AI Brain pe înțelesul unui fondator

Un AI Brain reunește memoria unei companii și procedurile ei de lucru într-un loc pe care un model de limbaj îl poate citi. Compania îl construiește din documentele, deciziile și regulile pe care le are deja, iar valoarea sistemului crește pe măsură ce aceste informații sunt completate și verificate. Un abonament sau un chatbot pe site poate face parte din sistem, dar nu înlocuiește această muncă.

Diferența practică este felul în care compania își păstrează cunoașterea. Dacă informațiile rămân în mintea oamenilor, aceștia trebuie să le explice modelului la fiecare lucrare. Dacă informațiile sunt scrise, ordonate și păstrate împreună cu istoricul lor, sistemul poate aduce contextul relevant înainte să înceapă lucrul. Primul pas este, așadar, organizarea memoriei companiei.

Ce este, de fapt, un AI Brain?

Un AI Brain are trei părți care lucrează împreună. Prima parte este memoria, adică informațiile relevante despre clienți, lucrări și decizii, păstrate în surse pe care le pot consulta oamenii și sistemul. A doua parte o formează procedurile, adică reguli de lucru documentate, revizuite și aplicate cu verificare la fiecare tip de lucrare.

A treia parte este verificarea, adică testele prin care trece orice lucru produs, înainte să ajungă la un client. Fără ea, primele două părți te ajută să produci mai repede, dar nu și mai bine.

În metodologia noastră, principiul care se aplică aici tratează AI-ul ca pe un procesor al companiei, adică o prelungire a felului în care ea gândește deja. Un procesor fără memorie și fără reguli rămâne însă o simplă unealtă de scris texte.

Modelul de limbaj este motorul, iar cunoașterea companiei rămâne în documentele din jurul lui. Înlocuirea modelului nu trebuie să șteargă aceste documente, însă noul model trebuie testat pe procedurile și verificările existente. Compară felul în care folosește aceleași surse, permisiuni și criterii de acceptare înainte să îl folosești pentru lucrările clienților.

Un asistent conversațional, cum este ChatGPT, poate face o parte din această muncă și poate păstra anumite informații între conversații, în funcție de setări. Memoria lui nu înlocuiește însă documentele companiei, procedurile aprobate și istoricul deciziilor. Pentru a lucra consecvent, sistemul trebuie să aibă acces la aceste surse.

De ce nu este suficient un abonament la un asistent conversațional?

Pentru că un asistent fără memorie te pune să explici contextul de fiecare dată, iar explicația aceasta consumă o mare parte din muncă. Un om din companie deschide o conversație nouă, explică cine este clientul, ce s-a discutat la ultimul call, ce ton folosiți, ce nu aveți voie să promiteți, apoi cere lucrarea. A doua zi, alt om reia același efort de la zero și obține un rezultat ușor diferit, pentru că a explicat altfel.

De aici apar două costuri care nu se văd în factură. Primul cost este timpul pierdut explicând totul din nou, care se adună tăcut peste zeci de conversații pe săptămână. Al doilea cost, mai scump, este inconsecvența, fiindcă doi oameni care explică diferit aceeași companie primesc două rezultate care nu seamănă între ele.

Un AI Brain bine organizat reduce această muncă repetată. Omul cere lucrarea, iar sistemul aduce informațiile despre client, deciziile luate și regulile de redactare, fără ca ele să fie explicate din nou.

Din ce straturi este făcut, concret?

Un AI Brain funcțional are straturi separate, fiecare cu un proprietar clar, pentru că o informație ținută în două locuri ajunge repede să spună două lucruri diferite, iar din acel moment nu mai ai încredere în niciunul.

Structura funcționează cu o regulă simplă. Fiecare informație este scrisă într-un singur strat, iar celelalte doar trimit la ea. Dacă aceeași cifră este copiată de mână în trei fișiere, versiunile pot ajunge să difere, iar tu nu vei mai ști care este cea actuală.

A doua regulă am învățat-o din folosirea propriului sistem. Fiecare strat are o mărime maximă, pentru că modelul poate primi doar o anumită cantitate de text. În sistemul nostru, conținutul care depășește limitele de încărcare poate fi tăiat fără avertisment. Astfel, un fișier de memorie prea mare poate părea disponibil, deși modelul nu primește toate instrucțiunile din el.

Pe ce strat al companiei se așază un AI Brain?

Analizăm fiecare companie pe patru straturi, pentru a identifica atât problema vizibilă, cât și cauza ei. AI Brainul stă pe al treilea strat, care reunește informațiile și regulile folosite în celelalte.

L1, performance marketing. Aici se văd costul pe lead, costul pe achiziție și rata de conversie. Sunt indicatori ușor de urmărit, însă nu explică singuri de ce un client cumpără sau renunță.

L2, venit și proces comercial. Aici stau oportunitățile de vânzare, durata ciclului și trecerea de la o etapă la alta. Dacă un potențial client renunță după a treia întâlnire, procesul comercial merită verificat alături de ofertă, preț și potrivirea cu nevoia lui.

L3, orchestrarea și memoria. Aici se află AI Brainul. Datele, procedurile și motivele deciziilor ajută compania să păstreze cunoașterea și când se schimbă echipa.

L4, poziționare și arhitectură de categorie. Aici se decide după ce criteriu te compară clienții cu concurenții, iar de acest strat depinde dacă celelalte trei lucrează în favoarea ta.

Modelul nostru de analiză începe cu indicatorii disponibili și urcă spre poziționare. O companie poate formula o ipoteză de poziționare și fără date complete despre clienți, însă trebuie să o verifice prin interviuri, comportament de cumpărare și rezultate comerciale.

Un AI Brain fără date comerciale poate organiza documente și sprijini alte tipuri de muncă. Pentru recomandări despre vânzări, are nevoie și de indicatori relevanți din L1 și L2, interpretați în context.

Cum arată sistemul nostru în practică?

La UNRIVALS, sistemul reunește documentele de lucru, procedurile, starea curentă a proiectelor și deciziile păstrate cu motivul lor. Fișierele de memorie sunt marcate pe client, iar accesul la informații trebuie controlat pentru fiecare lucrare.

Această structură permite echipei să caute sursa unei afirmații și regula folosită la redactare. Numărul de fișiere nu arată, singur, dacă sistemul ajută; contează dacă informația găsită este corectă, actuală și potrivită clientului.

Pentru fișierele urmărite păstrăm un istoric al versiunilor înregistrate, astfel încât să putem vedea ce s-a schimbat.

Pentru un fondator contează ce permite această organizare. Când începem o lucrare, sistemul poate aduce situația clientului, ultimele decizii și pasul următor. Un livrabil nou folosește procedura potrivită, dar calitatea rezultatului depinde în continuare de surse și de verificarea umană.

La finalul zilei, deciziile se scriu în jurnal împreună cu motivul lor. Peste trei luni, fișierele îți arată ce ai făcut, dar motivul pentru care ai făcut așa se pierde dacă nu l-ai notat atunci.

Merită spus și ce nu face. Sistemul nu decide, nu vorbește cu clientul în locul nostru și nu trimite nimic în afară fără ca un om să se uite. Prin el trec documentarea, profilurile de client, analiza call-urilor, drafturile și verificările, iar decizia și relația cu clientul rămân la oameni.

Ce se strică atunci când construiești unul?

Aproape toate problemele noastre au pornit de la diferența dintre ce credeam că face sistemul și ce făcea el în realitate. Alegerea modelului nu explica această diferență.

O trimitere învechită poate duce la sursa greșită. Ni s-a întâmplat să mutăm un fișier fără să actualizăm harta lui; sistemul a continuat cu informații care nu mai erau cele potrivite. Acum verificăm automat că trimiterile din hărți duc la fișiere existente.

O verificare care iese mereu bine nu dovedește nimic până nu o încerci pe un caz prost. Aveam verificări care ieșeau constant bine și asta ne-a liniștit până în ziua în care i-am dat uneia un livrabil stricat intenționat. L-a aprobat și pe acela. O verificare care nu face diferența între bine și rău este mai rea decât lipsa ei, pentru că îți dă o siguranță pe care nimic nu o justifică.

Confirmarea primită de la o platformă nu dovedește că modificarea s-a făcut. Am trimis date către platforme care au răspuns că le-au salvat, apoi, când le-am verificat direct în platformă, am descoperit că rezultatul arăta altfel. De atunci, orice modificare făcută pe un sistem folosit de clienți o verificăm citind din nou rezultatul, separat de confirmarea primită.

Toate trei au ceva în comun. Când greșește, sistemul nu dă nicio eroare și continuă ca și cum totul ar fi normal, așa că singura apărare este să verifici rezultatul final.

Aici se vede un alt principiu al nostru: corecturile recurente sau importante se documentează cu motivul lor și se transformă în reguli pentru lucrări viitoare. Jurnalul greșelilor ajută echipa să le găsească înainte de a repeta aceeași problemă.

Ce se întâmplă când informația publică este greu de găsit?

Cele trei defecte de mai sus țin de informația accesibilă în interiorul companiei. În auditurile de vizibilitate apare o problemă înrudită, dar distinctă: informația publică poate lipsi sau poate fi greu de accesat de către sistemele externe.

În auditurile pe care le-am livrat, una dintre problemele observate este absența citărilor în răspunsuri AI pentru unele companii. Accesul roboților la site este un lucru separat de memoria internă și trebuie verificat alături de relevanța paginilor și de felul în care sistemele aleg sursele. Cazurile Doctor Skin și Therezia sunt documentate în auditurile lor.

O direcție de lucru este să transformi cunoașterea verificată a companiei în pagini publice care răspund întrebărilor clienților. Astfel, sistemele externe pot găsi surse relevante, fără să existe o garanție de citare. Documentele interne și paginile publice au roluri diferite și trebuie administrate separat.

În unele audituri, o parte din soluție folosește informații sau capacități pe care compania le are deja. Ele trebuie verificate și făcute accesibile publicului potrivit, fie printr-o pagină clară, fie printr-un exemplu concret.

De ce se blochează unele proiecte AI în companii?

Cumpărarea instrumentului înainte de pregătirea companiei este un risc analizat aici. Raportul MIT NANDA din iulie 2025, bazat pe peste 300 de inițiative publice, interviuri în 52 de organizații și răspunsuri de la 153 de lideri, arată că numai aproximativ 5% dintre proiectele pilot integrate analizate au produs valoare măsurabilă de ordinul milioanelor. Autorii descriu un decalaj între testare și efectul în profit și pierdere. Eșantionul și definițiile succesului variază, deci procentul nu poate fi extins la toate companiile sau toate utilizările AI.

Gartner estimase deja, în 2024, că minimum 30% dintre proiectele de AI generativ vor fi abandonate după faza de test, din cauza datelor de calitate slabă și a valorii de business neclare.

Sondajul McKinsey din 2026 arată că 44% dintre respondenți spun că organizațiile lor extind folosirea AI la nivelul întregii companii, față de 38% cu un an înainte. Separat, 37% atribuie AI-ului cel puțin un efect pozitiv asupra profitului operațional, proporție apropiată de cea din anul anterior. Indicatorii măsoară lucruri diferite; diferența dintre procente nu reprezintă numărul companiilor care folosesc AI fără câștig.

Regula prin care BCG alocă efortul într-o transformare cu AI subliniază importanța modului de lucru, 10% pe algoritmi, 20% pe tehnologie și date, 70% pe oameni și procese. Documentarea acestui mod de lucru este, de aceea, o parte importantă din construirea unui AI Brain.

Ethan Mollick, profesor la Wharton, descrie un mod de lucru în care omul alege sarcina, verifică răspunsul AI și își schimbă abordarea când rezultatul nu este bun. Exemplul pune responsabilitatea pentru decizie și verificare la om, care are nevoie de contextul lucrării.

Pentru o companie din România, miza este și mai mare, fiindcă punctul de plecare este mult sub media europeană. Datele Eurostat pentru 2025 arată că 5,2% dintre companiile românești cu cel puțin 10 angajați folosesc AI, față de o medie de 20,0% în Uniunea Europeană, ceea ce înseamnă un sfert din nivelul european și ultimul loc din Uniune.

Adopția redusă poate lăsa loc unei folosiri utile a AI-ului, dar avantajul trebuie demonstrat prin rezultate. Dintre companiile din UE care folosesc deja AI, 34,7% îl folosesc pentru marketing sau vânzări, potrivit Eurostat. Această utilizare nu arată singură dacă rezultatele comerciale s-au îmbunătățit.

De unde începe un fondator cu o companie de peste 3M€?

Primul pas este să inventariezi sursele despre clienți și să construiești o bază controlată cu informațiile relevante. Sistemul primește acces doar la ce este necesar pentru lucrarea respectivă, cu respectarea permisiunilor. Dacă informațiile utile rămân doar în mintea oamenilor sau în căsuțe de e-mail inaccesibile, cumpărarea unui instrument AI nu rezolvă singură problema.

Al doilea pas este să scrii procedura pentru un singur tip de lucrare, cel pe care îl faceți cel mai des, și să o duci până la capăt. O procedură terminată bate zece începute, fiindcă abia atunci vezi care este partea care chiar consumă timp.

Al treilea pas este verificarea, iar aici recomandarea mea este să o testezi pe cazuri rele. Îi dai un livrabil despre care știi că este slab și te uiți dacă îl respinge. Dacă îl acceptă, verificarea nu există, oricât de bine ar arăta în raport.

Al patrulea pas l-am învățat pe banii noștri, așa că îl spun cu cifra lui. Măsoară cât costă funcționarea sistemului, nu doar ce produce. Pe 17 septembrie am numărat, în jurnalul propriu, ce citise sistemul într-o zi de lucru și am găsit că recitise aceleași instrucțiuni de 124 de ori.

Optzeci și două de procente din conținutul procesat în acea măsurătoare reprezentau recitirea contextului, nu informație nouă. Procentul descrie consumul de context, nu o cheltuială în bani. De atunci, limităm mărimea fișierelor încărcate la fiecare pas și reluăm conversațiile lungi de la un rezumat.

Acești patru pași îi oferă modelului o bază de lucru. El poate folosi informațiile și regulile scrise de companie, însă rezultatele trebuie verificate în continuare.

Ordinea aceasta nu este o preferință tehnică. Este același principiu pe care îl aplicăm în arhitectura de marketing, unde infrastructura se construiește înainte de campanii. Îl aplicăm și în strategia care folosește AI, unde instrumentul vine abia după decizie. Un AI Brain pus peste o companie care nu și-a scris cunoașterea nu face decât să amplifice, mai repede, dezordinea care există deja.

Rolul modelului în acest sistem l-am explicat pe larg în articolul despre AI-ul ca procesor al companiei. Felul în care privești modelul are consecințe practice, pentru că de el depinde dacă bugetul se duce în abonamente sau în scrierea cunoașterii care le dă sens.

Întrebări frecvente

Cât costă să construiești un AI Brain?

Costul depinde de câte surse trebuie ordonate, de accesul la ele, de procedurile de documentat și de verificările necesare. Bugetul cuprinde timpul echipei, instrumentele și întreținerea. Fără aceste date nu putem da o sumă lunară valabilă pentru orice companie.

Am nevoie de un programator?

Poți începe fără programator, inventariind sursele și scriind procedurile în limbaj natural. Unele conectări și verificări se pot face cu instrumente fără cod; pentru integrări sau verificări complexe poate fi necesară asistență tehnică. Alegerea depinde de sistemele și permisiunile companiei.

Datele companiei rămân ale companiei?

Înainte să semnezi, verifică ce prevăd contractul și politica furnizorului despre drepturile asupra datelor, acces, stocare și prelucrare. Separat, verifică setările contului, permisiunile și felul în care oamenii din companie folosesc sistemul. Regula noastră este ca datele sensibile, financiare și personale să stea separat, în zone pe care sistemul nu are voie să le citească. Obligațiile care vin odată cu folosirea unui model într-o companie europeană le-am detaliat în articolul despre ce cere regulamentul european pentru AI.

Cât durează până se vede un rezultat?

Prima procedură terminată permite un test concret. Doi oameni o aplică aceleiași lucrări, iar rezultatele sunt verificate după aceleași criterii. Urmărim dacă scad diferențele nejustificate și corecturile necesare. Îmbunătățirea în timp cere completarea constantă a sistemului și verificarea rezultatelor; simpla trecere a câtorva luni nu o garantează.

Ce se întâmplă când apare un model nou?

Documentele rămân disponibile când schimbi modelul. Noi am schimbat modelul de mai multe ori fără să pierdem ce scrisesem, fiindcă memoria și procedurile stau în fișiere, în afara unui cont legat de un singur furnizor. Înainte să folosești noul model pentru lucrările clienților, testează felul în care urmează procedurile și folosește aceleași surse, permisiuni și criterii de acceptare.

Cu ce începe un om care are deja abonamentele plătite?

Cu inventarul a ceea ce ați scris deja. Aproape orice companie are mai mult material decât crede, împrăștiat prin oferte vechi, prezentări, răspunsuri lungi date pe email și transcripturi de întâlniri. Pasul care aduce cel mai mult, în prima săptămână, este să strângi materialul acela într-un singur loc și să îl cureți de ce nu mai este adevărat.

Dacă vrei să vezi unde se află compania ta pe aceste patru straturi, înainte de orice investiție în instrumente, poți cere o analiză de poziționare. Ea îți arată ce crede piața despre tine acum și unde se blochează creșterea, iar de acolo se vede clar dacă problema ta cere AI sau cere întâi ordine.