AI agenti i agentic workflows: šta je stvarno, a šta marketing

Prošle nedelje sam pregledao jednu ponudu od regionalnog dobavljača koji prodaje "agentic platformu". Kad sam otvorio arhitekturu, unutra je bio fiksni lanac od četiri LLM poziva, bez ijedne odluke koju model sam donosi. Dobar sistem, ali to nije agent. To je workflow sa lepšim imenom i višom cenom.

Gradim ove sisteme godinama, i jedno ti odmah kažem: razlika između ta dva pojma nije akademska. Ona određuje koliko će te sistem koštati, koliko često će da pukne i ko će ga održavati u tri ujutru.

Workflow i agent nisu isto, a ta razlika košta

Workflow je sistem u kom se LLM-ovi i alati orkestriraju unapred definisanim putanjama koda. Agent je sistem u kom LLM sam usmerava svoj proces i korišćenje alata. Ovu podelu koristi i Anthropic u vodiču Building effective AI agents, i ona je jedina koju smatram korisnom u praksi.

Zašto je bitna? Zato što ti u workflow-u znaš koji korak sledi, a u agentu ne znaš. To jedno svojstvo nosi sve ostalo:

Ista ta Anthropic-ova publikacija navodi i da je za mnoge aplikacije dovoljno optimizovati jedan LLM poziv uz retrieval i primere u kontekstu. Agentski sistem nije podrazumevani izbor. Retko ko to pročita do kraja pre nego što krene da gradi.

Gde agenti stvarno rade

Agent opravdava složenost kad ne možeš unapred da napišeš putanju. Tipični primeri iz mog iskustva:

• Istraživanje sa nepoznatim brojem koraka. Ne znaš koliko izvora treba pročitati ni šta će prvi rezultat otkriti. Model mora da odluči da li da kopa dublje ili da stane.
• Kodiranje nad tuđim repozitorijumom. Putanja zavisi od onoga što agent nađe u fajlovima.
• Triage sa nestrukturisanim ulazom, gde je grananje preveliko da bi se ručno kodiralo.

Ono što ti niko neće reći u prodajnoj prezentaciji je cena te slobode. Anthropic u opisu svog sistema Research navodi da agenti u proseku troše oko 4× više tokena nego chat, a multi-agent sistemi oko 15×. Zato su, kako sami zaključuju, ekonomski opravdani samo za zadatke dovoljno visoke vrednosti (How we built our multi-agent research system).

Isti izvor kaže da je multi-agent konfiguracija (Claude Opus 4 kao lead, Claude Sonnet 4 kao subagenti) bila 90,2% bolja od jednog Opus 4 agenta. Ali to je njihova interna evaluacija na njihovom zadatku, ne nezavisan benchmark. Ne bih to generalizovao na tvoj slučaj. Bih to pročitao ovako: na zadatku koji se lako paralelizuje i ima visoku vrednost, plaćanje 15× više tokena može da se isplati. Na većini poslovnih zadataka ne može.

Zašto "radi u demou" nije isto što i "radi u produkciji"

Najveći jaz između marketinga i stvarnosti vidim u pouzdanosti, i tu mi se većina prezentacija raspada.

Benchmark tau-bench (ICLR 2025) uveo je metriku pass^k: verovatnoća da agent uspe u svih k ponovljenih izvršavanja istog zadatka. Za razliku od pass@k, ona ne nagrađuje "najbolji pokušaj" nego konzistentnost. U njihovim eksperimentima gpt-4o agent je rešio manje od 50% zadataka, a pass^8 u retail domenu bio je ispod 25% (τ-bench, ICLR 2025).

Prevedi to na poslovnu realnost: ako agent "uglavnom" odradi jedan zadatak, ali ti trebaš da odradi isti tip zadatka osam puta zaredom bez greške, verovatnoća da ceo niz prođe pada drastično. A produkcija je upravo to, isti zadatak, svaki dan, bez nadzora.

Važna napomena: ovi brojevi potiču iz modela iz 2024-2025. Ne tvrdim da isto važi danas, novije modele nisam merio pod istom metodologijom. Ali oblik problema ostaje: pouzdanost se ne vidi u jednom uspešnom demou.

Sličnu sliku daje TheAgentCompany sa Carnegie Mellon-a: 175 zadataka u simuliranoj softverskoj kompaniji, a najbolji testirani agent (Gemini 2.5 Pro) samostalno je završio 30,3% zadataka, odnosno 39,3% uz delimični kredit (TheAgentCompany, i pregled u The Register). Opet stariji model, opet ne znači da je danas isto, ali znači da "agent koji zamenjuje zaposlenog" nije bio činjenica kad se prodavao kao da jeste.

Agent washing i Gartner-ova prognoza

Gartner je 25. juna 2025. objavio prognozu da će više od 40% agentic AI projekata biti otkazano do kraja 2027, zbog rastućih troškova, nejasne poslovne vrednosti ili neadekvatne kontrole rizika (Gartner press release). Naglasak je na reči prognoza i na datumu. Pojedini članci to prikazuju kao novo istraživanje, što nije tačno.

Zanimljiviji mi je komentar Gartner-ove analitičarke Anushree Verma, da mnogi slučajevi upotrebe predstavljeni kao agentski zapravo ne zahtevaju agentsku implementaciju (BigDATAwire). To je isto što vidim kad otvorim tuđu arhitekturu: asistent, RPA ili chatbot sa novim nazivom. Gartner takođe procenjuje da je samo mali deo vendora koji sebe nazivaju "agentic" stvarno takav, ali metodologija te procene nije javna, pa je tretiram kao njihovo mišljenje, a ne kao merenje tržišta.

Moj praktični test za "agent washing" ima tri pitanja:

1. Da li model u nekom trenutku bira sledeći korak, ili ga bira kod?
2. Ako izbacim LLM-ove i ostavim samo if/else, da li sistem radi isto?
3. Šta se dešava kad alat vrati grešku, ko odlučuje šta dalje?

Ako su odgovori "kod", "da" i "kod", to je workflow. Što je sasvim u redu, samo ne treba da ga plaćaš kao agenta.

Šta radim ja: workflow kao kostur, agent kao izuzetak

U sistemima koje sam gradio, uključujući ContentStudio (autonomna mašina koja istražuje, piše, optimizuje i objavljuje sadržaj na više sajtova), skoro sve je workflow. Putanja je fiksna: merenje, učenje, ciljanje, generisanje, objavljivanje. Autonomija postoji unutar koraka, ne između njih. Model piše tekst, ali kod odlučuje da li je tekst prošao proveru i šta se sledeće dešava.

Razlog je trivijalan i neromantičan: sistem koji radi bez čoveka mora da bude predvidiv. Kad nešto pukne u tri ujutru, hoću da pročitam log i vidim koji je korak pao, a ne da rekonstruišem šta je model "mislio".

Obrazac koji ponavljam izgleda ovako (pojednostavljeno):

# Kostur je deterministički. Model radi unutar koraka, ne bira korake.
def run_pipeline(job):
    research = llm_step("research", job)       # LLM poziv
    if not validate(research):                  # kod odlučuje
        return retry_or_escalate(job, "research")

    draft = llm_step("write", research)         # LLM poziv
    verdict = judge(draft, rubric)              # drugi, nezavisan poziv
    if verdict.score < THRESHOLD:               # kod odlučuje
        return retry_or_escalate(job, "write")

    publish(draft)                              # kod izvršava

Svaki LLM poziv je ograđen proverom koju piše kod. Autonomiju dajem tamo gde je vrednost, a determinizam tamo gde je rizik. Ako baš moram da pustim model da bira putanju (npr. istraživanje), stavljam tvrdi limit na broj koraka, budžet tokena i kill switch.

Šta bih ja uradio

Ako ti neko prodaje agente, ili ako ih sam razmišljaš da uvedeš, ovo bih radio redom:

1. Počni od jednog LLM poziva. Sa dobrim kontekstom, retrieval-om i primerima. Ako to reši problem, tu stani.
2. Pređi na workflow kad ti treba više koraka. Fiksna putanja, provere između koraka, jasan log. Većina poslovne automatizacije završava ovde, i to je dobro.
3. Uvedi agenta samo za deo koji se ne može isplanirati unapred, i ograniči ga: maksimum koraka, budžet, eskalacija na čoveka.
4. Meri konzistentnost, ne najbolji pokušaj. Pokreni isti zadatak mnogo puta i gledaj koliko puta prođe svaki put. To je pass^k logika, a ne ona jedna lepa demonstracija.
5. Izračunaj trošak pre arhitekture. Ako agent troši višestruko više tokena, zadatak mora da vredi toliko. Ako ne vredi, ne gradi ga.

Moj stav je jednostavan: agenti su stvarni, ali su alat za usku klasu problema, ne univerzalna arhitektura. Većina firmi u Srbiji i regionu koje poznajem ne treba "agentic platformu". Treba im dva-tri dobro napravljena workflow-a koji rade bez nadzora i čiji se ROI može izmeriti u satima i evrima.

Ako razmišljaš o AI projektu pa ne znaš da li ti treba agent, workflow ili samo jedan dobar prompt, rado ću to da pogledam sa tobom. Javi se na lazar-milicevic.com/#contact.