AI kot avtonomni agent ali kot člen v procesu?

Povzetek vsebine

Ali naj AI v podjetjih deluje kot avtonomni agent ali kot inteligenten člen znotraj jasno orkestriranih poslovnih procesov?

• Zakaj so AI agenti trenutno tako zanimivi za podjetja?
• Arhitektura AI sistemov
• Problem: podjetja ne živijo od eksperimentov
• Stohastični agenti proti determinističnim workflowom
• OpenClaw proti n8n logiki
• Kje so agenti uporabni?
• Zakaj bodo podjetja gradila hibride?
• Izbira naj ne bo “AI ali proces”
• Vpeljava z metodologijo AIVaaS

Danes, ko se vsi igramo z raznimi OpenClaw, Hermes in podobnimi agentnimi sistemi, postaja hitro jasno, kako zmogljivi postajajo AI agenti, povezani z mnogimi orodji, API-ji in inteligentnimi LLM modeli.

Včasih dobiš občutek, da ne uporabljaš več orodja, ampak nekakšnega digitalnega sodelavca, ki zna raziskovati, uporabljati aplikacije, sprejemati odločitve in sam iskati poti do cilja. Posebej zanimivo postane, ko agente povežemo še z drugimi agenti, workflow sistemi ali dejanskimi poslovnimi procesi. Takrat se začne meja med avtomatizacijo in “digitalnim zaposlenim” precej hitro megliti.

Danes lahko AI agent:

• odgovarja strankam na spletni strani, na primer RAG agent na naslovni strani agital.si,
• komunicira prek WhatsAppa, kjer imam na telefonu kanal s svojim OpenClaw agentom, ki mu narekujem ukaze in navodila, on pa jih izvršuje in mi poroča o opravljenem delu,
• uporablja terminal, na primer Gemini CLI, ki sem ga angažiral, da trnutno že 20 minut temeljito lektorira moje članke na javnem portalu,
• raziskuje in piše dokumentacijo, na primer Clade za reverse-engineering programske kode v .md specifikacije,
• odpira tickete in jih tudi pripelje do PR,
• pripravlja ponudbe,
• ali celo vodi večagentski prodajni pogovor, kot v primeru Avtomatizacija PRODAJE z AI agenti? Preverite demo v živo.

Po drugi strani pa se odpira precej pomembno vprašanje. Ali lahko podjetja resnično prepustijo ključne procese agentu, ki deluje stohastično in pogosto precej nepredvidljivo? Ali pa je AI trenutno bolj smiseln kot inteligenten člen znotraj orkestriranega procesa, kjer še vedno obstajajo pravila, validacije in jasni tokovi dela? Mislim, da je odgovor precej bolj kompleksen od trenutnega AI hype-a.

Zakaj so AI agenti trenutno tako zanimivi za podjetja?

Sodobni agentni sistemi niso več samo okorni klepetavi “chatboti”, ki odgovarjajo na vprašanja. Ko OpenClaw, Hermes ali podobni sistemi dobijo dostop do terminala, GitHuba, dokumentacije, API-jev ali baz podatkov, postanejo nekaj precej bolj zanimivega. Agent lahko sam raziskuje problem, izbira naslednje korake, uporablja različna orodja in poskuša priti do cilja po principu “best effort”. Včasih se obnaša skoraj kot junior sodelavec, ki sicer še ni popolnoma zanesljiv, zna pa presenetiti s kakšno zelo dobro idejo ali rešitvijo.

Najbolj fascinantno je, da agent večinoma:

• sam išče informacije,
• raziskuje različne poti,
• predlaga alternative,
• povezuje več virov podatkov,
• in improvizira na način, ki ga klasična avtomatizacija ali celo človek ne zna.

Zanimivo je tudi opazovati, kako hitro ljudje začnemo agentom pripisovati “osebnost” ali občutek inteligence. Ko agent sam raziskuje dokumentacijo, testira API-je ali poskuša popraviti napako v kodi, hitro dobiš občutek, da “razmišlja”. Seveda v ozadju še vedno govorimo o statističnih modelih in verjetnostih, ampak uporabniška izkušnja je že danes precej drugačna kot pri klasičnih avtomatizacijah. In ravno zato je trenutni val AI agentov tako fascinanten.

Arhitektura AI sistemov

Ko danes govorimo o AI agentih, pogosto govorimo predvsem o “osebnosti” ali sposobnostih samega LLM modela. V praksi pa uporabna poslovna vrednost običajno ne nastane zaradi samega modela, ampak zaradi celotne agentske arhitekture okoli njega. Ravno arhitektura določa, katere podatke agent vidi, katera orodja lahko uporablja, kako sprejema odločitve, kako dolgo si zapomni kontekst in kakšne omejitve ima pri izvajanju nalog.

Sodobni AI sistemi danes pogosto vključujejo:

• LLM modele,
• RAG arhitekturo z vektorskimi bazami,
• workflow orkestracijo,
• API povezave,
• spomin (memory),
• orodja za izvajanje nalog,
• večagentsko logiko,
• in poslovna pravila ali validacije.

Posebej pomemben postaja RAG (Retrieval-Augmented Generation), kjer agent ne temelji samo na “znanju modela”, ampak aktivno išče informacije v interni dokumentaciji, bazah znanja, ERP-jih, CRM-jih ali drugih podatkovnih virih podjetja. Ravno zaradi tega lahko AI agent danes odgovarja precej bolj kontekstno in uporabno kot klasičen chatbot brez dostopa do dejanskih poslovnih podatkov.

Ko temu dodamo še workflow sisteme, kot je n8n, memory sloje, API integracije in večagentske pristope, začnemo graditi precej kompleksne AI ekosisteme. In ravno tukaj se danes skriva največji potencial sodobnih AI sistemov — ne samo v enem “pametnem modelu”, ampak v dobro orkestrirani agentski arhitekturi.

Problem: podjetja ne živijo od eksperimentov

Večina podjetij pa ne deluje kot raziskovalni laboratorij ali startup hackathon. Podjetja ustvarjajo vrednost skozi predvidljive procese, odgovornosti, sledljivost, kontrolo in ponovljivost. Finančni proces, odobritev ponudbe, obračun, logistika ali produkcijski deployment običajno niso področja, kjer bi si želeli “presenečenja”. Tam podjetja še vedno potrebujejo stabilnost in transparentnost.

Poslovanje podjetij danes v veliki meri temelji na procesih. Nekateri so formalizirani v ERP, CRM ali MES sistemih, drugi obstajajo kot metodologije, navodila, procedure ali dolgoletne prakse ekip. Veliko podjetij ima na spletnih straneh konfiguratorje, naročniške portale, obrazce, kalkulatorje in druge digitalne vstopne točke, ki so že danes povezane z notranjimi sistemi. Poleg tega se poslovanje pogosto izvaja še prek API in EDI povezav s strankami, dobavitelji, partnerji, logistiko ali zunanjimi informacijskimi sistemi.

Velik del poslovanja pa še vedno temelji tudi na nenapisanih medosebnih dogovorih, pragmatičnih ad-hoc odločitvah in občutku ljudi, kdaj je smiselno proces prilagoditi ali ga v določenem trenutku celo delno ignorirati. To ni nujno slabost podjetij, ampak realnost poslovanja. Ljudje v podjetjih pogosto vedo, kdaj je treba slediti pravilom in kdaj je treba zaradi stranke, roka ali posebne situacije poiskati pragmatično rešitev. Ravno ta kombinacija formalnih sistemov in neformalnega znanja je velik del dejanskega delovanja organizacij.

In ravno tukaj je zanimiv paradoks sodobnega poslovanja. Po eni strani podjetja potrebujejo fleksibilnost, improvizacijo in prilagajanje realnim situacijam. Po drugi strani pa njihova sposobnost dolgoročnega ustvarjanja vrednosti za stranke temelji predvsem na stabilnosti procesov, metodologijah, ponovljivosti in predvidljivosti izvajanja storitev ali proizvodnje.

Podjetja običajno potrebujejo:

• audit trail,
• validacije,
• odobritvene korake,
• sledljivost odločitev,
• jasne odgovornosti,
• integracije z ERP, CRM, MES in drugimi sistemi,
• nadzor nad API in EDI povezavami,
• in možnost analize napak.

In tukaj se začne konflikt med klasično avtomatizacijo in agentnim pristopom. Če AI agent sam spreminja način izvajanja procesa, improvizira ali sam izbira naslednje korake, se zelo hitro odpre vprašanje odgovornosti. Kdo je odgovoren, če agent pošlje napačno ponudbo, napačno interpretira pogodbo, napačno naroči material ali napačno odgovori stranki? Ravno zato mislim, da bo v podjetjih še dolgo precej prostora za deterministične workflowe in orkestrirane procese.

Stohastični agenti proti determinističnim workflowom

Klasični workflow sistemi, kot je n8n, temeljijo na precej deterministični logiki. Če se zgodi A, naredi B, nato pokliči C, shrani rezultat in pošlji obvestilo. Proces je jasno viden, koraki so transparentni, napake je mogoče analizirati in skoraj vedno lahko vidiš, zakaj je prišlo do določenega rezultata. To je logika, na kateri danes stoji velik del poslovnega sveta.

Workflow sistemi so odlični za:

• integracije med sistemi,
• avtomatsko obdelavo podatkov,
• ponovljive procese,
• validacije,
• notifikacije,
• povezovanje spletnih obrazcev z zalednimi sistemi,
• povezave z ERP, CRM, MES, API in EDI sistemi,
• in orkestracijo poslovnih pravil.

Agentni sistemi pa delujejo precej drugače. Agent razmišlja, izbira orodja, improvizira, raziskuje in pogosto sam določa naslednje korake. To omogoča precej večjo fleksibilnost in potencialno eksponentno ustvarjanje vrednosti, hkrati pa prinese tudi večjo nepredvidljivost. In zanimivo je, da je ravno ta nepredvidljivost včasih največja prednost agentov, posebej pri raziskovanju ali reševanju problemov, kjer ni ene same pravilne poti.

OpenClaw proti n8n logiki

Ko danes primerjamo OpenClaw ali Hermes z n8n logiko, v resnici primerjamo dva precej različna pogleda na avtomatizacijo. Pri OpenClaw ali Hermes je agent v središču sistema. Sam raziskuje, izbira naslednje korake, uporablja orodja in poskuša priti do cilja tudi, če pot ni popolnoma definirana. Pri n8n pa je v središču proces. Koraki so znani, validacije so definirane, AI pa je pogosto le ena izmed komponent znotraj večjega workflowa.

To se lepo vidi tudi v praksi. Večagentski prodajni sistem na spletni strani lahko deluje zelo inteligentno, dokler agent vodi pogovor, raziskuje potrebe uporabnika in poskuša razumeti kontekst. Ko pa pride do dejanskega naročila, potrditve ponudbe, pošiljanja pogodbe ali zapisa v CRM, podjetja običajno še vedno želijo workflow z validacijami, pravili in jasnimi kontrolnimi točkami. Podobno velja za konfiguratorje na spletnih straneh, kjer lahko AI pomaga pri svetovanju, a mora končni izračun, validacija konfiguracije ali oddaja naročila slediti jasnim poslovnim pravilom.

Podobno je pri AI tajnici na WhatsAppu ali telefonu:

• agent vodi pogovor,
• razume kontekst,
• išče informacije,
• odgovarja stranki,
• predlaga termine,
• workflow pa določa pravila in omejitve.

Vidik	OpenClaw / Hermes / agentni pristop	n8n / workflow pristop
Glavno središče	Agent	Proces
Način delovanja	Stohastičen, raziskovalen	Determinističen, orkestriran
Odločanje	Agent sam izbira naslednje korake	Koraki so vnaprej določeni
Uporaba orodij	Dinamična in prilagodljiva	Vnaprej definirana
Predvidljivost rezultata	Nižja	Višja
Transparentnost procesa	Pogosto težje sledljiva	Jasno vidni koraki
Eksperimentiranje	Zelo močno	Omejeno na definirane tokove
Stabilnost v produkciji	Lahko niha	Običajno stabilnejša
Največja prednost	Odkrije nepričakovane rešitve	Zanesljivo izvaja procese
Največje tveganje	Nepredvidljivo vedenje	Togost procesa

Kje so agenti uporabni?

Pri nejasnih, nestrukturiranih problemih lahko agenti ustvarijo ogromno vrednosti. Če podjetje raziskuje nov produkt, nov poslovni model, novo arhitekturo ali prototip, lahko agent zelo hitro preizkusi ogromno različnih poti. Včasih bo naredil napako, včasih bo izbral čuden pristop, včasih pa bo odkril rešitev, do katere ekipa nikoli ne bi prišla. In ravno zato so agenti tako zanimivi za discovery faze in raziskovalni razvoj.

Agenti lahko zelo pomagajo pri:

• raziskovanju idej,
• AI-assisted developmentu,
• prototipiranju,
• analizi dokumentacije,
• primerjavah tehnologij,
• generiranju konceptov,
• odkrivanju lukenj v obstoječih procesih,
• ali hitri validaciji rešitev.

To postane posebej zanimivo pri razvoju programske opreme. Agent lahko raziskuje dokumentacijo, primerja knjižnice, generira prototipe, preverja API-je in testira različne pristope bistveno hitreje kot človek. Če ga postavimo v “peskovnik”, kjer lahko eksperimentira brez večjega tveganja za podjetje, lahko ustvari ogromno vrednosti. Problem običajno nastane šele takrat, ko želimo enako logiko brez omejitev preseliti neposredno v produkcijske procese.

Zakaj bodo podjetja gradila hibride?

Zelo verjetno je, da bomo gradili hibridne sisteme, kjer bo workflow določal okvir, pravila, validacije, omejitve in varnost, agent pa bo znotraj tega okvirja raziskoval, optimiziral, analiziral ali izvajal kompleksnejše naloge. To je precej bližje realnosti podjetij kot ideja, da bo agent popolnoma samostojno vodil celoten poslovni sistem. Podjetja že imajo ERP-je, CRM-je, MES-e, spletne konfiguratorje, API povezave, EDI izmenjave in veliko neformalnega znanja v glavah ljudi. AI mora vstopiti v ta svet, ne pa se delati, da ta svet ne obstaja.

V praksi to pomeni:

• agent za komunikacijo,
• workflow za validacijo,
• ERP, CRM ali MES kot sistemski vir resnice,
• API ali EDI povezave za izmenjavo podatkov,
• človek za končno odločitev,
• in AI kot inteligenten člen procesa.

To že danes vidimo v praksi. AI agent na spletni strani vodi začetni pogovor s stranko, workflow pa nato skrbi za CRM zapis, validacijo podatkov, odpiranje ticketov ali pošiljanje ponudb. Agent na WhatsAppu vodi komunikacijo kot tajnica, workflow pa določa, kdaj mora pogovor prevzeti človek. Agent lahko raziskuje in predlaga rešitve, medtem ko workflow še vedno skrbi za varnost in stabilnost sistema.

Izbira naj ne bo “AI ali proces”

Trenutni AI val je zelo usmerjen v idejo popolnoma avtonomnih agentov. In ja, impresivno je gledati, kako agent sam raziskuje dokumentacijo, piše kodo ali uporablja orodja. Ampak podjetja bodo še dolgo potrebovala predvidljivost, sledljivost, odgovornost in stabilne procese. Posebej tam, kjer govorimo o denarju, pogodbah, pravnih obveznostih, proizvodnji, dobavnih verigah ali produkcijskih sistemih.

Verjetno bomo v prihodnjih letih gledali:

• več AI agentov,
• več orkestracije,
• več hibridnih sistemov,
• več večagentskih setupov,
• več povezav z ERP, CRM, MES in drugimi sistemi,
• več AI podpore v spletnih konfiguratorjih, portalih in obrazcih,
• in precej več povezovanja med AI in dejanskimi poslovnimi procesi.

Predvidevam, da AI v podjetjih vsaj kratkoročno ne bo nadomestil procesov. Bolj verjetno je, da bo postal inteligenten sodelavec znotraj njih. In morda je ravno to trenutno najbolj realistična smer razvoja: ne popolnoma avtonomni AI sistemi, ampak dobro orkestrirani hibridi med agenti, ljudmi, informacijskimi sistemi in procesi.

Vpeljava z metodologijo AIVaaS

Pri implementaciji kompleksnih AI avtomatizacij in AI agentov delujem v ekipi AIVaaS, se loti projektov vpeljave AI na celovit poslovnoanalitični način v okviru širšega poslovnega sistema naročnika, kjer morajo AI, procesi, ljudje, ERP/CRM sistemi in dejansko poslovanje delovati usklajeno. Celovit strokoven pristop se izkazuje kot najbolj realistična in uporabna smer uvajanja AI v podjetja.