Агентски радни ток (Agentic Workflow)

Скоро свака друга организација на свету данас на неки начин испробава AI агенте, али мање од једне четвртине успева да их заиста уведе у свакодневни рад. Између те две чињенице налази се простор који технолошка индустрија, са дозом оптимизма, назива фазом пилот пројеката, а која у пракси често има следећи опис: то је место где се троше средства из буџета, ангажују консултанти, праве убедљиве презентације и демонстрације, али се ништа суштински не мења у начину на који организација ради, планира, доноси одлуке и зарађује новац.

Парадокс је очигледан.

Никада нисмо имали моћније алате, и никада нисмо имали више пажње усмерене ка вештачкој интелигенцији, а истовремено никада није било јасније да сама технологија није довољна. Проблем је, у највећем броју случајева, способности организације да прихвати другачију логику рада.

Зато је важно да одмах разјаснимо шта се заправо подразумева под појмом агентски радни ток и где му је место у AI аутоматизацији. Аутоматизација процеса помоћу вештачке интелигенције обухвата шири концепт који називамо AI радним током (AI workflow). Унутар тог система, постоје две различите филозофије примене. Једна је Agentic AI - концепт у којем аутономни модели, AI агенти, добијају висок степен слободе да сами постављају циљеве, бирају алате и доносе одлуке. Друга компонента, на коју се ми овде фокусирамо, јесте агентски радни ток (Agentic workflow).

На прву лопту, овај израз може да створи утисак да је реч о некој врсти аутономне вештачке интелигенције која сама одлучује шта треба да ради, којим редом, са којим циљем и на основу којих критеријума. Али то није тако. Агентски радни ток је процес који је унапред дефинисан: низ корака, правила, услова, гранања и тачака провере које је пројектовао човек, а које велики језички модел (ЛЛМ) извршава унутар задатих оквира.

Класичан начин употребе великих језичких модела углавном је једноставан. Човек постави питање, а модел одговори. Овакав приступ може бити користан када треба написати кратак текст или проверити неку идеју. Али када процес постане сложенији, када укључује више извора података, више система, више изузетака и више тачака на којима је потребно нешто проверити, та једноставна размена постаје недовољна. Тада се појављује агентски радни ток као покушај да се модел не користи само као саговорник, већ као извршилац у пажљиво пројектованом процесу.

Машина као извршилац, човек као архитекта

У таквом процесу човек унапред одређује редослед операција, дефинише које алате модел сме да користи, којим подацима може да приступи, где мора да стане, шта мора да провери и под којим условима треба да понови неки корак. Модел, дакле, не бира и не одлучује сам који је следећи корак у радном току. Али унутар путање која му је задата користи оно у чему је добар: разумевање језика, обраду података, извлачење релевантних информација, формулисање текста, позивање других AI алата и рад са неструктурираним садржајем.

Ова разлика је слична оној између радника који сам одлучује како да гради кућу и радника који прати детаљан пројекат архитекте, али у оквиру тог пројекта користи сопствену стручност за сваку појединачну операцију градње. За изградњу је потребна интелигенција извршиоца, али правац и структуру градње одређује пројектант.

Баш на овом месту почиње проблем данашњих организација. Оне се тешко сналазе са агентским радним токовима, зато што овај приступ њиховог увођења од организације тражи да јасно, детаљно, прецизно и до краја опишу сопствене процесе. То треба да буде оперативна спецификација, која је довољно јасна да је машина може испратити.

Да би се овај проблем боље разумео, хајде да замислимо конкретну ситуацију. Узмимо једну просечну српску компанију која се бави увозом и дистрибуцијом индустријских компоненти. Њен процес набавке, на папиру, изгледа овако: комерцијалиста добије захтев од клијента, провери стање на лагеру, контактира добављача у иностранству, сачека понуду, упореди цену са буџетом клијента, направи домаћу понуду, пошаље је клијенту, сачека одобрење и затим направи наруџбеницу. На први поглед, то је јасан ланац корака. У стварности, то је процес који се протеже кроз више софтверских система, кроз имејлове, ERP систем, Excel табеле, можда CRM, али и кроз телефонске разговоре, личне договоре и неформално знање запослених.

Агентски радни ток треба овај процес да претвори у дефинисану секвенцу инструкција:

«Прво провери стање на лагеру.»

«Ако роба постоји, преузми цену и рок испоруке.»

«Ако не постоји, контактирај добављача или приступи његовом систему.»

«Затим упореди добијену цену са условима клијента.»  

«Потом припреми понуду по унапред дефинисаном шаблону.»

«На крају проследи понуду комерцијалисти на проверу пре слања.»  

У овој поставци нема филозофије. Сваки корак унапред осмишљава човек. Модел не може сам да одлучи да ли треба да провери лагер или да контактира добављача. Он прати процедуру. Али унутар сваког корака користи своју језичку и аналитичку способност: чита неструктурирани имејл добављача, извлачи цену, извлачи рок и услове испоруке, препознаје релевантне податке и формулише понуду језиком и тоном који одговара пословном контексту.

Судар теорије и неформалног знања

Али, управо овде теорија долази у сукоб са праксом. Да би агент могао да провери лагер, подаци о лагеру морају бити тачни, ажурни и машински читљиви. У многим компанијама они то нису. Формално постоји ERP систем, постоји евиденција и стање залиха. Али поред тог формалног система постоји и други систем знања: знање магационера, комерцијалисте, директора продаје или човека који већ годинама „зна како стварно стоје ствари“. У систему пише да има 50 комада, али је 20 већ обећано другом клијенту. Роба постоји, али је у другом магацину. Ставка је заведена, али није употребљива. Резервација је договорена, али није унета у систем.

За човека, ово је непријатност коју ће решити телефонским позивом, поруком или кратким питањем колеги. За агентски радни ток, ово је системски проблем. Модел не може поуздано да ради са неформалним знањем које живи у главама запослених. Он тражи податке који су унети, ажурирани, структурирани и доступни. Податак који је у класичном радном току „довољно тачан“, јер га човек може проверити једним позивом, у аутоматизованом процесу постаје извор грешке која се понавља.

Deloitte-ово истраживање из 2025. године показује да скоро половина организација наводи проналажење и употребљивост података као кључну препреку за аутоматизацију радних токова засновану на AI агентима.

Долазимо до првог важног закључка. Агентски радни ток зависи од квалитета података, организационе дисциплине и спремности фирме да оно што се до јуче подразумевало сада постане експлицитно. Ако модел треба да прати процес, онда процес мора бити описан. Ако треба да користи податке, онда подаци морају бити употребљиви. Ако треба да доноси одлуке у оквиру задатих правила, онда правила морају бити написана. Оно што је раније могло да остане у зони навике, импровизације и „знамо ми како се то ради“, сада мора да постане део система.

Ипак, сваки агентски радни ток мора имати места где ће човек да контролише процес. Добро пројектован ток дефинише где LLM извршава корак аутоматски, а где се зауставља и чека одобрење од стране човека, пре него што настави. Понуда за рутинску набавку од 500 евра може проћи аутоматски. Понуда за стратешки пројекат од 50.000 евра захтева да човек прегледа и одобри пре слања. Суштина је у томе да пројектант агентског тока, а не LLM, одлучује где су те границе.

Други ниво сложености појављује се када процес престане да буде линеаран. А у реалном пословању он готово никада није линеаран, већ вијуга и грана се. Ако је роба на лагеру, иде се једним путем. Ако није, другим. Ако је вредност понуде изнад одређеног износа, потребно је одобрење директора. Ако је клијент стратешки важан, примењују се посебни услови. Ако припада једној категорији, добија један рабат. Ако је формално у другој категорији, али је у пракси другачије договорено, важи изузетак. Сва та гранања, сви ти изузеци и све те мале пословне нијансе морају бити уграђене у радни ток.

На овом месту пројектовања агентског радног тока, многе организације открију да не знају баш тачно како њихови процеси функционишу. Знају отприлике. Знају у општим цртама. Знају ко кога треба да пита и ко обично доноси одлуку. Али када треба написати прецизну спецификацију са свим условима, изузецима, гранањима и посебним случајевима, постане јасно да велики део логике не живи у систему, већ у људима који тај посао обављају. У њиховом искуству, памћењу, личним договорима и осећају за ситуацију у којој се налазе и контекст који је прати.

Замислимо, на пример, да се у радном току дефинише правило: ако је клијент X у категорији А, примени рабат од 15 одсто. Али онда неко из продаје каже да је клијент X формално у категорији Б, али да је годинама третиран као категорија А, јер је стратешки важан. Неко други додаје да клијент Y има рабат од 15 одсто, али само на једну групу производа, док се на све остало примењују стандардни услови. Трећи комерцијалиста подсећа да се код једног купца понуда никада не шаље директно, већ прво иде на проверу код директора, јер је раније било проблема са наплатом.

Запослени може да зна изузетак иако нигде није записан. Модел не може. За модел, правило које није дефинисано и написано не постоји.

Трећи ниво проблема је психолошки, али не у уобичајеном смислу. Често чујемо да људи не верују вештачкој интелигенцији, да се плаше алата или да не желе да промене навике. То је делимично тачно, али није срж проблема. У поступку израде агентског радног тока постаје видљиво оно што је годинама било скривено испод површине: неписана правила, лични договори, личне интервенције, изузеци који зависе од једног човека и одлуке које се доносе „из главе“. У нашем пословном окружењу, где је одлучивање често централизовано, и директор лично решава важне изузетке, тај процес може бити посебно неугодан, зато што тражи да се оно што је до сада функционисало као осећај, искуство и лична процена претвори у писано правило.

Директор који је двадесет година лично одобравао сваку већу понуду можда неће имати проблем са вештачком интелигенцијом као алатом. Али може имати проблем са тим што сада мора да каже по којим тачно критеријумима је те понуде одобравао. Када је одобрава, када је одбија, када тражи додатну проверу, када прави изузетак, коме верује, а коме не. Док је све то било у његовој глави, процес је могао да делује флексибилно. Сада, када треба да се претвори у агентски радни ток, постаје јасно колико је та флексибилност заправо зависила од непрецизности.

Зато агентски радни токови често пропадају зато што организација није спремна да плати цену прецизности. А та цена није мала. Она подразумева чишћење података, описивање процеса, уклањање нејасноћа, дефинисање изузетака и прихватање чињенице да машина не може да ради са оним што је свима „отприлике јасно“.

У том смислу, агентски радни ток је тест зрелости организације. Показује колико су процеси стварно јасни, колико су подаци стварно поуздани и колико је фирма спремна да оно што зна претвори у систем. Ипак, чак и када организација досегне ту врсту системске зрелости, треба остати свестан граница саме технологије: савршено оптимизован процес и чисти подаци не укидају потребу за сталним надзором.

Људска провера остаје незаменљив центар сваког успешног радног тока, подсећајући нас да машина може беспрекорно да прати нацртана правила, али само човек разуме зашто су та правила уопште постављена и једини може да преузме одговорност за њихове крајње последице.