AI în marketing: procesor cognitiv, nu gadget

Un procesor cognitiv este ceva care amplifică gândirea unei companii, adică o ajută să vadă mai mult, să compare mai bine și să decidă mai repede. Un gadget este ceva care execută o sarcină izolată și impresionează la demonstrație. Aproape toate companiile cumpără AI-ul ca pe al doilea lucru, apoi se miră că nu obțin ce promitea primul.

TL;DR. Datele arată o ruptură clară între adopție și valoare. 44% dintre organizații au dus AI-ul la scară de întreprindere, în timp ce doar 37% raportează vreun impact pe profitul operațional, iar un studiu MIT din 2025 a găsit că 95% dintre organizații nu obțin niciun return din investiția în AI generativ. Cauza nu este modelul, ci faptul că AI-ul este pus să execute sarcini într-o companie care nu și-a scris cunoașterea. Rolul corect al AI-ului este să proceseze contextul companiei, iar contextul trebuie să existe scris înainte.

Ce înseamnă „procesor cognitiv” și cu ce diferă de un instrument?

Un instrument face un lucru pe care i-l ceri, o dată. Îi ceri un text de reclamă, îl primești, îl folosești, iar mâine începi de la zero. Valoarea lui se consumă la fiecare utilizare și nu se acumulează nicăieri.

Un procesor cognitiv face altceva. El primește contextul complet al companiei, adică ce știe compania despre clienți, ce a decis până acum și după ce reguli lucrează, apoi produce ceva care este consecvent cu tot restul. Diferența practică se vede în a doua lună, când al doilea om cere aceeași lucrare și primește un rezultat compatibil cu primul, nu unul care seamănă vag.

Distincția asta nu este teoretică, fiindcă ea decide unde pui banii. Dacă AI-ul este instrument, atunci investiția merge în abonamente și în cursuri de scriere de prompturi. Dacă AI-ul este procesor, atunci investiția principală merge în scrierea cunoașterii companiei, iar abonamentul devine un cost secundar.

Ethan Mollick, profesor la Wharton, descrie practica lui într-un fel care arată unde stă valoarea. „Îi dau AI-ului o sarcină. Îmi folosesc expertiza ca să decid care este acea sarcină. Evaluez rezultatele, îmi corectez abordarea, iar dacă tot nu funcționează, o fac singur.” Alegerea sarcinii și evaluarea rezultatului rămân la om, iar amândouă cer context, nu îndemânare tehnică.

Ce arată datele despre companiile care au încercat deja?

Arată o distanță mare între cât de mult se folosește AI-ul și cât de puțin se vede în rezultate.

Raportul McKinsey publicat în 2026, construit pe 1.719 respondenți din 97 de țări, arată că aproape nouă din zece organizații folosesc AI regulat în cel puțin o funcție de business, iar 44% l-au dus la scară de întreprindere, în creștere de la 38% cu un an înainte. În aceeași perioadă, procentul celor care raportează un impact asupra profitului operațional a rămas la 37%, practic neschimbat. Companiile scalează mai repede decât obțin valoare, iar diferența dintre cele două curbe este chiar subiectul articolului acesta.

Studiul MIT publicat în iulie 2025, construit pe 52 de interviuri, peste 300 de inițiative publice și 153 de lideri, formulează concluzia mai dur. În ciuda a 30-40 de miliarde de dolari investiți, 95% dintre organizații nu obțin niciun return, iar doar 5% dintre proiectele integrate extrag valoare reală. Gartner anticipase deja tiparul, estimând în 2024 că minimum 30% dintre proiectele de AI generativ vor fi abandonate după faza de test, din cauza calității datelor, a costurilor și a unei valori de business neclare.

Rita Sallam, analist principal la Gartner, descrie situația fără menajamente. „După hype-ul de anul trecut, directorii sunt nerăbdători să vadă return din investițiile în AI generativ, iar organizațiile se chinuie să demonstreze și să obțină valoare.”

Cea mai utilă cifră dintre toate vine însă de la BCG, sub forma unei reguli de alocare a efortului într-o transformare cu AI. 10% din efort merge în algoritmi, 20% în tehnologie și date, iar 70% în oameni și procese. Companiile care eșuează inversează proporția, punând aproape tot efortul în alegerea instrumentului.

De ce eșuează, concret, un proiect de AI într-o companie?

Din trei cauze care apar aproape mereu împreună.

Prima este lipsa contextului scris. Compania cere modelului să producă ceva, fără să îi fi dat vreodată cine este clientul, ce s-a promis până acum și ce nu are voie să spună. Modelul completează golurile plauzibil, iar rezultatul este un text corect gramatical care nu seamănă cu compania.

A doua este absența verificării. Un rezultat generat arată întotdeauna finisat, indiferent dacă este corect, iar oamenii încep să îl accepte pentru că arată bine. Într-o companie fără o poartă de verificare calibrată pe cazuri proaste, greșelile intră tăcut în livrabile, iar încrederea se pierde dintr-o dată, la primul incident vizibil.

A treia este alegerea sarcinii greșite. Se automatizează ce este ușor de automatizat, adică producția de conținut în volum, în loc de ce doare, adică timpul pierdut cu reconstruirea contextului la fiecare lucrare. Rezultatul este mai mult material, cu aceeași lipsă de claritate, produs mai repede.

Tiparul comun este că toate trei apar înaintea modelului, în felul în care lucrează compania. De aceea regula BCG cu 70% pe oameni și procese descrie realitatea mai bine decât orice comparație între modele.

Ce sarcini merită date AI-ului și care nu?

Regula pe care o aplicăm este că AI-ul primește munca de procesare, iar omul păstrează munca de judecată. Diferența dintre ele se testează printr-o singură întrebare, aceea dacă rezultatul poate fi verificat de cineva care nu a participat la producerea lui. Un rezumat al unei discuții se verifică prin citirea transcrierii, deci se poate delega. O decizie de poziționare nu se verifică din nimic, fiindcă ea alege ce lași deoparte, deci rămâne la om.

Împărțirea asta explică și de ce companiile care încep cu producția de conținut în volum se dezamăgesc primele. Ele automatizează partea vizibilă, adică textul, în timp ce partea care consumă cu adevărat timp rămâne neatinsă, fiindcă ea constă în reconstruirea contextului la fiecare lucrare.

Cum se măsoară dacă merge?

Nu prin volumul produs, care crește oricum și nu spune nimic. Măsurătoarea utilă este timpul scurs până la un rezultat pe care un om îl acceptă fără să îl rescrie, urmărit pe același tip de lucrare, înainte și după.

A doua măsurătoare, mai greu de acceptat, este rata la care rezultatele sunt respinse la verificare. O rată de respingere care scade constant arată că sistemul învață regulile companiei, în timp ce o rată care rămâne plată arată că oamenii au început să accepte ce primesc, adică poarta a încetat să funcționeze.

A treia, și cea care contează pe termen lung, este consecvența. Doi oameni diferiți cer aceeași lucrare în două zile diferite, iar rezultatele se compară. Dacă ele diferă substanțial, sistemul nu are context suficient scris, oricât de bun ar fi modelul din spate.

Ce este diferit pentru o companie din România?

Punctul de plecare este mai jos, iar asta reprezintă în același timp un risc și o fereastră. Datele Eurostat pentru 2025 arată că 5,2% dintre companiile românești cu cel puțin zece angajați folosesc AI, față de o medie de 20,0% în Uniunea Europeană, ceea ce plasează România pe ultimul loc din tot blocul, la un sfert din nivelul european.

Aceleași date arată și unde se duce efortul acolo unde AI-ul chiar este folosit, fiindcă 34,7% dintre companiile europene care îl folosesc îl aplică în marketing sau în vânzări, adică exact în zona în care se decide cine este ales. McKinsey a măsurat separat decalajul regional, arătând că 12% dintre companiile din Europa Centrală au implementat AI la scară organizațională, față de 28% în Europa de Vest, și estimează un potențial regional de peste 700 de miliarde de euro.

Citirea utilă a cifrelor astea nu este că România este în urmă, fiindcă asta se știe. Citirea utilă este că spațiul de diferențiere prin gândire, nu prin volum, este încă liber într-o piață în care aproape nimeni nu îl ocupă. O companie de mărime medie care își scrie cunoașterea acum ajunge, în doi ani, într-o poziție pe care concurenții ei nu o mai pot atinge cu un abonament.

Cum arată AI-ul folosit ca procesor, în practică?

Cel mai bun exemplu pe care îl pot da este sistemul nostru, pentru că îl măsor zilnic. Toată cunoașterea despre clienți, livrări și decizii stă scrisă în fișiere text, versionate, iar peste ele stau procedurile după care se face fiecare tip de lucrare. Când începe o sesiune de lucru pe un client, contextul lui se încarcă automat, deci nimeni nu îl mai explică.

Ce trece prin sistem sunt documentarea, profilurile de client, analiza discuțiilor, drafturile și verificările. Ce nu trece prin el sunt decizia și relația cu omul, iar granița asta nu este o precauție de imagine, ci concluzia practică a faptului că un model produce opțiuni bune și nu poate purta consecința alegerii. Am descris structura pe straturi și cifrele ei în articolul despre AI Brain, iar felul în care se leagă de o strategie de marketing propriu-zisă în articolul despre strategia care folosește AI.

Efectul care contează pentru un fondator se vede în consecvență. Doi oameni care cer aceeași lucrare primesc rezultate compatibile, un livrabil nou pornește din procedura lui scrisă, iar motivul unei decizii rămâne scris lângă decizie. Nimic din toate astea nu vine de la model, ci de la ce a fost scris în jurul lui, iar tocmai de aceea schimbarea modelului nu strică nimic.

De unde începe o companie care nu a făcut nimic până acum?

Din trei mișcări, în ordinea asta, iar niciuna dintre ele nu cere buget de software.

Prima mișcare este inventarul cunoașterii. Te uiți la ce știe compania și unde stă informația aceea acum. La majoritatea companiilor de mărimea despre care vorbim, răspunsul este că stă în capul a trei sau patru oameni, în căsuțe de email și în fișiere pe care nu le găsește nimeni. Cât timp lucrurile stau așa, niciun instrument nu are ce procesa.

A doua mișcare este alegerea unei singure lucrări. Nu a departamentului, nu a proceselor în general, ci a unui tip de livrabil pe care îl faceți des și care consumă vizibil timp. Îi scrii procedura până la capăt, cu tot ce trebuie știut ca să iasă bine, apoi o testezi punând pe altcineva să o urmeze. Procedura este bună când al doilea om produce un rezultat pe care primul îl acceptă.

A treia mișcare este poarta de verificare, calibrată pe cazuri rele. Iei un livrabil despre care știi că este slab și îl treci prin verificare. Dacă trece, poarta nu funcționează, indiferent cât de convingător arată raportul ei. Calibrarea pe exemple bune este cea mai frecventă cauză pentru care companiile cred că au control și nu au.

Abia după cele trei mișcări are sens să pui un model peste, iar de la punctul acesta lucrurile merg mult mai repede decât se așteaptă cineva, pentru că munca grea fusese deja făcută.

Întrebări frecvente

Cu ce încep dacă nu am nimic scris? Cu strângerea într-un singur loc, în format text, a ceea ce știe compania despre clienții ei. Un model poate citi doar ce există scris, deci pasul acesta nu se poate sări, oricât de bun ar fi instrumentul pe care îl cumperi.

Cât din marketing poate face AI-ul? Partea de procesare, adică documentarea, structurarea, drafturile și verificările mecanice. Decizia despre ce spui și cui, adică poziționarea, rămâne muncă de om, fiindcă ea cere să alegi ce lași deoparte.

Riscăm să sunăm ca toată lumea? Da, dacă folosiți modelul fără context propriu, pentru că atunci el scrie media internetului. Riscul dispare în măsura în care compania își scrie vocea, exemplele și regulile, iar modelul le primește de fiecare dată.

Cum știu dacă un proiect de AI merită continuat? Prin întrebarea dacă a scăzut timpul până la un rezultat acceptat de un om, nu prin volumul produs. Un sistem care produce de zece ori mai mult material pe care cineva trebuie oricum să îl rescrie a mutat munca, fără să o reducă.

Este nevoie de un departament nou? Nu la mărimea de care vorbim. Este nevoie de un om care cunoaște operațiunea și care are timp alocat să scrie procedurile, plus o decizie clară despre ce nu are voie sistemul să atingă.

Dacă vrei să vezi ce ar procesa AI-ul în cazul companiei tale, adică ce cunoaștere există deja și ce lipsește ca să fie folosibilă, poți cere o analiză de poziționare. Ea îți arată cum arăți din afară acum, iar de acolo se vede clar dacă problema ta cere instrumente sau cere întâi claritate.