Kad produkcija padne u tri ujutro, prvih 30 minuta obično ode na istu rutinu: otvoriti nadzorne ploče, pročitati alarme, provjeriti što je isporučeno, pretražiti logove. U 2026. tu rutinu preuzima AI. AWS je u ožujku pustio u opću dostupnost svoj DevOps Agent, Microsoft, Datadog i PagerDuty prodaju vlastite AI SRE agente, a mnogi timovi spajaju Claude Code ili OpenAI Codex izravno s Grafanom i Kubernetesom. No koliko su ti agenti dobri? Na neovisnom benchmarku ITBench-AA tvrtki Artificial Analysis i IBM najbolji model pronalazi sve uzroke u samo 56,2% Kubernetes incidenata, a najnoviji Anthropicov vodeći model, Claude Opus 5.5, postiže 38,2%. Ovaj vodič objašnjava što AI SRE agenti rade, koji modeli vode, koliko koštaju i kako ih tvrtke u Hrvatskoj, Njemačkoj i Austriji mogu uvesti a da ne izazovu nove ispade.
Što AI SRE agent zapravo radi
AIOps je nekad značio otkrivanje anomalija i korelaciju alarma klasičnim strojnim učenjem. Verzija iz 2026. je agentska: jezični model s pristupom za čitanje vašem sustavu nadzora (observability) koji istražuje incident korak po korak, kao dežurni inženjer. Postavlja upite nad metrikama, čita logove i tragove, gleda posljednje isporuke i promjene konfiguracije, postavlja hipotezu, provjerava je i zapisuje nalaz. Napredniji sustavi dopuštaju agentu da predloži ili provede popravak iz odobrenog runbooka.
| Zadatak | Što agent radi | Tipični alati u 2026. | Razina rizika |
|---|---|---|---|
| Trijaža alarma | Grupira povezane alarme, uklanja šum, sažima utjecaj | PagerDuty, Datadog, Rootly, incident.io | Niska |
| Istraga uzroka | Čita metrike, logove, tragove i isporuke; predlaže uzrok s dokazima | AWS DevOps Agent, Azure SRE Agent, Datadog Bits AI SRE, NeuBird, Traversal; Claude Code ili Codex s MCP poslužiteljima | Niska (samo čitanje) |
| Popravak | Vraća isporuku, skalira servis, ponovno pokreće podove prema odobrenom runbooku | Automatizacija runbooka, Kubernetes operatori, vlastiti agenti | Visoka |
| Analiza nakon incidenta | Priprema vremensku crtu i postmortem iz chata, tiketa i telemetrije | Platforme za incidente, Claude, ChatGPT | Niska |
| Prevencija | Prije isporuke pregledava promjene i konfiguracije zbog rizika za pouzdanost | AWS DevOps Agent evaluacije, agenti za kodiranje u CI-ju | Niska do srednja |
Klasifikacija AI Workshopa na temelju dokumentacije dobavljača. Popisi alata su primjeri, ne preporuke.
Zašto operativni timovi traže pomoć
Pritisak je stvaran. NeuBirdovo izvješće State of Production Reliability 2026, anketa više od 1.000 SRE, DevOps i IT stručnjaka, pokazuje da inženjerski timovi troše oko 40% vremena na upravljanje incidentima. 78% je imalo incident u kojem se nije oglasio nijedan alarm, 44% je imalo ispad povezan s ignoriranim ili utišanim alarmom, a gotovo 40% incidenata prvi primijete kupci. 93% za veći incident uključuje barem tri inženjera koji rade u četiri do sedam alata. New Relicov Observability Forecast 2025 (oko 1.700 ispitanika) procjenjuje medijan troška ozbiljnog ispada na 2 milijuna USD po satu, a korištenje AI nadzora poraslo je s 42% na 54% u godinu dana.
Izvor: NeuBird, 2026 State of Production Reliability and AI Adoption Report (više od 1.000 SRE, DevOps i IT stručnjaka). „Alarmi koji ne traže akciju” i „incidenti koje prvi otkriju kupci” tipični su udjeli iz studije, a ne udjeli organizacija. NeuBird prodaje AI SRE proizvod.
Ista anketa pokazuje jaz između onoga u što vjeruju čelnici i onoga što doživljavaju inženjeri. 74% ispitanika iz uprave kaže da njihova organizacija aktivno koristi AI za upravljanje incidentima; isto kaže samo 39% praktičara. 57% direktora smatra svoje runbookove potpunima i široko korištenima, naspram 34% praktičara. Kupiti AI funkciju nije isto što i imati AI u dežurstvu.
Koliko su modeli dobri? Ljestvica ITBench-AA
ITBench-AA je danas najkorisnije neovisno mjerilo. Artificial Analysis ga je izradio s IBM Researchom na temelju IBM-ova ITBencha: 59 Kubernetes incidenata (40 javnih, 19 skrivenih) s alarmima, događajima, tragovima, metrikama, logovima i topologijom. Agent istražuje preko ljuske (shell) u najviše 100 koraka i mora navesti minimalan skup entiteta koji su uzrok. Bodovanje je strogo: propusti li model ijedan stvarni uzrok, dobiva nulu, a navođenje dodatnih sumnjivaca snižava rezultat. Svi modeli rade u istom open-source okruženju, pa je usporedba poštena.
Izvor: Artificial Analysis, ljestvica ITBench-AA (pristupljeno 17. studenoga 2026.). Prosječna preciznost uz potpuni odziv na 59 zadataka × 3 ponavljanja, najviša razina razmišljanja po modelu, okruženje Stirrup. Prikazano 16 od 27 testiranih modela. Mistralovi modeli nisu na ljestvici.
Ističu se tri nalaza:
- Nijedan model još nije pouzdan. OpenAI-jev GPT-5.6 Sol vodi s 56,2%. I najbolji agent propusti barem jedan uzrok u gotovo polovini incidenata.
- Najnoviji nije najbolji. Claude Fable 5.1 (49,5%) i Claude Opus 4.7 (46,7%) nadmašuju Anthropicov noviji vodeći model Claude Opus 5.5 (38,2%), a OpenAI-jev GPT-5.6 Sol nadmašuje nasljednika GPT-6 Sol (49,4%). Opće ljestvice ne prenose se na vaše incidente.
- Otvoreni modeli su sustigli zatvorene. StepFunov Step 5 Preview (55,6%) i GLM-5.3-Flash tvrtke Z AI (51,2%, uz 0,15/0,50 USD po milijunu tokena) samo su nekoliko bodova iza najboljeg zatvorenog modela. To je važno timovima koji logove ne smiju slati u američki oblak. Pogledajte našu usporedbu otvorenih i zatvorenih modela.
Izvor: ljestvica Artificial Analysis ITBench-AA (pristupljeno 17. studenoga 2026.), 27 modela objavljenih od veljače do rujna 2026.; linije prikazuju dotad najbolji rezultat. Kad je ITBench prvi put objavljen u veljači 2025., najbolji agent riješio je 13,8% SRE scenarija uz drukčije bodovanje.
Napredak je brz. Od veljače do rujna 2026. najbolji rezultat zatvorenih modela porastao je s 39,8% na 56,2%, a otvorenih s 35,5% na 55,6%. Razlika između zatvorenih i otvorenih modela smanjila se s otprilike četiri boda na manje od jednog.
Teži test: ORCA-bench
ITBench-AA agentu daje pripremljenu snimku stanja. ORCA-bench (Gong i sur., arXiv 2607.28545) bliži je stvarnom dežurstvu: 1.079 zadataka nad šest dana snimljenih metrika, logova i tragova mikroservisnog sustava, polazeći od nejasnih prijava korisnika, uz istragu preko Prometheusa, Jaegera i OpenSearcha. Među pet vodećih agenata najbolja točnost analize uzroka bila je 25,3% na realističnim i 10,0% na teškim zadacima, a jaz je ostao i s Claude Fableom 5. Najslabiji model izmislio je nevjerojatan uzrok u 40% prijava, a uklanjanje pristupa izvornom kodu pogoršalo je svaki model. Autori napominju da su stvarni produkcijski sustavi mnogo veći od njihova testnog okruženja od 50 GB.
Brzo ili temeljito? Koraci, cijena i točnost
Izvor: ljestvica Artificial Analysis ITBench-AA (pristupljeno 17. studenoga 2026.). Najviše 100 koraka po zadatku. Boje kao na ljestvici.
Dulje istrage ne daju bolje odgovore. GPT-6 Astra treba samo 12,9 koraka po zadatku za 48,6%, a Gemini 3.8 Flash 82,5 koraka za 52,5%. Artificial Analysis je primijetio da modeli koji pretjerano istražuju često prijavljuju popratne simptome kao uzroke. Cijena po zadatku razlikuje se još više: pri pokretanju benchmarka u svibnju Claude Opus 4.7 stajao je 5,38 USD po zadatku za 46,7%, a Googleov otvoreni Gemma 4 31B 0,14 USD za 37%. Za agenta koji se pokreće na svaki alarm ta se razlika brzo zbraja. Naš članak o modelima naplate AI agenata objašnjava kako dobavljači naplaćuju.
Dobavljači: AWS, Microsoft, Datadog, PagerDuty i vlastito rješenje
AWS DevOps Agent općenito je dostupan od 31. ožujka 2026. Istražuje incidente, provodi preventivne evaluacije i odgovara na SRE upite, a povezuje se s CloudWatchom, Datadogom, Dynatraceom, New Relicom, Splunkom, Grafanom, GitHubom, GitLabom i Azure DevOpsom. Azure SRE Agent ima istu ulogu u Microsoftovu oblaku. Datadog Bits AI SRE i agenti PagerDutyja rade unutar alata za nadzor i dežurstvo koje timovi već koriste. PagerDutyjeva anketa 1.500 direktora pokazala je da 81% vjeruje AI agentima da djeluju u ime tvrtke tijekom krize poput ispada, a takvu razinu povjerenja benchmarkovi još ne opravdavaju.
Alternativa je vlastita izrada: Claude Code ili Claude Agent SDK, odnosno OpenAI Codex, povezani preko protokola MCP s Prometheusom, Grafanom, Kubernetesom i sustavom tiketa. Tako zadržavate kontrolu nad modelom, putem podataka i ovlastima, što odgovara timovima koji već koriste AI agente za kodiranje. Mistralovi otvoreni modeli mogu raditi na vašim poslužiteljima kad logovi moraju ostati u kući, iako nisu testirani na ITBench-AA. Agenti opće namjene poput Manusa korisni su za istraživanje i izvještaje, ali ne bi smjeli dobiti pristupne podatke za produkcijske sustave.
Što Gartner očekuje i na što upozorava
Izvori: Gartner, Top AI Trends in Infrastructure and IT Operations for 2027 (26. listopada 2026.; 50% uz minimalno ljudsko sudjelovanje do 2030., 25% spajanja NOC-a i SOC-a do 2030.); Gartner Hype Cycle for AI in IT Operations 2026 prema The Registeru (60% primjene i 20% ljudskog odobravanja do 2029., 40% prekida do 2028.). Prognoza prekida odnosi se samo na organizacije koje agentske I&O operacije koriste u punom opsegu u produkciji.
Gartner očekuje da će 60% tvrtki do 2029. koristiti agentski AI u infrastrukturnim operacijama, naspram manje od 10% danas, te da će polovina organizacija do 2030. koristiti AI agente u IT operacijama uz minimalno ljudsko sudjelovanje. Ljudsko odobrenje 2029. trebat će samo za 20% AI prijedloga, naspram 80% u 2025., zahvaljujući determinističkim zaštitama. Uz to dolazi upozorenje: do 2028. 40% I&O organizacija koje agentske operacije koriste u punom opsegu doživjet će poslovno kritičan prekid usluge, naspram manje od 1% u 2026. Gartner također predviđa da će do 2027. tvrtke koje agente za IT operacije plaćaju neograničeno po tokenima premašiti početna očekivanja troškova za više od 50% te preporučuje pravilo „nema telemetrije, nema uvođenja”.
Ekonomika: jeftini agenti, skupi ispadi
Izvori: cjenik AWS DevOps Agenta (0,0083 USD po sekundi rada agenta; AWS-ovi primjeri s istragama od 8 minuta), New Relic Observability Forecast 2025 (medijan troška ozbiljnog ispada 2 mil. USD po satu, 1 mil. USD uz full-stack observability). Troškovi agenta ne uključuju naknade za korištene AWS usluge poput CloudWatch Logs Insightsa.
Uz 0,0083 USD po sekundi rada agenta, istraga AWS DevOps Agenta od 8 minuta stoji oko 4 USD, a AWS-ov primjer za veliku tvrtku (500 incidenata, 40 evaluacija i 30 pokretanja vlastitih agenata mjesečno) 2.365,50 USD. Jedna minuta ozbiljnog ispada u medijanu stoji 33.333 USD. Ako agent i jedan veći incident skrati za nekoliko minuta, isplati se za cijelu godinu. Rizik je na drugoj strani: agent s pravom pisanja koji donese pogrešnu odluku može sam izazvati ispad. Zato je redoslijed uvođenja važniji od izbora dobavljača.
Sigurne ljestve uvođenja: Razina 1, sažeci alarma i nadzornih ploča samo za čitanje. Razina 2, istraga uzroka s dokazima koju pregledava dežurni inženjer. Razina 3, agent predlaže popravak iz odobrenog runbooka, a čovjek klikne „pokreni”. Razina 4, automatski popravak samo za kratak popis reverzibilnih radnji (vraćanje isporuke, skaliranje), uz determinističku politiku izvan modela i potpun revizijski zapis. Na višu razinu prijeđite tek kad su prijedlozi agenta bili točni na posljednjih 50 stvarnih incidenata. Naš vodič o AI zaštitama u produkciji opisuje kontrole.
EU okvir: NIS2, DORA i AI Act
- Prijava incidenata prema NIS2. Ključni i važni subjekti moraju poslati rano upozorenje u roku od 24 sata od saznanja za značajan incident i obavijest u roku od 72 sata. AI agent koji brzo složi vremensku crtu i procjenu utjecaja pomaže u poštivanju rokova, ali izvješće mora biti odgovornost čovjeka.
- DORA za financijski sektor. Banke, osiguravatelji i njihovi ICT pružatelji moraju klasificirati velike ICT incidente i poslati početnu obavijest u roku od 4 sata od klasifikacije, a najkasnije 24 sata od otkrivanja. Nalaze i radnje agenta čuvajte u zapisu incidenta radi revizije.
- EU AI Act. AI sustavi koji se koriste kao sigurnosne komponente u upravljanju i radu kritične digitalne infrastrukture navedeni su kao visokorizični u Prilogu III. Asistent samo za čitanje obično to nije, ali agent koji autonomno upravlja kritičnom infrastrukturom može biti. Provjerite prije Razine 4. Pogledajte naš vodič za usklađenost s EU AI Actom.
- GDPR i logovi. Logovi i tragovi često sadrže osobne podatke. Maskirajte ih prije nego što stignu do modela, za osjetljive sustave birajte modele smještene u EU ili na vlastitim poslužiteljima i sa svakim dobavljačem potpišite ugovor o obradi podataka.
Što to znači za tvrtke u Hrvatskoj i DACH regiji
- Počnite s istragom, ne s automatizacijom. Agent samo za čitanje koji napiše prvu hipotezu o uzroku štedi najviše vremena uz najmanji rizik.
- Testirajte modele na vlastitim incidentima. Ponovite deset prošlih incidenata i usporedite modele. ITBench-AA pokazuje da se poredak mijenja ovisno o zadatku i da najnoviji model nije uvijek najbolji.
- Najprije sredite telemetriju. Agenti su dobri koliko i logovi, tragovi i runbookovi koje čitaju. Ako se nije oglasio nijedan alarm, ni agent neće vidjeti problem.
- Ograničite potrošnju. Birajte predvidljive cijene ili čvrste budžete i od prvog dana pratite trošak po istrazi.
- Prema agentu se odnosite kao prema novom članu tima. Dajte mu najmanje ovlasti koje treba, bilježite sve što radi i pregledavajte njegov rad, kao kod mlađeg inženjera. Naš članak o AI incidentima i upravljanju rizicima pokazuje što se događa kad se to preskoči.
Zaključak
AI SRE agenti već su dobri u zamornom dijelu odgovora na incidente: prikupljanju dokaza iz različitih alata i prijedlogu gdje tražiti. Još nisu dovoljno dobri da im se samostalno povjeri popravak. Najbolji model u potpunosti pogađa uzrok u 56% incidenata na benchmarku, a na težim, realističnijim zadacima tek u otprilike četvrtini. Tvrtke koje agente koriste kao brze istražitelje pod dobrim nadzorom skratit će vrijeme odgovora; one koje im prerano daju pravo pisanja u produkciji riskiraju da postanu dio Gartnerovih 40%.
Želite da AI skrati incidente, a ne da izaziva nove?
AI Workshop gradi AI SRE asistente s Claude Codeom, MCP-om i vašim sustavom nadzora, testira modele na vašim prošlim incidentima te postavlja zaštite i revizijske zapise kakve očekuju NIS2, DORA i EU AI Act. Naši Claude Certified Architecti drže vaše logove u EU.
Razgovarajte s AI konzultantom