Google: Agentic RAG za Gemini Enterprise — 90,1% točnosti i do 34% bolja faktualnost

Google Research i Google Cloud predstavili su 5. lipnja 2026. multi-agentni RAG framework za Gemini Enterprise Agent Platform, čija je središnja novost Sufficient Context Agent — komponenta koja procjenjuje je li dohvaćeni kontekst dovoljan za pouzdan odgovor. Na zahtjevnom benchmarku framework je postigao 90,1% točnosti uz znatno poboljšanu faktualnost.

Što je RAG i zašto je bitan?

RAG (retrieval-augmented generation, generiranje uz dohvat) je tehnika kojom model prije sastavljanja odgovora dohvaća relevantne dokumente iz baze znanja. Umjesto da se oslanja isključivo na ono što je naučio tijekom treniranja, model svoj odgovor temelji na konkretnim izvorima.

Time se postiže dvostruka korist: smanjuje se sklonost modela izmišljanju činjenica i povećava se faktualnost odgovora. RAG je posebno važan u poslovnim okruženjima gdje odgovori moraju biti utemeljeni na internim dokumentima tvrtke.

Kako radi Sufficient Context Agent?

Najveći iskorak u odnosu na klasični RAG jest Sufficient Context Agent. Njegova je zadaća procijeniti je li dohvaćeni kontekst doista dovoljan da bi se na njemu temeljio pouzdan odgovor. Ako agent zaključi da kontekst nije dovoljan, pokreće iterativna pretraživanja umjesto da vrati nepotpun odgovor.

Ovaj mehanizam rješava čestu slabost standardnog RAG-a, kod kojeg model odgovara i onda kad dohvaćeni materijal ne pokriva pitanje u potpunosti. Iterativni pristup omogućuje sustavu da prikupi dodatne informacije prije nego što formira konačni odgovor.

Od kojih se agenata sastoji arhitektura?

Framework je organiziran kao skup specijaliziranih agenata. Tu su Orchestrator (koordinator), Planner (planer), Query Rewriter (preoblikovanje upita), Search Fanout (širenje pretraživanja) te Synthesis agenti (sinteza odgovora).

Svaki agent obavlja jasno definiranu ulogu, a zajedno tvore cjevovod koji upit razlaže, planira pretraživanje, po potrebi preoblikuje upit i naposljetku sintetizira odgovor. Takva podjela rada omogućuje precizniju kontrolu nad svakim korakom obrade.

Kakvi su rezultati na FramesQA benchmarku?

Framework je testiran na FramesQA benchmarku koji obuhvaća 824 upita preko 2.676 PDF dokumenata. U cross-corpus scenarijima, gdje odgovor zahtijeva povezivanje informacija iz više izvora, postigao je 90,1% točnosti.

U odnosu na standardni RAG, framework je donio do 34% bolju faktualnost. Pritom je porast latencije ostao unutar 3% u prosjeku, što znači da je dobitak u kvaliteti postignut bez značajnog usporavanja odgovora.

Što ovo znači za poslovne korisnike?

Za tvrtke koje žele pouzdane odgovore utemeljene na vlastitim dokumentima, kombinacija visoke točnosti i poboljšane faktualnosti uz minimalan porast latencije predstavlja praktičan napredak. Sustav je dostupan kao public preview unutar Gemini Enterprise Agent Platform, čime ga Google stavlja na raspolaganje poslovnim korisnicima za isprobavanje u stvarnim uvjetima.

Posebnu vrijednost donosi Sufficient Context Agent, koji smanjuje rizik da sustav odgovori na temelju manjkavih informacija. U poslovnom kontekstu, gdje pogrešan odgovor može imati stvarne posljedice, sposobnost sustava da prepozna kada nema dovoljno podataka i da nastavi pretraživanje umjesto da nagađa, jednako je važna kao i sama točnost. Time Agentic RAG cilja na pouzdanost koja je preduvjet za ozbiljnu primjenu u poslovnim procesima.