Paradoxul instruirii AI: angajații folosesc tehnologia înainte ca firmele să-i învețe cum s-o controleze?

Într-o companie, inteligența artificială poate intra pe ușa unui proiect oficial, cu buget, reguli și sesiuni de pregătire. În alta, ajunge mai întâi într-o filă de browser deschisă de un angajat care încearcă să termine un raport înainte de ședință. Instrumentul îl ajută, colegul de alături îl încearcă și el, iar după câteva săptămâni o parte din echipă lucrează deja diferit, fără ca organizația să fi discutat ce date pot fi introduse și ce rezultate trebuie verificate.

Este o formă de adopție care poate produce beneficii reale, dar care lasă responsabilitățile în urmă. Angajatul învață cum să obțină un răspuns, în timp ce compania încă încearcă să decidă cine aprobă folosirea serviciului. Când apare o eroare, descoperă amândoi că priceperea de a conversa cu un chatbot nu acoperă toate situațiile profesionale în care acel răspuns ajunge să fie folosit.

Paradoxul instruirii AI nu înseamnă că oamenii trebuie să aștepte pasiv fiecare curs. Înseamnă că folosirea curentă, competența demonstrată și controlul organizațional pot evolua în ritmuri diferite. În 2026, întrebarea relevantă este cât de repede reușește firma să transforme experimentarea individuală într-o practică sigură, verificabilă și utilă pentru întreaga echipă.

De ce adoptarea individuală poate depăși pregătirea oferită de angajator

Motivul inițial este adesea foarte simplu: există prea mult de făcut, iar un instrument promite o scurtătură. Un rezumat poate fi pregătit în câteva secunde, o formulare dificilă poate fi rescrisă, iar un tabel poate fi explicat fără a cere ajutorul unui coleg. Beneficiul este imediat și vizibil pentru persoana care are termen de predare.

În schimb, aprobarea unui produs poate presupune verificări de securitate, contracte, evaluarea costurilor și alegerea unei politici interne. Aceste procese au o justificare, dar întârzierea lor poate crea un spațiu în care angajații improvizează. Dacă nu există o alternativă accesibilă și o regulă clară, interdicția abstractă nu explică ce pot face oamenii cu problema concretă pe care o au.

Raportul Microsoft și LinkedIn din 2024 descria deja acest decalaj: 78% dintre utilizatorii AI din cercetare aduceau propriile instrumente la serviciu, iar numai 39% dintre cei care foloseau AI la muncă declarau că primiseră instruire de la companie. Sunt cifre istorice, dintr-un studiu al unui furnizor, nu o măsurare a tuturor salariaților români în 2026.

Datele mai recente nu susțin ideea că angajatorii nu fac nimic. Sinteza OECD „AI and skills”, publicată în 2026 și bazată pe mai multe cercetări, arată că multe firme investesc în recalificare și că peste jumătate dintre lucrătorii utilizatori de AI din dovezile discutate raportează instruire finanțată de angajator. Eșantioanele și perioadele diferă, deci procentele nu formează singure o serie comparabilă.

Vezi și:

Eticheta „generat cu AI” devine regulă: va putea publicul să distingă conținutul sintetic de cel autentic?

Alfabetizarea AI ca obligație pentru angajatori: ce trebuie să știe un salariat înainte să folosească algoritmi?

Problema rămâne însă relevantă la nivelul echipei concrete. O companie poate organiza instruire pentru departamentul IT, în timp ce HR folosește un alt serviciu fără îndrumare. Poate avea un curs general, dar niciun exemplu despre datele clienților sau despre situațiile în care un răspuns trebuie verificat înainte să fie trimis.

Adopția trebuie, prin urmare, analizată în detaliu. Cine folosește instrumentul, pentru ce activitate și cu ce informații sunt întrebări mai utile decât numărul total de conturi activate. O licență distribuită nu dovedește folosirea corectă, după cum un angajat care experimentează singur nu este automat un utilizator neglijent.

Să obții un răspuns nu înseamnă să știi când te poți baza pe el

Primul nivel de competență este folosirea interfeței: formularea cererii, atașarea unui document și adaptarea rezultatului. Este important, dar insuficient. Următorul nivel privește verificarea: dacă sursele există, dacă cifrele corespund documentelor și dacă textul răspunde întrebării reale, nu unei interpretări convenabile pentru model.

Un răspuns fluent poate ascunde o presupunere greșită. Dacă un salariat cere analiza unui contract incomplet, sistemul poate umple golurile cu explicații plauzibile. O persoană fără pregătire poate interpreta încrederea exprimării drept dovadă a corectitudinii, mai ales când rezultatul folosește vocabularul profesional așteptat.

Un alt nivel este înțelegerea datelor. Un document aparent banal poate conține identificatori, informații comerciale sau detalii despre un client. Eliminarea numelui nu garantează anonimizarea dacă restul conținutului permite identificarea. Regula internă trebuie să explice ce tipuri de materiale pot fi folosite în instrumentele aprobate și în ce condiții.

Contează și diferența dintre produsele unui furnizor. Un cont personal, un abonament profesional și o integrare administrată pot avea setări, condiții contractuale și funcții diferite. Instruirea nu ar trebui să se bazeze pe ideea că toate serviciile care folosesc același nume comercial protejează datele în același fel.

Când apar agenții AI, controlul devine mai complex. Un sistem care doar sugerează text produce alt tip de risc decât unul care poate trimite mesaje, modifica înregistrări sau iniția achiziții. Angajatul trebuie să înțeleagă ce permisiuni a primit agentul și unde există o aprobare obligatorie înainte de acțiune.

Un exercițiu util poate porni de la un caz fictiv: sistemul pregătește un e-mail corect, dar selectează destinatarul greșit. Evaluarea nu urmărește numai calitatea formulării, ci capacitatea utilizatorului de a observa efectul concret al trimiterii. Astfel, instruirea se apropie de munca reală, în care o operațiune poate fi periculoasă chiar dacă textul generat este impecabil.

Ce cere cadrul european și de ce un certificat nu rezolvă singur problema

Articolul 4 din AI Act menține obligația furnizorilor și a organizațiilor care utilizează sisteme AI de a lua măsuri pentru dezvoltarea alfabetizării AI a personalului relevant. Textul actualizat în 2026 cere luarea în considerare a cunoștințelor, experienței și contextului folosirii, precizând că obligația nu garantează un nivel specific de competență pentru fiecare persoană.

Această nuanță contează pentru firmele care încearcă să transforme obligația într-un test standard, identic pentru toți. O persoană care folosește AI pentru idei de prezentare are alte nevoi decât cineva care verifică documente financiare sau supraveghează un agent cu acces la aplicațiile companiei. Pregătirea trebuie legată de sarcină și de consecințele unei greșeli.

Comisia Europeană explică în întrebările și răspunsurile sale că nu este cerut un certificat specific și că organizațiile pot păstra evidențe interne ale instruirilor și altor inițiative de îndrumare. Nu există un format unic care să rezolve automat orice situație, iar copierea unei practici dintr-un repertoriu nu reprezintă singură o garanție de conformitate.

În România există și obligații generale de formare profesională prevăzute de Codul muncii. Ele trebuie analizate alături de cerințele specifice folosirii AI, fără a presupune că orice curs general de competențe digitale acoperă automat riscurile noului instrument.

Diferența dintre instruire și simpla comunicare se vede în comportament. Trimiterea unei politici pe e-mail dovedește că documentul a fost distribuit, dar nu arată dacă salariatul recunoaște un rezultat inventat sau știe cum să raporteze un incident. Pentru controlul operațional, demonstrația practică poate fi mai relevantă decât confirmarea de lectură.

Nici responsabilitatea nu poate fi rezumată la formula că utilizatorul verifică tot. Dacă o firmă cere aprobarea a sute de rezultate într-un timp insuficient, limitează chiar verificarea pe care o invocă. Instruirea trebuie însoțită de resurse, acces la date și posibilitatea reală de a opri procesul atunci când apare o problemă.

Cum arată o pregătire care ține pasul cu folosirea reală

Un punct de pornire practic este inventarul utilizărilor. Înainte de alegerea cursului, organizația trebuie să afle ce instrumente sunt folosite și în ce activități. Discuția are mai multe șanse să fie sinceră dacă urmărește identificarea nevoilor și a riscurilor, fără să transforme fiecare experiment într-o acuzație.

Apoi, instruirea poate fi construită pe roluri. Pentru o echipă comercială, exemplele pot privi ofertele, datele clienților și verificarea promisiunilor făcute. Pentru HR, pot conta evaluările și informațiile despre candidați. Pentru persoana care administrează un agent, sunt relevante permisiunile, aprobările și traseul acțiunilor executate.

Exercițiile au nevoie și de cazuri nereușite. Un material inventat, un document incomplet sau o instrucțiune înșelătoare ascunsă într-un fișier pot arăta limitele mai bine decât zece demonstrații perfecte. Datele de instruire pot fi fictive ori pregătite special, astfel încât învățarea să nu creeze ea însăși o expunere inutilă.

Dacă folosești AI la serviciu, cere clarificări despre instrumentele aprobate, informațiile permise și verificările necesare înainte de livrare. Întreabă și cum raportezi o eroare sau o acțiune neașteptată. O procedură cunoscută înainte de incident permite o reacție mai rapidă decât improvizația făcută după ce un mesaj a fost deja trimis.

Pentru manageri, măsurarea progresului poate urmări reducerea erorilor, calitatea verificării și timpul total până la un rezultat acceptabil. Numărul de solicitări trimise modelului spune puține despre valoarea obținută. Un angajat care folosește AI mai rar, dar selectează bine sarcinile, poate obține rezultate mai bune decât unul care o introduce în fiecare etapă.

Pregătirea trebuie actualizată când se schimbă produsul, datele sau autoritatea sistemului. Un curs despre generarea textului nu acoperă automat o versiune care poate executa operațiuni. Modificarea permisiunilor ar trebui să declanșeze și o revizuire a instrucțiunilor oferite oamenilor care folosesc aplicația.

Un registru simplu al întrebărilor recurente poate arăta unde instruirea nu a fost suficientă. Dacă mai multe persoane nu știu ce să facă atunci când modelul citează o sursă inaccesibilă, problema merită un exemplu comun. Răspunsurile oferite individual, pe conversații private, se pierd ușor și lasă următorul utilizator să repete aceeași încercare.

Este importantă și libertatea de a semnala o limită fără a părea că refuzi progresul. O persoană care descoperă că automatizarea nu se potrivește unui anumit caz poate proteja calitatea serviciului. Dacă singurul comportament apreciat este adoptarea rapidă, echipa va învăța să raporteze succesul și să ascundă ezitările. O cultură de învățare are nevoie și de discuția sinceră despre situațiile în care metoda obișnuită rămâne mai potrivită.

Paradoxul se reduce atunci când firma recunoaște că accesul la AI este începutul, nu dovada pregătirii. Experimentarea individuală poate identifica idei valoroase, iar instruirea le poate transforma în practici care rezistă și când apar excepții. Controlul devine credibil când angajatul știe atât cum să folosească instrumentul, cât și când să îi pună o limită.

Cum verifici dacă o imagine a fost modificată cu AI