Când AI nu este răspunsul pentru afacerea ta și ce funcționează mai bine

Știi când AI nu este răspunsul după un test simplu. Încearcă să scrii decizia într-o singură frază de tipul „dacă X, atunci Y”. Dacă reușești, ai nevoie de o regulă de automatizare, nu de un model. AI-ul aduce valoare acolo unde intrarea este text liber, ambiguă sau mereu diferită.

Multe firme ajung la AI din direcția greșită. Pornesc de la unealtă și caută apoi o problemă pentru ea. Rezultatul este un strat în plus peste un proces care avea nevoie doar de ordine.

Ghidul acesta îți dă trei lucruri:

• semnele că un proiect AI doar complică lucrurile;
• un exemplu lucrat, cu costuri calculate pe prețurile oficiale Anthropic;
• un tabel de decizie pe care îl poți folosi la următoarea propunere primită.

Ideea de bază este aceeași în toate cazurile. Întâi procesul, apoi automatizarea simplă, abia la urmă modelul. Dacă vrei argumentul complet pentru ordinea asta, găsești pe larg de ce proiectezi procesul înainte de model.

O regulă de automatizare este o instrucțiune fixă care face mereu același lucru pentru aceeași intrare. De exemplu: dacă un lead are județul Cluj, îl primește agentul de vânzări pentru Transilvania. Regula nu interpretează nimic. Fie se potrivește, fie nu.

Un strat de AI este un model de limbaj pus între date și decizie. Modelul citește intrarea, o interpretează și propune un răspuns. Poate înțelege un e-mail scris în grabă sau o cerere formulată ciudat. În schimb, răspunsul lui nu este garantat identic de fiecare dată.

Diferența care contează pentru tine

Regula este previzibilă, ieftină și ușor de verificat. Modelul este flexibil, dar trebuie supravegheat. Într-un sistem precum Zoho CRM, majoritatea deciziilor zilnice sunt de primul tip: câmpuri completate, statusuri, termene, responsabili.

Capacitatea modelelor nu este problema. Documentația Anthropic spune că toate modelele Claude actuale acceptă text și imagini la intrare, lucrează în mai multe limbi și pot folosi unelte. Întrebarea nu este dacă modelul poate face sarcina. Întrebarea este dacă sarcina are nevoie de interpretare.

Un proiect AI complică procesul atunci când adaugă interpretare unde nu era nevoie de ea. Semnele de mai jos apar de obicei înainte de primul cost serios. Merită verificate la orice propunere.

Iată semnele pe care le cauți:

1. Intrarea este deja structurată. Datele vin din formulare, liste derulante sau câmpuri fixe. Nu are ce să interpreteze modelul.
2. Există un singur răspuns corect. Un tichet de facturare merge mereu la contabilitate. O regulă face asta fără greșeală.
3. Volumul este mic. Câteva cereri pe zi le rezolvă un om în câteva minute. Construcția și întreținerea costă mai mult decât timpul salvat.
4. Nimeni nu poate descrie procesul. Dacă echipa nu știe cine decide și după ce criteriu, modelul va învăța haosul, nu procesul.
5. Greșeala costă scump. Unde o eroare înseamnă o factură greșită sau un client pierdut, vrei un comportament fix și auditabil.

Un exemplu frecvent este suportul. În Zoho Desk, un tichet care vine dintr-un formular cu categoria aleasă de client nu are nevoie de AI pentru a fi trimis mai departe. Are nevoie de o regulă pe categorie. AI-ul devine util doar dacă tichetele vin ca e-mailuri libere și categoria trebuie dedusă din text.

Datele puține sau murdare sunt motivul cel mai des întâlnit pentru care AI nu este răspunsul. Un model citește ce găsește. Dacă jumătate din contacte nu au județul completat, nici modelul nu îl va ghici corect.

Datele murdare arată de obicei așa: același client introdus de trei ori, câmpuri obligatorii lăsate goale, statusuri folosite diferit de fiecare agent. Un strat de AI peste asemenea date produce răspunsuri care par sigure, dar pornesc de la informații greșite. Este mai rău decât o eroare evidentă, pentru că nimeni nu o observă la timp.

Ce funcționează mai bine

Curățenia procesului înseamnă trei lucruri concrete. Câmpurile importante devin obligatorii. Valorile libere devin liste fixe. Duplicatele se elimină și nu mai apar. După acești pași, multe decizii pe care voiai să le dai unui model devin reguli simple.

La Svennis, înainte să discutăm despre orice model, cerem echipei să descrie decizia într-o frază și verificăm dacă datele de care depinde sunt completate. Când ambele condiții sunt îndeplinite, de cele mai multe ori facem o regulă în Zoho și propunerea de AI dispare de la sine.

Repartizarea lead-urilor este un exemplu bun de sarcină unde AI nu este răspunsul. Să presupunem o firmă de distribuție cu trei agenți: unul pentru București și Ilfov, unul pentru Moldova, unul pentru restul țării. Lead-urile vin printr-un formular de pe site, cu județul ales dintr-o listă.

Varianta cu regulă

Regula are trei ramuri. Dacă județul este București sau Ilfov, lead-ul merge la primul agent. Dacă este unul dintre județele din Moldova, merge la al doilea. Altfel, merge la al treilea. Configurarea durează puțin, iar comportamentul este identic pentru fiecare lead.

Varianta cu AI

În varianta cu AI, fiecare lead este trimis unui model împreună cu instrucțiunile de repartizare. Modelul citește județul și răspunde cu numele agentului. Pentru asta folosești endpoint-ul POST /v1/messages, care primește o listă de mesaje și generează următorul mesaj din conversație.

Ambele variante dau, de cele mai multe ori, același rezultat. Diferența apare la margini. Regula nu greșește niciodată pe o valoare din listă. Modelul poate greși rar, iar tu trebuie să afli când.

Varianta cu AI mai cere jurnale, verificări și cineva care să urmărească erorile. Pentru o decizie care încape într-un „dacă, atunci”, toată această supraveghere este cost pur.

Costul unui model pentru o sarcină simplă este mic în bani și mare în rest. Prețurile vin din pagina oficială de modele Anthropic și sunt exprimate în dolari pe milion de tokeni. Un token este o bucată mică de text, cam o silabă sau un cuvânt scurt.

Pentru exemplul cu lead-urile, presupunem 1.000 de lead-uri pe lună. Fiecare cerere are în jur de 1.500 de tokeni la intrare, cu tot cu instrucțiuni, și 100 la ieșire. Cifrele de volum sunt ipotetice, prețurile sunt cele oficiale.

Suma pare neglijabilă. Costul adevărat stă în altă parte: construcția integrării, verificarea răspunsurilor, întreținerea instrucțiunilor. Mai este și dependența de model. Documentația anunță că Claude Haiku 4.5 va fi retras nu mai devreme de 15 octombrie 2026. O regulă nu are dată de retragere.

Cum măsori înainte să plătești

Endpoint-ul POST /v1/messages/count_tokens numără tokenii dintr-un mesaj fără să genereze răspuns. Poți trimite câteva cereri reale prin el și înmulți cu volumul lunar. Ai astfel o estimare bazată pe datele tale, nu pe presupuneri.

Tabelul de decizie de mai jos te ajută să alegi între trei variante pentru orice sarcină pe care vrei să o automatizezi. Citește rândurile în ordine. Prima coloană care se potrivește îți spune unde să începi.

Coloana din mijloc este cea pe care firmele o sar cel mai des. Dacă o sarcină cade acolo, nici regula, nici modelul nu vor merge bine până nu ordonezi datele. După curățenie, refă testul. De cele mai multe ori, sarcina trece în prima coloană.

Când sarcina rămâne în ultima coloană, ai un candidat real pentru AI. Atunci contează să știi dinainte ce urmărești, iar ghidul despre cum măsori un asistent AI îți dă indicatorii de pornire.

AI-ul merită acolo unde o regulă nu poate fi scrisă, pentru că intrarea este mereu diferită. Exemplele tipice sunt e-mailurile de la clienți, cererile de ofertă formulate liber, documentele scanate și rezumatele unor conversații lungi. Aici un om ar citi și ar interpreta. Modelul poate face primul pas al acestei interpretări.

Chiar și în aceste cazuri, cea mai bună arhitectură combină cele două. Modelul extrage din text o valoare structurată, de exemplu categoria sau județul. Apoi o regulă fixă decide ce se întâmplă cu acea valoare. Astfel interpretarea rămâne la model, iar decizia rămâne previzibilă.

Alegerea modelului nu schimbă natura problemei

Documentația Anthropic recomandă Claude Opus 5.5 ca punct de pornire pentru majoritatea sarcinilor. Claude Haiku 4.5 este descris drept cel mai rapid model. API-ul permite și un parametru de efort, cu valori de la low la max. Toate aceste opțiuni ajustează calitatea și costul interpretării. Niciuna nu transformă o sarcină de tip „dacă, atunci” într-una care are nevoie de interpretare.

Dacă ai deja un candidat real și te întrebi cine ar trebui să îl construiască, compară variantele în ghidul despre AI intern, cumpărat sau cu un partener.

Pentru o firmă din România, alegerea între regulă și AI are câteva implicații practice în plus. Prețurile modelelor sunt în dolari, deci costul lunar variază cu cursul. Bugetul pentru o regulă configurată o singură dată nu variază deloc.

Al doilea aspect ține de datele personale. Documentația API cere ca identificatorul de utilizator trimis în câmpul metadata.user_id să nu conțină nume, adrese de e-mail sau numere de telefon. Orice trimitere de date personale către un model adaugă un nou furnizor care le prelucrează și, adesea, un transfer în afara Spațiului Economic European. O regulă care rulează în CRM-ul pe care îl folosești deja nu adaugă un furnizor nou, dar prelucrarea datelor rămâne supusă GDPR. Dacă totuși alegi AI, verifică întâi ce spun GDPR și AI Act pentru o firmă din România.

Regulile locale se schimbă, cunoștințele modelului nu

Un model are o dată limită a cunoștințelor. Pentru Claude Haiku 4.5, documentația indică februarie 2025 drept limită de încredere, iar pentru modelele mai noi, iunie 2026. Orice regulă fiscală sau comercială schimbată după aceste date nu există pentru model. Când o regulă națională poate fi scrisă ca valoare fixă în sistem, o actualizezi tu, într-un singur loc, în ziua în care se schimbă.

Primul pas, înainte de orice buget pentru AI, este o listă cu sarcinile pe care vrei să le automatizezi. Pentru fiecare, aplică testul din acest ghid. Poți scrie decizia într-o frază? Datele de care depinde sunt complete?

Ordinea recomandată este următoarea:

1. Scrie fiecare sarcină ca „dacă X, atunci Y” sau notează de ce nu se poate.
2. Verifică dacă datele necesare sunt completate consecvent în CRM.
3. Curăță câmpurile, listele și duplicatele unde testul pică din cauza datelor.
4. Configurează reguli pentru tot ce trece testul.
5. Pentru ce rămâne, estimează costul cu count_tokens pe câteva cereri reale.
6. Pornește un singur proiect AI, cu indicatori stabiliți dinainte.

Dacă ajungi la pasul șase, gândește de la început aprobările și jurnalele. Ghidul despre agenți AI în producție, cu aprobări, jurnale și costuri acoperă exact partea asta.

Dacă vrei o imagine de ansamblu asupra firmei înainte de toți acești pași, completează evaluarea pregătirii companiei pentru AI. Îți arată unde ești și ce merită făcut întâi.