Cea mai frecventă întrebare în 2026: „Unde să punem AI-ul în business?". Cea mai frecventă greșeală: să încerci să-l pui peste tot odată.
În proiectele KERNEX IT pe care le facem cu integrare AI, lucrăm după trei reguli. Le împărtășim aici, ca să nu mai pierzi 40 000 € pe un POC care moare la a doua iterație.
Regula 1: AI-ul rezolvă o problemă concretă, nu „generală"
Nu pornim de la „hai să adăugăm AI". Pornim de la „cine din echipa ta pierde cel mai mult timp pe muncă repetitivă, și ce face exact?".
Răspunsurile sună mereu ciudat de specific:
- Manager-ul de vânzări petrece 90 de minute pe zi să sintetizeze conversații din WhatsApp și CRM.
- Contabilul recodifică manual 200 de documente PDF pe lună.
- Marketing-ul scrie variante de copy pentru ads și pierde 4 ore pe săptămână pe iterații.
Astea sunt punctele de pornire. AI-ul rezolvă problema asta concretă, nu „comunicarea internă".
Regula 2: Nu schimbăm tool-urile pe care echipa le folosește deja
Cea mai mare greșeală în integrarea AI e să forțezi echipa să învețe o platformă nouă. Dacă vânzările trăiesc în WhatsApp și HubSpot, AI-ul intră în WhatsApp și HubSpot. Nu îi mutăm într-un dashboard separat „cu AI".
În practică asta înseamnă webhook-uri, integrări prin API și automatizări care rulează în background. Utilizatorul vede același flow, doar că o parte din muncă se face singură.
Regula 3: Verificare umană unde greșeala costă
AI-ul scrie bine, dar uneori scrie convins niște prostii. La emailuri către clienți, contracte, decizii financiare — întotdeauna ținem un human-in-the-loop. Output-ul AI vine ca draft, omul aprobă sau editează, apoi pleacă.
La task-uri unde greșeala costă puțin (categorizare internă, sumarizare de note interne, rezumat de meeting), îi dăm autonomie completă.
Stack-ul pe care-l folosim
Pentru cei care întreabă: pornim de la Claude / GPT prin API, vector store pentru context (Postgres + pgvector dacă datele sunt mici, dedicate dacă sunt mari), orchestrator simplu (Inngest sau cron + queue), monitoring (Langfuse). Totul self-hosted unde datele cer asta.
Câteva exemple concrete
- Companie de retail, 40 angajați: AI care citește facturile primite (PDF) și le încarcă codificate în 1C. 200 de documente/lună la 8 minute fiecare → 26 ore salvate, sub o oră de QA.
- Agenție imobiliară, 12 agenți: AI care preia call-urile pierdute, le sumarizează, deschide deal-uri în CRM și trimite follow-up. Rate de răspuns la lead-uri: de la 38% la 91%.
- Studio video, 8 oameni: AI care procesează raw-footage, marchează clipurile bune, generează 3 variante de cut. Editorul intră direct cu un timeline pre-asamblat.
Niciunul din proiecte nu a cerut să-și învețe echipa Python. Toate au returnat investiția în sub 4 luni.
De unde să începi
Dacă ai citit până aici și te-ai gândit la o problemă specifică din business — sună-ne. Probabil putem să-ți arătăm într-o oră dacă e fezabil sau nu, și ce-ar costa.