Cum aduc agenții AI valoare în business

Încep acest articol cu niște citate pe care sunt sigur că le-ați auzit: „Schimbarea este unica constantă” sau „singurul lucru constant este schimbarea” - ambele atribuite, greșit, filozofului grec Heraclit, ce a trăit între 535 și 470 înaintea Erei Noastre. Citatele, deși sună minunat, nu au putut fi atribuite oficial lui Heraclit, dar „nu lași adevărul să strice o poveste minunată” – ceea ce dovedește că nu ai nevoie de AI să generezi fake news care să dăinuie niște zeci de ani.

Evoluția AI-ului se schimbă odată cu piața, cu nevoile ei și cu strategiile companiilor Big Tech. Acum trei ani vorbeam despre AI-uri generative, acum doi ani despre AI-uri generative ce pot extrage cunoștințe din baze de date interne, de un an vorbim de agenți AI și de AI agentic, ce execută acțiuni conform unor strategii și tactici proiectate de oameni sau de agenți orchestratori. Pe scurt, sisteme AI ce pot automatiza sau externaliza sarcini din ce în ce mai complexe, ajutând (și nu înlocuind) oamenii să devină mai productivi, mai eficienți și da, mai relaxați. Că precum vedeți în jur, suntem cam cu nervii în pioneze.

Economia digitală globală trece printr-o tranziție structurală, pe măsură ce inteligența artificială se transformă în infrastructuri autonome și operaționale. Proiecțiile cantitative conturează o piață agentică în expansiune rapidă, care se așteaptă să crească de la 7,55 miliarde de dolari în 2025 la 10,86 miliarde de dolari în 2026. Menținând o rată estimată de creștere anuală de 44,6%, piața este așteptată să ajungă la 93,20 miliarde de dolari până în 2032 și să crească la 251 miliarde de dolari până în 2034, impulsionată în principal de agenți de automatizare cu aplicabilitate în multiple industrii (1).
Această expansiune este susținută de cheltuielile de capital ale marilor companii de tehnologie, care se estimează să depășească 650 de miliarde de dolari în 2026.

În ciuda acestor investiții, există un decalaj semnificativ de maturitate operațională. Deși 88% dintre organizații declară că implementează sisteme de inteligență artificială în cel puțin o funcție de business, doar 23% au reușit să scaleze proiectele-pilot cu agenți în cel puțin o funcție operațională (2). Majoritatea proiectelor rămân în faze pilot: aproximativ două treimi dintre organizații raportează că sunt blocate în cadre de experimentare sau pilot, în timp ce doar 5,5% dintre respondenți indică faptul că mai mult de 5% din câștigurile organizației înainte de dobânzi și impozite (EBIT) sunt direct atribuite inteligenței artificiale.

Să comentăm aceste cifre ce par destul de sumbre: companiile au înțeles că AI-ul reprezintă o oportunitate, dar nu au găsit încă bunele practici care pot duce la o adopție rapidă, ușoară, cu impact imediat în business. Nu ajută deloc faptul că marile companii de IT au promovat AI-ul fără a vorbi despre riscuri, despre guvernanță, despre calitatea datelor și despre ce am învățat din cei 70 de ani de existență a AI-ului (în 2026 se aniversează 70 de ani de la conferința de la Dartmouth College, unde prima oară s-a vorbit într-un mediu academic despre inteligența artificială ca domeniu de studiu). 
Într-un fel, este bine că multe proiecte de AI ajung la coș, întrucât business-urile încep să înțeleagă mai bine din aceste eșecuri cu ce anume se mănâncă AI – ce se poate, ce nu se poate, ce ar trebui făcut. 

Sunt însă două zone direct afectate astăzi de AI-ul agentic: rolurile de juniori și munca repetitivă din fabrici și uzine. Juniorilor de obicei li se asignează, la început, taskuri repetitive, cu risc minim. Taskuri care pot fi, bineînțeles, automatizate de către sisteme AI agentic, cu un risc mediu. Muncitorii din fabrici și uzine, care fac taskuri repetitive, vor putea fi înlocuiți de o nouă generație de roboți „robo-sapiens”, din care fac parte roboții de la Boston Dynamics, Tesla sau echivalenții lor din China. Odată ce costurile acestor roboți scad și autonomia bateriilor lor crește, multe fabrici își vor înlocui muncitorii cu astfel de mașini. Și aici vom avea o problemă mare ca societate. 

Identificarea oportunităților valoroase pentru implementarea sistemelor AI agentice necesită un cadru structurat care să evalueze complexitatea sarcinilor, integrarea sistemelor și expunerea persoanelor. Un articol publicat de Yale propune un cadru de proximitate ce clasifică sistemele AI agentice în trei zone operaționale distincte, fiecare caracterizată prin profiluri specifice de risc, modele financiare și cerințe administrative (3).

• Proximitate directă (System-as-Product): Clientul final interacționează direct cu agentul autonom fără intervenție umană. Acest model este deja aplicat în diverse soluții AI ce asigură suportul pentru clienți din comerțul electronic, asistenții de chat bancari și motoarele de rezervări în timp real. Deși aceste implementări lucrează cu volume mari de date, identificând soluții imediate pentru problemele clienților, ele implică riscuri semnificative; erorile de sistem sunt imediat vizibile, expunând organizația la răspunderi reputaționale și financiare. Prin urmare, modelele de proximitate directă sunt de obicei rezervate sarcinilor care generează riscuri scăzute pentru persoane și ale căror acțiuni sunt reversibile.
  • Proximitate mediată (Human-in-the-Loop): Sistemul AI agentic operează ca un copilot intern, generând analize, redactând documentație sau sugerând fluxuri de lucru pe care operatorul uman le revizuiește și le aprobă înainte de intrarea în execuție. Acest model este standard în mediile complexe B2B, diagnostice medicale și cercetare juridică, unde este necesară o judecată profesională pentru a gestiona răspunderea și a verifica acuratețea.
• Proximitate de fundal (optimizare silențioasă): Sistemul agentic AI operează în „spatele” fluxurilor de lucru active, executând procese pe termen lung precum optimizarea lanțului de aprovizionare, detectarea amenințărilor de securitate și reconcilierea bazelor de date în timp real. Deoarece aceste operațiuni funcționează fără intervenție umană și nu ating direct interfețele cu clienții, ele oferă o valoare operațională substanțială cu un risc minim.

Pregătirea datelor rămâne o barieră critică, însă. Aproximativ 52% dintre companii menționează calitatea și disponibilitatea datelor ca fiind cele mai mari provocări în adopția sistemelor AI, 37% dintre organizații confruntându-se activ cu probleme legate de calitatea datelor. Când îmi pun pălăria de „gedeperist”, mă îngrozesc cu câtă lejeritate tratează firmele subiectul calității datelor. Când vorbim de date cu caracter personal, datele incorecte generează direct amenzi GDPR și măsuri corective dificile. Însă nici nu este nevoie de un control al autorităților, aceste probleme ies la iveală la primul due diligence făcut de un client internațional sau de un investitor.  
Calitatea proastă a datelor duce la pierderi financiare, la pierderea clienților, a încrederii investitorilor. Duce la pierderea deal-urilor în fața competiției ce extrage maximum de valoare din datele pe care le au. Mă doare sufletul să văd cum firmele românești pierd competitivitate în fața unor firme din estul Europei, firme ce însă au înțeles valoarea datelor.

Însă odată ce problemele de calitate a datelor sunt rezolvate, adopția sistemelor agentice AI poate începe. 
 

În zona de marketing, automatizarea tradițională este limitată la fluxuri de lucru rigide, bazate pe reguli, declanșate de acțiuni simple precum deschiderea emailurilor. În contrast, sistemele de vânzări agentice urmăresc semnalele comportamentale în timp real pe mai multe canale, evaluând, optimizând și redirecționând autonom lead-urile. Aceste sisteme se integrează cu bazele de date ale clienților pentru a redacta propuneri personalizate, a programa întâlniri și a actualiza înregistrările, reducând introducerea manuală a datelor.

AI-ul agentic poate să aibă un impact semnificativ în zona administrativă a managementului resurselor umane. În prezent, 39% dintre funcțiile de HR au adoptat inteligența artificială, alți 7% intenționează să lanseze pilote anul acesta, iar 62% dintre organizații au implementat AI undeva în cadrul operațiunilor lor de resurse umane. Cele mai frecvente cazuri de utilizare includ automatizarea recrutării (42%), identificarea nevoilor de training (36%) și analiza performanței oamenilor (21%). Însă în fiecare dintre aceste cazuri este obligatoriu să realizăm analize de impact privind riscurile asupra persoanelor, pentru a evita discriminările, părtinirile sau afectarea altor drepturi ale omului. În acest sens, ca parte a analizei de risc, încă din faza de pregătire a pilotului, trebuie realizate analiza de impact asupra protecției datelor cu caracter personal (DPIA) și analiza de impact asupra drepturilor fundamentale (FRIA), pentru a identifica absolut toate riscurile încă din faza de planificare.

În zona de suport IT, sistemele multi-agent coordonează detectarea defecțiunilor din sistemele IT, atribuirea tichetelor de suport și executarea protocoalelor de remediere. În mediile de securitate, agenții operează continuu pentru a monitoriza traficul de rețea, a identifica comportamente anormale, a valida actualizările de configurație și a izola sistemele compromise înainte de a avea loc o breșă.
În sectorul sănătății, fluxurile de lucru administrative și clinice sunt simplificate de agenți autonomi. Piața serviciilor de sănătate agentice a fost evaluată la 538,51 milioane de dolari în 2024 și este proiectată să crească cu o rată anuală compusă de creștere de 45,56%, ajungând la aproape 5 miliarde de dolari până în 2030. Această creștere este determinată de necesitatea reducerii erorilor administrative în introducerea datelor, programarea pacienților și documentația clinică.
Prin automatizarea a până la 70% din sarcinile financiare din managementul ciclului de venituri, agenții autonomi reduc întârzierile operaționale cu 25% și îmbunătățesc timpii de rotire. În plus, utilizarea modelelor agentice pentru prognoza resurselor îmbunătățește acuratețea planificării cu 30% până la 35%.

Implementarea sistemelor autonome de AI agentic ce accesează bazele de date, utilizează instrumente interne și externe și iau decizii financiare necesită un cadru robust de guvernanță. Întrucât agenții operează autonom la scară largă, supravegherea manuală este imposibilă, creând riscuri de expunere a datelor, depășire de costuri și utilizare necorespunzătoare a sistemului.

Bazându-mă pe experiența de lucru cu clienți medii și mari, cât și pe numeroasele incidente ce au avut loc în zona de AI agentic, recomand o abordare în 10 pași pentru a îmbunătăți siguranța, robustețea și securitatea sistemelor bazate pe AI agentic.

Pentru a preveni extinderea sistemelor AI instalate pe principiul „am nevoie de asta, hai că nu se prinde nimeni”, implementate de diverși guru din echipele departamentale folosind platforme no-code, echipele de securitate trebuie să poată să detecteze automat instalarea și funcționarea unor astfel de sisteme. Acest proces de descoperire trebuie să mențină un inventar în timp real care să catalogheze fiecare agent activ, responsabilul, sistemele IT implicate, nivelul său de autonomie și procesele de afaceri în care este implicat.

Organizațiile nu trebuie să trateze agenții autonomi ca simple funcționalități software ci ca entități non-umane, cărora li se atribuie o identitate unică de sistem, cu permisiuni strict limitate, prevenind accesul neautorizat la date sau mișcarea orizontală între sisteme.

Guvernanța trebuie stabilită în faza inițială de proiectare, by design și by-default, înainte ca sistemele să fie integrate în fluxurile de lucru. Echipele trebuie să ruleze teste de simulare și analize de scenarii pentru a identifica vulnerabilitățile, a evalua toate scenariile și a valida căile de escaladare înainte de implementare.

Protecția organizației necesită coordonarea atât a gestionării proactive a posturii de securitate, cât și a monitorizării active în execuție:

• Managementul posturii de securitate AI (AISPM): Evaluează configurațiile sistemului, limitele permisiunilor și expunerile uneltelor înainte de începerea execuției.
• Detectarea și răspunsul AI (AIDR): Analizează comportamentul în timp real, validând invocarea uneltelor în raport cu ghidurile operaționale, detectând anomalii și blocând acțiunile neautorizate pe măsură ce acestea au loc.

Deși halucinațiile sunt frecvente, eșecurile operaționale apar de obicei la nivelul integrării uneltelor. De aceea, sistemele de guvernanță trebuie să securizeze aceste puncte de conexiune prin restricționarea uneltelor la funcții API limitate, validarea formatelor de intrare și ieșire și cerințe suplimentare de aprobare pentru acțiuni cu risc ridicat.

Autonomia sistemului trebuie calibrată în funcție de impactul unei eventuale defecțiuni. Sistemele AI cu risc scăzut pot funcționa autonom, în timp ce sistemele cu risc ridicat trebuie să permită intervenția umană în orice moment.

Logurile de evenimente nu sunt suficiente pentru monitorizarea sistemelor agentice, pentru că riscurile de securitate apar adesea dintr-o succesiune de acțiuni aparent inofensive. Platformele de guvernanță trebuie să urmărească secvențe comportamentale în mai mulți pași, deviații, bucle recursive, combinații neobișnuite de unelte și tipare de acces neautorizat.

Pentru a evita implementările fragmentate și inconsistente, organizațiile au nevoie de standarde comune de dezvoltare. Asta include cadre de conectare preaprobate, șabloane de permisiuni securizate și reguli clare de escaladare umană.

Procesele autonome trebuie să lase în urmă loguri de execuție detaliate, cronologice și păstrate în medii securizate care permit doar citirea informațiilor. Aceste audituri trebuie să documenteze solicitările agentului, traseul decizional, datele accesate și acțiunile executate, astfel încât investigațiile de securitate și auditurile de conformitate să fie posibile.

Organizațiile trebuie să planifice și retragerea agenților autonomi, pentru a evita situațiile în care sisteme „zombie” păstrează credențiale active de care nu mai este nevoie. Un protocol bun de dezafectare revocă cheile API, arhivează logurile, actualizează fluxurile de lucru dependente și verifică dacă nu a rămas activ niciun sistem duplicat.

AI-ul agentic nu este doar următorul pas al automatizării, ci începutul unei transformări mai profunde în felul în care companiile identifică oportunități, iau decizii și execută procese. Valoarea reală nu va veni din entuziasmul pentru tehnologie, ci din capacitatea organizațiilor de a alege cazurile de utilizare potrivite, de a investi în calitatea datelor și de a construi reguli clare de control și responsabilitate. Companiile care vor face asta bine vor reuși să transforme AI-ul dintr-un experiment costisitor într-un avantaj competitiv real.
Resurse consultate pentru scrierea acestui articol:
1.    Cyntexa — Agentic AI Statistics 2026: Adoption, Market Size, Challenges & More
https://cyntexa.com/blog/agentic-ai-statistics/
2.    Prefactor — AI Agent Adoption Statistics 2026
https://prefactor.tech/ai-agent-adoption-statistics/
3.    Yale School of Management Insights — A Guide to Getting Agentic AI Right
https://insights.som.yale.edu/insights/a-guide-to-getting-agentic-ai-right
4.    iFour Technolab — Agentic AI Use Cases, Examples & Success Stories
https://www.ifourtechnolab.com/blog/agentic-ai-use-cases-examples-success-stories
5.    GSDC Council — Exploring Real-World Applications of Agentic AI: Healthcare, Finance and Smart Automation
https://www.gsdcouncil.org/blogs/exploring-real-world-applications-of-agentic-ai-healthcare-finance-and-smart-automation

Articol publicat în iulie 2026.