AI în marketing: procesor cognitiv, nu gadget

Numim procesor cognitiv un sistem AI care ajută compania să analizeze informațiile, să compare opțiunile și să pregătească decizii. Folosit doar pentru o sarcină izolată, același model poate impresiona la demonstrație fără să îmbunătățească felul în care lucrează compania. Diferența ține de informațiile și regulile pe care le primește.

Pe scurt. În sondajul McKinsey, 44% dintre respondenți spun că organizațiile lor au extins AI-ul la nivel de întreprindere, iar 37% îi atribuie un efect pozitiv asupra profitului operațional. Sunt două măsurători diferite; scăderea uneia din cealaltă nu arată câte proiecte nu și-au recuperat investiția. Un studiu MIT pe proiecte pilot integrate arată cât de important este să verifici valoarea obținută, nu doar utilizarea.

Una dintre cauze apare înainte de alegerea modelului. Când compania nu și-a documentat cunoașterea, AI-ul este pus să execute sarcini fără informațiile necesare. Ca să poată folosi contextul companiei, modelul trebuie să aibă acces la el.

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

Un instrument folosit izolat rezolvă cererea curentă. Dacă îi ceri un text de reclamă fără să păstrezi contextul și corecturile, următoarea lucrare începe cu aceleași explicații. Cunoașterea obținută nu este organizată pentru a fi refolosită.

Un procesor cognitiv folosește contextul relevant și accesibil al companiei, adică informațiile despre clienți, deciziile anterioare și regulile de lucru. Rezultatul este verificat în raport cu acestea. Diferența practică se poate testa când al doilea om cere aceeași lucrare, iar rezultatele sunt comparate după aceleași criterii. Un abonament, singur, nu asigură această consecvență.

Distincția contează când stabilești prioritățile. Un abonament poate rezolva o sarcină punctuală; pentru lucrări repetate de mai mulți oameni, merită să investești și în documentarea cunoașterii, integrare și verificare. Proporția dintre aceste costuri depinde de felul în care lucrează compania.

În metodologia noastră, principiul poartă numele AI-ca-procesor-extensie. Enunțul lui așază AI-ul în rolul de procesor cognitiv sau extensie cognitivă, la distanță de metafora creierului, și continuă cu „calitatea depinde de cât de precis îi spui unde să gândească”. Precizia aceea vine din materialul pe care compania l-a scris înainte de cerere, nu din formularea cererii.

Ethan Mollick, profesor la Wharton, descrie o practică în care el alege sarcina, evaluează rezultatul AI-ului și își schimbă abordarea când este nevoie. Alegerea sarcinii și evaluarea rezultatului rămân la om, iar amândouă cer context.

De ce cumpără companiile un gadget când au nevoie de un procesor?

Uneori pornesc de la întrebarea „ce instrument luăm”. O licență este ușor de aprobat și de trecut în buget, chiar dacă problema de lucru nu este încă definită.

Întrebarea care produce valoare sună complet diferit. Pentru ce există compania, ce știe ea și nu știe altcineva în categoria ei, și unde se pierde timpul oamenilor care o țin în picioare. Abia după ce răspunzi la ele se vede ce merită procesat de un model.

Ordinea aceasta are un nume. Simon Sinek a descris-o ca Golden Circle și ea pornește de la motiv, coboară la mod și ajunge la unealtă abia la final. O companie care începe de la unealtă cumpără un răspuns înainte de a-și fi pus întrebarea.

Mai există un motiv. Un instrument nou poate fi arătat într-o ședință și poate produce ceva pe ecran în treizeci de secunde. În schimb, munca de documentare a cunoașterii companiei este mai greu de prezentat în primele săptămâni, chiar dacă pregătește folosirea utilă a modelului.

Presiunea de a arăta progres poate favoriza demonstrația în detrimentul schimbărilor de lucru. Estimarea Gartner despre proiectele abandonate după faza de test arată riscul de a nu transforma demonstrația în valoare pentru companie, fără să dovedească această cauză pentru fiecare proiect.

Ce arată datele despre companiile care au încercat deja?

Arată că extinderea utilizării și efectul economic trebuie măsurate separat.

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 același sondaj, 37% dintre respondenți atribuie AI-ului un efect pozitiv asupra profitului operațional, procent practic neschimbat față de anul anterior. Indicatorii măsoară lucruri diferite, așa că diferența dintre 44% și 37% nu arată unde s-a pierdut investiția. Ea ridică o întrebare utilă pentru fiecare companie: ce rezultat economic poate atribui folosirii AI-ului?

Studiul MIT publicat în 2025, bazat pe interviuri și analiza unor inițiative publice, estimează că aproximativ 5% dintre proiectele pilot integrate analizate au produs valoare măsurabilă. Autorii avertizează că eșantionul și definițiile succesului limitează generalizarea. Cifra nu înseamnă că 95% dintre toate companiile care folosesc AI nu au obținut nimic.

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.

Gartner observa atunci că organizațiile întâmpinau dificultăți în demonstrarea valorii investițiilor. Aceasta era o explicație a prognozei sale, nu o măsurătoare ulterioară a proiectelor abandonate.

BCG oferă, într-un ghid publicat în decembrie 2024, o regulă 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. Regula recomandă ca pregătirea oamenilor și a proceselor să primească cea mai mare parte a efortului; ea nu descrie proporția măsurată în fiecare proiect care a eșuat.

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

În analiza noastră, trei probleme de organizare merită verificate înainte de a schimba modelul.

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 poate părea gata de folosit chiar și când conține erori. Fără o verificare testată și pe cazuri proaste, greșelile pot ajunge în livrabile și pot afecta încrederea clientului.

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 țin de felul în care lucrează compania. Regula BCG pune accentul pe oameni și procese; rămâne un reper de organizare, nu dovada că modelul ales nu contează.

Unde stă AI-ul în arhitectura unei companii?

În modelul nostru, compania este analizată pe patru straturi, iar AI-ul ajută la coordonarea informațiilor și a muncii în L3.

L1 este performanța, adică reclamele, traficul, pâlnia și tot ce se măsoară zilnic. L2 este venitul, adică vânzarea, pipeline-ul și operațiunile comerciale. L3 este orchestrarea, locul în care se iau deciziile pe bază de context scris. L4 este poziționarea, adică ce reprezintă compania și în ce categorie o pune piața.

AI Brain stă la L3 și sprijină atât execuția din L1, cât și deciziile de poziționare din L4. El poate pregăti informații și variante, însă oamenii rămân responsabili pentru alegerea direcției companiei.

Poziția aceasta explică de ce ordinea contează. Contextul coboară de la L4, fiindcă poziționarea spune ce are voie sistemul să afirme. Măsurătorile urcă de la L1, fiindcă rezultatele campaniilor arată dacă afirmația ține.

L3 leagă cele două capete. Fără un mod de a transmite poziționarea în campanii și de a folosi rezultatele campaniilor în decizii, cele două pot pierde alinierea.

Pilonul care descrie situația în metodologia noastră se numește infrastructura-inainte-de-marketing și spune că „Clientul rareori are problemă de marketing”, enunțul continuând cu „are lipsă de infrastructură (sisteme, canale, poziționare, fundație de brand)”. Concluzia lui este scurtă. „Marketingul pe bază proastă arde bani.”

O companie care folosește AI direct în L1, fără proceduri și poziționare documentate în L3 și L4, riscă să producă mai mult material fără să își clarifice mesajul. Bugetul se poate consuma mai repede, iar problema inițială rămâne. Am detaliat relația dintre straturi în articolul despre arhitectura de marketing pe straturi.

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 responsabilitatea judecății. Pentru a delega o sarcină, verificăm dacă rezultatul poate fi confruntat cu o sursă sau cu reguli explicite. Un rezumat al unei discuții se poate verifica prin citirea transcrierii. O decizie de poziționare cere însă o alegere între direcții, cu consecințe pe care compania trebuie să și le asume.

Împărțirea aceasta 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.

Există și obligații legale, care depind de utilizarea sistemului și de rolul companiei. Documentarea ajută, însă nu înlocuiește verificarea cerințelor aplicabile. Am scris separat despre obligațiile concrete din EU AI Act.

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 este rata rezultatelor respinse la verificare. O scădere poate indica faptul că sistemul respectă mai bine regulile companiei, dar poate apărea și dacă verificarea a devenit prea permisivă. De aceea, urmărești rata împreună cu testele pe cazuri cunoscute, bune și rele; o valoare constantă nu dovedește, singură, că verificarea a încetat să funcționeze.

A treia măsurătoare este consecvența. Doi oameni diferiți cer aceeași lucrare în două zile diferite, iar rezultatele se compară. Dacă ele diferă substanțial, verifici contextul disponibil, formularea cererilor, modelul și setările. Diferența dintre rezultate nu stabilește singură cauza.

Cele trei măsurători urmăresc aceeași operațiune. Le poți repeta după schimbarea modelului, păstrând tipul lucrării și criteriile de acceptare, apoi compari timpul, respingerile și consecvența. Performanța unui instrument luată separat nu arată cât ajută compania.

Ce se întâmplă cu o companie pe care motoarele AI nu o văd?

Compania poate lipsi din recomandarea unui asistent chiar dacă produsele sau serviciile ei rămân bune. Absența poate fi greu de observat în rapoartele obișnuite de marketing. În analizele pe care le-am făcut pe companii românești apar două tipare pe care le prezentăm mai jos.

Amândouă pornesc din același loc, adică dintr-o dovadă care există în companie și nu a fost scrisă în forma pe care o citește un motor.

Primul caz este clinica Doctor SKiN. La verificarea din 10 septembrie 2026, profilul public de Google avea 2.970 de recenzii și nota 4,85, iar fișierul robots.txt bloca GPTBot, ClaudeBot și Google-Extended.

În răspunsurile testate în audit, clinica nu era citată. Blocarea acelor roboți cere verificarea accesului pentru fiecare motor, însă nu explică singură absența din răspunsuri; Google-Extended, de pildă, nu controlează apariția în AI Search. Mișcarea propusă a fost construirea unor pagini care răspund la întrebările pacienților și verificarea accesibilității lor, fără a promite citarea.

Al doilea caz este Cablero, producător industrial de cabluri. Într-un test, compania apărea prima într-un răspuns ChatGPT, iar un articol tehnic mai vechi figura printre sursele citate. În aceeași rundă de măsurare, site-ul apărea în jurul locului zece în Google pentru termenul analizat. Citarea articolului nu arată, singură, ce a determinat ordinea răspunsului.

Măsurătoarea aceea este a noastră. Am rulat-o pe 2 septembrie 2026 cu DataForSEO, punând întrebarea pe setările de limbă și țară pentru România, iar poziția din Google vine din aceeași rundă, pe termenul central al categoriei.

Mișcarea propusă a mutat unitatea de valoare de la produs la rezultatul economic protejat, iar fraza care rezumă poziționarea sună „Nu vindem cablul. Vindem ce nu are voie să cedeze.” Un cablu se compară pe preț oricând, în timp ce continuitatea unei linii de producție nu se compară așa.

Cele două cazuri arată de ce contează ce informații sunt disponibile public și ce informații are echipa pentru propriile decizii. Documentarea poate ajuta în ambele situații, dar vizibilitatea într-un motor AI trebuie verificată separat. Am detaliat acest obiectiv în articolul despre proprietatea cognitivă asupra unei categorii.

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.

Eurostat arată că 34,7% dintre companiile din UE care folosesc AI îl aplică în marketing sau în vânzări. Cifra descrie utilizatorii AI, nu toate companiile.

McKinsey descrie pentru Europa Centrală un decalaj de 16 puncte procentuale față de Europa de Vest în extinderea AI la nivelul organizației. Estimarea sa privind valoarea economică potențială este un interval de 280–700 de miliarde de euro, dependent de scenariu, nu o prognoză de venit.

Aceste cifre sugerează că o companie se poate diferenția prin folosirea AI-ului pentru analiză și consecvență, dincolo de producerea unui volum mai mare de conținut.

O companie de mărime medie care își documentează cunoașterea acum poate acumula, în doi ani, un avantaj pe care simpla cumpărare a unui abonament nu îl reproduce. Aceasta este ipoteza noastră, bazată pe faptul că fiecare decizie scrisă rămâne disponibilă pentru următoarea.

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

Un exemplu este sistemul nostru. Informațiile de lucru selectate despre clienți, livrări și decizii sunt păstrate în fișiere versionate, alături de proceduri. La începutul unei lucrări, sistemul poate încărca documentele relevante pentru clientul respectiv, în limitele accesului acordat. Oamenii completează contextul când informațiile lipsesc sau s-au schimbat.

Prin sistem trec documentarea, profilurile de client, analiza discuțiilor, drafturile și verificările mecanice. Oamenii păstrează decizia și relația cu clientul, pentru că ei răspund de consecințele alegerii, chiar atunci când modelul pregătește variante utile.

Partea care se vede cel mai greu din afară este felul în care feedbackul din lucrările zilnice ajunge în proceduri. Principiul nostru AI-invata-din-dialog înseamnă că oamenii identifică regulile recurente, le verifică și le scriu pentru a fi refolosite. Aici nu vorbim despre antrenarea modelului pe fișierele companiei.

În practică, o corectură relevantă și repetabilă poate deveni o regulă documentată. Procedura o aduce apoi în context la lucrările de același tip. Nu fiecare intervenție punctuală merită păstrată, iar schimbarea fișierelor nu schimbă automat modelul.

Am descris structura pe straturi în articolul despre AI Brain, iar felul în care se leagă de o strategie de marketing în articolul despre strategia care folosește AI.

Efectul urmărit de un fondator este consecvența. Doi oameni care cer aceeași lucrare trebuie să poată folosi aceeași procedură și aceleași criterii de verificare, iar motivul unei decizii rămâne documentat lângă ea. Fișierele se păstrează când schimbi modelul. Comportamentul noului model trebuie însă testat pe aceleași lucrări înainte să îl folosești în proiecte pentru clienți.

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. Verifici ce știe compania și unde se află informațiile: în documente, în căsuțe de email sau doar la oamenii care fac lucrarea. Dacă materialul relevant nu este accesibil pentru sarcina aleasă, modelul nu îl poate folosi; poate însă ajuta la ordonarea informațiilor pe care le primește.

A doua mișcare este alegerea unei singure lucrări. Alegi un tip de livrabil pe care îl faceți des și care consumă vizibil timp, înainte să încerci automatizarea unui departament întreg. Îi scrii procedura până la capăt, cu tot ce trebuie știut pentru un rezultat bun, apoi o testezi punând pe altcineva să o urmeze.

Procedura este bună când al doilea om produce un rezultat pe care primul îl acceptă. Cât timp primul om rescrie, procedura încă are goluri, iar golurile acelea sunt exact ce ar fi completat modelul din burtă.

A treia mișcare este poarta de verificare, calibrată și pe cazuri rele. Iei un livrabil despre care știi că este slab și îl treci prin verificare. Dacă trece, criteriile trebuie ajustate, indiferent cât de convingător arată raportul. Testarea doar pe exemple bune poate lăsa această problemă neobservată.

Testele pe exemple corecte trebuie completate cu exemple greșite, ca să verifici dacă poarta le deosebește.

Poți folosi modelul și în timpul inventarului sau al scrierii procedurii, cu verificare umană. Cele trei mișcări îți dau apoi o bază pentru a compara rezultatele și timpul de lucru.

Întrebări frecvente

Cu ce încep dacă nu am nimic scris?

Cu inventarul surselor și alegerea informațiilor relevante pentru o lucrare concretă. Pentru sistemul descris aici, organizăm materialul verificat în documente și acordăm acces doar la ce cere sarcina respectivă.

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 informații proprii, pentru că rezultatul poate rămâne generic. Riscul scade când compania își documentează vocea, exemplele și regulile, iar modelul le primește la fiecare lucrare. Verificarea textului rămâne necesară.

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.

Cât durează până se vede ceva?

Prima verificare utilă apare când o altă persoană aplică procedura scrisă și obține un rezultat acceptat după criteriile stabilite. Durata depinde de sarcină, de documentația disponibilă și de corecturile necesare. Efectul economic trebuie urmărit separat, prin timpul economisit, costuri și calitatea rezultatelor.

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.