Vrste AI agenata, od prostih do inteligentnih

Postoji pet klasičnih tipova AI agenata, poređanih od najjednostavnijeg do najsloženijeg: prost refleksni agent, agent sa modelom sveta, agent usmeren na cilj, agent usmeren na korist i agent koji uči, onaj koga ljudi obično imaju na umu kad kažu inteligentni agent. Razlika između njih je u tri stvari: da li pamte prethodna stanja, da li unapred planiraju korake i da li menjaju svoje ponašanje na osnovu iskustva. Ispod je objašnjenje svakog tipa sa konkretnim primerima, i kratak osvrt na to što se danas zove agentic AI, kad više agenata radi zajedno na istom zadatku.

Prost refleksni agent: reaguje, ne pamti

Najjednostavniji tip agenta radi po pravilu "ako se desi X, uradi Y", bez ikakvog pamćenja prethodnih situacija. Termostat je školski primer: kad temperatura padne ispod zadate vrednosti, uključi grejanje, kad poraste iznad nje, isključi ga. Agent ne zna šta se desilo pre pet minuta ni šta će se desiti posle, samo reaguje na trenutno stanje senzora.

U softveru se ovaj tip javlja kod jednostavnih chatbot skripti koje prepoznaju ključnu reč u poruci i vraćaju unapred definisan odgovor, bez konteksta prethodnih poruka u razgovoru. Takav agent je jeftin za izradu, ali brzo zapne čim korisnik postavi pitanje koje nije bukvalno predviđeno pravilom.

Agent sa modelom sveta: pamti kontekst

Sledeći korak je agent koji u sebi nosi neku vrstu modela okruženja, interno predstavljanje onoga što se do sada desilo, pa odluku donosi na osnovu trenutnog opažaja i tog pamćenja. Primer je chatbot koji se seća da ste tri poruke ranije pomenuli da pišete na srpskom, pa ne prevodi odgovor na engleski, ili robot usisivač koji pamti koje je sobe već očistio u ovom krugu čišćenja.

Ovaj tip agenta rešava jedan konkretan problem prostog refleksnog agenta, nemogućnost da se snađe kad informacija sa senzora u datom trenutku nije dovoljna za odluku. Okruženje je delimično vidljivo, a model popunjava rupe iz ranijeg iskustva.

Agent usmeren na cilj: planira korake

Agent usmeren na cilj ne samo da pamti stanje, već unapred planira niz koraka koji vode do određenog ishoda. Navigacioni sistem je najjasniji primer: kad unesete odredište, agent ne reaguje na svaki semafor posebno, već unapred izračuna celu rutu, pa je prilagođava ako naiđe na zatvoren put.

Viber i WhatsApp chatbotovi koje firme u Srbiji danas naručuju za zakazivanje termina ili odgovaranje na upite rade upravo po ovom principu: imaju definisan cilj razgovora (zakazan termin, prosleđen upit prodaji) i unapred postavljeno drvo mogućih koraka kojim do njega dolaze, što je detaljnije opisano u vodiču o ceni Viber i WhatsApp chatbota za firmu. Razlika prema prostom refleksnom agentu je očigledna: ovde postoji plan, ne samo reakcija.

Agent usmeren na korist: bira najbolju opciju, ne samo bilo koju

Dostizanje cilja nije uvek dovoljno, često postoji više načina da se do njega dođe, a neki su bolji od drugih. Agent usmeren na korist svakom mogućem putu dodeljuje neku vrstu ocene, brzina, cena, bezbednost, pa bira onaj sa najvišom ukupnom ocenom, ne samo prvi koji vodi do cilja.

Navigacioni sistem koji pita da li želite najbrži put, put bez putarine ili put sa najmanje gužve je u suštini agent usmeren na korist: cilj je isti (odredište), ali agent balansira više kriterijuma odjednom. U poslovnoj primeni, ovako radi sistem koji automatski raspoređuje isporuke po više vozila tako da ukupna cena goriva i vreme budu najmanji mogući, ne samo da svaka isporuka nekako stigne na adresu.

Agent koji uči, inteligentni agent u pravom smislu reči

Kad ljudi kažu inteligentni agent, obično misle na ovaj peti tip: agent koji menja svoje ponašanje na osnovu rezultata ranijih odluka, bez da mu neko rukom prepisuje pravila. Ima element koji donosi odluku i element koji uči iz povratne informacije, uspeh ili neuspeh prethodne akcije, pa prilagođava buduće odluke.

Sistemi za preporuke su najrašireniji primer, servis koji predlaže sledeći video ili proizvod na osnovu toga šta ste gledali i šta se pokazalo da vam se dopalo, pa se ta preporuka vremenom poboljšava bez ručnog podešavanja pravila. Isto važi za agente koji igraju igre na visokom nivou: ne dobijaju unapred napisanu strategiju, već je razvijaju kroz hiljade partija.

Ovde spadaju i savremeni agenti izgrađeni nad velikim jezičkim modelima, poput onih koje Claude, ChatGPT ili Gemini pokreću kroz alate i funkcije: ne prate fiksan scenario, već na osnovu zadatka sami odlučuju koji alat da pozovu, pretragu, kalkulator, bazu podataka, i koriguju pristup ako prvi pokušaj ne uspe. Pregled kako takvi agenti danas izgledaju u razvoju softvera dat je u tekstu o poređenju AI alata za programiranje, a osnove pojma su objašnjene u vodiču šta je AI agent.

Kad se agenti udružuju: agentic AI i multiagentski sistemi

Svih pet tipova iznad opisuje jednog agenta koji radi sam. Novija literatura pravi razliku između pojedinačnog AI agenta i agentic AI, situacije kad više specijalizovanih agenata radi zajedno na istom zadatku, jedan prikuplja podatke, drugi ih analizira, treći piše izveštaj, a orkestracioni sloj koordiniše ko radi šta i kojim redom.

U praksi to već postoji u alatima koji jedan upit razlažu na podzadatke i dodeljuju ih različitim specijalizovanim agentima, umesto da sve radi jedan univerzalni model. Za firme u Srbiji koje razmišljaju o uvođenju ovakvih sistema, pregled ponude i cena na domaćem tržištu dat je u tekstu ko pravi AI agente u Srbiji i koliko to košta.

Kako da prepoznate koji tip agenta imate pred sobom

Najpraktičnije pitanje nije akademska definicija, već tri konkretna: pamti li agent prethodne poruke ili akcije, planira li unapred više koraka ili reaguje na svaki trenutak posebno, i menja li svoje ponašanje tokom vremena na osnovu rezultata. Odgovori na ta tri pitanja vas tačno smeštaju u jedan od pet opisanih tipova, bez obzira na to kako proizvođač marketinški naziva svoj proizvod. Opisi poput "AI agent", "inteligentni agent" ili "autonomni agent" se u reklamnim materijalima često koriste bez razlike, pa je korisno sami proveriti koju od te tri osobine proizvod zaista ima.

Pet tipova u jednom pregledu

Tabela ispod sažima tri pitanja iz prethodnog poglavlja za svaki tip, pa se vidi gde je svaki agent dobija dodatnu osobinu u odnosu na prethodni.

Tip agenta	Pamti prošlost	Planira unapred	Uči iz iskustva	Primer
Prost refleksni	Ne	Ne	Ne	Termostat
Sa modelom sveta	Da	Ne	Ne	Robot usisivač
Usmeren na cilj	Da	Da	Ne	Navigacija do adrese
Usmeren na korist	Da	Da	Ne	Navigacija sa izborom rute
Koji uči	Da	Da	Da	Sistem za preporuke

Vredi primetiti da nijedan tip ne gubi osobine prethodnog, peti tip ih sve ima istovremeno: pamti, planira i učenjem popravlja sopstvene planove. Zato se u praksi retko vidi čist primer nekog tipa, većina proizvoda koji se danas prodaju kao AI agenti kombinuju bar dva od ovih pet obrazaca, u zavisnosti od toga koji deo zadatka rešavaju u datom trenutku.