Az agentic AI négy szintje
A legtöbb szervezet, amely azt mondja, hogy AI-t vezet be, valójában chatbotot vezet be. Ez egy jó kiindulópont.
De az agentic AI-megoldásoknak négy alapvetően különböző szintje van, és egyetlen kategóriaként kezelésük kiszámítható hibákhoz vezet: chatbotok kerülnek oda, ahol autonóm agensekre van szükség, autonóm agensek oda, ahol mission-critical pontosság szükséges, és mission-critical büdzsé megy el olyan problémákra, amelyeket egy knowledge chatbot is megfelelően megoldott volna.
Az Intuitech szemlélete szerint ez a négy szint — nem egy szállítói besorolás, hanem egy operatív: azon alapul, hogy mit tud az egyes szint, milyen felügyeletet igényel, és mibe kerül felépíteni és fenntartani.
Első szint: Knowledge Chatbots
A legegyszerűbb szint. Egy nyelvi modell rendszerprompttal és tudásbázissal: a szervezet dokumentumai, szabályzatai, termékadatai vagy belső tudása. Az agent kérdésekre válaszol. Nem hajt végre műveleteket.
Az ezt a szintet működővé tevő technológia a vector search — szemantikailag releváns tartalom előhívása nagy dokumentumgyűjteményekből — kombinálva RAG-gal (retrieval-augmented generation, vagyis előhívással kiegészített generálás), amely a modell válaszait konkrét forrásanyagokhoz köti. A fejlettebb megvalósítások GraphRAG-et alkalmaznak, amely az entitások közötti kapcsolatokat térképezi fel, nem csak hasonló szöveget hív elő. A Pinecone, az egyik vezető vektor-adatbázis-szolgáltató, "knowledge engine"-ként pozicionálja kínálatát — ez jól ragadja meg, hogy mit tesz valójában ez a szint.
Az integrációs réteget egyre inkább az MCP (Model Context Protocol) kezeli — egy szabványos interfész, amely a nyelvi modelleket külső adatforrásokhoz és eszközökhöz köti. Az MCP lehetővé teszi, hogy egy Knowledge Chatbot élő adatforrásokhoz kapcsolódjon anélkül, hogy minden egyes adatforráshoz egyedi integrációt kellene fejleszteni.
Ez a szint két évvel ezelőtt tekintette magát state-of-the-art-nak. Számos use case-re továbbra is ez a helyes választás: HR-szabályzat-lekérdezések, terméktámogatás, belső tudásmenedzsment. A kulcsmegkötés az, hogy nem tud cselekedni — csak válaszolni.
Második szint: Agentic Co-workers
Az elsődleges interfész továbbra is ember-AI, és a tervezett felhasználás továbbra is belső. A különbség az, hogy az agent feladatokat is végrehajt, nem csak információt hív elő.
Egy Agentic Co-worker képes e-mailt küldeni, rekordot frissíteni, workflow-t indítani, dokumentumot generálni és rögzíteni, vagy egy többlépéses folyamatot koordinálni rendszerek között. Ezt eszközökön keresztül teszi — funkciókon, amelyeket az agent hívhat meg, hogy külső rendszerekkel interakcióba lépjen. Az MCP ezt a szintet lényegesen könnyebben felépíthetővé tette: egy jól összekötött MCP-szerver képes tucatnyi vállalati rendszerképességet kitéve az agentnek anélkül, hogy minden egyes esethez egyedi integrációt kellene fejleszteni.
Az erre a szintre vonatkozó kereskedelmi piac néhány platformra szűkül. A Claude Cowork általános célú agentic co-workerként pozicionálja magát. A Google Antigravity és a ChatGPT Codex fejlesztői munkafolyamatokat céloz. A platformok proliferációja tükrözi, milyen kereskedelmileg jelentőssé vált ez a szint.
A skillek teszik az Agentic Co-workert megbízhatóvá. A skill egy csomagolt, tesztelt, irányított utasításkészlet egy konkrét feladathoz — nem nyers prompt, hanem verziózott artefakt, amely lekódolva tartalmazza a szervezet követelményeit azzal kapcsolatban, hogyan kell elvégezni azt a feladatot. A skillek teszik az AI-t következetessé.
Harmadik szint: Autonóm agensek
Az autonóm agensekhez nem szükséges, hogy ember indítsa el őket. Külső esemény aktiválja őket — webhook, ütemezett feladat, bejövő üzenet, egy figyelt rendszerben átlépett küszöb — és folyamatosan futnak a háttérben.
Az autonóm agensek kereskedelmi piaca gyorsan mozog. Az OpenAI operátor osztályú agensei (beleértve a volt Kite-alapító Peter Steinberger csapatának munkáját) ebbe a térbe nyomulnak. A Manus, egy kínai autonóm agent-platform, jelentős figyelmet keltett, mielőtt a Meta infrastrukturális szabályzatai blokkolták volna. A Perplexity Computer és a Google Gemini Spark szomszédos kategóriákban versenyez.
A governance-követelmény ennél a szintnél kategoriálisan különbözik a Második szintétől. Egy ember által kezdeményezett Agentic Co-workernek van egy természetes megállópontja — az ember, aki elindította. Egy autonóm agensnek nincs. Ez azt jelenti, hogy az agent hatáskörét előre kell definiálni, nem valós időben kezelni. A scope creep egy autonóm agensben nem feature-kérés — operatív kockázat.
Ez a szint nagy volumenű, jól definiált folyamatokhoz megfelelő, ahol az emberi kezdeményezés lenne a szűk keresztmetszet: monitorozási workflow-k, automatizált triage, ütemezett riportgenerálás, eseményvezérelt kommunikáció. Nem megfelelő olyan folyamatokhoz, ahol a határfeltételek kétértelműek, vagy ahol a kivételek ítélőképességet igényelnek.
Negyedik szint: Mission-Critical Agentic Software
Ez a szint egyedi fejlesztésű szoftver, ahol az AI-agent egy konkrét feladatra erősen specializált, és minden rétegen egyedi megvalósítások biztosítják azt a pontosságot, megbízhatóságot és költséghatékonyságot, amelyet az általános platformok nem tudnak elérni.
A Mission-Critical Agentic Software Composite AI-megközelítést alkalmaz: AI és nem-AI komponenseket kombinál, ahol minden egyes komponenst egyedileg választanak ki az adott részproblémához. Nem minden rész egy összetett üzleti folyamatban a legjobban egy nyelvi modellel kezelhető. A strukturált adatkinyerés, a szabályalapú validáció, a determinisztikus útválasztás, a hagyományos API-hívások — ezek sokszor megbízhatóbbak és lényegesen olcsóbbak, mint a modellre bízni az egész workflow-t. A Composite AI azt jelenti, hogy minden komponenstípust ott alkalmaz, ahol a legjobban teljesít.
Ennek a szintnek a közgazdaságtana különbözik a többiétől. A fejlesztési költség magasabb. De a tranzakciónkénti költség — miután a rendszer felépült — drámaian alacsonyabb lehet, mert az AI csak azt a munkát végzi, amelyhez AI szükséges, nem az egész workflow-t. Még kis tranzakciónkénti optimalizálás is jelentősen halmozódik nagy volumen esetén, ami miatt ez a szint a legerősebb gazdasági indokot pontosan ott szállítja, ahol a tranzakciós volumen magas.
Ez a szint olyan alapvető üzleti folyamatokhoz megfelelő, amelyek közvetlenül az ügyfelekkel érintkeznek, vagy amelyek jelentős compliance-, pénzügyi vagy operatív kockázatot hordoznak. A pontosság finomhangolható. A költség optimalizálható. És a pontosság — mert AI-alapú és nem-AI komponenseket kombinál — olyan szintet érhet el, amelyet az általános célú agensek nem képesek elérni.
A négy szint nem hierarchia
Minden szint más kérdésre válaszol, és ugyanaz a szervezet — és sokszor kell is — egyszerre mindnégyet működtetheti, különböző folyamatok és különböző kockázati profilok mentén.
A helyes kérdés nem az, hogy "melyik szint a legjobb" — hanem az, hogy melyik szint illik ehhez a folyamathoz, ehhez a kockázati profilhoz és ehhez a tranzakciós volumenhez. A AI-piac nem fogja megválaszolni ezt helyetted. Az Intuitechnél megvan a tapasztalatunk és a szaktudásunk ahhoz, hogy ne csak segítsünk a szervezeteknek megválaszolni ezt a kérdést — hanem végre is hajtsuk a választ, mind a négy szinten.