Autor: Džared Spataro (Jared Spataro), direktor marketinga u kompaniji Microsoft za korišćenje veštačke inteligencije za rad
Tokom proteklog meseca videli smo kako AI alati za programiranje počinju da preuzimaju višekorake zadatke razvoja od početka do kraja. GitHub Copilot sada može da osmisli funkcionalnosti, predloži ispravke, pokrene testove i iterira kod unutar radnog toka programera. Anthropic-ov Claude Code pokazao je sličnu višekoraknu izvedbu – planiranje izmena, pisanje i reviziju koda, kao i validaciju rezultata – dok ljudi nadgledaju ili čak spavaju. OpenAI je svoj novi GPT-5.3-Codex opisao kao „instrumentalan u sopstvenom stvaranju.“
U međuvremenu, većina kompanija i dalje koristi modele kao alate za odgovaranje na pitanja. Taj jaz – između onoga što modeli sada mogu da rade i načina na koji se zaista koriste na poslu – brzo raste.
Sledeća faza AI-a je pomak od samostalnih modela ka agentskim sistemima rada. U 2026. godini AI će sve više planirati, delovati, proveravati, revidirati i isporučivati. Do sada je najveći izazov bio jednostavno navesti ljude da koriste AI. U budućnosti, to postaje operativno pitanje: kako strukturirati, koordinirati i upravljati radom kada zadatke i čitave procese od početka do kraja autonomno izvršavaju agenti. Kvalitet modela će i dalje biti važan, ali ono što će biti presudno jeste da modeli postoje unutar sistema osmišljenog da dosledno, bezbedno i u velikom obimu isporučuje visokokvalitetne rezultate.
Ove mogućnosti već uvodimo u Microsoft Copilot – šireći ga od asistencije u zadacima ka koordinisanom izvršavanju unutar alata koje ljudi svakodnevno koriste.
Planeri i izvršioci obavljaju posao
Agentski sistem rada je niz agenata, podržanih alatima, postavljenih da sarađuju i dovršavaju zadatke. Na osnovnom nivou, ovi sistemi imaju dve uloge: planere i izvršioce. Spoljašnja petlja planer-agenta uzima cilj, razlaže ga na korake i dodeljuje te korake izvršiocima ili determinističkim alatima – poput baze podataka ili kalkulatora – da bi se zadatak obavio. Unutrašnja petlja izvršilaca sprovodi te korake – piše kod, analizira podatke, preduzima akcije – koristeći alate tamo gde su preciznost i ponovljivost ključni. Planeri zatim proveravaju napredak i odlučuju šta sledi.
Ova struktura je relativno jednostavna, ali je presudna jer omogućava AI sistemima da ostanu usmereni tokom vremena: da planiraju, izvršavaju, proveravaju svoj rad i oporave se kada nešto pođe po zlu. Elementi ovoga već se mogu videti u GitHub Copilot-u danas. Programer može da opiše izmenu, da Copilot generiše implementaciju, pokrene testove, odgovori na greške i iterira – sve unutar razvojnog okruženja. Ovi alati su i dalje vođeni ljudima, ali pokazuju kako višekorakno izvršavanje postaje direktno ugrađeno u radne tokove. Claude Code je pokazao sličnu višekoraknu izvedbu izvan IDE-a, jasno ukazujući na pravac u kojem se ovo kreće.
Pravi agentski sistemi rada omogućiće da čitave funkcije pređu sa asistencije po zadatku na end-to-end izvršavanje, od marketinga i finansija do operacija i korisničke podrške.
Od asistenata ka agentskim sistemima rada
Planeri i izvršioci koordiniraju kako bi se od cilja stiglo do ishoda – izvršavajući zadatke od početka do kraja bez potrebe da ljudi orkestriraju svaki korak.
Od ekspertize ka izvršavanju
Prava vrednost agentskog sistema rada leži u sposobnosti da se od cilja stigne do ishoda bez potrebe da ljudi koordiniraju svaki korak. Upravo to podiže AI sa nivoa asistenta na operativni sloj.
Ova promena jasno pokazuje problem sa kojim se većina organizacija suočava. AI nije zakočen zato što modeli ne mogu da urade više. Zakočen je zato što je rad i dalje osmišljen oko ljudi koji donose sve odluke. Kao rezultat, lideri vide mnogo aktivnosti – nacrta, pilot-projekata, eksperimenata – ali vrlo malo kumulativnog napretka.
Dok se radni tokovi ne promene, napredak će ostati postepen, bez obzira na to koliko tehnologija postane sposobna.
U praksi, sistem rada se ponaša manje kao jedan alat, a više kao dobro vođen tim: cilj ulazi u sistem. Koordinacioni sloj ga prevodi u korake, usmerava svaki korak ka odgovarajućem agentu, procenjuje rezultate prema definisanim kriterijumima i odlučuje šta treba da se desi sledeće. Ako nešto ne uspe, sistem ponavlja pokušaj, eskalira ili traži ljudski unos. Kada nešto uspe, sistem beleži ono što je naučio – uspešne pristupe, korisne signale, rešene granične slučajeve – i koristi taj kontekst da informiše sledeće izvršavanje.
Upravo u tom pravcu Copilot evoluira: od izolovane asistencije po zadatku ka koordinisanom izvršavanju kroz čitave radne tokove.
Šta sve ovo znači za lidere
Prelazimo od modela koji „znaju“ ka sistemima koji izvršavaju – kategoriji promene koja je suštinski drugačija. To je ponovno usmeravanje načina na koji se rad obavlja.
Većina lidera ne počinje sa jasnom mapom svojih radnih tokova. To je normalno. Rad se godinama nagomilavao kroz timove, alate i predaje zadataka koje niko u potpunosti ne poseduje. Praktična polazna tačka nije da se sve iznova dizajnira, već da se krene od jednog ponavljajućeg ishoda i prati kako se on zapravo ostvaruje. Bilo da je u pitanju lansiranje kampanje, zatvaranje tiketa ili objavljivanje funkcionalnosti, postavljaju se pitanja:
- Gde se rad odlaže?
- Gde ljudi uskaču samo da bi stvari išle dalje?
- Gde napredak zastaje zato što koordinacija radnog toka postoji samo u glavama ljudi?
Agentski sistemi rada su važni jer čine te slabe tačke vidljivim za redizajn. Oni liderima daju način da pređu sa izolovanih AI eksperimenata na operativne mehanizme koji mogu da nose rad napred. Tako ova promena postaje primenljiva: jedan radni tok po jedan.
Ako želite još uvida o veštačkoj inteligenciji i budućnosti rada, pretplatite se na ovaj bilten.
Džared Spataro (Jared Spataro) je direktor marketinga u kompaniji Microsoft za korišćenje veštačke inteligencije za rad. Ovaj članak je preuzet iz Džaredovog biltena na platformi LinkedIn „AI@Work“ („Korišćenje veštačke inteligencije za rad“).
Pretplatite se odmah.
