Pravo usko grlo nije model. Problem je u arhitekturi, podacima, pravima pristupa i kontroli oko njega.
Poslovni softver desetljećima se gradio na jednoj jednostavnoj pretpostavci: korisnik je čovjek.
Osoba se prijavi u sustav, pročita informacije na zaslonu, prođe kroz radni proces, donese odluku i iza sebe ostavi trag u sustavu.
AI agenti ruše tu pretpostavku.
Oni ne koriste softver onako kako ga koriste zaposlenici. AI agenti se povezuju s API-jima, povlače podatke iz više sustava, upisuju informacije natrag u zapise, pokreću procese i ponekad rade brže nego što ih tim može ručno provjeriti.
Zato sljedeći val poslovne umjetne inteligencije neće ovisiti samo o kvaliteti modela. Ovisit će o tome može li softver oko modela raditi s novom vrstom korisnika: ne-ljudskim, stalno aktivnim sudionikom procesa, koji se oslanja na API-je i može djelovati u više poslovnih sustava odjednom.
Taj se pomak već vidi. Gartner predviđa da će do 2026. do 40% poslovnih aplikacija imati AI agente za određene zadatke, dok ih je 2025. bilo manje od 5%. Istodobno Gartner upozorava da bi više od 40% projekata agentne umjetne inteligencije moglo biti otkazano do kraja 2027. zbog rastućih troškova, nejasne poslovne vrijednosti i nedovoljno razrađene kontrole rizika.
Upravo je u tome napetost.
AI agenti već ulaze u poslovni softver. No mnogi poslovni sustavi još nisu spremni dopustiti im da rade sigurno, pouzdano i u većem opsegu.
Pojavila se nova vrsta poslovnog korisnika
Desetljećima je dizajn poslovnog softvera polazio od poznatog obrasca: čovjek sjedi pred zaslonom.
Logistički koordinator provjerava statuse pošiljki. Regruter pregledava kandidate. Stručnjak za odštetne zahtjeve obrađuje red čekanja. Financijski stručnjak provjerava račune. Sučelje, prava pristupa, radni procesi i revizijski tragovi bili su oblikovani oko tog ljudskog ritma.
AI agent radi drukčije.
On ne prolazi strpljivo kroz nadzornu ploču. Umjesto toga traži podatke, poziva alate, uspoređuje zapise, priprema odluke, ažurira polja i prosljeđuje iznimke. Isti radni proces može istodobno obuhvatiti CRM, ERP, sustav za praćenje kandidata, sustav za upravljanje prijevozom, korisničku podršku, financije i dokumentacijske sustave.
To može stvoriti stvarnu vrijednost. Ali jednako brzo može otkriti svaku slabost u arhitekturi.
Nedostatak API-ja postaje prepreka. Zastarjela dokumentacija postaje rizik u produkciji. Nedosljedni podaci stvaraju automatiziranu nedosljednost. Preširok administratorski token postaje sigurnosni problem. Nejasan postupak odobravanja može dovesti do toga da agent samostalno donosi odluke koje nikada ne bi smio donositi bez čovjeka.
AI agent nije samo još jedna značajka u sučelju. To je nova klasa poslovnog korisnika. Većina sustava nije projektirana s takvim korisnikom na umu.
Zašto demonstracija radi, a produkcija puca
Većina demonstracija poslovne umjetne inteligencije izgleda uredno zato što je i okruženje uredno. Podaci su pripremljeni. Radni proces je uzak. Rubni slučajevi su skriveni. Agent ima jedan jasan zadatak i mali broj alata.
Produkcija je drukčija.
Agent treba podatke iz tri sustava. Jedan ima moderan API. Drugi ima API, ali dokumentacija više ne odgovara stvarnom ponašanju sustava. Treći uopće nema API, nego samo tjedni izvoz u Excel koji još uvijek ručno pokreće određena osoba.
Za ljudski tim to je bolno, ali često preživljivo. Ljudi pitaju kolege, pamte zaobilazna rješenja, pretražuju stare poruke u Slacku i koriste prosudbu koja nikada nije bila zapisana u procesu.
AI agent nema takvo organizacijsko pamćenje ako mu sustav ne omogući pouzdan način da dođe do pravih informacija, razumije ih i ispravno upotrijebi.
Tu API jaz postaje važan. Postmanovo izvješće State of the API 2025 pokazuje da 89% razvojnih stručnjaka koristi umjetnu inteligenciju, ali samo 24% projektira API-je imajući AI agente na umu. Isto izvješće navodi da 51% razvojnih stručnjaka smatra neovlašteni pristup agenata jednim od glavnih sigurnosnih rizika.
Spremnost podataka još je jedna slaba točka. Informaticino izvješće CDO Insights 2025 navodi kvalitetu, potpunost i spremnost podataka kao jednu od glavnih prepreka uspješnoj primjeni generativne umjetne inteligencije.
Ovo je neugodan dio: AI agenti ne uklanjaju tehnički dug. Oni ga brže otkrivaju.
Neuredan podatkovni model daje agentu neuredan kontekst. Preširoka prava pristupa pretvaraju ga u sigurnosni rizik. Nejasni radni procesi ne objašnjavaju kada treba djelovati, kada čekati i kada uključiti čovjeka.
To nije problem modela. To je problem arhitekture.
Što zapravo znači da je softver spreman za agente
Softver spreman za agente nije sustav kojemu je samo dodan chatbot.
To je softver koji AI agent može koristiti sigurno, predvidljivo i uz dovoljno kontrole za rad u produkciji.
U najmanju ruku, to znači pet stvari.
Prvo, potreban je stabilan API sloj. Agentima trebaju strojno čitljivi ugovori, verzionirane krajnje točke, jasne sheme, predvidljiva stanja pogrešaka i dokumentacija koja odražava stvarno ponašanje sustava danas. API koji radi samo zato što interni razvojni stručnjak zna skrivena pravila nije spreman za agente.
Drugo, podaci moraju biti strukturirani i dostupni. Agent mora moći doći do pravih podataka u pravom obliku, a ne ih izvlačiti sa zaslona, raščlanjivati nedosljedne izvoze ili pogađati koje je polje trenutačno važeće.
Treće, potrebni su jasno ograničeni ne-ljudski identiteti. AI agent ne bi trebao raditi preko zajedničkog administratorskog računa ili tokena stvarnog zaposlenika. Treba imati vlastiti identitet, vlastita prava pristupa i jasne granice: što može čitati, što može predložiti, što može pripremiti kao nacrt i što smije izvršiti.
Četvrto, mogućnost revizije mora biti ugrađena u radni proces. Sustav ne bi trebao zabilježiti samo činjenicu da je neko polje promijenjeno. Mora pokazati koji je agent djelovao, koje je ulazne podatke koristio, koji je alat ili API pozvao, je li primijenjeno pravilo i je li konačnu radnju odobrila osoba.
Peto, odluke visokog rizika trebaju ljudsko odobrenje. Plaćanja, promjene cijena, odluke o medicinskoj nužnosti, preporuke pri zapošljavanju, izmjene ugovora i poruke prema klijentima ne bi smjele prijeći iz prijedloga u izvršenje bez jasno definiranog puta odobravanja.
Sigurnosni timovi već formaliziraju te rizike. OWASP Top 10 for Agentic Applications 2026 opisuje rizike kao što su preuzimanje ponašanja agenta, zloupotreba alata, zloupotreba identiteta i privilegija, lančani kvarovi te pogrešno povjerenje između čovjeka i agenta.
Zato se upravljanje ne može dodati na kraju. Ono mora biti dio dizajna sustava.
Gdje se jaz u spremnosti najviše osjeti
Neke industrije taj jaz osjećaju snažnije jer su njihovi procesi složeni, regulirani i raspoređeni kroz mnogo sustava.
U logistici vrijednost agenata je jasna: pratiti pošiljke, otkrivati rizike vezane uz SLA, uspoređivati dokumente, provjeravati iznimke na rutama i prosljeđivati probleme prije nego što postanu skupi. No logistički podaci često žive istodobno u ERP-u, sustavu za upravljanje prijevozom, sustavu za upravljanje skladištem, portalima prijevoznika, skeniranim dokumentima, proračunskim tablicama i e-pošti. Agent može pomoći samo ako ti sustavi otvaraju pouzdane podatke i imaju jasne granice djelovanja.
U zdravstvu tehnički problem vrlo brzo postaje pitanje usklađenosti. Prethodna odobrenja, obrada zahtjeva i klinička dokumentacija doista mogu imati koristi od radnih procesa podržanih umjetnom inteligencijom. No zaštićeni zdravstveni podaci, zahtjevi za revizijom i nadzor nad medicinskim odlukama čine pristup “samo ćemo automatizirati” opasnim. Regulatorni smjer već je vidljiv: pregled Američkog liječničkog udruženja o državnom zakonodavstvu iz 2025. bilježi snažan rast broja državnih zakonskih prijedloga o umjetnoj inteligenciji u zdravstvu, dok su savezne države Arizona, Maryland, Nebraska i Texas već krenule prema ograničavanju ili nadzoru upotrebe umjetne inteligencije u odlukama zdravstvenog osiguranja.
Maloprodaja na prvi pogled izgleda jednostavnije. Agenti mogu pratiti zalihe, uvjete dobavljača, promocije i signale za cijene. Ali složenost nije u tome da se otkrije problem s cijenom. Složenost je u tome smije li agent promijeniti cijenu, tko to odobrava, što se događa ako su izvorni podaci pogrešni i kako poslovanje kasnije objašnjava tu odluku.
U tehnologiji za ljudske resurse glavna su pitanja objašnjivost i usklađenost. Agenti mogu pomoći u pregledu profila, pripremi sažetaka kandidata i podršci regruterima. No procesi zapošljavanja već su regulirano područje. New York City zahtijeva od poslodavaca koji koriste automatizirane alate za donošenje odluka o zapošljavanju da provedu revizije pristranosti i pruže propisane obavijesti. U Europi članak 22. GDPR-a daje osobama prava u vezi s odlukama koje se temelje isključivo na automatiziranoj obradi, ako te odluke proizvode pravne ili slično značajne učinke.
U svim tim industrijama ponavlja se isti obrazac. Sam agent nije jedina složenost. Najteže je povezati ga sa stvarnim sustavima tako da se pritom ne izgubi kontrola.
Zašto “samo ćemo dodati AI” ne funkcionira
Mnoge AI inicijative počinju istom pretpostavkom: postojeći sustav ostaje kakav jest, a sloj umjetne inteligencije samo ga čini bržim.
U demonstraciji to može izgledati uvjerljivo. U produkciji takav pristup rijetko radi stabilno.
Kaotičan proces neće postati stabilan samo zato što ga agent izvršava brže. Nedosljedni podaci i dalje vode do nedosljednih odluka. Krhke integracije pretvaraju svaki radni proces u lanac mogućih kvarova. Bez jasnih pravila odobravanja agent može prečesto stati ili nastaviti ondje gdje bi morao čekati.
Tržište je još uvijek u ranoj fazi. McKinseyjevo istraživanje State of AI 2025 pokazuje da 23% ispitanika već širi primjenu agentne umjetne inteligencije u nekim dijelovima organizacije, dok još 39% eksperimentira.
To je važna razlika. Eksperimentirati s agentima nije isto što i sigurno ih pokrenuti u ključnim poslovnim procesima.
Tvrtke koje prelaze iz pilot-projekta u produkciju obično rade mnogo više od odabira boljeg modela. One uređuju podatkovni sloj, definiraju API ugovore i odvajaju prava pristupa agenata od prava pristupa ljudi. Logika odobravanja postaje dio radnog procesa. Nadzor i putevi povrata pripremaju se prije nego što agent dotakne produkciju. Najvažnije je da tim odluči gdje je autonomija korisna, a gdje stvara nepotreban rizik.
Taj posao ne izgleda posebno atraktivno u prezentacijama. Ali upravo on određuje hoće li umjetna inteligencija postati operativna prednost ili još jedan skup pilot-projekt.
Prije uvođenja AI agenta postavite ova pitanja
Prvo pitanje nije “Kojeg dobavljača umjetne inteligencije trebamo odabrati?”
Prvo pitanje glasi: je li sustav spreman da ga koristi agent?
Gdje se nalaze ključni podaci? Može li im se pristupiti programski ili proces još uvijek ovisi o izvozima, snimkama zaslona, ručnim provjerama i nedokumentiranim zaobilaznim rješenjima?
Jesu li API-ji dokumentirani, verzionirani i testirani za obrasce automatizirane upotrebe? Vraćaju li jasne pogreške? Mogu li izdržati veći strojni promet bez narušavanja normalnog rada sustava?
Ima li agent vlastiti identitet i ograničena prava pristupa ili zapravo posuđuje pristup ljudskog korisnika?
Koje radnje agent smije izvršiti samostalno? Što mora ostati samo prijedlog? Gdje je ljudsko odobrenje potrebno svaki put?
Može li sustav objasniti što je agent učinio, koje je podatke koristio, koji je alat pozvao i tko je odobrio završni korak?
Jesu li radni procesi testirani na rubne slučajeve koje ljudi danas rješavaju zahvaljujući iskustvu, prosudbi i kontekstu koji nikada nije unesen u softver?
To nisu apstraktna pitanja o strategiji umjetne inteligencije. To su pitanja softverskog inženjerstva. AI agenti ih samo čine težima za odgađanje.
Inženjering ispod sloja inteligencije
Najvidljiviji dio poslovne umjetne inteligencije dobiva najviše pažnje: sučelje za razgovor, asistent, demonstracija koja odgovara jednostavnim jezikom.
Taj je sloj važan. Ali kvarovi u produkciji najčešće ne počinju ondje.
Agent koji stvarno poboljšava poslovanje mora raditi sa sustavima ispod površine: CRM-om, ERP-om, sustavom za praćenje kandidata, sustavom za upravljanje prijevozom, alatima korisničke podrške, repozitorijima dokumenata, financijskim sustavima i internim radnim procesima. Mora čitati prave podatke, pozivati pravi API, poštovati prava pristupa, ostavljati revizijski trag i znati kada sljedeći korak pripada čovjeku.
Taj se temelj rijetko prikazuje u demonstracijama dobavljača. Ali upravo on određuje hoće li umjetna inteligencija stvoriti stvarnu vrijednost ili ostati zaglavljena u pilot-fazi.
Allmatics radi upravo na toj razini: integracijska arhitektura, podatkovna struktura, modernizacija softvera, sigurni radni procesi i tehničko savjetovanje za proizvode koji moraju biti spremni za poslovanje vođeno umjetnom inteligencijom.
Pitanje više nije hoće li AI agenti ući u poslovni softver. Već ulaze.
Pravo je pitanje jesu li vaši sustavi spremni dopustiti im da rade tako da brzina ne postane rizik.
FAQ
Što znači da je poslovni softver spreman za AI agente?
To znači da sustav AI agent može koristiti sigurno i predvidljivo. Za to su potrebni stabilni API-ji, strukturirani podaci, ograničena ne-ljudska prava pristupa, revizijski tragovi i radni procesi odobravanja za radnje visokog rizika.
Zašto projekti s AI agentima ne uspijevaju u produkciji?
Često razlog nije sam model, nego okruženje oko njega: fragmentirani podaci, krhke integracije, zastarjela dokumentacija, nejasna prava pristupa, slab nadzor i nedostatak jasnog puta eskalacije za odluke koje zahtijevaju ljudsku provjeru.
Možemo li samo dodati AI agente na postojeći poslovni softver?
Ponekad da, ali ne bez pripreme. Ako sustav ima neuredne podatke, ručna zaobilazna rješenja, nedokumentirane API-je ili nejasne tokove odobravanja, agent će naslijediti te slabosti i može ih pojačati.
Koje industrije najviše osjećaju jaz u spremnosti za AI agente?
Logistika, zdravstvo, maloprodaja i tehnologija za ljudske resurse posebno su izloženi jer kombiniraju složene radne procese, fragmentirane sustave, regulirane odluke i visoke operativne posljedice.
Kako se tvrtka može pripremiti za AI agente?
Počnite s procjenom spremnosti: utvrdite gdje se nalaze ključni podaci, procijenite zrelost API-ja, definirajte prava pristupa agenata, razdvojite autonomne radnje od onih koje zahtijevaju odobrenje i provjerite može li se svaka radnja agenta pratiti i pregledati.