Naslov i uvod
Današnji AI agenti često izgledaju kao preambiciozni pripravnik: na prezentaciji briljantan, u stvarnom poslu – nepredvidljiv. Ako složen zadatak obavi ispravno otprilike svaki drugi put, to nije „digitalni zaposlenik“, nego tehnološki eksperiment.
NeoCognition želi upravo to promijeniti, a investitori su spremni platiti da vide hoće li uspjeti. Sa seed rundom od 40 milijuna dolara laboratorij iz SAD‑a gradi priču da agenti moraju „učiti kao ljudi“ – stvarati unutarnji model svog okruženja i postati duboki specijalisti, a ne samo dobro ispromptani generalisti.
U nastavku analiziramo što NeoCognition zapravo obećava, zašto je to važno baš sada, kako se uklapa u širi trend agentnih sustava te što sve to može značiti za tvrtke u Hrvatskoj i regiji JI Europe.
Vijest ukratko
Prema pisanju TechCruncha, NeoCognition je novi AI istraživački startup proizašao s američkog sveučilišta Ohio State. Osnovao ga je profesor Yu Su, voditelj laboratorija za AI agente. Tvrtka je izašla iz stealth faze sa seed investicijom od 40 milijuna američkih dolara.
Ulaganje predvode fondovi Cambium Capital i Walden Catalyst Ventures, uz sudjelovanje Vista Equity Partners te nekoliko poslovnih anđela povezanih, između ostalog, s Intelom i Databricksom. NeoCognition se opisuje kao istraživački laboratorij koji razvija samo‑učeće AI agente. Ideja je da agenti izgrade unutarnje „modele svijeta“ određenih domena i zatim se u njima specijaliziraju, slično kao što se čovjek uhodava u novi posao.
Su tvrdi da današnji agenti – od alata za developere poput Claude Code do računalnih alata unutar Perplexityja – složenije zadatke točno dovrše tek u otprilike polovici slučajeva, pa im se ne može vjerovati kao samostalnim „radnicima“. NeoCognition svoje sustave planira prvenstveno nuditi poduzećima i SaaS kompanijama, pri čemu će Vista, kao jedan od najvećih igrača u softverskom private equityju, poslužiti kao važan kanal prema portfeljnim tvrtkama. Trenutno imaju oko 15 zaposlenih, većinom s doktoratom.
Zašto je to važno
Ključna poruka NeoCognitiona nije „pametniji agenti“, nego pouzdaniji agenti. U praksi, to je ogromna razlika.
Veliki jezični modeli već danas pišu kod, sažimaju dokumente i odgovaraju na pitanja. No kad ih pretvorimo u agente koji bi trebali samostalno voditi tijekove rada – od podrške korisnicima do financijskog odobravanja – uspješnost od 50 % jednostavno nije prihvatljiva. Hrvatski CFO, voditelj IT‑a ili compliancea neće riskirati reputaciju i regulatorne kazne zbog sistema koji se svaki drugi put „iznenadi“.
NeoCognition pokušava taj problem adresirati kroz specijalizaciju putem modela svijeta. Umjesto da svaki zadatak bude još jedan ad‑hoc razgovor, agent bi trebao izgraditi internu sliku svog „mikrosvijeta“: procesa u banci, pravila javne nabave u nekoj članici EU, načina rada u određenom call centru ili specifičnosti softvera u jednoj tvrtki. S vremenom bi se ponašao više kao novi zaposlenik koji je „pohvatao sve konce“, a manje kao univerzalni chatbot.
Tko dobiva, ako im to pođe za rukom?
- Poduzeća i SaaS pružatelji dobit će priliku za uvođenje AI „radnika“ bez gradnje vlastitih agenata od nule za svaku industriju.
- Private equity igrači poput Viste dobit će način kako ubrizgati AI u starije softverske portfelje bez potpunog re‑platformiranja.
Tko bi mogao izgubiti?
- Konzultanti i integratori, koji danas dobro zarađuju na custom agentnim rješenjima po branši, mogli bi vidjeti pritisak na marže ako se pojavi generička platforma koja se sama uči.
- Dobavljači temeljnih modela (LLM) riskiraju da postanu nevidljiva komunalna infrastruktura, dok će povjerenje i diferencijacija biti na razini agentnog sloja.
Najzanimljivija posljedica: ako se dokaže da se agenti doista mogu specijalizirati, fokus AI utrke seli se s pitanja „tko ima najpametniji model?“ na pitanje „čiji agent se najbolje naučio našeg poslovanja?“. Tu se otvaraju prilike i za regionalne igrače.
Šira slika
NeoCognition jaše na najvećem AI trendu posljednjih godina: prijelazu od statičnih chatbotova na agentske sustave koji planiraju, djeluju i uče kroz vrijeme.
Vidjeli smo nekoliko valova:
- Rani projekti poput AutoGPT pokazali su glad tržišta za autonomnim agentima, ali i njihovu krhkost.
- Startupi poput Adepta i interni projekti u OpenAI‑ju, Anthropicu i Googleu istražuju agente koji klikaju i tipkaju umjesto korisnika.
- U znanosti se „world models" i kognitivne arhitekture proučavaju već desetljećima – posebno u robotici i reinforcement learningu.
NeoCognition sve to destilira u jasan proizvodni narativ: usko grlo nije još jedan veći model, nego brza prilagodba konkretnom okruženju.
Povijesno znamo da je to teško. Ekspertni sustavi 80‑ih obećavali su domensko znanje, ali su bili kruti i skupi. RPA val prije desetak godina automatizirao je „klikove“, ali se rušio na svakoj promjeni ekrana. Današnji LLM agenti imaju suprotan problem: izvanredno su fleksibilni, no često površni i nedovoljno dosljedni.
Ako NeoCognition uspije spojiti opće razumijevanje jezika s trajnim, domenski specifičnim modelima svijeta, mogao bi zatvoriti taj krug. No tada se pojavljuju teška pitanja:
- Kako tehnički predstaviti i verzionirati taj model svijeta tako da bude auditibilan?
- Kako kontrolirati kontinuirano učenje da agent ne sklizne u rizično ili regulatorno neprihvatljivo ponašanje?
- Kako mjeriti „stručnost“ agenta – standardiziranim benchmarkovima, uštedom vremena, smanjenjem grešaka?
Na tržištu NeoCognition stoji negdje između čistog istraživačkog laboratorija (tipa DeepMind u ranim danima) i vrlo praktične agentne platforme. Uspjeh će ovisiti o tome može li mala, visoko obrazovana ekipa isporučiti konkretne proizvode brže od big tech divova koji već rade na vlastitim agentnim sustavima.
Europski i regionalni kut
Za Hrvatsku i širu EU priča ima dvije strane: priliku za skok produktivnosti i ozbiljna pitanja oko regulative i kontrole.
Europski okvir za AI – zajedno s GDPR‑om, Digital Services Actom i budućom primjenom Akta o umjetnoj inteligenciji – inzistira na sljedivosti, odgovornosti i ljudskom nadzoru. Samo‑učeći agent koji stalno mijenja svoj unutarnji model svijeta iz perspektive regulatora izgleda kao pokretna meta.
Za ozbiljan ulazak na EU tržište NeoCognition će morati odgovoriti na pitanja poput:
- Može li se učenje agenta pauzirati i „zamrznuti“ njegovo stanje radi interne ili regulatorne revizije?
- Može li se naučeni model objasniti na način razumljiv revizorima, HANFA‑i, HNB‑u ili AZOP‑u?
- Gdje se nalaze podaci i naučeno znanje – postoji li opcija EU ili lokalnog hostinga, što je posebno važno za javni sektor i financije?
S druge strane, regija ima specifične prednosti. Hrvatska, Slovenija, Srbija i ostale zemlje JI Europe imaju sve više vertikalnih SaaS rješenja: od turističkih i logističkih platformi, preko rješenja za javnu upravu, do industrijskog i energetskog softvera. Ta poduzeća često imaju dobro strukturirane podatke, ali mali ili nikakav interni AI tim.
Za njih bi agent koji se brzo nauči, recimo, lokalnih propisa javne nabave, regulatornih izvještaja HNB‑a ili pravila naplate komunalija mogao biti ogroman iskorak – pod uvjetom da rješenje poštuje EU pravila i dopušta jasne kontrolne mehanizme.
Za zagrebačku i širu startup scenu NeoCognition je možda zanimljiviji kao infrastrukturni sloj. Lokalni startupi i integratori mogli bi na takvim agentima graditi vlastite nišne proizvode za regiju – od „AI referenta za dokumente“ u općini do agenta za obradu zahtjeva u osiguravajućim kućama.
Pogled unaprijed
Što očekivati u sljedećih 12–24 mjeseca i na što bi tvrtke u Hrvatskoj trebale paziti?
Prave metrike, ne samo prezentacije. Ako NeoCognition želi dokazati svoju tezu o pouzdanosti, mora pokazati dugoročnu stopu uspješno dovršenih zadataka u stvarnim procesima – primjerice, u obradi zahtjeva, kreiranju ponuda ili internom IT helpdesku.
Rane implementacije u portfelju Vista. Hoće li se njihovi agenti pojaviti u poznatim SaaS proizvodima koji već imaju korisnike u EU i regiji? Ako ti piloti prežive sigurnosne i regulatorne provjere, to je jak signal. Ako se utišaju bez rezultata, to je znak da je put teži nego što priča sugerira.
Alati za upravljanje učenjem. Poduzeća i regulatori tražit će mogućnost definiranja pravila: kada agent smije učiti, na temelju kojih podataka, uz kakvu ljudsku kontrolu i kako se prate regresije. Očekujte da će se oko takvih agentnih platformi pojaviti cijeli ekosustav alata za nadzor i evaluaciju.
Stav prema otvorenosti. S malom, znanstveno orijentiranom ekipom, NeoCognition će morati odlučiti hoće li dio istraživanja otvoriti ili ostati „crna kutija“. U sredinama poput Hrvatske, gdje su suradnja s akademijom i open‑source zajednica važni, to može utjecati na prihvaćanje.
Rizici su jasni: prevelika obećanja oko „učenja poput čovjeka“, podcjenjivanje kaotične realnosti poslovnih podataka, te moguće kolizije s EU regulativom. Ali potencijal je također velik: ako agenti doista postanu pouzdani specijalisti, rasprava će se brzo pomaknuti s pitanja „smijemo li uopće koristiti AI?“ na pitanje „koje poslove prvo prepustiti agentima?“.
Zaključak
NeoCognition utjelovljuje sljedeću fazu evolucije umjetne inteligencije: od sjajnih, ali hirovitih chatbotova prema pouzdanim, samo‑učećim agentima koji mogu obavljati konkretan posao. Seed runda od 40 milijuna dolara snažan je signal povjerenja u tu viziju – ali ne i dokaz da je izvediva.
Hoće li se ta oklada isplatiti, ovisit će o tome može li tim pretvoriti slogan "uči kao čovjek" u rezultate koji su ponovljivi, mjerljivi i usklađeni s europskim pravilima. Za hrvatske tvrtke pitanje je vrlo praktično: u kojem biste procesu danas bili spremni dati AI agentu ulogu pravog specijalista – i koje biste zaštitne mehanizme postavili prije toga?
