Expert modul
Agentikus rendszerek
Olyan összerakott rendszerek, amelyek célból indulnak, lépéseket terveznek, eszközöket használnak, ellenőriznek, majd szükség esetén javítanak.
Az agentikus rendszer nem azt jelenti, hogy 'az AI mindent megold'. A jobb 2025–2026-os gondolkodás inkább azt mondja: ezek összerakott rendszerek, amelyek célból, kontextusból, toolokból, ellenőrzésből és visszacsatolási körökből épülnek fel. A valódi kérdés nem az, hogy lehet-e agentet csinálni, hanem az, mikor indokolt egyáltalán agentikus működést használni.
Összerakott rendszer
A lényeg nem a varázslat, hanem a goal + tools + context + loop + review kombinációja.
Nem mindenre kell agent
Sok feladatnál elég a prompt, a workflow vagy az automatizáció.
Kontroll nélkül nem jó
Minél többet tesz egy rendszer, annál fontosabb az ellenőrzés és a guardrail.
Rövid átvezetés az automatizáció modulból
Az automatizációnál azt láttad, hogyan indulnak el és futnak végig strukturáltan a folyamatok. Az agentikus rendszer ott kezdődik, ahol a folyamat nemcsak végrehajt, hanem közben képes újratervezni, ellenőrizni és alkalmazkodni. Ez nem azt jelenti, hogy hirtelen varázslatosan intelligens lesz a rendszer, hanem azt, hogy több döntési és ellenőrzési pont jelenik meg benne. A feladat már nem csak lépések egymásutánja, hanem egy olyan működés, amely a körülményekre is reagál. Ettől lesz ez a modul az automatizáció természetes folytatása, nem pedig külön világ.
Kulcspontok
Automatizáció
Elindul, lefut, megáll a kijelölt pontokon.
Agentikus rendszer
Menet közben is mérlegel, ellenőriz és szükség esetén módosít.
Ezért külön modul
Itt már nem egy futó folyamatot, hanem egy együtt dolgozó rendszert kell megérteni.
Példák és működő minták
Automatizációból agentikus logikába
Egy heti státuszriport-automatizmus addig sima workflow, amíg ugyanabból a három forrásból mindig ugyanúgy összegyűjti az adatot és kiküldi a kivonatot. Akkor lépünk agentikus logikába, amikor a rendszernek el kell döntenie, hogy hiányzik-e adat, vissza kell-e kérdezni egy csapattól, vagy más forrásból kell-e újrapróbálni a gyűjtést. A különbség nem a felületben, hanem a döntési térben jelenik meg. Ezt kell ebben a modulban megtanulni felismerni.
Mi az az agentikus rendszer?
Egyszerűen fogalmazva: olyan rendszer, amely nem csak egyetlen választ ad, hanem képes értelmezni egy célt, tervet készíteni, eszközöket használni, figyelni az előrehaladást, majd szükség esetén módosítani a megközelítést — mindezt jól kijelölt határok között.
Kulcspontok
Értelmezi a célt
Nem csak vakon végrehajt, hanem megpróbálja lefordítani a célt kezelhető lépésekre.
Több körben dolgozik
Nem egyszeri lövés, hanem több fordulón vagy állapoton át tud haladni.
Toolokat és kontextust használ
A rendszer a szükséges eszközökkel és releváns háttérrel dolgozik, nem csak üres chatből.
Tud ellenőrizni és javítani
Meg tud állni, visszanézni, újrapróbálni vagy tisztázást kérni.
Példák és működő minták
Kutatói agent példa
Egy kutatói agent azt a feladatot kapja, hogy gyűjtsön össze mindent, ami az elmúlt 6 hónapban megjelent egy témáról. Nem csak egyszer keres: ha az első kör szegényes, új kulcsszóval próbálkozik, ha ellentmondást talál, jelzi, ha hiányos a kép, pontosít vagy újraindít egy részlépést.
Röviden
Az agentikus rendszer több, mint egy okos automatizmus: nem csak lefut, hanem több lépésen át próbál közelebb kerülni a célhoz ellenőrzéssel és korrekcióval.
A lényeg: kompozíció, nem varázslat
A modern gondolkodás egyik legfontosabb leckéje, hogy az agentikus rendszer nem egyetlen nagy mindentudó egység. Sokkal inkább több kisebb rész jó összehangolása.
Kulcspontok
Goal
Valaki kijelöli, mi a cél és mi számít sikernek.
Tools
A rendszer hozzáfér azokhoz az eszközökhöz, amelyekre a feladathoz szüksége van.
Context
Megkapja a megfelelő háttéranyagot — se túl keveset, se túl sokat.
Loop
A rendszer képes több körben dolgozni, nem csak egyetlen lépéssel.
Review
Van helye emberi vagy rendszeres ellenőrzésnek, nem csak vak végrehajtásnak.
Példák és működő minták
Support triage agent
A cél az ügyfélkérés kategorizálása és routingja. A rendszer emailt olvas, CRM lookupot futtat és szükség esetén Slack üzenetet küld, az ügyfél utolsó 3 jegyét használja kontextusként, újrapróbál más szemszögből, ha a kategória nem egyértelmű, és jogi vagy pénzügyi vonatkozásnál emberhez emeli az ügyet.
Miért fontos ez?
Sok hasznos agentikus rendszer valójában félig autonóm: bizonyos dolgokat önállóan csinál, más pontokon viszont szándékosan megáll review-ra.
A mai józan szabály: először a legegyszerűbb megoldást keresd
A frissebb gondolkodás kifejezetten óvatos azzal, hogy mindent agentnek nevezzen. Nem minden nyitottabbnak tűnő feladatból kell agentikus rendszert építeni.
Kulcspontok
Sokszor elég a prompt
Ha a feladat egyszeri és jól körülírható, gyakran bőven elég egy jó prompt.
Gyakran elég a workflow
Ha a lépések ismertek és stabilak, nem kell hozzá dinamikus agentikus logika.
Az agentikus réteg ott kell
Ahol bizonytalanság, több lehetséges út, kivételkezelés vagy hosszabb alkalmazkodás valóban indokolt.
Példák és működő minták
Döntési keret példával
Ha minden héten ugyanazt a státuszriportot kell összeraknod emailekből, és ugyanaz a lépéssor ismétlődik, az tipikusan automatizációért kiált. Ha viszont piacitrend-elemzést kell készítened több lehetséges iránnyal és ajánlással, ott már agentikus logika indokolt, mert a feladat természete bizonytalanabb.
Hasznos kérdés tanulás közben
Kérdezd meg az AI-t: „Erre a feladatra elég egy workflow, vagy tényleg agentikus rendszerre lenne szükség? Miért?”
A legegyszerűbb mentális modell
Ha csak egy dolgot jegyzel meg ebből a modulból, ez legyen az: goal → planning → execution → checking → revision.
Kulcspontok
Goal
Mi a kívánt végállapot vagy üzleti cél?
Planning
Milyen lépésekre, forrásokra és eszközökre lesz szükség?
Execution
Mi történik meg ténylegesen: keresés, feldolgozás, draft, routing, frissítés?
Checking
Honnan tudjuk, hogy jó irányba halad a rendszer?
Revision
Mit kell javítani vagy újrapróbálni, ha valami nem elég jó?
Példák és működő minták
Kódoló agent minta
A goal az, hogy javítson meg egy bugot a kódbázisban. Először megtervezi, hol lehet a hiba és mely fájlok érintettek, utána módosít, lefuttatja a teszteket, ellenőrzi a mellékhatásokat, majd ha a teszt elcsúszik, másik megközelítéssel próbálkozik.
Miért fontos ez?
Ettől lesz a rendszer több, mint lineáris automatizáció: nem csak halad, hanem vissza is tud nézni arra, hogy jó felé ment-e.
Miben más ez, mint a korábbi rétegek?
Az agentikus rendszert csak akkor könnyű megérteni, ha tudatosan szétválasztod a rétegeket.
Kulcspontok
Workflow
A feladat lépésekre bontott logikája.
Connector
Hozzáférés a szükséges rendszerekhez és adatokhoz.
Agent
Delegált végrehajtó viselkedés egy adott cél vagy részfeladat körül.
MCP
A kapcsolódás strukturált és szabványos rétege.
Automatizáció
A működésbe állított, ismételhető folyamat.
Agentikus rendszer
Az a magasabb szint, ahol ezek közül több együtt dolgozik dinamikus ellenőrzési és iterációs logikával.
Példák és működő minták
Bejövő support emailek három rétegen
Workflow szinten te olvasod és kategorizálod kézzel a levelet. Automatizáció szinten trigger indul, az AI kategorizál és frissíti a CRM-et. Agentikus szinten a rendszer maga dönti el, hogy hiányzik-e információ, vissza kell-e kérdezni az ügyféltől, vagy mehet egyből tovább a routing.
Rövid képlet
Az agentikus rendszer nem lecseréli a korábbi rétegeket, hanem rájuk épül.
Miért több ez, mint automatizáció?
Az automatizáció jó akkor, ha tudjuk előre, merre haladjon a folyamat. Az agentikus rendszer ott lép tovább, ahol a valóság túl sok kivételt, bizonytalanságot vagy köztes ellenőrzést tartalmaz.
Kulcspontok
Nem mindig lineáris
A rendszer több lehetséges ágat vagy javítási kört is kezelhet.
Van visszacsatolás
Nem csak végrehajt, hanem ellenőrzi is a saját részoutputjait.
Több döntési pont
Különböző helyeken más szabály, más tool vagy más emberi jóváhagyás léphet be.
Példák és működő minták
Komplex ügyfél-email példa
Egy automatizáció jól működik, ha az email triage kategóriái előre definiáltak. De ha egy ügyfél egyetlen levélben három külön problémát ír le, és ezek közül csak az egyik sürgős, a statikus automatizáció könnyen félremegy, míg az agentikus logika felismeri a komplexitást és másképp bontja vagy emeli az ügyet.
Egyszerű különbség
Automatizáció: egy rendszer futtat egy folyamatot. Agentikus rendszer: egy rendszer közben figyeli, javítja és újraszervezi a folyamat részeit is.
Miért ez a curriculum egyik utolsó rétege?
Az agentikus rendszerek nem azért kerülnek a tanulási út végére, mert 'ez a legmenőbb technológia', hanem mert csak akkor értelmezhetők jól, ha már látod a prompt, a workflow, a connector, az MCP és az automatizáció szerepét is. Itt már nem csak eszközhasználatról, hanem rendszertervezésről beszélünk.
Kulcspontok
A cél minősége dönt
A legjobb agentikus rendszer sem tud jobb eredményt adni, mint amilyen célt kijelölsz neki.
A korlátok ugyanilyen fontosak
Ha nem mondod meg, meddig mehet el, mit ellenőrizzen és mikor álljon meg, az agent könnyen hosszú, félrecsúszott kört fut.
Ezért épül a korábbi modulokra
A korábbi rétegek megtanítják, hogyan bonts fel feladatot, hogyan kapcsolódj rendszerekhez és hogyan futtass működő folyamatot. Az agentikus szint ezekre tesz rá egy dinamikus, ellenőrző logikát.
Példák és működő minták
Kutatói brief példa
Egy jól megírt kutatói brief egy agentnek jó outputot eredményez, mert tiszta a cél, a forráskör és a review-elvárás. Egy rosszul definiált célból viszont csak hosszan futó, széteső és nehezen ellenőrizhető eredmény lesz.
Miért ennyire fontos az értékelés és a megbízhatóság?
Amíg egy AI csak egyetlen választ ad, hajlamosak vagyunk érzésre megítélni, mennyire jó. Egy több lépésen át működő rendszer esetében ez már kevés.
Kulcspontok
Több lépés = több hibalehetőség
Nem csak az számít, jó-e a végső output, hanem az is, hol tért le a rendszer közben.
Intuícióból már nem elég
A bonyolultabb rendszereknél kell valamilyen ellenőrzési logika, mérés vagy monitoring.
A regresszió veszélyes
Ami tegnap jól működött, ma egy másik inputnál vagy más környezetben könnyen széteshet.
Példák és működő minták
Többlépéses research agent
Egy research agent öt lépésen át dolgozik egy iparági összefoglalón. A végső anyag első ránézésre rendben van, de a harmadik lépésben rossz forrást húzott be, és erre épült a negyedik és ötödik kör is. Ezt érzésre nem veszed észre, csak akkor, ha vannak ellenőrzési pontjaid a köztes lépésekre is. Az agentikus rendszernél ezért nem elég csak a végső outputot nézni.
Nem kell hozzá labor
Felhasználói szinten már az is fontos előrelépés, ha tisztán látod: mit kell ellenőrizni, milyen hibák várhatók, és hol kell megállítani a rendszert. Egy egyszerű review checklist sokkal többet ér, mint a vak bizalom a végső output iránt. A megbízhatóság itt tervezési kérdés, nem csak érzés. Ez különösen igaz akkor, ha a rendszer több eszközt és több köztes lépést használ.
A kontextus itt már rendszertervezési kérdés
Az agentikus rendszerek csak annyira jók, amennyire jó a kontextusuk. A több információ nem automatikusan jobb rendszert jelent.
Kulcspontok
A releváns kontextus számít
Nem az a cél, hogy a rendszer mindent lásson, hanem hogy a megfelelő pillanatban a megfelelő háttér legyen nála.
A túl sok információ is probléma
A zaj, a rossz sorrend és a felesleges anyag ugyanúgy ronthatja a teljesítményt.
A kontextus kiválasztása munka
Mit kapjon meg a rendszer? Miből dolgozzon? Mit vigyen tovább a következő körbe? Ez már tervezési kérdés.
Példák és működő minták
Support agent zajos kontextussal
Egy support agent megkap 200 korábbi ticketet kontextusként, pedig ebből csak 20 releváns az aktuális ügyre. A maradék 180 zaj elviszi a fókuszt, és könnyen rossz mintát erősít fel a válaszban. A jó rendszer csak a releváns előzményeket húzza be, és ettől lesz használhatóbb. A kontextustervezés itt ugyanannyira fontos, mint maga a modell.
Egyszerűen
Az agentikus rendszer nem attól lesz okos, hogy sokat lát, hanem attól, hogy a jó dolgokat látja jó időben. A kontextustervezés ezért nem mellékes promptolási trükk, hanem architekturális döntés. Ha rossz anyagból dolgozik, a jó modell is félremegy. Ha jól válogatott háttérrel indul, látványosan megbízhatóbb lesz.
Hosszabb futás, több lépés, több újrapróbálás
Ez a másik nagy különbség egy sima chatbothoz képest: az agentikus rendszer több fordulón át tud dolgozni, nem csak egyszer válaszol és eltűnik.
Kulcspontok
Tud újrapróbálni
Ha valami nem sikerül, megkísérelhet másik utat vagy másik eszközt.
Tud tisztázást kérni
Bizonytalan helyzetben nem mindig a jó válasz az, hogy továbbmegy — néha inkább meg kell állnia és rákérdeznie.
Tud állapotot kezelni
Számít, hogy a rendszer tudja, hol tart, mit végzett el, és mi maradt hátra.
Példák és működő minták
Kutatási agent újrapróbálással
Egy kutatási agent az első két körben csak gyenge vagy ismétlődő forrásokat talál. Ezután új kulcsszóval újrakeres, leszűkíti az időablakot, és az ötödik körben megtalálja a valóban releváns anyagokat. Ha nem tudna újrapróbálni és állapotot kezelni, az első kör gyenge eredményénél ragadna meg. A hosszabb futás itt nem hiba, hanem a feladat természetes része.
Miért fontos ez?
Ettől lesz a rendszer közelebb a valódi munkavégzéshez: a valós munka sem egyetlen lövésből áll. A jó agentikus rendszer nem ijed meg az első részleges kudarctól, hanem van tere korrigálni. Ez különbözteti meg a lineáris automatizmustól. A több kör tehát nem pazarlás, hanem alkalmazkodási képesség.
Tool use, memória és kontextus
Az agentikus működés nem csak abból áll, hogy a rendszer 'okosabb'. Attól lesz használható, hogy több helyről tud kontextust behozni, eszközöket használni, és közben megőrizni a feladat állapotát.
Kulcspontok
Tool use
A rendszer különböző eszközöket használhat attól függően, mire van szükség.
Kontextus
Nem egyetlen üzenetből dolgozik, hanem a releváns előzményekből és forrásokból is.
Memória vagy állapot
Fontos, hogy tudja, hol tart, mit próbált már ki, és mi volt az eredmény.
Példák és működő minták
Projektmenedzsment agent állapottal
Egy projektmenedzsment agent tudja, hogy három napja mi volt a meeting outputja, mely feladatok maradtak nyitva, és milyen határidőket vállalt a csapat. Enélkül minden körben nulláról kellene újra felépítenie a helyzetképet. Az állapotkezelés teszi lehetővé, hogy valóban folyamatos munkát végezzen, ne csak újra és újra rögtönzött válaszokat adjon. Itt válik a memória valós üzleti értékké.
Mit jelent ez a gyakorlatban?
Egy összetettebb rendszer nem ugyanazzal az inputtal indul minden körben, hanem épít a korábbi lépésekre és eredményekre. Ettől lesz kiszámíthatóbb és kevésbé pazarló a működése. A toolhasználat, a kontextus és az állapot együtt adja meg a folyamatosság érzetét. Ezek nélkül csak hosszabb chatelés történik, nem agentikus munka.
Gyakorlati példák
Az agentikus rendszerek akkor érthetők meg igazán, ha nem futurisztikus robotként nézed őket, hanem összetettebb munkafolyamatként.
Kulcspontok
Kutatási agent
Célt kap → forrásokat keres → összehasonlít → idéz → észreveszi a hiányt → újra keres → végül briefinget készít.
Kódoló agent
Megtervezi a változtatást → fájlokat módosít → tesztel → hibát talál → javít → újraellenőriz.
Operációs asszisztens
Bejövő feladatokat dolgoz fel → priorizál → a tipikus eseteket továbblöki → a kivételeket emberhez emeli.
Support vagy üzleti folyamat
Bejövő ügyet értelmez → route-ol → draftot készít → ellenőriz → csak az érzékeny vagy kényes eseteket adja át embernek.
Napi briefing rendszer
Több forrásból gyűjt → összefoglal → kiszűri a lényegtelen zajt → a legfontosabb dolgokat emeli ki.
Példák és működő minták
Tanulási tipp
Ha szeretnéd látni, a saját munkádban mi lenne agentikus rendszer és mi maradna sima automatizáció, kérdezd meg az AI-t egy konkrét folyamatoddal.
Ezzel jól kipróbálható
Az agentikus rendszerek nem egyetlen termék körül épülnek, hanem egy működési mintát jelentenek, amit többféle eszközrétegen keresztül lehet kipróbálni. Van no-code belépő, van kutatási nézőpont, van kódolói agentikus minta és van fejlesztői framework-szint is. Nem rangsorban érdemes nézni őket, hanem úgy, hogy melyik mire jó. Az egyszerűbb felület segít megérteni a logikát, a mélyebb keretrendszer pedig megmutatja az architektúrát. A jó választás mindig attól függ, hogy tanulni, kipróbálni vagy építeni akarsz.
Kulcspontok
Claude Projects
Beépített, könnyű belépő agentikus mintára: egyedi instrukciók, feltöltött dokumentumok és megőrzött kontextus egy helyen. Nem klasszikus multi-step agent framework, de jól megmutatja, hogyan néz ki egy célra szabott, kontextusos AI-rendszer. Akkor jó, ha először akarod megérteni, hogyan működik együtt cél, háttéranyag és hosszabb távú feladatkeret. Fejlesztői tudás nélkül is kipróbálható.
ChatGPT Custom GPTs / Assistants API
Az OpenAI oldalán a Custom GPT jó no-code belépő ugyanabba a logikába: instrukciók, fájlok és eszközhívások egy összefogott agent-burokban. Az Assistants API már programozói réteg, ahol jobban látszik az eszközhívás és az állapotkezelés szerkezete. Ezért jó összehasonlítani a kettőt: ugyanaz a minta két mélységi szinten. Tanulásra a Custom GPT egyszerűbb, építésre az API erősebb.
Cursor / GitHub Copilot Workspace
A kódolói agentikus minták azért erősek, mert látványosan jelenik meg bennük a goal → planning → execution → checking → revision kör. A rendszer nem csak kiegészíti a kódot, hanem megtervezi a változtatást, módosít, tesztel és újrapróbál. Ez az egyik legjobb terep annak megfigyelésére, hogyan működik az iteráció és az önellenőrzés a valóságban. Akkor hasznos, ha konkrét, ellenőrizhető agentikus viselkedést akarsz látni.
Perplexity / You.com Research Mode
A kutatási agentikus minta abban különbözik a sima kereséstől, hogy a rendszer iteratívan finomít, több forrást vet össze és citál. Nem egyetlen lekérdezésből él, hanem több körben építi fel a képet. Jól mutatja, hogyan válik a keresésből valódi kutatási folyamat. Akkor érdemes használni, ha a cél nem egy gyors válasz, hanem forrásolt összefoglaló vagy briefing.
LangGraph / CrewAI / AutoGen
Ezek már fejlesztői multi-agent frameworkök, ahol különböző szerepű agentek tudnak együtt dolgozni egy feladaton. Nem belépő szintű eszközök, viszont nagyon jól látszik bennük az agentikus architektúra: szerepek, állapot, toolok, visszacsatolás és routing. Akkor érdemes velük foglalkozni, ha nem csak használni, hanem tervezni is akarod a rendszert. Fogalmi referenciának akkor is fontosak, ha nem ez lesz az első építési környezeted.
n8n AI Agent nodes
Az n8n azért érdekes, mert a klasszikus workflow-platformon belül megjelent benne az agentikus réteg. Az AI Agent node már nem csak lineárisan végigfut, hanem önállóbban dönt arról, milyen eszközt hívjon meg és hogyan haladjon tovább. Ettől jó átmeneti példa workflow és agentikus működés között. Akkor praktikus, ha már értesz az automatizációhoz, és onnan akarsz továbblépni.
Példák és működő minták
Hol kezdd?
Ha az agentikus gondolkodást akarod megérteni, a Claude Projects vagy a ChatGPT Custom GPT a legegyszerűbb belépő, mert nincs kód, mégis van cél, instrukció és kontextus. Ha kódolói agentikus munkát akarsz látni, a Cursor erős példa. Ha kutatási mintát keresel, a Perplexity Research Mode jó választás. Ha építeni akarsz, akkor n8n AI Agent node vagy LangGraph felé érdemes menni.
Mit kérdezz meg az AI-tól?
„Melyik agentikus eszköz vagy framework a legjobb belépési pont ehhez a feladathoz: [a feladatod leírása]? Hol lenne benne goal, planning, checking és revision?” Ez a kérdés segít nem eszköznevekből, hanem feladatszerkezetből kiindulni. Így a választásod kevésbé lesz hype-vezérelt. És gyorsabban látod, mire elég a no-code, és hol kell fejlesztői réteg.
Gyakori félreértések
Az 'agentikus' szó könnyen hype-osnak hangzik, ezért különösen fontos tisztán fogalmazni.
Kulcspontok
Nem varázslat
Az agentikus rendszer nem 'öntudatos AI', hanem sok jól szervezett rész együttműködése.
Nem önjáró vezető
A célokat, korlátokat és elfogadható döntéseket továbbra is embernek kell kijelölnie.
Nem egyetlen tool
Ez nem egy gomb, hanem egy működési minta, ami több rétegre épül.
Nem minden feladatra kell
Sok munkára bőven elég workflow vagy automatizáció; agentikus rendszer csak ott kell, ahol tényleg indokolt a dinamika.
Példák és működő minták
Tipikus félreértés
Sokan úgy gondolnak az agentre, hogy elindítják, aztán az majd mindent megcsinál helyettük. A valóságban egy rosszul definiált céllal elindított agent gyakran hosszan fut és messzire csúszik. A jó agentikus rendszer pontos célt, korlátokat és review pontokat kap, különben a hibát csak nagyobb sebességgel skálázza. Ezért kell józanul szétválasztani a hype-ot és a működő rendszert.
Miért marad kritikus az emberi review?
Minél összetettebb a rendszer, annál fontosabb, hogy valaki felülről lássa a célt, a kockázatot és a minőséget.
Kulcspontok
Cél és keret
Az ember dönti el, mit tekintünk sikernek és mi fér bele.
Engedélyek és kockázat
Az ember dönti el, mihez férhet hozzá a rendszer, és mekkora önállóságot kapjon.
Jóváhagyás
Bizonyos pontokon meg kell állítani a rendszert emberi ellenőrzésre.
Kivételkezelés
A kényes, drága vagy bizonytalan helyzetekben nem elég a gépi rutin.
Minőség
A végső felelősség és minőségkontroll nem szervezhető ki teljesen.
Példák és működő minták
Ops agent emberi jóváhagyással
Egy ops agent automatikusan routolhat alacsony kockázatú ticketeket, de egy jogi vonatkozású vagy VIP-ügyfelet érintő esetnél kötelező emberi jóváhagyás van beépítve. Ez nem a rendszer gyengesége, hanem tudatos tervezési döntés. Így a rutinmunka lekerül az emberről, a kockázatos döntés viszont nála marad. Pont ettől lesz a rendszer vállalható nagyobb léptékben is.
Józan elv
Az agentikus rendszer legyen hasznos dolgozó, ne láthatatlan döntéshozó. Az 'agentic' nem jelentheti azt, hogy fire-and-forget módon kiengeded a kontrollt. A jó oversight a skálázást segíti, nem akadályozza. A kritikus pontokon bent tartja az embert a folyamatban.
Következő lépés
Most már tisztábban látszik a határ: az automatizáció folyamatokat futtat, az agentikus rendszer pedig tervez, végrehajt, ellenőriz és korrigál is. A következő kritikus réteg az lesz, hogy mindezt milyen tudásra és milyen forrásokra alapozza. Innen vezet tovább a RAG és tudásbázis modul.