De ce unele companii românești adoptă AI lent: date, integrare, frică de greșeli

Inteligența artificială a devenit una dintre cele mai discutate teme din business, dar ritmul real de adopție este mult mai inegal decât pare din conferințe, postări pe LinkedIn sau prezentări de strategie. La suprafață, ai impresia că toate companiile testează agenți AI, automatizări, chatboți, modele predictive și asistenți digitali pentru fiecare departament. În realitate, multe organizații românești se mișcă prudent, uneori lent, alteori chiar defensiv. Nu pentru că nu ar vedea potențialul tehnologiei, ci pentru că între entuziasm și implementare există un spațiu complicat, plin de date dezordonate, sisteme vechi, temeri interne și riscuri greu de asumat.

Pentru o firmă mică, AI poate părea o promisiune prea abstractă. Pentru o companie medie, poate părea un proiect care cere investiții, consultanță și oameni specializați. Pentru o corporație, poate deveni un subiect blocat între IT, legal, compliance, securitate, HR și business. În toate cazurile, întrebarea reală nu este doar „ce poate face AI?”, ci „unde îl punem fără să stricăm ceva?”. Această prudență nu este întotdeauna un semn de lipsă de viziune. Uneori, este reflexul sănătos al unor companii care știu că automatizarea prost făcută poate produce mai multe probleme decât rezolvă.

În România, adopția AI are și câteva particularități locale. Multe companii funcționează încă pe procese informale, fișiere Excel, aprobări pe email, sisteme ERP parțial folosite, CRM-uri incomplete și oameni-cheie care țin în memorie detalii critice. În astfel de condiții, un proiect AI nu începe cu algoritmul, ci cu o întrebare incomodă: știm suficient de bine cum lucrăm ca să putem automatiza?

Datele sunt problema ascunsă din spatele entuziasmului

Primul obstacol major în adopția AI este calitatea datelor. În teorie, orice companie are date. Facturi, comenzi, clienți, produse, tichete de suport, contracte, emailuri, rapoarte, campanii, interacțiuni, stocuri, feedback, documente interne. În practică, aceste date sunt adesea împrăștiate în sisteme diferite, scrise în formate incompatibile, incomplete, duplicate sau actualizate neregulat. AI-ul promite analiză, predicție și automatizare, dar are nevoie de o bază coerentă pe care să lucreze.

Multe companii românești descoperă această problemă abia când încearcă să treacă de etapa de demo. Într-o prezentare, un chatbot intern poate răspunde elegant la întrebări dintr-un set de documente curate. În realitate, documentele sunt vechi, unele proceduri nu mai sunt valabile, nomenclatoarele diferă între departamente, iar aceeași informație apare în trei variante. Dacă AI-ul este conectat la o bază de cunoștințe murdară, rezultatul va fi un output convingător, dar nesigur.

Aceasta este una dintre marile capcane ale inteligenței artificiale în business: produce răspunsuri fluente chiar și atunci când datele din spate sunt slabe. Un om poate observa că nu are toate informațiile și poate întreba mai departe. Un sistem AI poate formula o concluzie cu o siguranță aparentă, chiar dacă sursele sunt incomplete. Pentru management, acest lucru creează un risc serios. Dacă datele nu sunt bine guvernate, AI-ul nu devine un motor de claritate, ci o interfață elegantă peste confuzie.

Problema datelor este și culturală, nu doar tehnică. În multe organizații, fiecare departament își construiește propriile tabele, propriile definiții și propriile ritualuri de raportare. Vânzările au o versiune a adevărului, financiarul are alta, operaționalul are alta, iar marketingul lucrează cu indicatori care nu se leagă mereu de profitabilitate. Când apare întrebarea „să folosim AI ca să analizăm businessul”, primul răspuns ar trebui să fie „care business, din ce sursă și după ce definiții?”.

Vezi și:

Ce înseamnă „AI pentru procese”, nu pentru postări: automatizare serioasă în business

Meta aduce AI-ul pentru afaceri pe WhatsApp: companiile vor putea răspunde automat clienților la orice oră din zi și din noapte

De aceea, companiile care adoptă AI mai lent nu sunt neapărat companii mai puțin moderne. Unele își dau seama că înainte de automatizare au nevoie de curățenie internă. Trebuie să standardizeze date, să elimine dubluri, să clarifice procese, să actualizeze documentația și să decidă cine este proprietarul fiecărui set de informații. Abia apoi pot vorbi despre modele predictive, asistenți AI sau agenți autonomi.

În acest sens, cel mai important proiect AI al unei companii poate să nu arate deloc spectaculos. Poate fi un proiect de igienă a datelor, de organizare a documentelor, de actualizare a procedurilor sau de conectare a sistemelor existente. Nu produce imagini impresionante și nu sună bine în headline-uri, dar fără această fundație, orice automatizare devine fragilă.

Integrarea în sisteme vechi este mai grea decât pare

Al doilea motiv pentru care adopția AI avansează lent este integrarea. O companie nu funcționează într-o singură aplicație. Are ERP, CRM, soft de contabilitate, platforme de HR, aplicații de ticketing, instrumente de marketing, sisteme de gestiune, soluții de raportare, arhive de documente și o mulțime de fluxuri informale care trăiesc în email, WhatsApp, Teams sau Excel. AI-ul devine cu adevărat valoros atunci când poate lucra cu aceste sisteme, dar tocmai aici apar dificultățile.

Este relativ simplu să folosești AI pentru a genera un text. Este mult mai greu să îl conectezi la fluxul real de aprobare a unei facturi, la verificarea stocurilor, la istoricul unui client sau la procesul de suport tehnic. Pentru asta ai nevoie de integrare tehnică, reguli clare de acces, securitate, audit, permisiuni și o înțelegere detaliată a modului în care circulă informația. În multe companii, această hartă nu există complet.

Sistemele vechi sunt o problemă frecventă. Multe firme au aplicații implementate cu ani în urmă, adaptate pe parcurs, personalizate pentru nevoi locale și greu de modificat. Unele nu au API-uri moderne, altele au date greu de extras, iar unele sunt dependente de furnizori externi. Când vrei să adaugi AI peste o astfel de infrastructură, descoperi că tehnologia nouă se lovește de straturi vechi de decizii, improvizații și compromisuri.

Mai există și problema responsabilității între departamente. Businessul vrea eficiență rapidă. IT-ul cere securitate și control. Legalul întreabă despre date personale și conformitate. Financiarul vrea justificarea investiției. HR-ul se teme de reacția angajaților. Managementul cere rezultate vizibile. Fiecare are argumente legitime, dar dacă nu există o guvernanță clară, proiectul AI se blochează într-o zonă gri. Toți sunt interesați, nimeni nu vrea să fie singurul responsabil dacă ceva merge prost.

Integrarea nu este doar tehnică, ci și operațională. Dacă introduci un asistent AI într-un departament, trebuie să schimbi modul de lucru. Cine îl folosește? Pentru ce tip de sarcini? Ce output poate fi folosit direct și ce trebuie verificat? Cum se marchează erorile? Cine actualizează baza de cunoștințe? Ce se întâmplă când sistemul dă un răspuns greșit? Fără aceste reguli, AI-ul rămâne un experiment interesant, dar nu devine parte din proces.

Un alt blocaj vine din faptul că multe companii au trecut deja prin valuri de transformare digitală care nu au livrat complet ce promiteau. Au implementat platforme noi, au schimbat proceduri, au investit în softuri care au rămas parțial folosite. Din această perspectivă, AI-ul este privit uneori cu scepticism: încă un proiect mare, încă o promisiune, încă o tehnologie care cere timp și training. Pentru a depăși această oboseală digitală, companiile trebuie să aleagă proiecte mici, clare și măsurabile.

Cea mai bună cale nu este să integrezi AI peste tot simultan, ci să alegi un proces dureros și să îl îmbunătățești vizibil. De exemplu, reducerea timpului de răspuns în suport, automatizarea clasificării documentelor, analiza reclamațiilor sau extragerea datelor din contracte. Dacă rezultatul se vede în ore economisite, erori reduse sau clienți mai mulțumiți, rezistența internă scade. Integrarea mare începe adesea cu o victorie mică.

Frica de greșeli este rațională, dar poate deveni paralizantă

Un alt motiv pentru adopția lentă este frica de greșeli. AI-ul poate greși într-un fel particular: convingător. Poate inventa informații, poate interpreta greșit o cerere, poate rata un detaliu, poate produce recomandări părtinitoare sau poate formula concluzii care par logice, dar nu sunt susținute de date. Pentru companii, aceste riscuri nu sunt abstracte. O eroare poate însemna pierdere financiară, conflict cu un client, problemă juridică, incident de imagine sau încălcare de confidențialitate.

În industrii precum banking, asigurări, sănătate, energie, telecom, servicii juridice sau resurse umane, prudența este justificată. Nu poți lăsa un sistem AI să decidă singur asupra unor situații sensibile fără verificare umană, audit și explicații. Chiar și în domenii aparent mai simple, cum ar fi e-commerce sau marketing, un output greșit poate produce efecte neplăcute: prețuri comunicate eronat, promisiuni comerciale nerealiste, recomandări nepotrivite sau mesaje care afectează reputația brandului.

Frica de greșeli apare și la nivel individual. Angajații se tem că vor fi evaluați după rezultate produse de un instrument pe care nu îl controlează complet. Managerii se tem că vor aproba ceva ce nu înțeleg tehnic. IT-ul se teme de breșe de securitate. Legalul se teme de date personale introduse în sisteme externe. Comunicarea se teme de texte generice sau de crize de imagine. Aceste temeri nu trebuie ridiculizate. Ele trebuie transformate în reguli.

Companiile care adoptă AI matur nu pornesc de la ideea că sistemul va fi perfect. Ele pornesc de la ideea că sistemul poate greși și construiesc controale. Stabilesc ce tipuri de sarcini pot fi automatizate complet, ce tipuri necesită aprobare umană și ce tipuri sunt interzise. Definesc niveluri de risc. Păstrează loguri. Documentează deciziile. Introduc verificări. Creează canale prin care angajații pot raporta erori. Actualizează periodic regulile.

O companie care se teme de greșeli poate rămâne blocată dacă încearcă să elimine orice risc înainte de a începe. În tehnologie, riscul zero nu există. Dar există risc controlat. Diferența este esențială. În loc să întrebi „cum evităm orice greșeală?”, întrebarea mai bună este „ce greșeli sunt acceptabile într-un pilot și ce greșeli nu avem voie să permitem?”. Una este să folosești AI pentru a propune structura unui raport intern. Alta este să îl lași să trimită automat răspunsuri contractuale către clienți fără validare.

În multe firme românești, frica de greșeli se combină cu frica de expunere. Dacă un proiect AI eșuează, cine este responsabil? Dacă angajații folosesc instrumente neaprobate, cine răspunde? Dacă date confidențiale ajung într-un serviciu extern, cine explică incidentul? Lipsa unor politici interne clare duce la două extreme: fie oamenii folosesc AI pe ascuns, fie compania blochează totul. Ambele variante sunt slabe. Prima crește riscul, a doua pierde oportunități.

Soluția este o politică AI realistă. Nu un document birocratic de 40 de pagini pe care nu îl citește nimeni, ci un set clar de reguli: ce instrumente sunt aprobate, ce date nu se introduc niciodată, ce tipuri de output trebuie verificate, cine aprobă proiectele noi, cum se marchează conținutul generat și ce se întâmplă când apare o eroare. Frica scade atunci când oamenii știu limitele jocului.

Cum poate arăta o adopție AI mai sănătoasă

Adopția lentă nu este automat o problemă. Poate fi chiar un avantaj dacă este folosită pentru a construi corect. O companie care introduce AI fără strategie poate obține câteva rezultate rapide, dar poate acumula riscuri. O companie care avansează mai prudent, dar își clarifică datele, procesele și responsabilitățile, poate construi o bază mult mai solidă. Diferența dintre lentoare și maturitate stă în direcție. Dacă nu faci nimic, e blocaj. Dacă pregătești terenul, e investiție.

Primul pas sănătos este alegerea cazurilor de utilizare potrivite. Nu orice problemă are nevoie de AI. Uneori, soluția este o procedură mai clară, o integrare simplă sau o automatizare clasică. AI merită folosit acolo unde există volum mare de informații, variație, nevoie de interpretare, clasificare, sumarizare, predicție sau asistență în decizie. Dacă un proces este simplu și bazat pe reguli fixe, poate fi automatizat fără AI generativ.

Al doilea pas este pilotul controlat. În loc să anunți o transformare totală, alegi un departament, un proces și un indicator. De exemplu: reducerea timpului de procesare a cererilor interne cu 30%, scăderea numărului de tichete clasificate greșit, accelerarea analizei de feedback sau diminuarea timpului petrecut pe rapoarte repetitive. Un pilot bun are început, sfârșit, criterii de succes și limite clare. Nu este doar o joacă cu un tool nou.

Al treilea pas este implicarea oamenilor care lucrează efectiv în proces. De multe ori, proiectele AI sunt gândite de sus în jos, iar angajații sunt anunțați ulterior că vor primi o unealtă nouă. Această abordare produce rezistență. Oamenii care fac munca zilnică știu unde se pierde timp, unde apar excepții și ce decizii nu pot fi automatizate. Dacă sunt implicați de la început, AI-ul devine un ajutor, nu o impunere.

Al patrulea pas este educația practică. Trainingul AI nu ar trebui să fie doar despre prompturi spectaculoase. Ar trebui să includă exemple de erori, reguli de confidențialitate, diferența dintre date publice și date sensibile, verificarea outputului, limitele modelelor și scenarii reale din companie. Angajații nu au nevoie doar să fie entuziasmați, ci să devină competenți și prudenți.

Al cincilea pas este măsurarea valorii. Dacă o companie nu știe ce câștigă din AI, entuziasmul va dispărea rapid. Trebuie măsurate orele economisite, erorile reduse, timpul de răspuns, costurile evitate, satisfacția clienților, viteza de raportare sau calitatea deciziilor. Fără indicatori, AI rămâne o modă. Cu indicatori, devine un instrument de management.

Pentru companiile românești, ritmul lent de adopție poate fi explicat prin realități concrete: date care trebuie curățate, sisteme care trebuie conectate, riscuri care trebuie controlate și oameni care trebuie convinși. Nu este suficient să cumperi licențe sau să anunți că organizația „folosește AI”. Întrebarea importantă este dacă AI-ul intră într-un proces clar, cu date bune, responsabilități definite și rezultate măsurabile.

În final, AI-ul nu premiază companiile care se grăbesc cel mai tare, ci pe cele care înțeleg cel mai bine ce vor să repare. Unele firme vor adopta repede și superficial, folosind AI mai ales pentru texte, prezentări și experimente. Altele vor merge mai încet, dar vor integra tehnologia în procesele care contează: vânzări, suport, financiar, operațiuni, HR, logistică sau managementul riscului. Pe termen lung, diferența nu va fi între companiile care au folosit AI și cele care nu au folosit. Diferența va fi între cele care l-au folosit ca decor tehnologic și cele care l-au transformat în disciplină operațională.

Debitmetru murdar sau defect: cum îți dai seama fără să schimbi piese la întâmplare