Kada ne koristiti AI agente: Okvir za odlučivanje

Svaki tjedan vidim još jedan arhitektonski pregled gdje netko predlaže AI agenta za zadatak koji funkcija od 10 redaka rješava brže, jeftinije i pouzdanije. Hype oko agenata u 2026. čini ovo gorim — ako je vaš jedini alat jezični model, svaki problem počinje izgledati kao predložak.

Ovaj članak je protuteža. Daje vam ponovljivi okvir za odlučivanje kada ne koristiti AI agenta, potkrijepljen konkretnim scenarijima iz produkcijskih sustava.

Stablo odlučivanja s tri kapije

Prije povezivanja LLM-a s bilo kojim tokom rada, provucite ga kroz tri kapije:

Kapija 1 — Treba li ovaj zadatak emergentno rezoniranje? Ako je logika odlučivanja deterministička (if-then-else, tablice pretraživanja, sortiranje, filtriranje, validacija prema shemi), ne trebate LLM. Funkcija, cron job ili jednostavni rukovatelj webhookom radi brže i s nultim rizikom od halucinacije.

Kapija 2 — Može li tolerirati pogreške? Ako pogrešan odgovor uzrokuje financijski gubitak, neuspjeh usklađenosti, sigurnosni rizik ili nepovratno korumpiranje podataka, AI agent je pogrešan alat — osim ako imate ljudsku kapiju u petlji koja hvata pogreške prije nego uzrokuju štetu.

Kapija 3 — Je li determinističko rješenje jeftinije? Usporedite trošak po operaciji poziva agenta (tokeni × razina modela, plus trošak latencije korisniku) s determinističkom implementacijom. Za operacije visokog volumena, deterministički put pobjeđuje za redove veličine.

Ako je odgovor ne-da-da, nemojte graditi agenta. Izgradite funkciju.

Tokovi rada s nultom tolerancijom na pogreške

Neki tokovi rada ne mogu tolerirati niti jedan pogrešan token:

• Financijski izračuni: zbrojevi stavki fakture, obračun PDV-a, konverzije valuta, odbici plaća. LLM može dobiti matematiku točnu 99,9 % vremena — ali 0,1 % faktura s pogrešnim zbrojevima je neuspjeh usklađenosti i povjerenja.
• Validacija konfiguracije: provjere YAML sheme, validacija Terraform plana, provjera pravila vatrozida. Ako model interpretira “odbij sav dolazni promet osim porta 443” kao sigurnosnu grupu koja također otvara port 22, imate proboj koji čeka da se dogodi.
• Regulatorna izvješća: izvješća o usklađenosti, GDPR zahtjevi ispitanika, porezne prijave. Izlaz mora biti revizijski i ponovljiv — LLM-ov probabilistički izlaz, čak i s temperaturom postavljenom na 0, nije ni jedno ni drugo.

U svim ovim slučajevima, deterministička alternativa (provjerena aritmetika, provjerači sheme, generiranje izvješća bazirano na predlošcima) nije samo sigurnija — jednostavnija je za testiranje, otklanjanje pogrešaka i reviziju.

Visokorizične odluke

EU AI Act i GDPR članak 22 postavljaju specifična ograničenja na isključivo automatizirano donošenje odluka koje proizvodi pravne učinke. Ako vaš AI agent donosi odluke o:

• Zapošljavanju: probir kandidata, rangiranje prijavitelja, označavanje problema s performansama
• Kreditnoj sposobnosti: odobravanje ili odbijanje kredita, postavljanje kamatnih stopa
• Osiguranju: određivanje premija, odbijanje zahtjeva
• Zdravstvenoj trijaži: prioritizacija pacijenata, sugeriranje dijagnoza

— ulazite u regulatorni okvir koji zahtijeva objašnjivost, ljudski nadzor i pravo na osporavanje odluke. LLM-ovo lančano rezoniranje, čak i kada je zabilježeno, ne predstavlja revizijski trag odluke na način na koji to čine deterministička pravila ili stabla odlučivanja.

Praktični savjet: držite čovjeka u petlji za svaku odluku koja ima pravne ili financijske posljedice za drugu osobu. Koristite agente samo da informiraju odluku, ne da je donesu.

Zadaci jeftiniji za determinističko rješavanje

Najčešća pogreška koju vidim je posezanje za AI agentom za probleme koji su jeftiniji za rješavanje osnovnim programiranjem:

Zadatak	Trošak AI agenta	Determinisitički trošak
Sortiranje 10.000 zapisa po datumu	~0,30 $ u tokenima + 3 s latencije	~0,001¢ CPU + 50 ms
Dedupliciranje CSV-a	~0,15 $ u tokenima + 2 s latencije	Python set() u milisekundama
Usmjeravanje emaila odjelu	~0,05 $ po emailu (GPT-4o-mini)	Regex + pravila ključnih riječi: nula graničnih troškova
Prevođenje statusnog koda	~0,02 $ po pretraživanju	dict ili match izraz: trenutno

Skriveni trošak nije samo novac — to je složenost apstrakcije. Svaki poziv agenta u vašem sustavu je nedeterministička ovisnost. Ne možete ga jedinično testirati kao što testirate funkciju. Ne možete reproducirati neuspjeh bez ponavljanja točnog stanja modela. Ne možete jamčiti da isti ulaz proizvodi isti izlaz.

Za operacije visokog volumena (tisuće ili milijuni poziva dnevno), ti se troškovi zbrajaju. Determinisitička predmemorija ili put baziran na pravilima isplati se u prvom tjednu.

Kada model degradira korisničko iskustvo

AI agenti dodaju latenciju. Čak i najbrži modeli dodaju 500 ms do 2 sekunde po pozivu. Za neke interakcije, ta latencija izravno šteti korisničkom iskustvu:

• Automatsko dovršavanje pri tipkanju: korisnici očekuju prijedloge unutar 100 ms. Model round-trip čini UI sporim.
• Dashboardi u stvarnom vremenu: nadzorne ploče koje se ažuriraju svakih nekoliko sekundi ne mogu čekati poziv inferencije pri svakom osvježavanju.
• Pretraživanje dok tipkate: inkrementalni rezultati pretraživanja moraju se pojaviti unutar korisnikovog ritma tipkanja.
• Visokofrekventni alarmi: obrada tisuća događaja u sekundi za detekciju anomalija — streaming engine pravila rješava ovo; LLM-bazirani agent ne.

U svakom slučaju, korisnik nema koristi od agentovog rezoniranja. Koristi od brzine. Determinisitički ili heuristički pristupi (indeksna pretraživanja, alarmi bazirani na pragovima, unaprijed izračunate predmemorije) pružaju bolje iskustvo za djelić troška.

Kada je revizijska sljedivost neupitna

Neki sustavi moraju proizvesti točan, ponovljiv zapis svake odluke:

• Financijski revizijski tragovi: svaka transakcija mora biti sljediva do specifičnog puta koda i ulaznog stanja.
• Izvješća o usklađenosti: SOC2, ISO 27001 i HIPAA revizije zahtijevaju dokaz da su kontrole ispravno radile kroz razdoblje.
• Post-mortemi incidenata: kada se nešto slomilo, morate znati točno koja je logika izvršena.

Determinisitički kod vam daje ovo besplatno: ulaz ulazi, određena funkcija se izvršava, izlaz je ponovljiv. Izlaz AI agenta ovisi o verziji modela, predlošku upita, postavci temperature i internom stanju modela — ništa od toga nije potpuno ponovljivo naknadno.

Ako vaš sustav treba dokazati što je napravio i zašto, agent uvodi crnu kutiju koju vaš revizor neće prihvatiti.

Test licemjerja

Prije vašeg sljedećeg arhitektonskog pregleda, provucite svaku predloženu AI integraciju kroz ono što zovem test licemjerja:

Možete li objasniti zašto je agent pravi alat bez korištenja AI buzzworda — u terminima tradicionalnih inženjerskih kompromisa?

Ako je odgovor “model će to shvatiti” ili “to je fleksibilnije na taj način,” vjerojatno vam ne treba agent. Ako je “prostor odluka je prevelik za nabrajanje” ili “trebamo razumijevanje prirodnog jezika nestrukturiranog unosa,” možda imate stvarni slučaj uporabe za agenta.

Najbolje arhitekture agenata koje sam vidio u produkciji koriste modele štedljivo — kao tanke slojeve rezoniranja na vrhu determinističkih temelja, ne kao cijeli stog.

Okvir za odlučivanje u praksi

Evo sažete verzije za printanje i držanje za stolom:

Uvjet	Učinite	NE činite
Logika je deterministička (if-else, pravila, pretraživanje)	Napišite funkciju	Posegnite za LLM-om
Tolerancija pogrešaka je nula	Dodajte ljudsku kapiju u petlji ili ostanite deterministički	Pustite model da odlučuje sam
Volumen je visok (tisuće+ poziva/dan)	Predmemorirajte, predmemorirajte, predmemorirajte — ili koristite engine pravila	Usmjerite svaki poziv kroz model
Proračun latencije je ispod 500 ms	Koristite deterministički ili heuristički put	Dodajte API round trip
Revizijski trag mora biti ponovljiv	Koristite deterministički kod s potpunim bilježenjem	Vjerujte izlazu modela za zapis
Korisnik treba modelovo rezoniranje	Koristite agenta (ovo je valjani slučaj)	Zamijenite radno pravilo modelom

Zadano pravilo za 2026. : Ako ne možete objasniti, u dvije rečenice običnog inženjerskog jezika, zašto ovaj zadatak zahtijeva LLM, pretpostavite da ne zahtijeva. Započnite s determinističkom implementacijom, izmjerite jaz i dodajte agenta samo kada jaz boli.

Za širi pregled kada agenti imaju smisla, pogledajte naš post o AI Agents Explained for DevOps & Platform Engineers. Da biste razumjeli arhitektonske kompromise kada već koristite agente, pročitajte Building Production AI Agents with MCP, Agent SDKs, and Search.

Najvažnija inženjerska vještina u dobu AI agenata je znati kada ga ne koristiti.