Google Developers spušta AI agente s demo pozornice u produkcijsku stvarnost
AI agent u produkciji znači nadzor, granice i mjerljive odluke, ne samo uspješan lokalni demo.📷 AI-generated image / TECH&SPACE
- ★Video je praktična kontrolna lista za prijelaz lokalnog AI agenta u produkciju, ne objava novog modela.
- ★Produkcijski agent treba eksplicitne dozvole za alate, validaciju ulaza, evidenciju akcija i ponašanje za nesigurne slučajeve.
- ★Bez evaluacija, troškovnih ograničenja, metrika i tragova poziva alata agent ostaje prototip s pristupom stvarnim korisnicima.
Ovo nije vijest o novom modelu, benchmarku ili velikom Googleovu proizvodu. Korisnije ju je čitati kao inženjersku provjeru stvarnosti. Lokalni prototip obično radi na nekoliko poznatih promptova, u kontroliranom okruženju, s ručno odabranim alatima i bez pritiska paralelnih korisnika. Produkcija je suprotno: neuredni ulazi, sporiji vanjski API-ji, rate limitovi, promjenjivi troškovi i korisnici koji neće odvajati “model je pogriješio” od “proizvod ne radi”.
Zato se agent ne može tretirati kao jedan pametan prompt s malo memorije. Treba ga tretirati kao softverski sustav u kojem je model samo jedan dio, i to često najnepredvidljiviji. Ako agent može pozivati alate, pisati u bazu, slati e-mail, pokretati workflow ili mijenjati datoteke, tada bolji prompt nije sigurnosni model. Potrebne su eksplicitne dozvole, validacija ulaza, odvojeni režimi za rizične akcije i zapis koji pokazuje što je agent doista napravio.
Google Developers video s Jayem Smithom nije objava novog modela, nego praktičan podsjetnik: agent postaje proizvod tek kad ima granice, metrike, troškovni strop i plan za kvarove.
Operativni trag agentnog sustava mora pokazati alate, provjere, troškove i fallback.📷 AI-generated image / TECH&SPACE
Drugi sloj je mjerenje. Video dolazi iz Google Developers konteksta, ali problem je širi od Googleova ekosustava: bez evaluacijskog seta nema ozbiljnog agentnog proizvoda. Tim mora znati koje zadatke agent rješava, gdje pada, koliko troši i koliko često nepotrebno zove alate. Dokumentacija za Vertex AI Agent Builder i Agent Development Kit korisna je upravo zato što agente opisuje kao orkestraciju modela, alata, stanja i provjera, a ne samo kao chat sučelje.
Treći sloj je operativa. Produkcijski agent mora imati observability: logove, metrike, tragove poziva alata i dovoljno konteksta da se greška može rekonstruirati bez nagađanja. Ako se ne zna zašto je agent odabrao neki alat, koji je odgovor dobio i kako je sastavio konačni rezultat, incident se brzo pretvara u čitanje promptova unatrag. Standardni obrasci iz softverskog inženjerstva, uključujući tracing i metrike iz OpenTelemetry, ovdje nisu dodatak nego osnovna infrastruktura.
Najvažnija poruka zato nije da je agentna produkcija magična, nego da nije iznimka od normalne produkcijske discipline. Agent mora imati granice, evaluacije, budžet, fallback i nadzor ponašanja. Ako toga nema, nije “production-ready”. Samo je lokalni demo koji je dobio pristup stvarnim korisnicima, što je najskuplji mogući način testiranja.
