Algoritmi inteligenți: cum ia AI decizii fără magie
Secțiunea 2 · Lecția 1 — Algoritmi inteligenți: cum ia AI decizii fără magie
În business, cea mai mare greșeală este să tratezi AI ca pe un “oracol”. În realitate, AI nu e magie. AI este un set de mecanisme care învață tipare și le aplică pe date noi.
Lecția asta îți explică cum ia AI decizii — pe înțelesul unui manager, fără formule și fără jargon inutil — astfel încât să poți:
(1) să alegi soluția potrivită,
(2) să pui întrebările corecte,
(3) să eviți promisiunile false.
0) “Cum decide AI?” — răspunsul scurt (și util): caută tipare, apoi estimează
Când spui “AI ia decizii”, de fapt spui două lucruri:
(1) AI învață un tipar din trecut (antrenare),
(2) AI aplică acel tipar pe cazuri noi (predicție / generare / recomandare).
În termeni foarte practici, AI face 3 operații:
- Observă (primește date: text, cifre, imagini)
- Asociază (învață legături: “când apare X, de obicei urmează Y”)
- Estimează (dă un output: clasă / scor / text / următoarea acțiune)
Diferența față de reguli scrise de oameni este că, în loc să scrii tu manual 200 de reguli, AI “își construiește singur” tiparele din date.
Dar asta vine cu un preț: tiparele pot fi greșite dacă datele sunt greșite, incomplete sau biasate.
AI nu “știe adevărul”. AI estimează cel mai probabil răspuns pe baza a ceea ce a văzut. De aceea guvernanța contează.
🎬 Mică scenă: “AI a zis că e ok” — și nimeni nu mai verifică
Un model dă scor bun unui client. Un manager spune: “AI a confirmat, deci e ok”.
Problema: AI a învățat dintr-un set de date în care cazurile riscante au fost filtrate înainte să ajungă în model. Deci AI a văzut mai ales “cazuri curate” și a devenit optimist.
“AI a zis” nu e argument. Argumentul este: ce date a văzut, ce măsori, ce praguri ai, ce excepții gestionezi.
1) AI clasic vs AI generativ: două moduri diferite de “a decide”
În lecția 2 ai văzut tipuri de AI. Aici le legăm de “cum decide”. Sunt două familii mari, cu mecanisme diferite:
📈 AI clasic (predictiv): scoruri, clasificări, previziuni
AI clasic răspunde la întrebări de tip:
“Care e probabilitatea ca X să se întâmple?”
sau “În ce categorie intră cazul?”
- Ex: “Va întârzia plata?” (probabilitate)
- Ex: “Este acest email o reclamație sau o solicitare?” (clasificare)
- Ex: “Câte vânzări vom avea luna viitoare?” (forecast)
Output-ul e de obicei: scor, clasă, valoare numerică.
Avantaj: ușor de măsurat (accuracy, AUC, error).
Limitare: nu “scrie frumos”, nu “conversează”; e bun pe decizii repetabile.
🗣️ AI generativ (LLM): text, rezumate, explicații, idei
AI generativ răspunde la întrebări de tip:
“Scrie / explică / rezumă / propune”.
Mecanismul de bază: estimează “următorul cuvânt” (sau token) într-un context,
ceea ce îi permite să producă texte coerente, să traducă, să reformuleze, să sintetizeze.
- Ex: rezumă un raport de 30 pagini în 12 bullet-uri
- Ex: scrie un email către client pe baza unei situații
- Ex: creează un draft de procedură
Avantaj: accelerează munca intelectuală și de comunicare.
Limitare: poate “halucina” (să inventeze) dacă nu are datele sau dacă nu e constrânsă.
AI generativ e excelent la “draft”. Dar pentru adevăr și decizii critice, ai nevoie de surse + verificare + guardrails.
2) Cele 4 “piese” din spatele unei decizii AI (fără matematică)
Indiferent că vorbim de model clasic sau generativ, o decizie AI se poate explica prin 4 piese:
- Input — ce primește AI (date, text, semnale)
- Reprezentare — cum transformă input-ul în ceva “înțeles” de model (codificare)
- Model — mecanismul care învață tipare (algoritm)
- Output — ce livrează (scor, clasă, text, recomandare)
🧠 Reprezentarea (pe scurt): cum “vede” AI datele
Oamenii văd lumea ca sens. Modelele văd lumea ca numere.
De aceea, înainte să “decidă”, AI transformă input-ul într-o formă numerică: cifrele rămân cifre, dar textul devine vectori (embedding-uri), imaginile devin pixeli procesați.
Partea importantă pentru business: dacă reprezentarea e slabă (date prost structurate, text haotic, lipsă de context), modelul poate decide prost chiar dacă “algoritmul e bun”.
🎯 Output-ul: scor vs decizie vs recomandare (nu le confunda)
Un model poate scoate un scor (ex: 0.72 probabilitate), dar compania trebuie să decidă pragul: la ce scor acționezi? ce faci? cine validează?
- Scor: “probabilitate 72%”
- Decizie: “stop / review / accept”
- Acțiune: “sună clientul, cere document, escaladează”
AI livrează semnal. Business-ul decide pragul și acțiunea. Asta e guvernanță.
3) Cum “învață” AI: trei stiluri de învățare explicate ca pentru management
În AI există trei moduri mari de a învăța. Nu trebuie să memorezi termeni, ci să înțelegi ce înseamnă pentru date și pentru risc.
✅ Învățare supravegheată: ai exemple “corecte” (input + răspuns)
Ai istoricul și știi rezultatul: clientul a întârziat sau nu, ticketul s-a rezolvat sau nu, lead-ul a convertit sau nu. Modelul învață tiparul care separă cazurile.
- Cel mai potrivit pentru: scoring, predicție, clasificare
- Ce îți trebuie: date istorice + etichete corecte (labels)
- Risc: dacă etichetele sunt greșite sau incomplete, modelul învață prost
🔎 Învățare nesupravegheată: nu ai răspuns, cauți “grupuri” și anomalii
Nu știi “care e bun și care e rău”, dar vrei să vezi structura: segmente, tipare, outliers.
Este util pentru:
segmentare clienți, detectare anomalii, pattern discovery.
- Cel mai potrivit pentru: explorare, early signals, risk discovery
- Ce îți trebuie: date consistente + interpretare umană
- Risc: modelează “forme”, nu “adevăr”; ai nevoie de validare business
Nesupravegheat nu îți spune “ce e rău”. Îți spune “ce e diferit”. Valoarea vine din interpretare.
🎮 Învățare prin recompensă: învață din încercare și feedback
Modelul face acțiuni, primește feedback (“a fost bine / a fost rău”) și se ajustează.
În business, apare în recomandări, optimizări, agenți care execută pași.
- Cel mai potrivit pentru: optimizare, “next best action”, agentic workflows
- Ce îți trebuie: feedback clar (recompensă) + control + simulare
- Risc: dacă recompensa e prost definită, optimizezi lucrul greșit (ex: “mai multe click-uri” vs “mai multă valoare”)
Când optimizezi un KPI prost, obții comportament prost, dar foarte eficient. Asta e capcana #1 la “agentic”.
4) “De ce greșește AI?” — 7 cauze reale (și cum le recunoști)
Ca manager, nu trebuie să știi gradient descent. Trebuie să știi de ce greșește sistemul,
ca să pui guardrails și să nu te surprindă.
⚠️ 7 cauze de erori AI (cele mai frecvente în companii)
- Date proaste: lipsuri, inconsistențe, “câmpuri” completate diferit pe echipe.
- Bias istoric: modelul învață din decizii umane vechi (care pot fi inechitabile sau greșite).
- Schimbare de context: piața se schimbă, comportamentul se schimbă, datele se schimbă (concept drift).
- Label-uri greșite: “rezultat” măsurat prost (ex: “client bun” = “client aprobat”, nu “client care a performat”).
- Overfitting: modelul învață prea bine trecutul și se strică pe viitor (mai ales la date mici).
- Lipsă de constrângeri: la generative AI, lipsa surselor și a limitelor duce la inventare.
- Integrare slabă: model bun, dar workflow prost: oamenii nu îl folosesc sau îl folosesc greșit.
5) Explicabilitate pe înțeles: cum îți justifică AI o decizie (fără să te mintă)
În business, “de ce?” e obligatoriu. Nu întotdeauna pentru că ai un regulator, ci pentru că ai un manager care trebuie să-și asume. Explicabilitatea are două niveluri:
- Nivel 1: explicație operațională — “care au fost factorii principali?”
- Nivel 2: explicație de guvernanță — “cum știm că e stabil, măsurat, controlat?”
🧩 3 moduri sănătoase de explicație (care chiar ajută managementul)
A) Top factori (driveri) — “de ce a ieșit scorul”
Arăți 3–5 factori principali care au împins scorul în sus/jos (ex: întârzieri, grad îndatorare, variații cash, volum reclamații).
Este util pentru decizie și conversație.
B) Similar cases — “cu ce seamănă cazul”
Arăți 3 cazuri istorice similare (“clienți cu profil similar au avut rezultate X%”).
Este util pentru încredere și calibrări.
C) Rule overlay — “praguri de siguranță peste model”
Pui reguli simple peste model (guardrails): dacă apare un “red flag”, cazul intră în review indiferent de scor.
Este util pentru control.
Explicația bună nu e un roman. Este: top 3 factori + 1 guardrail + 1 recomandare de acțiune.
6) AI în business: întrebările corecte pe care să le pui (echipei sau vendorului)
Când “înțelegi cum decide”, știi ce să întrebi. Mai jos ai un set de întrebări care separă hype-ul de realitate.
🧾 Checklist de întrebări (gata de folosit în întâlniri)
Întrebări cheie (AI în business)
1) Care e decizia? (scor / clasă / recomandare / automatizare)
2) Care e input-ul exact? (ce câmpuri / ce documente / ce surse)
3) Care e “adevărul” (label-ul)? Cum știm că e corect?
4) Cum măsurați performanța? (baseline vs model)
5) Ce se întâmplă când AI nu știe? (fallback / escalare)
6) Cum preveniți inventarea (la generativ)? (surse, constrângeri, prompt, policy)
7) Ce guardrails există? (reguli peste model, praguri, human-in-the-loop)
8) Cum monitorizați drift-ul? (model “se schimbă” în timp)
9) Cum gestionați accesul la date? (permisiuni, audit, log)
10) Cum arată integrarea în proces? (unde scrie output-ul, cine îl folosește)
11) Care e ROI-ul măsurabil? (timp, cost, SLA, risc redus)
12) Ce înseamnă “go-live”? (pilot → producție → scalare)
7) Exercițiu: construiește “mental model” pentru un use case simplu
Exercițiul te obligă să traduci AI în termeni operaționali: input → model → output → prag → acțiune. Îl poți aplica oricărui proces: suport, vânzări, risc, HR.
🧪 Exercițiu (template): input → decizie → acțiune
EXERCIȚIU: AI DECISION MAP
Alege un proces: _____________________
Ce vrei să optimizezi? (timp/cost/risc/venit): _____________________
1) Input (date):
– Surse: _____________________
– Câmpuri/texte: _____________________
– Calitate (1-5): ______
2) Output (ce produce AI):
– Tip: scor / clasă / text / recomandare
– Output: _____________________
3) Prag (decizie business):
– Dacă scor > ____ → acțiune A
– Dacă scor între ____ și ____ → review
– Dacă scor < ____ → acțiune B
4) Guardrails:
– Red flag: _____________________
– Când escaladez la om: _____________________
5) Măsurare:
– Baseline: _____________________
– KPI după implementare: _____________________
Vezi răspuns orientativ (cum arată un mapping bun)
Un mapping bun are input clar (nu “toate datele”), output clar (nu “insight”), praguri și acțiuni definite,
plus un fallback când AI nu e sigur. KPI-ul este comparat cu baseline-ul (cum lucrai înainte).
Dacă nu poți scrie praguri și acțiuni, nu ai încă un use case. Ai o dorință.
8) Mini-quiz (consolidare) — răspunsurile sunt ascunse
Țintă: 4-6 minute.
Vezi răspuns
Vezi răspuns
Vezi răspuns
Vezi răspuns
9) Checklist de final (output-ul lecției)
- Înțeleg diferența dintre AI clasic (predictiv) și AI generativ (LLM) ca mod de “decizie”.
- Pot explica o decizie AI prin 4 piese: input, reprezentare, model, output.
- Știu cele 3 stiluri de învățare (supravegheat, nesupravegheat, recompensă) și când se folosesc.
- Știu 7 cauze reale pentru care AI greșește și cum le recunosc.
- Pot cere explicație sănătoasă: top factori + guardrails + acțiuni.
- Am checklist de întrebări pentru echipă/vendor și pot construi un “AI decision map”.
Recap rapid (de ținut minte)
AI nu e magie: învață tipare din date și le aplică pe cazuri noi.
AI clasic produce scoruri/clasificări și e ușor de măsurat; AI generativ produce text și e excelent la draft, dar cere constrângeri.
O decizie AI se explică simplu: input → reprezentare → model → output, iar business-ul adaugă praguri și acțiuni.
Cele mai frecvente probleme nu sunt “algoritmul”, ci datele, contextul și integrarea.
Când știi cum decide, știi ce să întrebi și cum să conduci implementarea fără surprize.
📈 Predictiv
🗣️ Generativ
🛡️ Guardrails
📌 Întrebări corecte
Să tratezi output-ul AI ca “adevăr”, în loc de “semnal”. Semnalul devine valoare doar când îl pui în proces: prag + acțiune + log.
📝 Mini-quiz final (3-5 minute)
Vezi răspuns
Vezi răspuns
Vezi răspuns