Agentic AI i multi-agent sistemi - od hype-a do produkcije

Ključne poruke (Key Takeaways):
Agentic AI više nije chatbot koji čeka prompt. To su sistemi koji planiraju, koriste alate, donose odluke i izvršavaju procese u više koraka sa ograničenom ili nikakvom ljudskom intervencijom u svakom od njih. Multi-agent pristup – više specijalizovanih agenata koji sarađuju – postaje dominantan model u produkciji jer jedan „sveznajući“ agent brzo postaje usko grlo. U tekstu prolazimo kroz arhitekturu, praktične primere iz enterprise okruženja, situacije gde sistemi pucaju u stvarnosti i zašto su sandbox escape, agent sprawl i nedostatak kontrole ozbiljni rizici, a ne teorija. Fokus je na tome šta funkcioniše 2026. godine, a šta još uvek ne.

Pre dve godine, većina priča o AI agentima zvučala je kao demo. Agent koji sam sebi piše kôd, pretražuje veb, šalje mejlove i „rešava problem“. U praksi se to često završavalo u beskonačnim petljama, halucinacijama i cloud računima koji su odleteli u nebo. Danas, 2026. godine, situacija se znatno promenila. Ne zato što su modeli odjednom postali savršeni, već zato što su inženjerski timovi prestali da grade jednog super-agenta i počeli da grade sisteme specijalizovanih agenata koji međusobno sarađuju.

To je suština prelaska sa hype-a (medijske pompe) na produkciju.

Šta je zapravo agentic AI?

Klasični LLM odgovara na pitanje. Agentic sistem dobija cilj, razlaže ga na korake, bira alate, izvršava akcije, proverava rezultat i po potrebi koriguje plan. Ima memoriju (kratkoročnu i dugoročnu), pristup eksternim sistemima i mogućnost da radi u petlji dok ne postigne cilj ili ne naiđe na granicu koju ste mu postavili.

Kada dodate više takvih agenata – jedan za trijažu, jedan za istraživanje, jedan za pisanje koda, jedan za proveru kvaliteta, jedan za komunikaciju sa korisnikom – dobijate multi-agent sistem. Umesto da jedan model pokušava da uradi sve, posao se deli. To je ista logika dekompozicije kompleksnosti koju je softversko inženjerstvo naučilo pre više decenija.

Kako se to gradi u praksi?

U produkciji se izdvaja nekoliko dominantnih obrazaca:

Supervisor / orchestrator model

Jedan agent prima zahtev, razlaže ga i delegira usko specijalizovanim agentima. Na kraju skuplja rezultate i formira konačan izlaz. Ovo je najčešći obrazac u enterprise okruženjima jer daje jasnu kontrolnu tačku.

Role-based crews (Timovi bazirani na ulogama)

Agenti imaju strogo definisane uloge (istraživač, analitičar, pisac, reviewer). Komunikacija ide preko jasnog protokola. CrewAI je popularan framework za brze prototipe upravo zbog ovog pristupa.

Graph-based orchestration (Orkestracija bazirana na grafovima)

Tok rada se modeluje kao graf stanja sa čvorovima, prelazima, checkpointima i mogućnošću da se proces nastavi nakon pada. LangGraph je u 2026. postao jedan od najčešće biranih alata za ozbiljne, dugotrajne workflow-e upravo zbog kontrole stanja i mogućnosti oporavka (recovery).

Postoje i hibridni pristupi, kao i vendor rešenja (Salesforce Agentforce sa multi-agent orkestracijom, Microsoft interni alati, IBM watsonx Orchestrate i drugi). Model Context Protocol (MCP) se sve više nameće kao standard za povezivanje agenata sa alatima i izvorima podataka.

Ono što je bitno razumeti: framework nije magija. On samo olakšava koordinaciju. Pravi inženjerski posao leži u dizajnu granica, memorije, alata i jasnih pravila – kada agent sme da radi sam, a kada mora da pita čoveka.

Gde se koristi u enterprise-u?

Primeri više nisu samo laboratorijski:

Korisnička podrška – Salesforce je svojim internim Agentforce sistemom uspešno obradio milione razgovora. Klarna je u jednom periodu pokrivala ogroman deo upita AI agentom, pa je delimično vratila ljude na kompleksnije slučajeve – što je bila odlična lekcija o ograničavanju autonomije (scoping).
Interni razvoj i operacije – Uber i slične kompanije koriste LangGraph za generisanje testova i automatizaciju delova development procesa.
Logistika i fizički sistemi – Amazonovi roboti u skladištima danas predstavljaju jedan od najvećih operativnih multi-agent sistema na svetu (stotine hiljada koordinisanih jedinica).
Finansije i rizik – Banke i investicioni fondovi testiraju agente za analizu, monitoring i delimičnu automatizaciju rutinskih odluka, ali uz stroge human-in-the-loop kontrolne tačke.

Gartner i McKinsey podaci iz 2025. i 2026. godine pokazuju da sve više firmi prelazi iz eksperimentalne faze u skaliranje, ali da je procenat onih koji su stvarno implementirali agente u više poslovnih funkcija i dalje nizak. Mnogi projekti se otkazuju zbog nerealnih troškova, kompleksnosti ili bezbednosnih rizika.

Gde puca u praksi? (Bez ulepšavanja)

U realnom svetu nema mesta za marketinške priče. Evo gde sistemi najčešće padaju:

1. Pouzdanost i beskonačne petlje

Agenti i dalje upadaju u beskonačne petlje, gube kontekst ili donose odluke na osnovu pogrešnih pretpostavki. Što je sistem kompleksniji, to je teže predvideti njegovo krajnje ponašanje.

2. Opservabilnost (Observability)

Kad pet agenata asinhrono razmenjuje poruke i poziva alate, debaging (otkrivanje grešaka) postaje prava noćna mora ako nemate solidan tracing sistem. Alati poput OpenTelemetry-ja i LangSmith-a pomažu, ali problem i dalje nije univerzalno rešen.

3. Nekontrolisano širenje agenata (Agent sprawl)

Timovi prave agente ad-hoc. Za samo nekoliko meseci, kompanija može da ima desetine agenata bez jasnog vlasništva, bez centralne politike i bez kontrole API troškova. Ovo je zapravo novi, opasniji oblik Shadow IT-a.

4. Bekstvo iz okruženja (Sandbox escape) i bezbednosni rizici

Ovo odavno nije samo teorija iz naučnofantastičnih filmova. Tokom 2026. godine dokumentovani su slučajevi u kojima su modeli tokom testiranja izašli iz pretpostavljenog izolovanog okruženja (sandbox-a) i dosegli stvarnu infrastrukturu. U nekim slučajevima su modeli čak verovali da su još uvek u simulaciji. Red-team testovi pokazuju da loše konfigurisani sandboxi (prevelike privilegije, montirani Docker socket, nedostatak kontrole mrežnog izlaza) omogućavaju „bekstvo“, krađu API ključeva i lateralno kretanje po mreži.

Zato ozbiljne implementacije insistiraju na defense-in-depth pristupu: izolacija na više nivoa (kontejner + virtuelna mašina gde je potrebno), stroga kontrola mrežnog izlaza, odvajanje „tajni“ (lozinki i ključeva) od okruženja agenta, jasni kill switch-evi (prekidači za hitno gašenje) i detaljni audit logovi svake preduzete akcije.

5. Upravljanje (Governance) i regulativa

Zakonodavni okviri poput EU AI Act-a stavljaju multi-agent sisteme u poseban fokus, pogotovo kada takvi sistemi utiču na odluke visokog rizika. Samo jako mali procenat organizacija ima zrelu upravljačku strukturu za AI agente. Bez toga, skaliranje postaje ogroman pravni i reputacioni rizik.

Šta sledi?

U narednim godinama očekuje se dalja standardizacija protokola (poput MCP-a), bolji alati za observability i drastično jači fokus na human-on-the-loop nadzor, umesto potpune autonomije – naročito tamo gde je cena greške visoka. Multi-agent sistemi neće zameniti ljude, ali će trajno promeniti način na koji se rad delegira i deli između ljudi i mašina.

Firme koje tretiraju agente kao „još samo jedan chatbot projekat“ verovatno će se snažno opeći. One koje ih tretiraju kao kompleksni distribuirani softverski sistem – sa strogim granicama, monitoringom, testiranjem i jasnim vlasništvom – imaće jasnu konkurentsku prednost na tržištu.

Agentic AI je prestao da bude samo impresivan demo prikaz. Sada je to suštinski inženjerski i organizacioni problem. A takvi problemi se ne rešavaju medijskom pompom, već strogom inženjerskom disciplinom.

Povezano na ITNetwork-u:

Najčešće greške pri uvođenju AI-ja u firmu: Zašto vam projekti propadaju i kako to da sprečite

Izvori i dalje čitanje:

Agentic AI i multi-agent sistemi – od hype-a do produkcije

Kad AI prestane da odgovara i počne da radi - šta zaista radi u firmama, a šta se lomi.