Anul acesta inteligența artificială împlinește 70 de ani. Stai așa, Tudore, cum? Cum adică 70 de ani? Da, 70 de ani – în 1956, la Colegiul din Dartmouth, New Hampshire, Statele Unite, a avut loc un workshop de două luni, pe parcursul verii, legat de cercetarea inteligenței artificiale. Este începutul „oficial” al inteligenței artificiale.
În 70 de ani au avut loc dezvoltări incredibile – sisteme de machine learning, în anii 80, capabile să facă estimări financiare, economice, de piață, algoritmul Deep Blue care l-a învins pe Kasparov la șah, aspiratoarele care ne curăță singure casa, sisteme deep learning capabile să conducă singure mașini, avioane, vapoare și... bineînțeles... AI-ul generativ, despre care toată lumea vorbește astăzi ca fiind AI. AI este mult mai mult decât atât și poate fi folosit, mai ușor ca oricând, pentru a vă ajuta să vă creați noi linii de business, în locuri și cu servicii la care probabil nu v-ați fi gândit niciodată.
Cunoașteți matricele SWOT, pe care mulți le completează în slide-uri frumoase fără a înțelege neapărat despre ce este nevoie. La multe întâlniri online cu start-upuri dau de analize SWOT făcute extrem de subiectiv, unde „S” mult mai mare decât „W”, „O” conține vreo 10 rânduri iar „T” practic nu există, când de fapt cheia atragerii de investiții este transparența totală, să se vadă că înțelegi bine piața, contextul, riscurile mai ales, nu doar oportunitățile tale și că înțelegi și „de ce nu EU”, nu doar „de ce EU”. Adică competiția.
Când vorbim despre AI, vorbim în același timp, în paralel, de oportunități și riscuri ce deseori se contrabalansează. Da, este drăguț să avem AI care preia sarcinile dificile din organizație, dar ce ne facem atunci când halucinează și nu ne prindem decât foarte târziu? Da, este drăguț să scriem CV-uri cu AI, dar ce ne facem că tot un AI le analizează? Am putea avea discuția asta seri la rând, însă vreau să înțelegem că AI-ul nu este un „catalizator” ci este mai curând un drum. O cale, o cărare plină de fructe dulci, zemoase, dintre care unele extrem de otrăvite. Am tot vorbit despre riscuri în articolele pe care le-am publicat în ultimii trei ani pe blogul ING dedicat antreprenorilor. Și totuși, AI are capabilitatea de a fi disruptiv și de reinventa cu totul businessurile, însă prea puțini înțeleg cum fiindcă nu văd toate posibilitățile. Așa că hai să folosim AI pentru a vedea posibilitățile și limitele AI-ului.
Modelele de creștere tradiționale funcționează în felul următor: extindere geografică, penetrarea standard a pieței și scalarea liniară a numărului de angajați. Orice manual de economie prezintă aceste concepte cheie ca fiind esențiale. O singură problemă: randamentele scad, profitabilitatea scade. Așa că organizațiile inovează, aducând sisteme de inteligență artificială cu modele de machine learning și deep learning pentru a simula situații economice complexe, variații de cerere și ofertă, schimbări politice dar și scenarii de extindere, de merger & acquisition, pentru a comprima aceste cicluri, permițând echipelor mici, augmentate, să obțină rezultate comerciale care anterior cereau costuri foarte mari.*
Această transformare este susținută de metrici empirice de performanță. Analiza proiectelor corporative și independente lansate între 2018 și 2024 arată că entitățile înființate în era AI (2023–2024) obțin rezultate semnificativ mai bune, cu termene de dezvoltare comprimate. În loc să trateze tehnologia ca pe „business enabler”, investitorii și managerii inteligenți integrează sistemele predictive și generative direct în arhitectura de bază a modelului de afaceri. Această integrare structurală generează valoare în trei dimensiuni esențiale: accelerarea ciclurilor de inovație prin testarea rapidă și automată a ipotezelor, optimizarea productivității pentru a decupla creșterea veniturilor de extinderea personalului și atingerea unei viteze de lansare pe piață fără egal ca diferențiator competitiv sustenabil.
Istoric, construirea de noi linii de business a fost asociată cu provocări semnificative, însă contextul actual oferă organizațiilor instrumente mult mai puternice pentru a crește șansele de succes. Deși datele istorice arată că doar o mică parte dintre companiile inovative lansate în ultimul deceniu au devenit întreprinderi viabile la scară largă, apariția inteligenței artificiale schimbă fundamental modul în care ideile sunt generate, testate și validate.
Pentru a reduce riscul de eșec în product-market fit, dezvoltatorii moderni pot utiliza platforme avansate precum Beacon de la McKinsey pentru a genera, testa și rafina sistematic ideile de business-uri noi. Prin folosirea unui AI agentic pentru analizarea datelor proprietare de piață, a bazelor de date și a informațiilor terțe, echipele pot construi rapid simulări complexe, pot redacta pitch-uri și pot dezvolta prototipuri interactive de aplicații și sisteme pentru validarea cu clienții. Astfel, faza de ideație se comprimă de la luni la ore, mai ales dacă se folosesc mecanisme de „rapid prototyping” cu metodologii de „design thinking”, oferind organizațiilor posibilitatea de a obține o validare mai clară a pieței, de a lua decizii mai informate și de a aloca capitalul cu mai multă încredere către operațiuni scalabile.
Divergența economică dintre organizațiile care implementează cu succes AI și cele blocate în faze pilot interminabile se extinde rapid.** Studiile identifică o mare diferență de performanță între companiile (pe care le putem grupa liniștit într-o cohortă) ce construiesc pentru viitor folosind ultimele tehnologii și restul. Aceste companii – ce nu reprezintă mai mult de cinci procente din numărul companiilor – obțin creșteri ale veniturilor de cinci ori mai mari și reduceri de costuri de trei ori mai mari decât companiile similare, tratând AI ca pe un mecanism de reinventare a modelelor de afaceri, în loc de automatizare locală a sarcinilor.
Această asimetrie a investițiilor este legată direct de ascensiunea rapidă a AI-ului agentic. Agenții autonomi, care observă, planifică și acționează independent pentru a optimiza fluxurile de lucru complexe de la un capăt la altul, au reprezentat aproximativ 17% din valoarea totală a investițiilor în inteligența artificială în 2025, o cifră estimată să crească la 29% până în 2028. Companiile care construiesc pentru viitor profită de această schimbare: reinvestesc sistematic capital în arhitecturi cognitive avansate și își consolidează avantajul competitiv înainte ca cei rămași în urmă să poată recupera.
Pentru a organiza aceste eforturi de creștere, trebuie găsite cadre structurate care să alinieze capacitățile tehnologice cu obiectivele strategice pe termen lung. O metodologie fundamentală este cadrul cu trei niveluri Deploy, Reshape, and Invent (DRI).
Cadrul DRI structurează expansiunea bazată pe AI pe trei niveluri cheie. La nivelul Deploy, organizațiile introduc modele AI gata pregătite în fluxurile de lucru tranzacționale, folosind instrumente precum chatbot-uri pentru discuțiile cu clienții, copiloți pentru dezvoltatori și generarea automată de text pentru a reduce costurile și a genera câștiguri imediate de productivitate. Nivelul Reshape merge mai departe, reproiectând fluxurile de lucru operaționale și funcționale de bază de la un capăt la altul. Aici, AI este integrată în platforme de lanț de aprovizionare, rețele de mentenanță predictivă sau sisteme automate de contract management, creând îmbunătățiri structurale ale marjelor de productivitate și accelerând execuția între departamente. Cel mai ambițios nivel este Invent, unde AI este folosită nu doar pentru a îmbunătăți operațiunile existente, ci pentru a crea produse și servicii complet noi, modele de afaceri și strategii de monetizare. Deși pare ceva complex, chiar și firmele mici se pot reinventa cu ajutorul AI. Acum trei ani de zile îi explicam, entuziast, unei prietene ce este antreprenoare, magia inteligenței artificiale generative. Lexa se uita mirată cum mă jucam cu prompt-uri, cum generam idei, cum asamblam concepte diferite, cum cream conținut text și imagini spectaculoase. Ea a folosit AI pentru a-și reinventa complet businessul, creând experiențe noi de team-building, jocuri noi, concepte de evenimente etc. ce i-au crescut businessul și i-au adus noi și noi clienți. O reinventare completă a businessului.
Însă când trec la etapa "Invent" pentru a crea noi linii de business, managerii fac adesea greșeala de a aloca tot capitalul către zona de tehnologie, uitând de oameni. Uitând de alfabetizare, de pregătire, de „readiness”.
Organizațiile cu performanțe ridicate investesc doar 10% din resurse către selectarea și antrenarea modelelor și a algoritmilor matematici, 20% către infrastructură – data center, cloud, mentenanță, integrarea cu sistemele, în timp ce 70 % este alocat dimensiunilor umane și operaționale.*** Vorbim aici de reproiectarea fluxurilor de lucru, îmbunătățirea competențelor angajaților, stabilirea cadrelor de guvernanță și gestionarea schimbărilor organizaționale necesare pentru a asigura încrederea angajaților și clienților.
Dacă nu știi cu ce să începi, cum spuneam, poți întreba chiar AI-ul sau poți avea discuții cu cei care au trecut prin astfel de „chinuri”. De exemplu, machine learning (ML) predictiv este cel mai bun atunci când problema de bază este estimarea sau clasificarea structurată: ratele de pierdere a clienților, risc de credit, gestionarea cererii, triaj al daunelor, mentenanță predictivă, predispoziția la cumpărare, detectarea anomaliilor. Inteligența artificială generativă este recomandată atunci când oferta necesită sinteză flexibilă, conversație, personalizare la scară largă sau generare de conținut. Computer vision este potrivită pentru inspecția vizuală, diagnosticarea la distanță, analiza rafturilor de retail și imagistica medicală. Natural Language Processing (NLP) este esențială atunci când discutăm de analiza unor date bogate în text: contracte, tichete de serviciu, note clinice, manuale, lucrări de cercetare sau documente de reglementare. Automatizarea devine valoroasă atunci când există un proces repetabil, cu reguli de afaceri stabile și o predare clară. Sistemele de recomandare se potrivesc cu scenarii de upsell/ cross-sell, potrivirea furnizor-client pentru un marketplace sau prioritizarea acțiunilor.
O regulă utilă este să începi cu „ce mă doare cel mai tare”. Dacă clienții se hotărăsc greu să cumpere, folosește ML predictiv. Dacă nu pot înțelege, căuta sau crea, folosește AI generativ și NLP. Dacă afacerea pierde bani din cauza defectelor de produse, folosește computer vision.
Dacă procesele sunt complexe, folosește automatizarea. Dacă valoarea depinde de potrivire și relevanță, folosește sisteme de recomandare. Dacă mediul se schimbă rapid și fereastra de oportunitate este incertă, se pot combina analiza predictivă cu AI generativ, adică arhitecturi RAG (retrieval-augmented generation).
Cel mai eficient proces de ideație constă nu doar în brainstorming, ci în co-creație alături de clienți. Și aici abordarea „Design Thinking” face diferența. De exemplu, începe cu zece până la cincisprezece interviuri cu clienții, axate pe decizii costisitoare, fluxuri de lucru lente sau alte probleme. Apoi, poți folosi AI pentru a genera variante de soluții, rapid prototyping și testarea lor cu grupuri mici de dezvoltatori și clienți, sub bagheta unui „magician” de Design Thinking. Practic, AI nu înlocuiește echipele, ci scurtează distanța de la idee la conceptul testabil.
Designul prototipului ar trebui să fie făcut în grupuri restrânse. Un prototip ar trebui să facă o singură sarcină, pentru un segment de client, în cadrul unui singur proces de business, cu o singură promisiune comercială. De exemplu: „redu pierderile de stoc în retailul de produse perisabile premium" sau „redu timpul de nefuncționare neplanificat pe liniile de ambalare".
Fiecare prototip ar trebui să specifice utilizatorii, ce declanșează fluxul de lucru, rolul modelului, rolurile oamenilor, rezultatele măsurabile și modelul de monetizare. Deoarece sistemele AI pot eșua în moduri noi, prototipul ar trebui să includă și planuri de rezervă, căi de escaladare și politici de încredere bazate pe praguri.
În ceea ce privește modelul operațional, cea mai bună variantă implicită pentru majoritatea companiilor existente este cea hibridă: cumpărarea de modele de bază și închirierea de infrastructură AI de bază; construirea orchestrației, evaluării, logicii domeniului, a experienței utilizatorului și a activelor de date; parteneriat acolo unde credibilitatea sau distribuția contează.
Managementul riscului AI trebuie să acopere serviciile bazate pe cloud și achizițiile, nu doar dezvoltarea internă. Construirea este răspunsul corect atunci când use case-ul este strategic, fluxul de lucru este unic sau cerințele de reglementare și rezidența datelor sunt stricte.
Cumpărarea este preferabilă atunci când cazul de utilizare este comun, timpul de lansare pe piață contează, iar costurile de schimbare ar trebui să rămână scăzute. Parteneriatul este cel mai puternic atunci când succesul depinde de încrederea în ecosistem și accesul la date.
Strategia de date este locul unde multe eforturi de afaceri noi reușesc sau eșuează. Principiul este simplu: nu începe cu o ambiție generalizată de tip „data lake"; începe cu cel mai restrâns produs de date necesar pentru noul business. Asta înseamnă definirea sistemelor sursă, drepturilor asupra datelor, cerințelor de calitate, metadate, descendență, retenție și bucle de feedback.
Lansarea pe piață ar trebui calibrată în funcție de nivelul de risc, de capacitatea de măsurare a valorii generate și de gradul de încredere pe care soluția îl poate construi în relația cu clientul.
Acolo unde rezultatele pot fi demonstrate clar și verificabil, modelele de preț bazate pe rezultate sau pe împărțirea beneficiilor pot facilita adoptarea, cu condiția existenței unor mecanisme transparente de măsurare și raportare. În situațiile în care cerințele de conformitate sau sensibilitatea datelor sunt mai ridicate, un model de abonament însoțit de servicii de implementare, guvernanță și suport operațional este, de regulă, mai prudent și mai credibil. În retail și în mediile digitale, soluțiile de recomandare și personalizare pot susține modele comerciale legate de utilizare sau de venituri, mai ales atunci când impactul este documentat riguros. În context enterprise, trebuie clar o abordare graduală: lansarea într-un proiect pilot, pe un flux de lucru bine delimitat, urmată de extinderea către cazuri de utilizare adiacente numai după demonstrarea rezultatelor și validarea acceptării de către utilizatori. Succesul clienților devine chiar mai important pentru soluțiile AI decât pentru soluțiile de software as a service tradiționale, deoarece utilizatorii trebuie nu doar să folosească sistemul, ci să îi înțeleagă limitele, să poată contesta sau valida rezultatele și să contribuie prin feedback constant la îmbunătățirea performanței în timp.
Una dintre greșelile frecvente care se fac este abordarea „la sfârșit” a conformității cu legislația. Sunt numeroase legi ce guvernează sau impactează dezvoltarea soluțiilor AI, dincolo de EU AI Act și GDPR.
În primul rând, orice sistem AI trebuie să aibă o analiză de risc asupra drepturilor fundamentale ale omului. Dacă există riscuri privind încălcarea acestor drepturi, conform EU AI Act trebuie înfăptuită o evaluare a impactului asupra drepturilor fundamentale (FRIA). Dacă tu ești producătorul sistemului AI, trebuie să faci o evaluare de conformitate. Obiectivul este simplu: oamenii nu trebuie să sufere. Nu vorbim aici de o birocrație excesivă ci vorbim de protejarea oamenilor.
În același timp, trebuie efectuată, vorbind de tehnologii emergente, o evaluare de impact asupra protecției datelor (DPIA), conform GDPR. Asta pentru a demonstra faptul că sistemul AI prelucrează date personale în siguranță. Însă atenție: acestea nu sunt unicele legi ce guvernează sau impactează soluțiile AI. Vorbim de codul fiscal, codul muncii, legi de calitate a produselor, legi de protecție a proprietății intelectuale (nu aveți idee cât de ușor AI poate încălca proprietatea intelectuală) sau legi sectoriale (energie, piață de capital etc). Această suprapunere de reglementări evidențiază necesitatea ca organizațiile să stabilească cadre integrate de guvernanță care să unifice toate cerințele legale într-un singur model operațional coerent.
Pentru a transforma aceste cadre strategice și cerințe arhitecturale într-o linie de business viabilă, liderii trebuie să aibă un parcurs disciplinat, care pornește de la analize reale și ajunge treptat la scalare. Primul pas este evaluarea realistă a nivelului de pregătire al organizației pentru utilizarea inteligenței artificiale: maturitatea tehnologică, calitatea și accesibilitatea datelor, precum și capacitatea internă de adopție. Liderii trebuie să analizeze activele esențiale ale companiei, să identifice acele seturi de date proprietare care pot genera un avantaj competitiv și să înțeleagă în ce zone AI-ul poate fie să amenințe modelul existent, fie să îl consolideze.
În același timp, guvernanța nu poate fi lăsată pentru final. Managerii liniilor de business, echipele tehnice, departamentul juridic, resursele umane și ceilalți factori de decizie relevanți trebuie implicați încă de la început într-un cadru multidisciplinar de guvernanță AI, capabil să alinieze obiectivele comerciale, fezabilitatea tehnică, pregătirea oamenilor și responsabilitatea față de reglementări.
Odată ce această fundație este pusă la punct – și insist – ODATĂ ce această fundație este pusă la punct și nu înainte, organizația poate trece de la alinierea internă la identificarea oportunităților. AI-ul generativ poate fi folosit pentru a analiza baze de cunoștințe specifice sectorului și discuții în social media pentru a descoperi nevoi emergente ale clienților dintr-un sector de business. Aceste oportunități ar trebui apoi evaluate printr-o lentilă structurată a portofoliului, echilibrând valoarea comercială, fezabilitatea tehnică, accesul la date, complexitatea operațională și expunerea la reglementări. Pentru proiectele care pot intra în sfera EU AI Act, ar trebui să clasificăm din timp nivelul de risc relevant, deoarece această decizie modelează bugetele de conformitate, termenele de dezvoltare, cerințele de documentație și nivelul de supraveghere umană necesară.****
Următorul pas este construirea arhitecturii tehnice și de date care să susțină o inițiativă scalabilă, nu doar un experiment fragil. Bazele de date vechi ar trebui modernizate progresiv în arhitecturi API-first în timp real, cu pipeline-uri de ingestie de mare viteză pentru date nestructurate, acolo unde cazul. Interoperabilitatea agenților devine de asemenea importantă pe măsură ce sistemele devin mai complexe, așa că organizațiile ar trebui să adopte protocoale de integrare consistente, cum ar fi Model Context Protocol (MCP) de la Anthropic, pentru a permite agenților autonomi specializați să se coordoneze fiabil. Siguranța trebuie integrată în această arhitectură încă de la început – MCP încă este extrem de nesigur – prin medii de găzduire securizate, rutine de testare, detectarea riscurilor, evaluarea modelului și verificări clare de conformitate înainte de orice implementare într-un mediu live.
Execuția ar trebui apoi să se orienteze către un proiect pilot controlat, conceput pentru a valida scenariul de business fără a expune organizația la riscuri operaționale sau de reglementare inutile. O echipă ideală ar trebui să combine experți în domeniu și ingineri AI, care să analizeze fluxurile de lucru decizionale, să le automatizeze și să le reproiecteze folosind sisteme agentice și să testeze unde judecata umană ar trebui să primeze. Pilotul ar trebui să fie suficient de restrâns pentru a fi lansat rapid într-un mediu controlat, dar suficient de reprezentativ pentru a genera date semnificative de utilizare. În paralel, organizația ar trebui să redeseneze rolurile afectate, să pregătească angajații pentru colaborarea om-AI, să susțină creșterea AI-ului și să stabilească standarde de asigurare a calității.
Dacă pilotul este de succes (important cum definim succesul), provocarea finală este transformarea acestuia într-o linie de business nouă sustenabilă. Monetizarea trebuie să fie aliniată cu valoarea creată, fie prin prețuri bazate pe utilizare, modele de abonament, comercializarea software-ului B2B sau alte mecanisme de facturare adaptate pieței și profilului de risc al clientului.
Scalarea ar trebui, de asemenea, să creeze un motor de feedback: metricile de performanță, datele despre comportamentul clienților, rezultatele operaționale și feedbackul utilizatorilor trebuie să fie analizate continuu pentru a modifica modelele AI și procesele operaționale, astfel încât acuratețea, relevanța și fiabilitatea să se îmbunătățească în timp.
După lansare, guvernanța rămâne activă, nu episodică. Supravegherea continuă post-implementare, jurnalizarea automată, monitorizarea securității și revizuirea reglementărilor sunt necesare pentru a asigura că inițiativa rămâne aliniată cu regulile globale în evoluție, standardele interne ale corporației și nivelul de încredere așteptat de clienți și părți interesate.
Inteligența artificială nu mai este doar o tehnologie care optimizează procese existente, ci un instrument strategic prin care companiile pot imagina, testa și lansa linii de business complet noi. Diferența dintre organizațiile care vor extrage valoare reală din AI și cele care vor rămâne blocate în experimente izolate nu va fi dată doar de accesul la modele mai bune sau la infrastructură mai performantă, ci de capacitatea de a lega tehnologia de probleme concrete, de active proprii, de date relevante și de o înțelegere profundă a pieței.
În același timp, AI nu poate fi tratată ca o scurtătură magică. Ea obligă organizațiile să devină mai disciplinate, nu mai superficiale. Un nou business construit cu AI are nevoie de diagnostic realist, de prioritizare, de prototipuri restrânse, de validare cu clienții și de mecanisme clare prin care rezultatele pot fi măsurate. Are nevoie, mai ales, de oameni pregătiți să lucreze cu aceste sisteme, să le înțeleagă limitele, să le conteste rezultatele atunci când este cazul și să contribuie la îmbunătățirea lor continuă. În acest sens, alfabetizarea AI, redesignul proceselor și managementul schimbării sunt la fel de importante ca modelul tehnic ales.
Prin urmare, întrebarea nu mai este dacă AI poate ajuta la crearea unor noi linii de business, ci cum poate fi folosită într-un mod suficient de matur pentru a produce valoare durabilă.
Răspunsul începe cu probleme reale, continuă cu date de calitate, prototipuri bine delimitate, echipe multidisciplinare și guvernanță activă, iar abia apoi ajunge la scalare. AI poate accelera enorm drumul de la idee la piață, dar direcția rămâne responsabilitatea oamenilor. Companiile care vor înțelege acest lucru vor folosi AI nu doar pentru a deveni mai eficiente, ci pentru a se reinventa cu sens, cu prudență și cu ambiție.
Resurse consultate pentru scrierea acestui articol:
1. How to build businesses faster and better with AI https://www.mckinsey.com/capabilities/business-building/our-insights/how-to-build-businesses-faster-and-better-with-ai
2. The Widening AI Value Gap https://www.bcg.com/publications/2025/are-you-generating-value-from-ai-the-widening-gap
3. Artificial Intelligence at Scale https://www.bcg.com/capabilities/artificial-intelligence
4. Building an AI Business Strategy: A Beginner's Guide https://online.hbs.edu/blog/post/ai-business-strategy
Articol publicat în iulie 2026.
Informațiile regăsite pe acest blog nu sunt o recomandare de acțiune, sfaturi de investiții, informații juridice sau fiscale și nu reprezintă o ofertă de vânzare/cumpărare a oricărui instrument financiar. Ne-am asigurat că acest articol nu conține informații false sau înșelătoare în momentul publicării, dar nu garantăm exactitatea sau gradul de adevăr al acestuia. ING nu își asumă nicio răspundere pentru orice pierdere directă, indirectă sau consecință survenită în urma aplicării informațiilor din acest articol, cu excepția cazului în care se specifică altfel. Orice opinii, puncte de vedere sau estimări aparțin exclusiv autorilor și pot fi modificate fără notificare.
Distribuirea acestei publicații poate fi restricționată prin lege sau reglementări, iar persoanele care intră în posesia acesteia au obligația de a se informa și a respecta restricțiile impuse.
Articolele publicate pe acest blog se supun protecției drepturilor de autor, astfel încât conținutul nu poate fi reprodus, distribuit sau publicat de nicio persoană în niciun scop fără acordul prealabil expres al ING și menționarea sursei. Toate drepturile sunt rezervate.
Tudor este consultant în protecția datelor având o experiență de peste 20 de ani în business. De șase ani conduce cabinetul de consultanță Tudor Galoș Consulting, lucrând cu o echipă care adresează peste 200 de clienți din Europa, Statele Unite, Marea Britanie și Orientul Mijlociu. Are o certificare europeană de Data Protection Officer obținută la European Center for Privacy and Cybersecurity din cadrul Maastricht University – Faculty of Law, este autorul unui curs DPO acreditat la Ministerul Muncii și Solidarității Sociale și a două cursuri online de GDPR cu peste 15.000 de participanți. Este speaker la evenimente internaționale unde prezintă soluții ce adresează cele mai noi provocări de privacy din domeniile Big Data, Inteligență Artificială, Cloud Computing, Blockchain.