Când discutăm cu patroni de firme mici despre automatizare, întrebarea nu mai este „cât costă”. Este „și dacă se strică”. Frica reală nu ține de buget, ci de fiabilitate: nimeni nu vrea un sistem care răspunde impecabil în demo și clachează vineri la ora 17, când clientul așteaptă. Vestea bună este că agenți AI în producție nu mai sunt un experiment de laborator. Companii mari din Europa îi rulează de luni bune pe fluxuri critice, cu cifre publice, iar din felul în care au ajuns acolo se pot extrage lecții direct aplicabile unei afaceri de zece oameni din România.
Bariera nu este costul, este neîncrederea
În ultimii doi ani, prețul de intrare în automatizarea cu AI a scăzut constant. Un asistent care preia întrebările repetitive de pe site sau care completează automat datele dintr-un formular în CRM costă azi, ca infrastructură, cât un abonament de telefonie de business. Bariera s-a mutat în altă parte.
Patronul de IMM se gândește la ce se întâmplă când sistemul greșește. Cine răspunde clientului? Cine observă că robotul a dat un răspuns aiurea acum trei zile? Cât durează până revii la procesul manual dacă lucrurile o iau razna? Sunt întrebări corecte, iar răspunsul „AI-ul e foarte bun acum” nu ajută pe nimeni. Ce ajută sunt exemplele în care cineva a rulat asta la volum mare, timp îndelungat, și a publicat rezultatele.
Ce înseamnă, de fapt, agenți AI în producție
Merită clarificat termenul, pentru că se folosește prea larg. Un chatbot pe care îl pornești și îl uiți nu este un agent în producție. Diferența stă în trei lucruri.
Primul: agentul are un scop definit și acces la sistemele reale ale firmei. Nu doar conversează, ci verifică un stoc, deschide un tichet, trimite o ofertă, actualizează o comandă. Al doilea: are limite explicite. Știe ce poate rezolva singur și ce escaladează către un om, iar acel prag este stabilit de tine, nu de model. Al treilea, cel mai des ignorat: este monitorizat. Cineva vede zilnic câte conversații a preluat, câte a rezolvat, unde s-a blocat.
Fără al treilea element nu ai un agent în producție, ai un experiment care rulează nesupravegheat. Această distincție explică de ce unele implementări din companii mari funcționează, iar multe încercări din firme mici se opresc după două luni.
Deutsche Telekom: jumătate din solicitări rezolvate autonom
Cazul cel mai clar de agenți AI în producție la scară vine de la Deutsche Telekom. Compania a ajuns să rezolve autonom 50% din solicitările care ajung la service desk, cu o reducere de 30% a volumului de muncă pentru agenții umani (caz public documentat pe blogul Rasa, mai 2026).
Cifrele merită citite cu atenție, pentru că spun două lucruri diferite. Jumătate din solicitări rezolvate autonom înseamnă că agentul acoperă acea zonă previzibilă de întrebări care se repetă la infinit: resetări, verificări de status, informații de contract. Reducerea de 30% a muncii umane, mai mică decât 50%, arată că echipa nu a dispărut. Oamenii au rămas pentru cazurile grele, iar aici este miezul: agentul nu a înlocuit echipa, a filtrat coada.
Pentru o firmă mică, proporția asta este chiar mai relevantă decât pentru un operator telecom. Dacă ai două persoane pe suport și una dintre ele pierde jumătate de zi pe întrebări identice, câștigul nu este „concediem pe cineva”. Este „recuperăm patru ore pe zi pentru munca pe care nu apucam să o facem”.
Mai există un detaliu care se pierde ușor. Un service desk de operator telecom primește întrebări într-o varietate uriașă, de la clienți care nu au niciun context tehnic. Dacă un agent poate ține 50% din acel volum, o firmă cu un catalog de produse limitat și un set previzibil de întrebări pleacă de la o problemă considerabil mai simplă. Nu mai simplă tehnologic, ci mai simplă ca domeniu: cu cât aria de subiecte este mai îngustă, cu atât agentul este mai fiabil.
Swisscom: 20 de săptămâni de la prototip la producție
Al doilea caz spune ceva despre timp, nu despre rezultat. Swisscom și-a dublat rata de automatizare și a redus costurile cu 50%, iar drumul de la prototip la producție a durat 20 de săptămâni (aceeași sursă, mai 2026).
Cinci luni. Pentru o companie cu mii de angajați, procese de conformitate și sisteme vechi de integrat. Este util de reținut, în ambele sensuri. Pe de o parte, nimeni serios nu duce un agent în producție în două săptămâni; dacă cineva îți promite asta, întreabă ce anume sare din proces. Pe de altă parte, 20 de săptămâni într-o companie cu acea complexitate înseamnă că o firmă cu 15 angajați și trei sisteme nu are nevoie de un an.
Din experiența noastră cu proiecte de automatizare pentru IMM-uri, un singur flux bine delimitat, cu date curate și un proces deja definit, ajunge funcțional în producție în câteva săptămâni. Ce lungește termenul nu este tehnologia, ci lucrurile pe care firma nu le are puse la punct: proceduri scrise nicăieri, date împrăștiate în trei fișiere Excel, nimeni care să decidă ce înseamnă un răspuns corect.
Semnalul din ecosistem: adopție, nu hype
Există și un indicator indirect, dar util. CrewAI, un framework open-source pentru construirea de agenți, a depășit 47.000 de stele pe GitHub și 5 milioane de descărcări lunare pe PyPI.
Stelele pe GitHub măsoară interes și pot fi umflate de un val de entuziasm. Descărcările lunare măsoară altceva: cod care rulează efectiv, în proiecte reale, lună de lună. Cinci milioane de descărcări pe lună nu vin din curiozitate. Vin din sisteme instalate care se actualizează. Este diferența dintre un instrument despre care se scrie și un instrument care se folosește.
Cum începe concret un IMM din România cu agenți AI în producție
Traducerea acestor cazuri în practică nu înseamnă să copiezi arhitectura Deutsche Telekom. Înseamnă să iei principiul și să îl aplici la scara ta. Recomandarea noastră, după proiectele derulate cu firme mici, este să pornești de la un singur agent, foarte bine definit.
Alege fluxul unde volumul este mare și miza per interacțiune este mică. Întrebări despre status comandă, program, disponibilitate, condiții de livrare. Nu începe cu negocierea prețului sau cu reclamațiile, indiferent cât de tentant pare. Scrie apoi, negru pe alb, ce are voie agentul să facă singur și în ce situație predă discuția unui om. Fără acest document nu ai control, ai speranță.
Pregătește sursa de adevăr. Un agent este exact atât de bun cât informația la care are acces; dacă prețurile sunt în trei locuri diferite și două sunt vechi, vei primi trei răspunsuri diferite și vei da vina pe AI. Rulează două săptămâni în paralel cu procesul actual, cu un om care citește transcrierile. Abia apoi lași agentul să răspundă singur.
Și, cel mai important, măsoară de la prima zi. Câte conversații preia, câte închide fără intervenție umană, unde escaladează. Fără aceste cifre nu vei ști niciodată dacă merită extins, iar decizia se va lua pe impresii.
Pasul următor vine abia după ce primul agent a rulat stabil o lună. Atunci ai date reale despre unde se blochează și ce tip de întrebări escaladează cel mai des, iar acela devine automat candidatul pentru al doilea flux. Firmele care încearcă să automatizeze trei procese simultan, ca să „nu piardă timp”, ajung de obicei să nu ducă niciunul până la capăt, pentru că fiecare are nevoie de aceeași atenție la date și la limite.
Ce rămâne din toate astea
Cazurile Deutsche Telekom și Swisscom nu demonstrează că orice firmă poate automatiza jumătate din suport. Demonstrează ceva mai util: că agenți AI în producție pot rula stabil pe fluxuri reale, cu rezultate măsurate, atunci când implementarea are limite clare, monitorizare și un orizont de timp realist. Neîncrederea patronului de IMM era justificată acum doi ani. Astăzi întrebarea nu mai este dacă tehnologia ține, ci dacă procesul tău este suficient de clar încât să fie automatizat.
Dacă vrei să vezi care flux din firma ta se pretează primul la un agent AI și ce ar însemna concret ca implementare, hai să discutăm. La RoboMarketing pornim întotdeauna de la un audit al proceselor, nu de la o listă de tehnologii, tocmai pentru că primul pas greșit costă mai mult decât întreaga automatizare.
