De ce companiile românești adoptă AI lent: date dezordonate, integrare dificilă și teama de greșeli

Inteligența artificială a devenit una dintre cele mai discutate teme din business, dar ritmul real de adopție este mult mai inegal decât pare din conferințe, postări pe LinkedIn sau prezentări de strategie. La suprafață, ai impresia că toate companiile testează agenți AI, automatizări, chatboți, modele predictive și asistenți digitali pentru fiecare departament. În realitate, multe organizații românești se mișcă prudent, uneori lent, alteori chiar defensiv. Nu pentru că nu ar vedea potențialul tehnologiei, ci pentru că între entuziasm și implementare există un spațiu complicat, plin de date dezordonate, sisteme vechi, temeri interne și riscuri greu de asumat.

Prudența, nu lipsa de viziune

Pentru o firmă mică, AI poate părea o promisiune prea abstractă. Pentru o companie medie, poate părea un proiect care cere investiții, consultanță și oameni specializați. Pentru o corporație, poate deveni un subiect blocat între IT, legal, compliance, securitate, HR și business. În toate cazurile, întrebarea reală nu este doar „ce poate face AI?”, ci „unde îl punem fără să stricăm ceva?”. Această prudență nu este întotdeauna un semn de lipsă de viziune. Uneori, este reflexul sănătos al unor companii care știu că automatizarea prost făcută poate produce mai multe probleme decât rezolvă.

Particularități locale: procese informale și date împrăștiate

În România, adopția AI are și câteva particularități locale. Multe companii funcționează încă pe procese informale, fișiere Excel, aprobări pe email, sisteme ERP parțial folosite, CRM-uri incomplete și oameni-cheie care țin în memorie detalii critice. În astfel de condiții, un proiect AI nu începe cu algoritmul, ci cu o întrebare incomodă: știm suficient de bine cum lucrăm ca să putem automatiza?

Primul obstacol: calitatea datelor

Primul obstacol major în adopția AI este calitatea datelor. În teorie, orice companie are date. Facturi, comenzi, clienți, produse, tichete de suport, contracte, emailuri, rapoarte, campanii, interacțiuni, stocuri, feedback, documente interne. În practică, aceste date sunt adesea împrăștiate în sisteme diferite, scrise în formate incompatibile, incomplete, duplicate sau actualizate neregulat. AI-ul promite analiză, predicție și automatizare, dar are nevoie de o bază coerentă pe care să lucreze.

Multe companii românești descoperă această problemă abia când încearcă să treacă de etapa de demo. Într-o prezentare, un chatbot intern poate răspunde elegant la întrebări dintr-un set de documente curate. În realitate, documentele sunt vechi, unele proceduri nu mai sunt valabile, nomenclatoarele diferă între departamente, iar aceeași informație apare în trei variante. Dacă AI-ul este conectat la o bază de cunoștințe murdară, rezultatul va fi un output convingător, dar nesigur.

Capcana răspunsurilor fluente pe date slabe

Aceasta este una dintre marile capcane ale inteligenței artificiale în business: produce răspunsuri fluente chiar și atunci când datele din spate sunt slabe. Un om poate observa că nu are toate informațiile și poate întreba mai departe. Un sistem AI poate formula o concluzie cu o siguranță aparentă, chiar dacă sursele sunt incomplete. Pentru management, acest lucru creează un risc serios. Dacă datele nu sunt bine guvernate, AI-ul nu devine un motor de claritate, ci o interfață elegantă peste confuzie.

Problema culturală a datelor

Problema datelor este și culturală, nu doar tehnică. În multe organizații, fiecare departament își construiește propriile tabele, propriile definiții și propriile ritualuri de raportare. Vânzările au o versiune a adevărului, financiarul are alta, operaționalul are alta, iar marketingul lucrează cu indicatori care nu se leagă mereu de profitabilitate. Când apare întrebarea „să folosim AI ca să analizăm businessul”, primul răspuns ar trebui să fie „care business, din ce sursă și după ce definiții?”.

De aceea, companiile care adoptă AI mai lent nu sunt neapărat companii mai puțin moderne. Unele își dau seama că înainte de automatizare au nevoie de curățenie internă. Trebuie să standardizeze date, să elimine dubluri, să clarifice procese, să actualizeze documentația și să decidă cine este proprietarul fiecărui set de informații. Abia apoi pot vorbi despre modele predictive, asistenți AI sau agenți autonomi.

În acest sens, cel mai important proiect AI al unei companii poate să nu arate deloc spectaculos. Poate fi un proiect de igienă a datelor, de organizare a documentelor, de actualizare a procedurilor sau de conectare a sistemelor existente. Nu produce imagini impresionante și nu sună bine în headline-uri, dar fără această fundație, orice automatizare devine fragilă.

Al doilea obstacol: integrarea sistemelor

Al doilea motiv pentru care adopția AI avansează lent este integrarea. O companie nu funcționează într-o singură aplicație. Are ERP, CRM, soft de contabilitate, platforme de HR, aplicații de ticketing, instrumente de marketing, sisteme de gestiune, soluții de raportare, arhive de documente și o mulțime de fluxuri informale care trăiesc în email, WhatsApp, Teams sau Excel. AI-ul devine cu adevărat valoros atunci când poate lucra cu aceste sisteme, dar tocmai aici apar dificultățile. Este relativ simplu să folosești AI pentru a genera un text. Este mult mai complicat să îl integrezi cu un ERP vechi de 10 ani, care nu are API, sau să îl conectezi la un CRM populat manual, cu date inconsistente.