{"id":2713,"date":"2026-10-04T05:32:03","date_gmt":"2026-10-04T05:32:03","guid":{"rendered":"https:\/\/11000.dev\/index.php\/2026\/10\/04\/microsoft-predstavio-thinkingbox-novi-benchmark-otkriva-gde-ai-agenti-padaju-na-ispitu-iz-poslovne-pouzdanosti\/"},"modified":"2026-10-04T05:32:03","modified_gmt":"2026-10-04T05:32:03","slug":"microsoft-predstavio-thinkingbox-novi-benchmark-otkriva-gde-ai-agenti-padaju-na-ispitu-iz-poslovne-pouzdanosti","status":"publish","type":"post","link":"https:\/\/11000.dev\/index.php\/2026\/10\/04\/microsoft-predstavio-thinkingbox-novi-benchmark-otkriva-gde-ai-agenti-padaju-na-ispitu-iz-poslovne-pouzdanosti\/","title":{"rendered":"Microsoft predstavio ThinkingBox: novi benchmark otkriva gde AI agenti padaju na ispitu iz poslovne pouzdanosti"},"content":{"rendered":"

Zamislite scenario koji se danas odigrava u hiljadama kancelarija \u0161irom sveta: AI agent javi da je zadatak zavr\u0161en, korisnik klimne glavom i nastavi dalje \u2014 a onda se ispostavi da u bazi podataka nikada ni\u0161ta nije upisano. Upravo tu bolnu ta\u010dku izme\u0111u “uspeha” i stvarne pouzdanosti Microsoft je odlu\u010dio da stavi pod mikroskop.<\/p>\n

\"Microsoft<\/figure>\n

Naime, Microsoft je objavio ThinkingBox<\/strong>, takozvani sandbox i benchmark namenjen testiranju AI agenata u poslovnim tokovima koji imaju stanje (stateful workflows). Uz njega je objavljen i prate\u0107i rad pod naslovom One Success Isn’t Reliability: Thinkingbox, a Sandbox and Benchmark for Agents in Stateful Business Workflows<\/em>, kao i javno dostupan dataset ThinkingBox-Bench<\/strong> na Hugging Face platformi.<\/p>\n

Za\u0161to je “uspeh” najve\u0107i neprijatelj pouzdanosti<\/h2>\n

Klju\u010dna poenta koju autori isti\u010du gotovo je provokativno jednostavna: to \u0161to je agent jednom obavio zadatak ne zna\u010di da je pouzdan. U svetu poslovnog softvera, gde se svaka akcija pamti \u2014 od rezervacije, preko a\u017euriranja korisni\u010dkog naloga, do knji\u017eenja transakcije \u2014 gre\u0161ka nije samo lo\u0161 odgovor u chatu. Gre\u0161ka je nekonzistentno stanje sistema koje neko kasnije mora ru\u010dno da ispravlja.<\/p>\n

ThinkingBox zato ne meri samo da li je agent “pogodio” re\u0161enje, ve\u0107 da li je do njega stigao dosledno, iznova i iznova, u okru\u017eenju koje se menja i pamti prethodne korake. To je su\u0161tinski druga\u010diji pristup od klasi\u010dnih benchmarka koji agente testiraju na stati\u010dnim zadacima bez posledica.<\/p>\n

\u0160ta se krije u sandboxu<\/h2>\n

Re\u010d je o okru\u017eenju koje simulira realne poslovne operacije \u2014 ono \u0161to u industriji zovu stateful business workflows<\/strong>. Agenti unutar ThinkingBox-a moraju da izvr\u0161avaju zadatke koji menjaju stanje sistema, a rezultat se ocenjuje kroz prizmu pouzdanosti, a ne samo ta\u010dnosti u jednom poku\u0161aju.<\/p>\n

Ovo je posebno va\u017eno za kompanije koje ve\u0107 danas pu\u0161taju AI agente u produkciju: u finansijama, logistici, korisni\u010dkoj podr\u0161ci ili administraciji. Ako agent povremeno “uspe”, ali povremeno tiho ne uradi ni\u0161ta, rizik se ne vidi u demo snimku \u2014 vidi se u produkciji, i to obi\u010dno u najgorem trenutku.<\/p>\n

\u0160iri kontekst: trka za pouzdanim agentima<\/h2>\n

Microsoft ovim potezom ulazi u sve gu\u0161\u0107u oblast evaluacije AI agenata<\/strong>, gde se poslednjih meseci vodi prava bitka za standarde. Dok jedni grade agente koji sve bolje “razgovaraju”, drugi \u2014 poput Microsofta \u2014 grade alate koji \u0107e izmeriti da li ti agenti smeju da dobiju pristup pravim sistemima. Dataset i benchmark su javno dostupni, \u0161to zna\u010di da ih mogu koristiti i istra\u017eiva\u010di i timovi u firmama koje \u017eele da testiraju svoja re\u0161enja pre nego \u0161to ih puste u divljinu.<\/p>\n

Detalji i sam benchmark dostupni su na Microsoft-ovom blogu na Hugging Face-u<\/a>, gde se mogu na\u0107i i prate\u0107i rad i dataset.<\/p>\n

Poruka je jasna: era u kojoj se AI agent ocenjivao po tome da li ume da odgovori polako se zavr\u0161ava. Slede\u0107e pitanje je mnogo neprijatnije \u2014 da li mu smete verovati kada ka\u017ee da je posao zavr\u0161en.<\/p>\n","protected":false},"excerpt":{"rendered":"

Zamislite scenario koji se danas odigrava u hiljadama kancelarija \u0161irom sveta: AI agent javi da je zadatak zavr\u0161en, korisnik klimne glavom i nastavi dalje \u2014 a onda se ispostavi da u bazi podataka nikada ni\u0161ta nije upisano. Upravo tu bolnu ta\u010dku izme\u0111u “uspeha” i stvarne pouzdanosti Microsoft je odlu\u010dio da stavi pod mikroskop. Naime, Microsoft […]<\/p>\n","protected":false},"author":1,"featured_media":2712,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"content-type":"","footnotes":""},"categories":[103,104],"tags":[],"class_list":["post-2713","post","type-post","status-publish","format-standard","has-post-thumbnail","category-ai","category-tehnologija"],"_links":{"self":[{"href":"https:\/\/11000.dev\/index.php\/wp-json\/wp\/v2\/posts\/2713","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/11000.dev\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/11000.dev\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/11000.dev\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/11000.dev\/index.php\/wp-json\/wp\/v2\/comments?post=2713"}],"version-history":[{"count":0,"href":"https:\/\/11000.dev\/index.php\/wp-json\/wp\/v2\/posts\/2713\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/11000.dev\/index.php\/wp-json\/wp\/v2\/media\/2712"}],"wp:attachment":[{"href":"https:\/\/11000.dev\/index.php\/wp-json\/wp\/v2\/media?parent=2713"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/11000.dev\/index.php\/wp-json\/wp\/v2\/categories?post=2713"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/11000.dev\/index.php\/wp-json\/wp\/v2\/tags?post=2713"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}