Pillar stran

Večagentni sistemi AI

Ekipa specializiranih agentov AI namesto enega splošnega chatbota. Orkestracija, večstopenjsko usmerjanje modelov LLM, epizodični spomin, nadzor stroškov in revizijska sled. Interno uporabljamo platformo HybridCrew za izvajanje storitev za stranke.

Pogovorimo se o uvedbi Oglejte si HybridCrew

Posamezen chatbot v slogu ChatGPT je orodje za splošno uporabo. Odlično razume jezik, generira besedila, odgovarja na vprašanja — vendar ko naloga zahteva zaporedje dejanj, dostop do podatkovnih baz podjetja, spomin na prejšnje interakcije ali preverjanje kakovosti, njegove omejitve postanejo očitne.

Večagentni sistem AI je drugačna arhitektura: ekipa specializiranih agentov, vsak s svojo vlogo, orodji, spominom in strategijo delovanja. Asistent direktorja klasificira pošto. Finančni kontrolor generira poročila. Security reviewer skenira kodo. Content writer piše marketinške osnutke. Vse usklajeno prek orkestratorja, ki odloča, kdo bo dobil katero nalogo.

Od kod prednost večagentnih sistemov

Specializacija v AI deluje enako kot v poslu. Namesto ene osebe, ki „zna vse po malem", boljše rezultate dosega ekipa specialistov. Agent, osredotočen na eno vrsto nalog — z optimiziranimi pozivi, ustreznim modelom LLM, dostopom do pravih orodij — opravi delo bolje in ceneje kot univerzalni model, ki poskuša uganiti kontekst iz ničesar.

Druga prednost: nadzor stroškov. Večina nalog ne zahteva najmočnejšega modela LLM. Drobne klasifikacije, generiranje predloznih vsebin, izvlek podatkov iz strukturiranih dokumentov — vse to lahko opravijo lokalni, brezplačni modeli, ki tečejo na GPU stranke. Le najbolj zapletene odločitve gredo k najmočnejšim oblačnim modelom. Tipični operativni strošek: del tega, kar bi bil pri enotni uporabi najmočnejših modelov.

Tretja: compliance in varnost. Vsak agent ima minimalne pravice (least privilege). Vsaka interakcija je zabeležena (revizijska sled). Osebni podatki se anonimizirajo pred pošiljanjem zunanjim modelom (mikrostoritev Anoxy). Celotna arhitektura je zasnovana skladno z GDPR in EU AI Act od prve vrstice kode.

Komponente podjetniškega večagentnega sistema

Devet elementov, ki morajo delovati skupaj, da je večagentni sistem primeren za produkcijsko uporabo v podjetju.

Specializirani agenti

Vsak agent ima eno odgovornost: asistent direktorja, finančni kontrolor, security reviewer, backend developer, content writer. Specializacija daje boljše rezultate kot en splošen chatbot.

Orkestrator

Centralna plast, ki odloča, kateri agent bo dobil katero nalogo. Temelji na klasifikaciji namere, razpoložljivosti agentov, stroških modelov LLM in poslovnem kontekstu.

Večstopenjsko usmerjanje LLM

Drobne naloge → lokalni model (Ollama, strošek $0). Srednje → cenejši oblačni model. Zapletene → najmočnejši oblačni modeli. Drastično znižanje stroškov brez izgube kakovosti.

Epizodični spomin

Agenti si zapomnijo, kaj so naredili prej, kakšni so bili rezultati, kaj je delovalo. Sčasoma postajajo boljši v ponavljajočih se nalogah — učijo se iz vsake interakcije.

Semantični spomin

Vektorska baza domenskega znanja (Qdrant, pgvector). Agenti lahko hitro najdejo podobne pretekle primere, referenčne dokumente, politike podjetja.

Anonimizacija podatkov (Anoxy)

Pred pošiljanjem vsebin zunanjim modelom LLM dedicirana mikrostoritev Anoxy skenira in anonimizira osebne podatke. Skladnost z GDPR brez funkcionalnih kompromisov.

Revizijska sled

Vsaka interakcija med agenti je zabeležena: kdo, komu, kaj je vprašal, kakšen odgovor je dobil, kateri modeli LLM so bili uporabljeni, kakšen je bil strošek. Popolna opazljivost.

Monitoring in nadzor stroškov

Limiti per agent, per uporabnik, per organizacija. Nadzorna plošča s stroški v realnem času. Alerti pri nenavadnih porastih porabe. Optimizacija usmerjanja na podlagi podatkov.

Eskalacija k človeku

Nizek confidence score, kritična finančna ali pravna odločitev, nenavaden primer → samodejna eskalacija k človeškemu operaterju s polnim kontekstom.

Uporabe v podjetju

Šest področij, na katerih večagentni sistemi AI dostavljajo merljivo poslovno vrednost. Vsako se uvaja kot pilot 4-8 tednov.

Asistent direktorja

Klasificira in odgovarja na e-pošto, dogovarja sestanke, pripravlja brife pred pogovori, povzema dolge dokumente, spremlja roke. Običajno prihrani direktorju 10-15 ur tedensko administracije.

Compliance in pravni monitoring

Stalen monitoring sprememb v zakonodaji, klasifikacija vpliva na podjetje, alerti pri novih obveznostih. Generiranje osnutkov poročil GDPR, EU AI Act, ISO 27001. Osnutki politik in postopkov.

Razvoj programske opreme

Pregled kode, generiranje testov, pisanje dokumentacije, refaktoring, generiranje migracij podatkovne baze. Dve do tri osebe z agenti dostavijo vrednost ekipe 8-10 ljudi.

Podpora strankam

Klasifikacija zahtevkov, samodejni odgovori na ponavljajoča se vprašanja (na podlagi baze znanja), eskalacija k človeku pri zapletenih primerih. Skrajšanje časa odgovora z ur na minute.

Analiza dokumentov

Ekstrakcija podatkov iz pogodb, faktur, ponudb. Primerjava komercialnih pogojev. Detekcija neskladij in tveganj. Generiranje povzetkov in poročil za pravno ekipo.

Prodaja in marketing

Monitoring socialnih medijev in omemb znamke, klasifikacija sentimenta, generiranje odgovorov (ki jih človek preveri pred objavo), ustvarjanje osnutkov marketinških vsebin.

Chatbot vs. večagentni sistem

Vidik	Posamezen chatbot (ChatGPT/Copilot)	Večagentni sistem
Specializacija	Splošni model, „zna vse po malem"	Specializirani agenti po domeni
Dostop do podatkov podjetja	Omejen (kopiranje v okno klepeta)	Domoroden (integracija s CRM, ERP, bazami)
Spomin	Klepetalna seja (običajno 1-2 uri)	Epizodični + semantični (trajni)
Usmerjanje stroškov	En model za vse naloge	Večstopenjsko (lokalni → oblak → premium)
Izvajanje akcij	Generira besedilo, ne izvaja akcij	Kliče API, zapisuje v baze, pošilja e-pošto
Revizijska sled	Brez (ali skopo)	Popolna — vsaka interakcija zabeležena
Anonimizacija PII	Odvisna od uporabnika	Prisilna, samodejna (Anoxy)
Compliance (GDPR, EU AI Act)	Težko dokazljiva	Vgrajena v arhitekturo

Referenčna platforma: HybridCrew

HybridCrew je interna platforma ESKOM AI, ki jo uporabljamo za zagotavljanje storitev strankam. Orkestrira desetine specializiranih agentov AI — vsak s svojo vlogo (npr. organizacijski asistent, finančni kontrolor, project manager, backend developer, security reviewer), vmesnikom v slovenskem in poljskem jeziku, dostopom do orodij in integracijami s poslovnimi sistemi.

Ključne tehnične lastnosti:

Večstopenjsko usmerjanje LLM — od brezplačnih lokalnih modelov (Ollama) do najmočnejših oblačnih modelov. Izbira modela samodejna, na podlagi zahtevnosti naloge.
Široke integracije — Gmail, Slack, Jira, Confluence, Microsoft Graph, Salesforce, Airtable in številne druge. Lahko priključimo katerikoli API stranke.
Email Intelligence — samodejna klasifikacija pošte direktorja, prepoznavanje namere, generiranje odgovorov za potrditev.
Anoxy — anonimizacija PII — dedicirana mikrostoritev, ki anonimizira osebne podatke pred pošiljanjem zunanjim modelom. Skladnost z GDPR brez kompromisov.
Epizodični in semantični spomin — agenti se učijo iz izkušenj, lahko segajo po domenskem znanju v vektorski bazi.
Monitoring stroškov — nadzorna plošča s stroški v realnem času per agent, per uporabnik, per organizacija. Limiti in alerti pri nenavadnih porastih.
EU AI Act compliance — sistem klasificiran kot AI omejenega tveganja, s polnimi obveznostmi transparentnosti (Art. 50): pasica, ki obvešča o AI, oznaka generiranih vsebin, metapodatki izvoza.

Pogosta vprašanja

Kaj je večagentni sistem?

Večagentni sistem AI je arhitektura, v kateri več ali več deset specializiranih agentov AI sodeluje pri reševanju nalog. Vsak agent ima svojo vlogo (npr. asistent direktorja, finančni kontrolor, security reviewer, backend developer), lastna orodja (API, dostop do podatkovnih baz, internet), spomin (epizodični — kaj je naredil prej, semantični — domensko znanje) in strategijo delovanja. Namesto enega splošnega chatbota podjetje dobi ekipo AI z jasno razdelitvijo odgovornosti.

V čem se to razlikuje od posameznega chatbota v slogu ChatGPT?

Posamezen chatbot se odlično znajde s preprostimi besedilnimi nalogami, vendar ko naloga zahteva: dostop do podatkovnih baz podjetja, integracijo s poslovnimi sistemi (CRM, ERP, email), izvedbo zaporedja korakov, spomin na prejšnje interakcije, preverjanje kakovosti — chatbot ne zadošča več. Večagentni sistem to rešuje s specializacijo (finančni agent pozna računovodstvo, pravni agent pozna GDPR), sodelovanjem (agenti se znajo posvetovati) in orkestracijo (mehanizem izbire, kateri agent bo dobil katero nalogo).

Katere naloge je mogoče delegirati večagentnemu sistemu?

V praksi: upravljanje koledarja in pošte direktorja, klasifikacija in odgovarjanje na e-pošto strank, spremljanje pravnih sprememb, pripravljanje finančnih poročil, pregled kode pull requestov, generiranje dokumentacije, avtomatizacija onboardinga zaposlenih, obravnava zahtevkov podpore, analiza dokumentov (pogodb, faktur, ponudb), monitoring socialnih medijev in omemb znamke, generiranje marketinških vsebin. Bolj ko je ponavljajoče in opisljivo s postopkom — bolj se prilega avtomatizaciji.

Ali so večagentni sistemi dragi za vzdrževanje?

Odvisno od arhitekture stroškov. Če vsak agent uporablja najmočnejši model LLM za vsako nalogo, mesečni strošek hitro narašča. Zato uporabljamo večstopenjsko usmerjanje modelov LLM: drobne naloge gredo k lokalnim modelom (Ollama na GPU v infrastrukturi stranke — operativni strošek blizu 0), srednje k cenejšim oblačnim modelom, le najbolj zapletene odločitve k najmočnejšim modelom. Tako tipična stranka plačuje del tega, kar bi plačala pri enotni uporabi najmočnejših modelov.

Kako agenti med seboj komunicirajo?

Dve glavni poti: sinhrona (agent A postavi vprašanje agentu B in čaka na odgovor) in asinhrona (agent A vrže nalogo v čakalno vrsto, agent B obdela v svojem tempu, agent A dobi obvestilo o rezultatu). Centralna platforma orkestracije upravlja usmerjanje, hrani zgodovino pogovorov (revizijska sled), nadzira stroške (limiti tokenov per agent, per uporabnik). Vsa komunikacija je zabeležena — mogoče je obnoviti vsako interakcijo med agenti in preveriti, kako je prišlo do konkretne odločitve.

Kaj z varnostjo podatkov v večagentnem sistemu?

Tri plasti zaščite. Prvič: anonimizacija PII (osebni podatki, številke računov, davčne številke, naslovi) pred pošiljanjem zunanjim modelom LLM — za to uporabljamo mikrostoritev Anoxy, ki skenira vsebino pred pošiljanjem. Drugič: izolacija agentov — vsak agent ima minimalne pravice (least privilege), ne vidi podatkov zunaj svoje domene. Tretjič: možnost delovanja na infrastrukturi stranke — modeli LLM lahko delujejo lokalno (Ollama na GPU), brez izhajanja podatkov iz omrežja stranke. Skladnost z GDPR in smernicami EU AI Act.

Ali lahko agenti delajo napake? Kaj takrat?

Da, vsak model LLM lahko halucinira, dela logične napake ali nepravilno interpretira kontekst. Strategije zmanjševanja: 1) validacija rezultatov (npr. finančni agent mora vrniti številke v določenem formatu, validator preveri skladnost); 2) double-checking za kritične odločitve (drugi agent neodvisno preveri rezultat prvega); 3) eskalacija k človeku (pri nizkem confidence score ali nenavadnem primeru); 4) revizijska sled (vsaka odločitev zabeležena — mogoče razveljaviti, analizirati, izboljšati poziv). Kritične finančne in pravne odločitve niso nikoli avtonomne — zahtevajo potrditev človeka.

Kako poteka uvedba večagentnega sistema v podjetju?

Običajno štiri faze. 1) Discovery (2-4 tedne): identifikacija procesov za avtomatizacijo, ocena ROI za vsakega, izbira 2-3 pilotnih. 2) Pilot (4-8 tednov): uvedba prvih agentov za izbrane procese, merjenje vpliva, dodelava. 3) Skaliranje (3-6 mesecev): širjenje na naslednje procese in oddelke, integracija z obstoječimi sistemi. 4) Optimizacija (continuous): izboljševanje agentov na podlagi produkcijskih podatkov, dodajanje novih vlog, znižanje stroškov modelov LLM.

Ali bo večagentni sistem nadomestil zaposlene?

Nadomestil bo konkretne naloge, ne pa ljudi. Najpogostejši učinek: zaposleni pridobijo nazaj čas (običajno 30-50% v administrativnih oddelkih), ki ga lahko namenijo nalogam, ki zahtevajo človeško presojo, ustvarjalnost, grajenje odnosov. Podjetja ne odpuščajo — nasprotno, pogosteje rastejo hitreje (več projektov obvladuje ista ekipa). Izjema: ponavljajoče se naloge nizke vrednosti (npr. ročno kopiranje podatkov med sistemi) — te izginejo in nihče za njimi ne hrepeni.

Katere tehnologije stojijo za večagentnimi sistemi?

Najpogostejši frameworki: Microsoft AutoGen, CrewAI, LangGraph, Haystack Agents. Modeli LLM: Anthropic Claude, OpenAI GPT, lokalni modeli Llama, Mistral, poljski Bielik. Vektorske baze za semantični spomin: Qdrant, Weaviate, pgvector. Message queues za async: Redis, RabbitMQ, Kafka. Monitoring: Prometheus + Grafana, Sentry, OpenTelemetry. V ESKOM AI vse to združujemo v eno interno platformo (HybridCrew) s polno opazljivostjo, nadzorom stroškov in skladnostjo.

Prvi pilot v 4-8 tednih

Izberemo 2-3 poslovne procese z največjim potencialom ROI in uvedemo pilotne agente. Merimo vpliv, izpopolnjujemo in odločamo o skaliranju.

Dogovori klic o pilotu Razvoj z AI