Kompanija ServiceNow je na svom zvaničnom blogu predstavila novi koncept pod nazivom AutoSynthData, koji bi mogao da promeni način na koji se treniraju AI agenti namenjeni poslovnom okruženju. Reč je o metodu automatskog generisanja sintetičkih podataka za obuku, koji bi trebalo da reši jedan od najvećih problema današnjih enterprise agenata — nedostatak kvalitetnih, specifičnih i pouzdanih podataka.
Naime, dok su veliki jezički modeli poput Qwen/Qwen3.8-27B, DeepSeek-V4.1-Flash ili Gemma-4-26B-A4B-it već dostigli zavidan nivo opšte inteligencije, pokazuje se da oni često “zapinju” kada treba da obave konkretan zadatak unutar poslovnog sistema — recimo da popune formular, pokrenu proceduru ili odgovore na zahtev korisnika u skladu sa internim pravilima kompanije.
Zašto su sintetički podaci ključni za AI agente
Tradicionalni pristup obuci agenata podrazumeva ručno prikupljanje i označavanje podataka iz realnih poslovnih scenarija. To je skupo, sporo i često nemoguće — jer kompanije ne mogu da dele osetljive podatke, a ni da predvide sve situacije sa kojima će se agent suočiti.
ServiceNow-ov pristup, opisan u tekstu AutoSynthData: Generating Training Data for Enterprise Agents, ide korak dalje: umesto da čekaju da se podaci pojave, oni se generišu automatski, na osnovu definisanih poslovnih pravila i scenarija. Na taj način agenti mogu da vežbaju na hiljadama varijanti istog zadatka pre nego što uopšte stupe u kontakt sa pravim korisnikom.
Uz to, ServiceNow je objavio i dataset EnterpriseOps-Gym, koji sadrži preko 2.500 primera i više od 21.000 interakcija — sve sa ciljem da posluži kao osnova za dalje usavršavanje agentnih sistema.
Šta to znači za budućnost poslovne automatizacije
Ako se ovaj pristup pokaže uspešnim, kompanije bi mogle da znatno brže i jeftinije razvijaju sopstvene AI agente — bez potrebe da angažuju timove za ručno označavanje podataka. To bi otvorilo vrata masovnoj primeni agenata u oblastima kao što su korisnička podrška, IT operacije, ljudski resursi ili finansije.
Ono što je posebno zanimljivo jeste da se ovakav pristup naslanja na modele koji su već dostupni — poput pomenutih Qwen, DeepSeek i Gemma modela — što znači da nije potrebno razvijati novu arhitekturu od nule. Dovoljno je pametno iskoristiti ono što već postoji i “nahraniti” agente podacima koji liče na stvarne poslovne situacije.
ServiceNow ovim potezom jasno stavlja do znanja da budućnost AI agenata nije samo u većim modelima, već i u pametnijim podacima — onima koji se generišu baš za potrebe konkretnog zadatka. A to bi mogao da bude ključni korak ka široj primeni veštačke inteligencije u svakodnevnom poslovanju.