Što je to Agentski PC: kada računalo prestane čekati naredbe i počne završavati posao
Generativna umjetna inteligencija nas je u samo nekoliko godina naviknula na novi način komunikacije s računalom: postavimo pitanje i nekoliko sekundi poslije dobijemo tekst, sliku, programski kod ili sažetak dokumenta… AMD smatra da je to bila tek prva faza!
Sljedeća promjena mogla bi biti mnogo temeljnija. Umjesto računala koje čeka pitanje, dolazi računalo kojem zadajemo cilj. Umjesto jednog AI modela koji generira odgovor, radi čitav sustav agenata koji istražuju, planiraju, koriste programe i podatke, provjeravaju rezultate i nastavljaju s radom sve dok zadatak ne bude završen.
AMD tu novu kategoriju naziva Agent PC – osobnim računalom konfiguriranim tako da AI zadatke kontinuirano izvršava lokalno, umjesto da svaki pojedini korak šalje u cloud.
Kako izgleda ta nova paradigma
Zamislimo klasičan poslovni zadatak:
„Pripremi mi prezentaciju za sutrašnji sastanak uprave o rezultatima kompanije u prethodnom kvartalu.“
Današnji AI chatbot može napisati prijedlog strukture prezentacije. Ali čovjek i dalje mora pronaći Excel tablice, PDF izvješća, prezentacije različitih odjela i elektroničku prepisku, izdvojiti relevantne podatke i zatim ih proslijediti AI modelu.
Agentski PC mijenja upravo taj dio priče.
Agent dobiva cilj, samoinicijativno pristupa dokumentima za koje ima dopuštenje, pronalazi relevantne datoteke, čita PDF-ove, izvršava OCR nad skeniranim dokumentima, analizira Excel i CSV tablice, prepoznaje zastarjele ili kontradiktorne podatke, izdvaja relevantne činjenice, izrađuje grafikone i na kraju sastavlja prezentaciju i pripadajući sažetak.
AMD je sličan scenarij demonstrirao kroz Hermes Executive Presentation Agent – HEPA, gdje lokalni agent obrađuje velik skup poslovnih dokumenata, među kojima se nalaze relevantni, zastarjeli i međusobno konfliktni podaci, a zatim izrađuje prezentaciju, memorandum, grafikone i citirani dodatak s izvorima.
Tu postaje jasnije što AMD podrazumijeva pod agentskim računalom:
Ne tražite od računala da vam napiše prezentaciju. Tražite od njega da je napravi.
Od jednog odgovora do čitavog radnog procesa
Ta razlika zapravo predstavlja samu bit agentskog AI-ja. Klasični generativni AI uglavnom radi ovako:
pitanje → model → odgovor
Agentski sustav više izgleda ovako:
cilj → razumijevanje zadatka → plan → pronalaženje podataka → korištenje alata → analiza → izvršavanje → provjera → eventualna korekcija → završni rezultat
Agent interpretira namjeru korisnika, pribavlja kontekst, planira sljedeće korake, poziva različite alate, izvršava kod ili druge dopuštene radnje, provjerava rezultat i odlučuje treba li neki dio procesa ponoviti.
Zato AMD naglašava da agentic AI nije jedan workload, već end-to-end radni proces.
Osobni istraživački tim u jednom računalu
Još slikovitiji primjer predstavlja istraživanje.
Umjesto zahtjeva:
„Napiši mi nešto o tržištu električnih automobila.“
agentskom računalu može se zadati:
„Analiziraj tržište električnih automobila u Europi, pronađi najvažnije trendove u posljednje tri godine, usporedi pet najvećih proizvođača, napravi tablicu prodaje i izdvoji tri najveća rizika za 2027. godinu. Napravi izvješće i prezentaciju, s izvorima.“
Jedan agent može raščlaniti problem, drugi pretraživati dopuštene baze i dokumentaciju, treći analizirati tablične podatke, četvrti provjeravati tvrdnje i izvore, a peti sastaviti konačni dokument.
„Orkestrator“ prati što je napravljeno i, ako otkrije nedostatke, vraća određeni dio procesa na doradu. Korisnik više nije mikro-menadžer AI-ja. Postaje njegov naručitelj i urednik.
Programiranje, marketing i svakodnevni posao
Ista promjena već je vidljiva u razvoju softvera. Klasični AI pomoćnik može programeru napisati funkciju.
Agent dobiva širi cilj:
„Dodaj ovu funkcionalnost aplikaciji.“
Zatim može pregledati strukturu projekta, pronaći relevantne datoteke, pročitati postojeći kod, napisati izmjene, pokrenuti testove, analizirati pogreške, korigirati kod i ponovno izvršiti testove.
Slično vrijedi i za marketing.
Agentu se može zadati:
„Na temelju rezultata prethodne kampanje pripremi prijedlog kampanje za novi proizvod.“
On zatim može pregledati rezultate ranijih kampanja, izdvojiti najuspješnije poruke, analizirati tablice, pročitati smjernice proizvoda, napraviti nekoliko prijedloga komunikacije i pripremiti prezentaciju.
Čovjek i dalje odlučuje što je dobro, ali AI može odraditi mnogo više rutinskih koraka između početne ideje i materijala spremnog za provjeru.
Isto vrijedi za analitičara koji želi usporedbu cijena dobavljača, novinara koji treba proći kroz konferencijske materijale i transkripte, inženjera koji uspoređuje rezultate simulacija ili malu tvrtku koja želi razvrstati velik broj upita kupaca.
A što ako treba analizirati 300 dokumenata?
Tu dolazimo do jedne od važnijih AMD-ovih tehničkih poruka.
Naime, u HEPA testu lokalni sustav obrađuje više od 300 izvora. CPU parsira dokumente, izvršava OCR, dijeli sadržaj na segmente, formira dodatke, pronalazi relevantne dijelove, sastavlja paket dokaza i provjerava rezultat. GPU je uglavnom zadužen za generativni dio procesa.
AMD navodi da se u njihovom konkretnom radnom procesu od osam koraka sedam od osam faza izvršava na CPU-u!
To lijepo pokazuje zašto agentska era nije samo nova utrka za što bržim GPU-om. Kada agent radi, veliki jezični model predstavlja samo jedan dio sustava:
Netko mora otvoriti dokument.
Netko mora izvršiti OCR.
Netko mora pronaći podatak.
Netko mora pozvati program ili bazu.
Netko mora provjeriti rezultat.
I netko mora odlučiti što agent radi sljedeće.
Velik dio tog posla predstavlja orkestraciju i prirodno pada na CPU, dok GPU obavlja paralelne AI operacije i generiranje.
Upravo zbog svega navedenog AMD predstavlja Ryzen AI Halo APU kao platformu prilagođenu agentskom tipu opterećenja: snažan CPU, GPU, NPU i velika količina objedinjene memorije omogućuju da modeli i podaci ostanu dostupni tijekom čitavog radnog procesa.
Više nije važno samo koliko brzo AI „govori“
Tradicionalni AI benchmark testovi često mjere vrijeme do prvog tokena ili broj tokena u sekundi. Za standardni AI chatbot to je logično. Međutim, za agentski AI to više nije dovoljno.
Zamislimo da dva računala dobiju zadatak od 300 poslovnih dokumenata napraviti prezentaciju.
Prvo počne generirati tekst za pola sekunde, drugo za dvije sekunde. Ali ako prvo kompletan posao završi za šest minuta, a drugo za pet, drugi je sustav za korisnika zapravo produktivniji.
Zato AMD predlaže metriku „Time to Finished Work“ – vrijeme do završenog posla.
U AMD-ovom HEPA testu Ryzen AI Halo sustav završio je kompletan validirani radni proces za 311,6 sekundi, naspram 367,1 sekundi za NVIDIA DGX Spark. Iako je DGX Spark bio brži u izoliranoj inferenciji, AMD sustav je prema internom testu kompletan posao završio oko 15% brže, ponajprije zahvaljujući bržoj orkestraciji.
To je možda i najbolja ilustracija promjene prioriteta:
više nije pitanje koliko brzo AI generira odgovor, nego koliko brzo završava posao.
Računalo koje nastavlja raditi nakon prvog prompta
Generativni AI naučio nas je razgovarati s računalom.
Agentski AI pokušava naučiti računalo da nastavi raditi kada razgovor završi.
Ako mu kažete da napravi izvješće, ne mora vas pitati za svaki sljedeći korak. Raščlanjuje cilj na zadatke, izvršava ih, promatra rezultat i prema potrebi ponavlja dio procesa.
Zbog toga jedan agent tijekom samo jednog zadatka može mnogo puta pozivati modele i alate. U intenzivnoj uporabi to znači golemu potrošnju tokena.
I upravo tu lokalno izvršavanje počinje mijenjati ekonomiku AI-ja.
„Plati jednom, pa koristi“
Ako AI koristimo nekoliko puta dnevno, cloud je izuzetno praktičan.
Ako agenti rade satima i neprestano izvršavaju nove korake, svaki poziv modelu, provjera i ponavljanje postaju dio računa.
AMD zato Agent PC predstavlja i kao ekonomski koncept: korisnik ulaže u lokalni hardver i zatim velik dio svakodnevnog AI rada izvršava bez plaćanja svakog pojedinačnog tokena.
Poanta nije u tome da cloud nestaje. Naprotiv, AMD budućnost vidi kao hibridnu.
Najteži problemi mogu se prepustiti velikom frontier modelu u podatkovnom centru, dok rutinsko razvrstavanje dokumenata, OCR, sažimanje, ekstrakcija podataka, iteracije koda, obrada sadržaja i velik broj agentskih koraka mogu ostati lokalno.
Cloud kada nam treba maksimalna snaga. Lokalno računalo kada su važni privatnost, brzina odziva, kontrola i velik opseg svakodnevnog rada koji troši najviše tokena.
Privatni podaci mogu ostati privatni
Postoji i argument koji nema veze s čistim performansama.
Konkretno, ako agent treba biti zaista koristan, morat će poznavati mnogo više konteksta od običnog chatbota: poslovnu dokumentaciju, projekte, lokalne baze podataka, fotografije, financijske tablice ili programski kod.
Što je agent sposobniji, to mu je potencijalno potreban pristup osjetljivijim informacijama.
Ako se velik dio obrade izvršava lokalno, ti podaci ne moraju pri svakom AI koraku napuštati računalo.
Za kompanije, istraživače, programere i kreativne profesionalce to može biti jednako važno kao i sama brzina.
Od osobnog računala do osobne AI infrastrukture
Zbog toga naziv Agentski PC možda ima više smisla nego što se na prvi pogled čini.
Klasičan PC zbir je aplikacija koje čekaju da ih čovjek pokrene.
Agentski PC više nalikuje maloj lokalnoj AI infrastrukturi na radnom stolu.
Na njemu istodobno mogu postojati veliki jezični model, manji model za orkestraciju, OCR i modeli za prepoznavanje govora na materinskom ili stranom jeziku, embedding modeli, modeli za slike i nekoliko agenata koji ih koriste.
Drugim riječima, ne kupujemo samo brže računalo na kojem ćemo mi raditi.
Kupujemo i računalni kapacitet na kojem će naši digitalni suradnici raditi za nas.
Nije daleka budućnost
Najvažnije je izbjeći jednu zamku: Agentski PC ne treba predstavljati kao futuristički koncept iz neke udaljene 2035. godine.
Ključne komponente već su danas dostupne korisnicima!
Lokalni jezični modeli već mogu izvršavati ozbiljne zadatke. Agentski sustavi već mogu koristiti alate, izvršavati kod, analizirati dokumente i iterativno raditi na problemima. Lokalni AI sustavi s velikom količinom memorije mogu istodobno držati više modela aktivnima.
Ono što se tek formira jest softverski ekosustav koji će sve te mogućnosti učiniti dovoljno jednostavnima, pouzdanima i sigurnima za svakodnevnog korisnika.
I upravo tu AMD vidi novu etapu evolucije PC-ja.
Produktivnost je svojedobno definirala uredski PC.
3D grafika i igre definirale su gaming PC.
Obrada videa i profesionalnog sadržaja definirala je workstation…
AI agenti sada bi mogli definirati sljedeću kategoriju.
Najveća promjena možda neće biti u tome što će računalo postati „pametnije“.
Bit će u tome što ćemo mu prestati objašnjavati kako da izvrši svaki pojedinačni korak.
Umjesto toga, reći ćemo mu što želimo da bude završeno…
I otići raditi nešto drugo.
