Întrebări despre AI: ghid educațional gratuit

Automatizare (workflow): pași fixi, trigger → action. Deterministic. n8n, Make, Zapier. Predictibil, debug ușor, cost previzibil.

Agent autonom: îi dai un obiectiv, el alege tool-urile și ordinea în loop până atinge obiectivul. Are memorie proprie. Cost variabil.

Un workflow cu un nod LLM rămâne workflow, nu devine „agent" doar fiindcă include un model. Anthropic numește această distincție „workflows vs agents".

• Scriere lungă și raționament: Claude (Opus, Sonnet) — tinde să conducă pe benchmarks de cod și scriere
• Viteză și cost mic pe sarcini simple: Claude Haiku, GPT‑4o mini, Gemini Flash
• Voce: Whisper la STT (transcriere), ElevenLabs sau OpenAI TTS la output
• Orchestrare agenți (Claude Code, etc.): Claude e prima alegere acum
• Imagini și multimodal: Gemini 2.5 Pro și GPT‑4o sunt competitive

Întrebarea corectă: „Care operațiune o automatizez prima?" Răspunsul ăla decide tool‑ul.

Acțiune practică: ia o operațiune concretă, încearcă cu un singur model, măsoară. Nu compara 5 tool‑uri în paralel ca exercițiu academic.

• ChatGPT / Claude free = chat interactiv. Plătești cu timpul tău dând prompt‑uri.
• Agent autonom = API calls programatice. Plătești în dolari direct (per token).

Exemplu real: blogul Botescu rulează pe Claude API la sub $10/lună pentru 3 articole/săptămână + cover image + TikTok video (cu prompt caching agresiv + Haiku pe părți). Versiunea „free cu copy‑paste" m‑ar costa 4 h/zi din timpul meu.

Calculul e simplu: cât valorează ora ta? Dacă valorează peste 30€/h și automatizezi măcar 1 h/zi, API plătește singur.

Există un fenomen real numit „model collapse": modelele antrenate pe output generat de alte modele își pierd diversitatea și acuratețea (Nature, iulie 2024). Aplicat la conținut: site-urile care recirculă text AI fără verificare se prăbușesc reciproc în calitate.

Cum eviți să fii prins în loop:

• Surse primare cu nume: BNR, INS, comunicate oficiale, NU alte bloguri
• Cifre trasabile: fiecare cifră are link click‑abil pe sursă oficială
• Experiență directă: facturi reale, capturi de ecran proprii, screenshot din propriile sisteme
• Opinie semnată: AI poate face reportaj, nu poate avea opinie. Adaugă tu unghi propriu

Regula pentru tine: dacă agentul tău nu poate trasa fiecare cifră înapoi la o sursă cu adresă fizică (URL oficial, document PDF, instituție), nu îl pune să publice.

Botescu, costul măsurat pe dashboard live:

• API Claude (3 articole/săptămână + auto-reply contextual + cover + TikTok): sub $10/lună
• Stack-ul include: prompt caching agresiv, Haiku 4.5 pe părți care nu cer raționament, Batch API pentru sarcini asincrone
• Volume mici cron L-V daily + S retrospectivă

Comparație onestă: copywriter freelance care folosește AI și taxează 30-80€/articol × 12 = 360-960€/lună pentru același output text, fără TikTok, fără publicare automată, fără SEO live. Diferența de ordin de mărime vine din eliminarea ineficienței manuale.

Costuri suplimentare (NU le atribui specific la un agent, pentru că infrastructura ta rulează mai multe proiecte): VPS Hetzner CAX11 €5.49/lună poate găzdui zeci de agenți. Domain + mail e cost de business deja existent.

Acțiune practică: ai nevoie de observability din ziua 1 ca să vezi cost cumulat live. Definește bugetul „experiment" (sub 50$/lună pe API e suficient pentru primul agent). Dacă în 30 zile nu produce valoare măsurabilă, închizi.

Exemple concrete cu metrică unică:

• Blog autonom: „publish 12 articole/lună la cost API <$10" (Botescu: bifat)
• WhatsApp pre‑qual: „filtrez 80% leaduri reci înainte să ajungă la om" (rată concretă, nu vibe)
• Descrieri produs: „rescriu 500 SKU‑uri în 48 h vs 3 săptămâni manual"

Adaugă observability de la ziua 1 — un dashboard care arată cost cumulat live. Fără asta nu știi când agentul o ia razna și mănâncă bugetul într‑un loop.

Cuvinte cheie de cunoscut: evals, ground truth, definition of done, observability.

Costuri vizibile (în factură):

• API calls: 50-200$/lună la uz mediu
• VPS: 5-50€/lună
• Storage / DB: 5-30€/lună

Costuri ascunse pe care le subestimezi:

• Tu, în debug primele 30 de zile: 20-40 h. Dacă valorezi 50€/h, e 1000-2000€ „investiție" reală
• Refactor când Anthropic / OpenAI schimbă API: 4-12 h o dată pe an (deprecări sunt anunțate cu 6-12 luni înainte)
• Investigație halucinații: 2-5 h/lună
• Renewals abonamente uitate: variabil, dar real (ElevenLabs, Hetzner, vector DB)
• Backup‑uri și disaster recovery: dacă nu o faci de la început, când pică VPS plătești 10× mai mult

Adevărul brut: primii bani sunt școlarizare. Diferența între cel care a învățat și cel care învață e exact suma asta.

Regulă de aur: sub 1000 task-uri/lună → sub 100€/lună. Peste, optimizezi (prompt cache, model mai mic, batch API).

Optimizare reală: prompt caching reduce costul de input cu 90% pe părți statice. Batch API dă 50% reducere pentru sarcini asincrone.

Cifre realiste (mai 2026):

• Vector DB managed (Pinecone, Qdrant Cloud): $0-70/lună (free tier suficient sub 100.000 documente mici)
• Vector DB self-hosted (Qdrant pe VPS-ul tău): 0$ în plus la API, doar cost VPS
• Embeddings (transformare text → vector): $0.02-0.13 per 1M tokens. Pentru 1000 documente × 500 cuvinte: ~$0.10-0.50 o singură dată
• Re-embeddings când actualizezi: aceeași sumă × frecvență

Total pentru RAG pe 1000 documente: sub 30€/lună inclusiv API search.

Capcană: NU face RAG dacă ai 10 documente. Pune-le în system prompt direct — mult mai ieftin și mai precis. RAG e pentru baze peste 50-100 documente.

Cost real de operare (cifre mai 2026):

• Groq Whisper (transcriere RO): foarte ieftin, ~$0.04/oră audio procesată
• ElevenLabs (TTS multilingual_v2): $5-22/lună plan Starter, $99/lună plan Creator (depinde de minute generate)
• Claude API (creierul): variabil, ~50-200$/lună la uz mediu (1-2 h conversație/zi)
• VPS (hosting): €5-15/lună (Hetzner CAX11 ARM ajunge)
• Domain + Tailscale (acces sigur): gratis sau ~5€/lună

Total realist: 80-250$/lună pentru un voice agent personal funcțional.

Construcție: 5-15 zile dacă urmezi un pattern existent. Nu e plug‑and‑play — trebuie configurat pentru contextul tău (ce skill-uri are acces, ce tool-uri folosește, ce voce, ce limbă).

Opțiuni reale (mai 2026):

• Self-hosted simplu (log central + alert pe spike): 0$ în plus pe VPS deja plătit
• Langfuse (observability LLM dedicat, open-source): $0/lună plan Hobby, $59/lună plan Core
• Helicone (proxy + analytics): $0 plan Free (10k cereri/lună), $20/lună plan Pro
• Datadog / New Relic (general): $15-100/lună
• Sentry (error tracking): $0-26/lună plan Team

Adevărul: majoritatea oamenilor încep FĂRĂ observability și plătesc lecția cu un loop necontrolat care arde 200-500$ peste noapte. Din ziua 1 ai măcar un log central + alertă la spike cost.

Cuvântul de aur: observability — „vezi ce face și cât costă".

Framework în 3 întrebări:

1. Ce-mi ia >30 min/zi repetitiv? — candidatul #1
2. Ce decizie iau pe date pe care le am deja? — candidatul #2
3. Ce-aș vrea să facă cineva ÎN LOCUL MEU în pauza mea? — candidatul #3

Începi cu cea mai simplă, nu cu cea mai impresionantă. Diferența între cei care reușesc și cei care abandonează: primii au ales bine prima operațiune.

Pas concret luni dimineață: scrie pe hârtie cele 3 răspunsuri. Alege una. Învață 3 termeni-cheie: evals, ground truth, definition of done. Aplică-i pe operațiunea aleasă.

• Primul agent funcțional, basic: 1-2 zile dacă ai Claude Code și un caz clar definit
• Agent care chiar produce valoare măsurabilă: 5-10 zile
• Agent multi-step orchestrat (gen blog autonom cu 4 agenți): 2-4 săptămâni singur, ~5 zile cu ghidare

Atenție capcană: nu promit „azi încep, mâine merge". Cei care se aprind imediat, sar singuri și se blochează în 3 zile, abandonează. Ritmul real e săptămâni de iterație, nu zile de magie.

Acțiune zilele astea: primul pas e să instalezi Claude Code. A doua zi alegi 1 task repetitiv (vezi de unde încep). A treia zi încerci să-l rulezi prin agent. Învăț din eroare.

Ce poți face fără cod în 1-2 săptămâni:

• Folosești Claude Code pentru orchestrare (scrii pe român, Claude face)
• Folosești scaffolder pentru agenți noi: 5 prompts, agent live, zero cod vizibil
• Folosești pattern-uri gata (templates, agent definitions standard)

Ce ai nevoie de cineva tehnic să facă (rar):

• Integrare cu sistemul tău intern dacă nu are API public
• Hosting pe propriul VPS (alternativă: managed hosting, costă mai mult)
• Debugging când ceva pică în prod la 3 dimineața

Profilul ideal pentru DIY: antreprenor sau manager care a folosit Excel cu formule, n8n/Make sau orice tool care cere „te uiți la setări și înțelegi ce schimbă fiecare". Nu trebuie să scrii cod, dar trebuie să fii dispus să citești mesaje de eroare.

1. RAG (Retrieval Augmented Generation) pentru baze mari: vectorizezi datele tale, agentul caută în ele la fiecare query. Costă mai mult, dar scalează la milioane de documente.
2. System prompt + tool calls pentru baze mici (sub 50 documente): pui regulile direct în context, dai agentului acces la endpoint-uri specifice ca să citească live (CRM API, baza produse).

Pentru un magazin cu 500 produse + FAQ: prima variantă, RAG. Cost: ~20-50$/lună pentru ingest + vector DB managed.

Capcană: NU începe cu RAG dacă ai 10 documente — e overkill. Începe simplu, scalează când ai dovadă că ai nevoie de scalare.

Stack tipic RAG 2026:

• Qdrant sau Pinecone pentru vector storage
• OpenAI text-embedding-3-small sau modele open-source din MTEB pentru embeddings
• Claude / GPT‑4o ca generator final pe context retrieved

Whisper (OpenAI / Groq) pe română:

• Vorbire clară standard: WER (word error rate) ~3-5% în testele OpenAI
• Cifre: ai nevoie de normalizator separat („două sute cincizeci" → „250") pentru că Whisper le scrie inconsistent
• Nume proprii brand-uri RO: uneori greșește (Hetzner, Anthropic, brand-uri locale). Soluție: le adaugi ca initial prompt hint în request
• Outros video YouTube hallucination: Whisper inventează „abonează-te" dacă audio se taie la sfârșit. Mitigare: ignori ultimele 200ms sau pui detect tăcere

Pe vorbire naturală cu accent moldovenesc / transilvan / oltenesc: testat parțial, performanță bună dar nu perfect. Pentru call center cu accente diverse, evaluează pe mostre reale înainte să te bazezi.

Alternativă RO: Whisper large‑v3 self-hosted pentru calitate maximă, Whisper Turbo pe Groq pentru viteză (sub 1 secundă pentru 30 secunde audio).

Pattern-ul standard 2026 se numește „tool calling" sau „function calling":

• Citește din CRM (HubSpot, Pipedrive, custom): „câți leaduri am avut ieri pe categoria X?"
• Scrie în ERP: „marchează comanda 1234 ca livrată"
• Caută în baza de produse: „ce produse din colecția Y au stoc sub 10?"

Limită: orice sistem trebuie să aibă API public (REST, GraphQL, webhook) sau o cale de acces programatic. Sisteme vechi care nu au API necesită un adapter manual scris — tipic sub 1 zi de dezvoltare per integrare.

Securitate critică: tot ce face agentul trebuie să fie logged. Pentru acțiuni cu impact (delete, transfer bani, modificare prețuri), pune confirmare obligatorie: „Agentul cere: ștergi 50 comenzi. Confirmă cu DA pentru execuție."

Standard nou: Model Context Protocol (MCP) — spec deschis de la Anthropic pentru conectare standardizată între agenți și sisteme. Adoptat de multiple platforme în 2025-2026.

Pattern standard:

1. WhatsApp Business API (sau alt provider RO) → webhook
2. Agent classifier: „comandă reală?" vs „întrebare info?" vs „spam / lead rece"
3. Comenzi reale → escaladare imediată la om (notificare Slack / email)
4. Întrebări info → răspuns automat cu sursă din baza ta de cunoaștere (RAG sau prompt)
5. Lead rece → calendar booking pentru a doua zi sau secvență follow-up

Cost real: ~30-80€/lună pentru un magazin cu 50-200 mesaje/zi. Componente:

• WhatsApp Cloud API: gratis primele 1000 conversații/lună, apoi $0.005-0.10 per conversație în funcție de țară
• Claude API pentru clasificare și răspunsuri: ~10-30$/lună la 200 mesaje/zi
• Hosting webhook (VPS sau Cloudflare Workers): 5-10€/lună

Regulă obligatorie: omul rămâne în loop pentru orice tranzacție. AI filtrează, NU decide pe bani.

Calcul real per produs:

• Procesare: 10-30 sec (depinde de model și ce vrei să incluzi)
• 500 produse: 1.5-4 ore de rulare automată
• Cost API: ~5-15$ total pentru 500 descrieri (model Claude Haiku sau GPT-4o mini)
• Plus 1-2 ore de tine la început să definești „ce înseamnă descriere bună" (ground truth pe 5-10 mostre)
• Plus 1-2 ore review după (sample 10-20%, NU toate — spot check pe extreme)

Total realist: 1 zi de muncă a ta + ~10$ API + descrieri pentru toate cele 500.

Față de „rescriem manual" = 500 × 15 min = 125 h = 3 săptămâni full-time la 600€+ cost copywriter.

Capcană mare: NU automatiza fără ground truth. Dacă nu ai pe hârtie ce înseamnă „descriere bună pentru brandul meu" (lungime, ton, ce include / exclude, cuvinte-cheie SEO), agentul îți produce 500 descrieri generice care sună exact la fel.

Reguli minime pe care le aplic:

1. Datele clienților NU pleacă la modele care antrenează pe ele. Folosesc API-uri cu opt-out explicit pentru training (Anthropic Commercial Terms și OpenAI Business Terms garantează asta by default pe API)
2. Consimțământ explicit înainte de înregistrare voce sau procesare conversație (art. 6 GDPR)
3. Drept la uitare aplicat în baza ta de date + în memoria agentului (art. 17 GDPR)
4. Pentru voce: anunț audio la începutul apelului („conversația e procesată automat și înregistrată")
5. Sub EU AI Act (intrat în vigoare august 2024, aplicare etapizată): chatboții trebuie să se identifice ca AI, nu să se dea drept oameni

Pentru cazuri complexe (medical, financiar, juridic): cere consultanță legală RO specializată. Nu inventez.

Resurse RO de urmărit: Andreea Mitiriță (LinkedIn) — specialistă AI Act + GDPR pentru România, postează regulat.

Exemplu concret și transparent:

• Înainte: copywriter scrie 12 articole/lună × 4 h fiecare = 48 h efort. Cost ~360€.
• Acum: agent scrie 12 articole brut. Copywriter editează, adaugă opinie, semnează: 12 × 30 min = 6 h. Cost: 90€ editor + sub $10 API (cu prompt caching + Haiku pe părți).
• Copywriter-ul nu e dat afară. Face muncă cu mai mult sens (research, opinie, editorial), abandonează rescris reformulări la cifre.

Datele de piață: McKinsey (2024) estimează că 60-70% din task‑urile actuale ale lucrătorilor cunoștințelor au potențial de automatizare parțială cu generative AI — nu înlocuire totală. Goldman Sachs (2023): impact net pozitiv pe productivitate, redistribuire de roluri, NU pierdere masivă de locuri de muncă.

Concluzie practică: echipa care folosește AI bate echipa care nu folosește. Cei care își păzesc job-ul refuzând AI sunt cei care îl pierd primii.

Principiu legal de bază: sub EU AI Act și sub principiile generale de răspundere civilă, responsabilitatea pentru output-ul unui sistem AI rămâne la operatorul care a desfășurat sistemul, nu la furnizorul modelului. Asumarea nu se transferă spre Anthropic / OpenAI / Google când publici sau acționezi.

Cazuri reale documentate:

• Air Canada (2024): instanță canadiană a obligat compania să respecte promisiunile făcute de chatbot-ul de pe site, chiar dacă erau incorecte (BBC)
• Avocați din SUA sancționați (2023+): pentru citarea unor cazuri judiciare inventate de ChatGPT în pledoarii

Mitigare practică:

• Orice agent care publică automat trebuie să aibă un agent de verificare în paralel (Security Agent). Cost: ~$0.50/articol în plus. Merită.
• Pentru acțiuni cu impact financiar / legal: confirmare obligatorie de la om înainte de execuție
• Audit trail complet: ce a întrebat agentul, ce a răspuns, ce decizie a luat, cine a confirmat

Regulă scurtă: dacă agentul nu poate motiva decizia cu surse trasabile, omul nu poate apăra acțiunea în instanță.

• Contabilitate: extragere date din facturi PDF, clasificare conturi, draft răspuns ANAF. Atenție: asumarea legală rămâne la contabil semnatar.
• Producție: descriere produs pentru catalog, generare specificații tehnice din desene, draft email tehnic clienți, pre-qual leaduri din formulare.
• Asigurări: clasificare daune din poze (computer vision), prefill formulare, FAQ poliță. Decizia finală rămâne la inspector.
• Medicină: NU automatiza diagnostic. POȚI automatiza programări, follow-up pacient, traduceri pacient‑medic, sumarizare dosar medical pentru consult rapid.
• Primării și administrație publică: răspuns FAQ cetățean, redactare draft adrese standard, sumarizare ședințe consiliu local, traducere documente.

Pentru fiecare verticală: începe cu o operațiune care NU implică decizie legală sau medicală directă. Asumarea rămâne la om.

Sub EU AI Act, aplicațiile în educație, ocuparea forței de muncă, accesul la servicii esențiale, medicină și justiție sunt clasificate „high-risk" și au cerințe stricte de transparență, supraveghere umană și evaluare.

Pentru ședințe pe platforme publice (Zoom, Google Meet, Microsoft Teams):

• Otter.ai — transcribere + sumar AI, integrat nativ
• Fireflies.ai — bot care intră în meeting și produce notes acționabile
• Microsoft Copilot in Teams — integrat nativ pentru abonații E3 / E5
• Google Meet AI Notes — pentru Workspace Business

Pentru ședințe interne sensibile (NU vrei date pe cloud terț):

• Whisper self-hosted pentru transcribere locală (pe GPU sau CPU rapid)
• LLM via API cu opt-out training (Claude, GPT enterprise) pentru sumarizare
• Sau LLM local (Llama 3, Mistral) pentru zero data leakage — calitate ușor mai slabă, dar acceptabilă pentru sumarizare
• Setup: 1-2 zile dacă ai pe cineva tehnic

Cost comparativ: Otter / Fireflies: $10-30/lună per utilizator. Self-hosted: cost VPS + ~$0.04/h audio Groq Whisper, esențial gratuit la volume mici.