O a doua direcție majoră vizează integrarea modelelor AI în procesele de
Inteligența artificială transformă dinamica echipei software: analiza de o oră depășește valoarea a zece ore de programare
Culture picks
De la alge la AI: povestea lui Andrei Zawrak Popescu
Costin Busioc: inteligența artificială fără cloud, la intersecția cu securitatea
Razorpay lansează platforma de plăți în GIFT City după avizul IFSCA
Singapore lansează institutul viitorului finanțelor cu focus pe IASectoarele de servicii digitale se confruntă cu o schimbare de paradigmă: legătura clasică între efortul depus și rezultatul obținut este înlocuită de o nouă logică economică. Dacă anterior contractele se bazau pe facturarea pe ore sau pe livrabile fixe, acum atenția se mută către rezolvarea problemelor concrete și măsurarea impactului. Reprezentantul Cognizant, Mihai Constandiș, a subliniat că tehnologia AI permite aceleiași echipe să genereze o valoare mult mai mare fără a crește proporțional numărul de ore lucrate. „Anterior, ecuația economică depindea exclusiv de timpul și de competențele tehnice. Acum, se adaugă un strat de capabilități AI care modifică complet dinamica proiectului: aceeași echipă poate livra mult mai mult, iar valoarea nu mai este legată liniar de efortul depus”, a explicat specialistul în cadrul unui interviu pentru start-up.ro.
Totuși, simplul acces la modelele de inteligență artificială nu este suficient pentru a susține această tranziție. Succesul depinde de adaptarea tehnologiei la regulile, datele și procesele specifice fiecărui client, precum și de limitele pe care furnizorul le stabilește atunci când își asumă răspunderea pentru rezultat. „Furnizorul încetează a fi doar o resursă contractată și devine un partener care asumă răspunderea pentru rezultat. Aceasta cere o onestitate reciprocă: noi trebuie să clarificăm ce nu se poate garanta, mai ales în sistemele probabilistice, iar clientul trebuie să ne ofere acces real la date și la procese, altfel niciun angajament de rezultat nu este sustenabil”, a adăugat Mihai.
Un exemplu concret al acestei colaborări este parteneriatul cu Banca Europeană pentru Reconstrucție și Dezvoltare în cadrul programului Tech Blueprint. Același tip de abordare se aplică și în alte industrii, unde echipele locale lucrează pe proiecte de lungă durată, combinând servicii orientate spre rezultat cu componente de capacitate și modernizare digitală susținută de AI.
Strategia „AI Builder” a companiei se concentrează pe proiectarea, construirea și operarea unor soluții AI integrate în activitatea curentă a clienților. În România, aceasta acoperă atât instrumente pentru dezvoltarea software, cât și sisteme integrate în operațiunile companiilor din banking, sănătate, industria farmaceutică sau asigurări. „Integrăm AI în tot ciclul de dezvoltare software, de la definirea cerințelor până la testare și lansare. În România, am construit un sistem structurat pentru acest scop: un playbook cu peste 30 de cazuri de utilizare, un toolkit de dezvoltare cu agenți specializați integrați în mediul de lucru al programatorilor și un toolkit de QA care generează teste direct din criteriile de acceptanță”, a detaliat specialistul.
O a doua direcție majoră vizează integrarea modelelor AI în procesele de business, însoțită de infrastructura de date, cloud, securitate și guvernanță necesară. Mihai Constandiș a prezentat două exemple de rezultate obținute în proiectele la care lucrează echipele locale. „În industrii cu volum mare de documente, precum banking și sănătate, folosim GenAI pentru a extrage informație din date nestructurate, cu reduceri ale timpului de analiză de până la 70% în anumite proiecte strategice EMEA. În producția farmaceutică, modelele AI introduse în procesele unei fabrici mari din Benelux au dus la o reducere a costurilor de producție de 3,2 milioane de euro anual.”
A treia direcție privește dezvoltarea agenților AI capabili să ia anumite decizii și să execute acțiuni în limite stabilite de oameni. Echipele din România au creat, între altele, agenți pentru subscrierea de risc și gestionarea daunelor pe piețele de asigurări din Marea Britanie și Irlanda. „Un alt exemplu este asistentul digital construit pentru un client global din industria biofarmaceutică, care în 2025 a devenit platforma AI obligatorie pentru toți angajații companiei și interfața centrală prin care se integrează, prin agenți, celelalte soluții AI ale organizației. Proiectul a fost premiat în cadrul Cognizant Global Awards 2025”, a menționat Mihai.
La nivel regional, Cognizant angajează aproximativ 2.700 de oameni în toate entitățile din România, distribuite în București, Cluj-Napoca, Iași, Timișoara și Baia Mare. Aceste echipe lucrează pentru clienți din EMEA și America de Nord și participă la inițiative globale precum AI Lab, care se concentrează pe orchestrarea agenților. Mihai a adăugat că modelul TwinOps, dezvoltat în România, a primit premiul Innovation of the Year acordat de ANIS. „Instrumentele create local, cum este GenAI Toolkit prezentat la Programmers’ Week, sunt concepute de la început ca active reutilizabile, menite să fie preluate de alte echipe din grupul global.”
Când se justifică utilizarea mai multor agenți Într-un flux cu agenți
În fluxurile descrise, gradul de autonomie acordat agenților depinde de gravitatea consecințelor unei erori și de posibilitatea de a o corecta. Agenții pot genera cod, teste, documentație sau propuneri, însă acțiunile cu impact semnificativ trec prin puncte de aprobare umană. „Practic, un agent poate scrie cod, poate genera teste, poate pregăti documentație sau poate propune un plan de lucru. Nu aprobă însă singur acel plan, nu scrie direct într-un sistem al clientului, nu modifică o zonă de cod protejată și, foarte important, nu declară o etapă de proiect încheiată. Este diferența dintre a spune și a verifica. Interpretarea unei cerințe de business sau alegerea între două soluții la fel de valide tehnic rămân decizii care aparțin oamenilor.”
Controlul trebuie încorporat în arhitectura sistemului, astfel încât nicio acțiune critică să nu poată fi executată fără aprobare umană. Fiecare pas trebuie să fie complet urmărit: ce a propus agentul, ce date a utilizat și cine a aprobat. În modelul TwinOps, specialistul și agentul lucrează în paralel pe aceleași sarcini, iar rezultatele sunt comparate sistematic. „Autonomia unui agent nu se acordă din start, ci se câștigă. Exact pe această logică este construit TwinOps: munca unui specialist și cea a unui agent se desfășoară continuu. Agentul preia responsabilități doar după ce și-a dovedit acuratețea în condiții reale, iar acolo unde rezultatele diferă, decizia finală rămâne la specialist.”
Când se justifică utilizarea mai multor agenți Într-un flux cu agenți specializați, sarcinile sunt distribuite: un agent analizează cerințele, altul propune structura, alții scriu teste, revizuiesc codul sau pregătesc documentația. Un coordonator păstrează coerența informației între etape și oprește procesul atunci când este necesară o intervenție umană. Inginerul definește obiectivul, revizuiește propunerile și validează rezultatul final. „Cele mai bune rezultate le obținem în sarcinile repetitive și de volum, cum ar fi generarea de teste sau triajul defectelor. În triaj, un flux cu mai mulți agenți clasifică, elimină duplicatele și prioritizează defectele, iar echipa primește doar acele cazuri care merită cu adevărat atenția.”
Totuși, complexitatea suplimentară nu este justificată pentru orice proiect. Sarcinile mici sau cerințele care se modifică frecvent pot face coordonarea mai costisitoare decât beneficiul obținut. „Pentru o sarcină mică și izolată, efortul de a configura și coordona mai mulți agenți depășește beneficiul. În zonele în care cerințele se schimbă de la o zi la alta, întreținerea fluxului costă mai mult decât economisește. Regula noastră practică este simplă: începem cu un singur agent bine contextualizat și adăugăm al doilea doar atunci când o măsurătoare arată că merită.”
Pregătirea datelor și a regulilor nescrise reprezintă, în opinia lui Mihai, cel mai bun predictor al succesului unui proiect AI. Problemele apar când documentația este depășită, regulile există doar în experiența angajaților, iar departamentele folosesc definiții diferite pentru aceiași termeni. „Puține companii sunt pregătite de la început. Documentația există, dar este dispersată în mai multe sisteme și parțial depășită. Regulile de business sunt cunoscute de oameni, dar nu sunt scrise nicăieri. Aceeași noțiune este definită diferit în două departamente. AI scoate aceste probleme la suprafață foarte repede, pentru că un agent nu poate întreba un coleg pe hol.”
Înaintea implementării, compania recomandă agregarea datelor relevante într-o structură accesibilă, o sursă unică pentru documentație, reguli scrise care să includă și excepțiile, și un glosar comun. Aceste elemente sunt completate de drepturi clare de acces la date și de exemple de răspunsuri corecte, pe baza cărora sistemul poate fi evaluat. Fragmentarea datelor între sisteme susține și cererea crescută de specialiști în data engineering. „Un model AI nu poate fi ancorat în realitatea unei companii dacă această realitate este împărțită între zeci de sisteme care nu comunică între ele. Agregarea datelor în structuri ușor de accesat, cum sunt data lakes, devine astfel o premisă a oricărui proiect AI serios, nu un proiect opțional.”
În 2026, Cognizant a extins această abordare prin strategia Frontier Engineers: ingineri care lucrează direct în mediul de lucru al clienților, integrând soluții AI în procesele existente. Această strategie subliniază trecerea de la furnizarea de ore la livrarea de valoare măsurabilă, unde o oră de analiză poate echivala cu zece ore de codare tradițională.
