пажљиво читали, приметићете да се ова три гласа међусобно не искључују. Могуће је истовремено да модели заиста сазревају (оптимисти), да недетерминизам остаје структурна карактеристика (скептици) и да већина неуспеха потиче од лоше постављених очекивања (трећи глас).

Где Аgentic AI већ ради и зашто баш тамо

После свега прочитаног лако је стећи утисак да Аgentic AI нигде не функционише. То би било погрешно, јер док 88% пилота пропада, постоји мањина која ради. Ако пажљиво погледате где агенти данас заиста испоручују вредност, открива се образац који је можда кориснији од свих статистика о неуспеху.

Наравно, примена није ни изблиза равномерна. 31% компанија има бар једног AI агента којег користи у свакодневном пословању, при чему предњаче банкарство и осигурање са 47%, док здравство и државна управа заостају са 18% односно 14%. Зашто баш финансије? Зато што су рано уложиле труд и средства у уске и добро дефинисане домене. Финансијске услуге показале су највишу стопу стварне примене у организацији, вођену раним улагањима у агенте за обраду докумената и аутоматизацију усклађености. То су задаци са јасним правилима, поновљивом структуром и мерљивим исходом. Али постоји и потпуно другачија породица задатака у којој агенти имају великог успеха из сасвим супротног разлога, где баш непредвидљивост доноси вредност. О томе пишем мало ниже у тексту.

Тамо где агенти одлично раде, човек скоро никада није искључен из радног тока. Он је премештен. Погледајте како је решен проблем непоузданости у корисничкој подршци: агент је научен да препозна када није сигуран и да тада проследи задатак човеку. Истраживање на τ²-bench-у показује управо ту логику: ескалирање интеракција ка људској подршци када агентова порука добије низак скор поузданости може ефикасно да смањи стопу отказа у свим доменима. То обезбеђује да агент задовољи захтеве предузећа у погледу дозвољене стопе грешака. Агент не мора да буде тачан у 100% случајева да би био користан, али мора да зна када да каже „ово препуштам човеку“.

Код успешне имплементације AI агената, враћање улагања је реално и брзо, али само под условом да је домен коришћења узак. Средње време до поврата улагања износи 5,1 месец, при чему агенти за продају враћају уложено за 3,4 месеца, а агенти за финансије и операције за 8,9 месеци. Обратите пажњу на распон: продајни агент, са једноставнијим и толерантнијим задатком, исплати се дупло брже од финансијског. Што је домен сложенији и мање толерантан на грешку, то дуже траје време док агент почне да исплаћује уложено. Ако уопште успе да исплати све.

Све до сада говорили смо о недетерминизму као о мани: о томе како варијабилност руши поверење у финансијама, ревизији и праву. Али постоји читава породица индустрија у којима је управо та особина највећа вредност агента, а не његов недостатак. Реч је о креативним делатностима: маркетингу, оглашавању, садржају за друштвене мреже, дизајну.

Размислите шта заправо тражите од система када правите огласну кампању. У банци тражите да исти улаз увек да исти излаз. У маркетингу тражите супротно: дајте ми педесет различитих верзија овог огласа, сваку са другачијим тоном, да видим која ће се примити. Оно што је у финансијама грешка - „зашто си ми дао другачији одговор?“ - у креирању садржаја је то сама сврха посла: „одлично, дај ми још десет које нису ни налик претходнима“. Недетерминизам је овде пожељан.

И тржиште је то већ препознало, и то масовно. Усвајање генеративног AI у маркетингу далеко је испред свих осталих сектора: 89% маркетинг стручњака већ користи генеративни AI за садржај, а 94% планира да га користи у процесима креирања садржаја током 2026. То је драматично изнад оних 31% компанија у просеку са агентом у свакодневном коришћењу. Зашто је овде усвајање и имплементација Agentic AI толико бржа? Зато што креативни задаци испуњавају тачно онај профил који агенту одговара, само из неочекиваног угла: цена појединачне грешке је ниска (лош наслов се једноставно не објави), а вредност разноликости садржаја је висока.

Најјаснији пример долази из оглашавања на друштвеним мрежама. Метин алгоритам (Andromeda) сада изричито фаворизује разноликост креативних материјала, тако што алгоритму треба више варијација да би открио који визуелни сигнал допире до ког корисника. Постоји опција у којој исти сценарио изговара осам различитих AI персона, у различитим окружењима, и свака је подешена да одјекне код друге демографске групе, уз обим који је традиционалном продукцијом немогуће постићи таквом брзином. Овде се логика потпуно окреће: док традиционална продукција једног видео-материјала траје недељама, AI може да направи стотину варијанти у истом прозору, уз знатно нижу цену по готовом материјалу. Варијабилност која у финансијама изазива панику овде је главни производ.

Овде постоји и дубља економска последица коју треба разумети. Када обим, брзина, квалитет и разноликост садржаја постану скоро бесплатни, „довољно добар“ креативни материјал губи вредност, јер га сада свако може произвести у неограниченим количинама. То помера тежиште људског рада: вредност се сели са саме израде материјала на његов одабир, концепт и просуђивање. Агент генерише педесет варијанти; човек одлучује које три вреде и шта уопште значи добра идеја. Зато и у креативној индустрији важи правило прослеђивања задатака, само је другачије постављено: агент не шаље човеку оно у шта није сигуран, већ човек бира између онога што је агент произвео.

Али ни овде није баш све дозвољено. Постоје ограничења. На првом месту је  доследност бренда: оглас сме да варира, али логотип, боје и тон гласа компаније не смеју. Зато сада постоје и посебни агенти за усклађеност који проверавају садржај у односу на стандарде бренда пре објаве. Друго, транспарентност: када је садржај плаћен или AI-генерисан, регулатива и платформе све више траже да то буде јасно означено. И на крају, иста прича о подацима: генеративни AI ради тачно онолико добро колико су добри подаци којима га храните. Другим речима, чак и у домену где је разноликост врлина, агент не може да ради без строгих упутстава. У банци тражите тачност; у маркетингу тражите бренд и истинитост.

Пре него што питате „да ли је агент довољно поуздан“, питајте „да ли мој задатак уопште тражи поузданост у смислу поновљивости, или тражи разноликост?“. За цео један сектор привреде одговор је другачији него за финансије, и то објашњава зашто агенти у маркетингу „трче“ а у банци опрезно „корачају“.

Из ових примера долази један једини заједнички именилац, и вреди га упамтити. Agentic AI ради тамо где су задовољена три услова истовремено: домен је узак (не „води набавку“ него „извлачи податке из фактуре“), грешка је толерантна (може се исправити, не урушава све остало), и човек је укључен у процес (као надзор или као тачка ескалације). Када сва три услова постоје, агент је одличан радник. Када недостаје макар један, нарочито када се тражи широка аутономија у домену где грешка скупо кошта, добићете још један пилот пројекат који никада није успео да заживи у компанији. А креативне индустрије показују и посебан случај овог правила: када је цена грешке довољно ниска, други услов је толико испуњен да и сама варијабилност постаје предност, па се агент пушта у рад лакше и брже него било где другде.

Конкретни примери задатака где то данас функционише су извлачење и структурирање података из докумената, прва линија корисничке подршке са упућивање комплексних проблема на човека, помоћ у програмирању уз надзор инжењера, истраживање и сажимање велике количине текста, рутински back-office задаци са јасним правилима. Оно што им је свима заједничко је да имају јасно дефинисан крај, подношљиву цену грешке и човека који чува делове радног тока.

Како одлучити где употреба агента има смисла

Ако сте директор, власник или менаџер и питате се где да почнете, ево оквира који произлази из свега што сам до сада навео.

Почните од цене грешке, а не од могућности агента. Пре него што питате „шта агент може да уради“, питајте „колико нас кошта ако погреши“. Направите једноставну менталну матрицу: на једној оси учесталост задатка, на другој цена једне грешке. Задаци који се понављају често а грешка је јефтина и лако поправљива показаће вам ваш први терен за агента. Задаци где једна грешка значи регулаторну казну, изгубљеног клијента или правну одговорност, захтевају прво да све остало проради па тек онда, на крају, агент има своје место, али никад без човека изнад њега.

Поставите човека на улазна врата, а не ван просторије. Најпоузданији образац из праксе је агент који зна своје границе и прослеђује задатак на човека када није сигуран у свој одговор. Тражите од продавца да вам покаже како систем препознаје сопствену несигурност и како предаје задатак човеку. Ако одговор није јасан, систем није спреман за озбиљан посао.

Крећите се од асистенције ка аутономији, а не обрнуто. Почните тако што ће агент предлагати, а човек одобравати. Како се гради поверење и како мерите стопу грешака у стварним условима, постепено проширујете аутономију тамо где су бројке то заслужиле. Ово је спорији пут, али то је пут који не завршава у оних 88% статистике.

Дефинишите успех пре него што уведете агента у радни ток. Највећи узрок неуспеха је одсуство јасног циља. Организације које успевају јесу оне које дефинишу пословни исход радног тока. Већина ради обрнуто. Прво крене од технологије и нада се да ће вредност доћи сама. Пре пилот пројекта одговорите на питање: коју тачно пословну метрику желимо да померимо, за колико, и до када?

Поставите продавцу права питања. Три питања раздвајају озбиљну понуду од маркетинга. Да ли агент бира сопствену путању или извршава ону коју смо ми дефинисали? Да ли скор који ми показујете мери један покушај или конзистентност кроз понављања? И како се свака аутономна одлука бележи тако да је можемо објаснити ревизору? Ако продавац избегава ова питања, избегава и одговорност.

Решење

Вратимо се на сам почетак приче. Демо који је радио савршено, а који никада није ушао у компанију. Сада знамо и зашто.

Agentic AI посрће у бизнису због споја четири ствари које немају много везе са интелигенцијом: математика сложене грешке која претвара 95% тачности по кораку у 59% тачности по задатку; недетерминизам који се коси са свиме на чему бизнис гради поверење; вакуум одговорности који ниједан модел не може да попуни; и прозаична стварност неуредних података и неповезаних система. Ниједна од ове четири препреке неће нестати само зато што ће следећи AI модел да буде паметнији.

Али ниједна није непремостива. Детерминизам је инжењерски решив. Поузданост расте. Прослеђивање сложених задатака на човека већ данас претвара несавршеног агента у корисног радника. А јасно дефинисан циљ и уредни подаци у потпуности су у рукама саме компаније.

Из свега произлазе три јасне поруке које треба упамтити.

1. Не купујте аутономију, купујте решење за конкретан, узак проблем са толерантном ценом грешке и човеком на улазним вратима. Тамо агенти раде већ данас, и исплаћују се за неколико месеци.

2. Препрека није вештачка интелигенција, препрека сте ви, ваши подаци, ваши процеси, ваша дефиниција успеха. То значи да контролу имате ви.

3. Третирајте имплементацију AI агента као циљ од првог дана, а не као нешто што ће се десити после успешног пилот пројекта. Разлика између 88% који пропадну и 12% који успеју не зависи од буџета ни од талената, већ само од приступа.

Следећа генерација победника у Аgentic AI биће оне компаније које су припремиле терен тако што ће средити податке, дефинисати исходе, изградити надзор и прихватити да аутономија није све или ништа, већ скала по којој се пењете онолико брзо колико вам бројке дозволе. Интелигенција модела је постала роба коју можете купити, и зато једину ствар коју не можете купити морате сами да изградите: спремност организације за увођењем вештачке интелигенције. Ту ће се одлучивати ко ће у наредним годинама заиста имати користи од Аgentic AI.

(Напомена: део статистика потиче из индустријских извештаја објављених током 2026. и представља најсвежију доступну слику у тренутку писања)