Na sastanku o "uvođenju AI-a u firmu" 2026. godine u prosjeku padnu tri kratice u prvih pet minuta: RAG, MCP i agenti. Pola stola kima, druga polovica krišom gugla ispod stola — a odluke o proračunu donose se svejedno. Šteta, jer iza sve tri kratice stoje ideje koje se daju objasniti na primjeru pekarnice, knjižnice i pripravnika, bez ijedne formule. Idemo redom, jer redoslijed nije slučajan: RAG uči model što zna, MCP mu daje ruke, a agent je ono što nastane kad mu date i zadatak.

Problem s golim modelom: pametan, ali zaključan u sobi

Veliki jezični model — ChatGPT, Claude, Gemini, svejedno — u osnovi je stroj koji je pročitao ogroman komad interneta do nekog datuma i sada iz toga slaže odgovore. Dvije mane dolaze u paketu. Prva: ne zna ništa nakon svog "roka trajanja" — ni današnji tečaj, ni vaš cjenik, ni sadržaj vašeg ugovora s dobavljačem. Druga: kad ne zna, često ne šuti, nego uvjerljivo izmišlja — fenomen uljudno nazvan halucinacijom.

Zamislite briljantnog konzultanta zaključanog u sobi bez prozora, bez interneta i bez telefona, koji je zadnje novine pročitao lani. Sve što industrija zadnje tri godine gradi — RAG, MCP, agenti — u biti su tri načina da se ta soba otključa.

RAG: dajte modelu knjižničara

RAG (Retrieval-Augmented Generation, "generiranje potpomognuto dohvatom") rješava problem znanja. Ideja je gotovo uvredljivo jednostavna: umjesto da se model nada da nešto pamti iz treninga, prije odgovora mu se u ruke tutne relevantan materijal — pa neka odgovara iz njega.

Konkretno: pitate chatbota svoje banke "koja je naknada za prijevremenu otplatu?". Sustav prvo pretraži internu bazu dokumenata (pravilnike, cjenike, ugovore — razlomljene na komadiće i indeksirane po značenju, ne po ključnim riječima), izvuče tri najrelevantnija odlomka i pošalje ih modelu zajedno s vašim pitanjem: "Odgovori na temelju ovoga." Model više ne izmišlja — parafrazira vaš dokument, idealno s referencom na izvor.

Zato je RAG postao standard za "chat s vlastitim dokumentima": znanje se mijenja izmjenom dokumenta, ne skupim ponovnim treniranjem; odgovori imaju izvor koji se da provjeriti; i povjerljivi podaci ostaju u vašoj bazi umjesto u utrobi tuđeg modela. Granice ipak postoje: RAG je dobar koliko i pretraga ispod njega — ako dohvat izvuče krivi odlomak, model će lijepo i uvjerljivo odgovoriti iz krivog odlomka. Knjižničar, ne prorok.

MCP: USB-C za umjetnu inteligenciju

RAG modelu daje znanje, ali on i dalje samo priča. Da bi nešto napravio — kreirao račun, provjerio stanje skladišta, poslao mail — mora se spojiti na vaše sustave. Do prije dvije godine svako takvo spajanje bio je ručni rad: poseban konektor za svaki alat, za svaki model, iznova. Deset alata puta tri modela = trideset integracija koje netko mora održavati.

MCP (Model Context Protocol) je odgovor na taj kaos: otvoreni standard — utičnica — koji propisuje kako AI aplikacija razgovara s vanjskim alatima. Napišete jedan "MCP server" za svoj sustav (recimo: skladište, s alatima "provjeri zalihu" i "rezerviraj robu") i svaki AI klijent koji govori MCP može ga koristiti — Claude, ChatGPT, Gemini, interni agent, svejedno. Zato se najčešće opisuje kao "USB-C za AI": jedan priključak, svi uređaji.

Priča ima i neuobičajen industrijski rasplet: standard je krajem 2024. objavio Anthropic, tijekom 2025. prihvatili su ga i OpenAI, Google i Microsoft — konkurenti koji se inače ne dogovaraju ni oko čega — a krajem 2025. protokol je doniran zakladi pod Linux Foundationom, čime je formalno prestao biti "Anthropicov". Brojke iz 2026.: desetci milijuna preuzimanja SDK-a mjesečno i preko deset tisuća javnih MCP servera, od Gita i baza podataka do CRM-ova i knjigovodstvenih alata.

Agent u sredini: prima zadatak od korisnika, znanje dohvaca RAG-om iz dokumenata, a radnje izvodi MCP-om prema alatima poput kalendara, baze i maila Korisnik "Pripremi ponudu" AI agent planira korake RAG — znanje cjenici, ugovori, dokumentacija MCP — ruke CRM, mail, kalendar, baza

Agenti: pripravnik koji smije otvoriti mail

I sad završni sloj. Chatbot odgovara na poruke; agent dobije cilj pa sam smišlja i izvodi korake do njega. "Nađi mi tri najjeftinija dobavljača za ovaj artikl, sastavi usporedbu i pripremi mail s upitom" — agent će pretražiti, pročitati, usporediti, napisati, i stati (ako je dobro postavljen) točno prije slanja, čekajući vaš klik. Petlja je uvijek ista: razmisli → upotrijebi alat → pogledaj rezultat → ponovi, dok cilj nije ispunjen.

Tu se prethodna dva pojma sklapaju u cjelinu: RAG je agentovo pamćenje (znanje firme), MCP su njegove ruke (alati kojima nešto radi), a model je glava koja odlučuje kojim redom. Praktični primjeri koji već rade po firmama: agent za onboarding koji novom zaposleniku otvori račune, doda ga u sustave i pošalje raspored; agent za IT podršku koji sam trijažira tickete i rutinske riješi; agent za praćenje propisa koji čita izmjene i javlja što se firme tiče.

Kad ne treba komplicirati: cheat-sheet za odluku

Najčešća greška 2026. nije korištenje krive tehnologije, nego korištenje prevelike. Redoslijed razmišljanja: ako vam treba odgovaranje iz vaših dokumenata — dovoljan je RAG, to je jedno popodne posla s gotovim alatima. Ako AI treba čitati ili mijenjati podatke u vašim sustavima — trebate MCP (ili gotove integracije koje ga koriste ispod haube). Agent uzimajte tek kad zadatak ima više koraka koje unaprijed ne znate nabrojati — jer agent uz moć donosi i novu klasu problema: može pogriješiti u koraku 3 od 7, troši višestruko više tokena, i mora imati jasno definirano što smije sam, a što tek uz ljudski klik. Zlatno pravilo iz prakse: agentu se daju ovlasti kao pripravniku — čitati smije puno, brisati ništa, a slati tek kad se netko potpiše.

Što to znači za malu hrvatsku firmu

Prevedeno na konkretno: knjigovodstveni servis može RAG-om posložiti "upitnik" nad vlastitim internim uputama i propisima umjesto da tri seniora odgovaraju na ista pitanja; webshop može MCP-om spojiti AI na svoju bazu narudžbi pa podrška odgovara "gdje mi je paket" s pravim podatkom, a ne frazom; agencija može pustiti agenta da sastavlja tjedne izvještaje klijentima iz analitike, maila i kalendara. Ništa od toga više nije znanstvena fantastika ni budžet velike banke — većina se sklapa iz gotovih dijelova, a najskuplji dio nije tehnologija nego posao koji je oduvijek najskuplji: posložiti vlastite podatke i procese da ih se uopće ima na što spojiti.

Tri kratice, tri uloge: knjižničar, utičnica, pripravnik. Tko ih pomiješa, kupit će agenta tamo gdje je trebao RAG i platiti deset puta više za lošiji rezultat; tko ih razumije, može na sljedećem sastanku postaviti jedino pitanje koje stvarno razdvaja ozbiljne ponuđače od prodavača magle: "Odakle sustav zna to što tvrdi — i tko mu je dopustio to što radi?" Ako ponuđač na to odgovori bez kratica, zadržite ga.

Izvori i dodatno čitanje