Uvod Kliknuli ste jer je podcast rekao da je Azure AI Foundry zamka, zar ne? Dobro – na pravom ste mjestu. Evo obećanja unaprijed: pomoćnici (copiloti) se urušavaju bez utemeljenja (groundinga), ali alati poput generiranja potpomognutog dohvaćanjem (RAG) s Azure AI Searchom—hibridnim i semantičkim—plus evaluatori za utemeljenost, relevantnost i koherentnost stvarni su popravci koji vas čuvaju od isporuke halucinacija prerušenih u odgovore. Preskočit ćemo marketinške prezentacije i pokazati vam priručnik za preživljavanje s pravim primjerima s terena. Pretplatite se na M365.Show newsletter i pratite prijenose uživo s MVP stručnjacima – tamo žive ožiljci i popravci. A budući da se prve pukotine obično pojavljuju u multimodalnim aplikacijama, počnimo tamo. 2. Zašto multimodalne aplikacije propadaju u stvarnom svijetu Kada vidite multimodalni demo na pozornici, izgleda besprijekorno. Prezenter ubaci tekstualni upit, čistu sliku, možda čak i brzi glasovni unos, a model isporučuje savršen grafikon ili oštar sažetak ugovora. Sve izgleda kao magija. Ali onog trenutka kada pokušate istu stvar unutar prave tvrtke, sjaj brzo nestaje. Demonstracije rade na netaknutim ulaznim podacima. Radna mjesta rade na smeću. To je prava podjela: u produkciji nitko vašem modelu ne daje pažljivo postavljene snimke zaslona ili CSV-ove formatirane od strane odbora za standarde. Ljudski resursi ga hrane zamazanim državnim osobnim iskaznicama. Nabava vuče PDF-ove koji su na svojoj petoj generaciji faksa. Netko u financijama snima fotografiju računa s napuknutom Android kamerom. Multimodalni modeli mogu obrađivati tekst, slike, glas i video – ali trebaju dobro indeksirane podatke i dohvaćanje kako bi funkcionirali u neurednim uvjetima. Inače, samo tražite od modela da improvizira na smeću. I nikakva količina potrošnje na GPU ne popravlja izreku “smeće unutra, smeće van”. Ovdje bi vas generiranje potpomognuto dohvaćanjem, ili RAG, trebalo spasiti. Jednostavno rečeno: model ne poznaje vaše poslovanje, pa ga povežete s izvorom znanja. On dohvati dio podataka i oblikuje odgovor oko njega. Kada je podudarnost oštra, dobivate korisne, utemeljene odgovore. Kada je nespretna, model slobodno stilizira, izbacujući samouvjerene besmislice. Tako završite s chatbotom koji se kune da vaša tvrtka ima novu “politiku popusta za Q3” koja ne postoji. Nije postao svjestan – samo je povukao pogrešne podatke. Azure AI Studio i Azure AI Foundry oslanjaju se na ovaj obrazac i podržavaju sve vrste modaliteta: jezik, vid, govor, čak i dohvaćanje videa. Ali kvaka je u tome što je RAG dobar samo onoliko koliko su dobri njegovi podaci. Ovo je ključna stvar koju većina timova propušta: ne možete samo uključiti jednu metodu dohvaćanja i nazvati je dobrom. Ako želite da rezultati ostanu cjeloviti, potrebna vam je hibridna pretraga ključnih riječi plus vektorska pretraga, nadopunjena semantičkim preuređivačem (re-rankerom). To je ugrađeno u Azure AI Search. Omogućuje sustavu da uravnoteži doslovna podudaranja ključnih riječi sa semantičkim značenjem, a zatim preuredi rezultate tako da se pravi kontekst nalazi na vrhu. Kada to ulančate u svoju multimodalnu postavku, model odjednom može preživjeti iskrivljena skeniranja i mutne slike umjesto da halucinira vašu politiku usklađenosti iz čistog zraka. Sada, razgovarajmo o tome zašto toliko implementacija propadne. Poduzeća očekuju uglađene rezultate prvog dana, ali ne planiraju proračun za cikluse evaluacije. Bez provjera utemeljenosti, relevantnosti i koherentnosti koje se izvode u pozadini, ne primjećujete odstupanje dok korisnici već nisu razočarani. Mnoge rane implementacije brzo propadaju upravo zbog ovog razloga - izlaz zvuči točno, ali nitko ga nije provjerio u odnosu na izvornu istinu. Razmislite o tome: nikada ne biste implementirali novu bazu podataka bez nadzora. Ipak, s multimodalnim AI-em, rukovoditelji ga bacaju u produkciju kao da je čarobna kutija “uključi i radi”. Ne mora završiti neuspjehom. Carvana je jedna od priča kupaca Foundryja koja dokazuje ovu tvrdnju. Samoposlužni AI učinili su zapravo korisnim podešavanjem dohvaćanja, pravilnim utemeljenjem svojih agenata i ulaganjem u promatranje (observability). To je ono što je ono što je moglo biti još jedan bot-igračka pretvorilo u nešto čemu kupci mogu vjerovati. Sada to preokrenite na tvrtke koje su generički chatbot pričvrstile na svoju stranicu za podršku bez utemeljenja ili evaluacije - vidjeli ste rezultat. Zahtjevi za jamstvo pogrešno zavedeni kao prodajni potencijali, redovi za podršku su se napuhali, a vjerodostojnost je uništena. Ista Azure platforma, suprotan ishod. Dakle, ovo je iskreno zaključak: multimodalni AI se ne ruši jer AI nije “dovoljno pametan”. Ruši se jer podaci nisu pripremljeni, indeksirani ili nadzirani. Hranite smeće u sustav za dohvaćanje, preskačite evaluacije i gledajte kako povjerenje izgara. Ali s hibridnom pretragom, semantičkim preuređivanjem i stalnim pokretanjem evaluatora, možete obrađivati račune, ugovore, slike, čak i grube audio bilješke s odgovorima koji i dalje slijeću u stvarnost umjesto u fantaziju. A kada je utemeljenje u redu, pojavljuje se još jedan rizik. Jer čak i ako su podatkovni cjevovodi čisti, sustav koji ih pokreće i dalje može izgorjeti. Tu se pitanje mijenja: pomaže li agent koji sve ovo koordinira zapravo vašem poslovanju, ili samo tiho pretvara vaš IT proračun u gorivo za lomaču? 3. Koristan agent ili skupi uteg za papir? Agent koordinira modele, podatke, okidače i radnje – zamislite ga kao prometnog policajca za vaše automatizirane radne tijekove. Ponekad usmjerava sve glatko, ponekad maše s tri kamiona i automobilom klauna, a zatim ode na ručak. Taj jaz između čiste definicije i neuredne stvarnosti je mjesto gdje većina timova sklizne. Na papiru, agent izgleda zlatno. Nahranite ga uputama, usmjerite ga na svoje podatke i aplikacije, a on bi trebao pokretati procese, dohvaćati odgovore, pa čak i pokretati radne tijekove. Ali ovo nije savršen kolega. Jednako je vjerojatno da će popraviti ponavljajući problem u dva ujutro kao i da će preplaviti vaš red čekanja sa stotinu fantomskih tiketa jer je pogrešno pročitao zapisnik pogreške. Zamislite ga unutar ServiceNowa: kada je usko definiran, AI pokreće stvarne tikete samo za stvarne probleme i kupuje ljudima sate natrag. Ostane li labav, može zatrpati help desk zidom lažnih upozorenja o “kritičnim kvarovima pisača” na hardveru koji je u redu. Pokušajte to objašnjavati svom CIO-u. Ovo je razlika koju mnogi propuštaju: copiloti i agenti nisu ista stvar. Copilot je u osnovi prijatelj za upite. Vi pitate, on odgovara, a vi ostajete pod kontrolom. Agenti, s druge strane, odlučuju stvari ne čekajući na vas. Oni doslovno slijede vaše nejasne upute, čak i kada rezultati nemaju smisla. Tada “automatizacija” ili štedi stvarno vrijeme ili skreće u kaos za čije ćete čišćenje potrošiti dvostruko više vremena. Istina je da mnogi timovi daju svom agentu opis posla koji glasi kao predizborno obećanje: “Optimizirajte procese. Pružite uvide. Pomozite ljudima.” Čestitamo, u osnovi ste rekli botu da podivlja. Agenti bez dosega ne ostaju pristojno u svojoj traci. Oni se trzaju. Izmišljaju probleme za popravak. Dupliciraju zapise. Beskonačno petljaju. I onda se vodstvo pita zašto se sjajni demo pretvorio u bol u produkciji. Sada, da razjasnimo: nije da “većina organizacija propada u prva dva mjeseca”. To nije u istraživanju. Ono što se događa - i to brzo - jest da mnoge organizacije rano nailaze na prepreke jer nikada nisu usko definirale opseg svojih agenata, nikada nisu dodale korake provjere valjanosti i nikada nisu instrumentirale telemetriju. Bez tih zaštitnih ograda, vaš blistavi novi alat samo je nepromišljeni stažist s administratorskim pravima. I tu vam Microsoftov stog zapravo daje dijelove. Copilot Studio je mjesto niskog koda gdje kreatori dizajniraju ponašanje agenta – razmislite o tijekovima, upitima, okidačima događaja. Zatim je Azure AI Foundry’s Agent Service korporativna skela koja te agente stavlja u produkciju s promatranjem. Agent Service je mjesto gdje dodajete nadzor, zapise, mjerila. Namjerno je definiran za automatizaciju s ugrađenim ljudskim nadzorom, jer Microsoft zna što se događa ako vjerujete neprovjerenom agentu u divljini. Dakle, kako znati je li vaš agent zapravo koristan? Pokrenite ga kroz iskrenu kontrolnu listu. Jedan: smanjuje li ljudske sate ili uvlači vaše osoblje u poslove otklanjanja pogrešaka? Dva: prikupljate li mjerila poput utemeljenosti, fluentnosti i koherentnosti, ili samo buljite u lijepe marketinške nadzorne ploče? Tri: imate li telemetriju na mjestu tako da možete uhvatiti odstupanje prije nego što korisnici počnu podnositi žalbe? Ako ste pogrešno odgovorili na bilo koje od tih pitanja, nemate inteligentnog agenta - imate skupi čuvar zaslona. Izlaz je korištenje Azure AI Foundryjevih značajki promatranja i ugrađenih evaluatora. To nisu opcionalni dodaci; to je dokumentirani način mjerenja utemeljenosti, relevantnosti, koherentnosti i istinitosti izvora. Bez njih, nagađate je li vaš agent pametan ili samo izmišlja stvari pristojnim tonom glasa. S njima možete samopouzdano intervenirati i fino podesiti kada izlaz odstupa. Dakle, da, agenti mogu promijeniti igru. Pogrešno definirani, postaju pojačivači kaosa koji iscrpljuju više vremena nego što štede. Pravilno definirani – s jasnim granicama posla, stvarnom telemetrijom i utemeljenim odgovorima – mogu rukovati zadacima dok se ljudi usredotočuju na posao veće vrijednosti. I baš kad mislite da ste postigli tu ravnotežu, priča se ponovno mijenja. Microsoft već gura autonomne agente: botove koji ne čekaju na vas prije nego što djeluju. Što uloge prebacuje iz “koristan ili uteg za papir” u potpuno dru
