Alexandra Ciornei
Pentru industria de servicii software, tranziția către AI pune sub semnul întrebării legătura tradițională dintre timpul lucrat și valoarea unui proiect. Contractele bazate pe ore, pe livrabile sau pe preț fix existau deja, însă aceeași echipă poate produce acum mai mult, a explicat reprezentantul Cognizant într-un interviu pentru start-up.ro.
Astfel, discuția cu clientul se mută către problema pe care furnizorul trebuie să o rezolve și către indicatorii prin care va fi evaluat rezultatul.
„Modelul tradițional avea în centru două variabile: orele lucrate și competențele tehnice ale oamenilor. Valoarea livrată creștea aproximativ proporțional cu efortul, iar contractele reflectau această ecuație. AI schimbă ecuația. Peste ore și competențe tehnice se adaugă acum un strat consistent de capabilități AI, iar acest strat modifică dinamica economică a proiectelor: aceeași echipă poate genera mult mai multă valoare, iar valoarea nu mai este legată liniar de numărul de ore”, a spus Mihai Constandiș.
Accesul la modele AI nu este însă suficient pentru a susține această schimbare. Contează felul în care tehnologia este adaptată regulilor, datelor și proceselor clientului, dar și limitele pe care furnizorul le stabilește atunci când își asumă un rezultat.
„Furnizorul încetează să fie o resursă contractată și devine un partener care își asumă rezultatul. Asta cere onestitate de ambele părți: noi trebuie să spunem clar ce nu se poate garanta, mai ales în sisteme probabilistice, iar clientul trebuie să ne ofere acces real la date și la procese, pentru că altfel niciun angajament de rezultat nu este sustenabil.”
Mihai a oferit drept exemplu parteneriatul cu Banca Europeană pentru Reconstrucție și Dezvoltare pentru programul de transformare tehnologică Tech Blueprint. Potrivit acestuia, colaborarea se desfășoară pe o durată de cinci ani și combină servicii orientate spre rezultat, componente de capacitate și modernizare digitală susținută de AI.
Ce dezvoltă echipele Cognizant din România
Strategia „AI Builder” a companiei presupune proiectarea, construirea și operarea unor soluții AI folosite în activitatea curentă a clienților.
În România, aceasta include atât instrumente pentru dezvoltarea software, cât și sisteme integrate în operațiunile unor companii din banking, sănătate, industria farmaceutică sau asigurări.
„Folosim AI în tot ciclul de dezvoltare software, de la cerințe la testare și lansare. În România, am construit un sistem structurat pentru asta: 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.”
O a doua direcție este integrarea modelelor AI în procese de business, împreună cu infrastructura de date, cloud, securitate și guvernanță necesară.
Mihai Constandiș a oferit două exemple de rezultate obținute în proiecte la care lucrează echipele locale.
„Din România, 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 agenții AI care pot lua anumite decizii și executa acțiuni, în limite stabilite de oameni. Echipele din România au dezvoltat, între altele, agenți pentru subscrierea de risc și gestionarea daunelor pe piețele de asigurări din Marea Britanie și Irlanda, precum și un asistent digital pentru un client global din industria biofarmaceutică.
„Un altul 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.”
Cognizant are aproximativ 2.700 de angajați în toate entitățile din România, în București, Cluj-Napoca, Iași, Timișoara și Baia Mare.
Echipele locale lucrează pentru clienți din EMEA și America de Nord și participă la inițiative globale precum AI Lab, în zona orchestrării agenților. Mihai a adăugat că TwinOps, un model de lucru cu agenți AI dezvoltat în România, a primit premiul Innovation of the Year din partea ANIS.
„Instrumentele construite în România, cum este GenAI Toolkit, prezentat la Programmers’ Week, sunt gândite de la început ca active reutilizabile, care pot fi preluate de alte echipe din grup.”
Câtă autonomie poate primi un agent AI
În fluxurile descrise de reprezentantul Cognizant, autonomia depinde de consecințele unei eventuale erori și de posibilitatea de a o corecta. Agenții pot genera cod, teste, documentație sau propuneri, însă acțiunile cu impact 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 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 <<cred că am reparat robinetul>> și a deschide apa ca să verifici. Interpretarea unei cerințe de business sau alegerea între două soluții la fel de valide tehnic rămân decizii umane.”
Controlul trebuie construit în sistem, astfel încât o acțiune importantă să nu poată trece mai departe fără aprobare. Fiecare pas trebuie să poată fi urmărit: ce a propus agentul, ce date a folosit și cine a aprobat.
În modelul TwinOps, specialistul și agentul lucrează în paralel pe aceleași sarcini, iar rezultatele sunt comparate, a explicat Mihai.
„Autonomia unui agent nu se acordă din start, se câștigă. Exact pe această logică este construit TwinOps: munca unui specialist și cea a unui agent se desfășoară în paralel, pe aceleași sarcini, iar rezultatele sunt comparate continuu. Agentul preia responsabilități doar după ce și-a dovedit acuratețea în condiții reale, iar acolo unde rezultatele diferă, decizia rămâne la specialist.”
Când merită să lucrezi cu mai mulți agenți
Într-un flux cu agenți specializați, sarcinile sunt împărțite: un agent analizează cerințele, altul propune structura, alții scriu teste, revizuiesc codul sau pregătesc documentația.
Un coordonator păstrează informația între etape și oprește procesul când este necesară o decizie umană. Inginerul definește obiectivul, revizuiește propunerile și validează rezultatul.
„Cele mai bune rezultate le vedem în munca repetitivă 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 ce merită cu adevărat atenția ei.”
Complexitatea suplimentară nu se justifică însă 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.”
Datele și regulile nescrise, obstacole înainte de implementarea AI
Pregătirea informațiilor pe care le primește AI este, în opinia lui Mihai, cel mai bun predictor al succesului unui proiect. 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.”
Înainte de implementare, compania recomandă agregarea datelor relevante într-o structură accesibilă, o sursă unică pentru documentație, reguli scrise care să includă excepțiile și un glosar comun. Acestora li se adaugă drepturi clare de acces la date și exemple de răspunsuri corecte, pe baza cărora sistemul să poată fi evaluat. Fragmentarea datelor între sisteme susține și cererea de specialiști în data engineering, a mai explicat Mihai.
„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 clientului, construiesc sistemele AI și contextul necesar acestora, coordonează agenții până la lansare și rămân responsabili de monitorizare și îmbunătățire.
„Contextul nu mai este doar documentat și transmis unei echipe, ci este înțeles și construit de același inginer care livrează soluția. Aici o oră de înțelegere a problemei ajunge să valoreze mai mult decât zece ore de cod.”
Câștiguri de eficiență de 30-50%, în evaluările interne
Pentru GenAI Toolkit, Cognizant compară activitatea acelorași echipe, pe aceleași tipuri de sarcini, înainte și după adoptare.
Rezultatele prezentate de Mihai se referă la proiectele companiei și la ciclul complet de lucru, inclusiv verificări și integrare, nu doar la timpul necesar generării codului.
„Evaluările noastre interne compară aceleași echipe, pe aceleași tipuri de activități, înainte și după adoptarea toolkit-ului. Ele arată un câștig de eficiență între 30 și 50% pe ciclul complet de lucru în inginerie, o creștere de circa 60% a calității în fluxurile critice și o reducere cu aproximativ 80% a rezultatelor irelevante în procesul de detectare a deficiențelor. Sunt cifre interne, măsurate pe proiectele noastre, nu un studiu de piață.”
O parte din timpul economisit la scrierea codului este consumată de revizuire și corecturi. În primele săptămâni, efortul poate chiar să crească, deoarece agenții trebuie configurați pentru arhitectura, standardele și regulile proiectului, iar oamenii trebuie să învețe unde pot avea încredere în rezultate. Din acest motiv, investiția se justifică mai ales în proiecte de durată cel puțin medie.
„Pentru un proiect foarte scurt, aceeași investiție nu apucă să se amortizeze, iar o decizie corectă este uneori să nu folosești întregul toolkit. Tocmai de aceea măsurăm ciclul complet de lucru, nu viteza de generare a codului. Poți merge foarte repede pe o rută greșită. Câte linii de cod ai scris mai repede nu spune nimic despre valoarea pe care ai livrat-o.”
Un demo reușit nu înseamnă că soluția e gata de lansare
Trecerea în producție presupune evaluarea sistemului în situații reale, inclusiv excepții și utilizări neprevăzute în demonstrație.
Mihai a identificat trei probleme frecvent subestimate: contextul, evaluarea obiectivă a erorilor și guvernanța, mai ales în industriile reglementate.
„Un demo funcționează pe scenariul ideal. O soluție de producție trebuie să funcționeze consecvent, predictibil și sigur în realitatea fiecărui business, cu datele lui, cu excepțiile lui și cu utilizatori care nu urmează scenariul.”
El a adăugat că lansarea este amânată dacă rata de eroare depășește pragul convenit cu clientul, dacă sistemul nu poate recunoaște că nu știe și nu poate transfera cazul către un om sau dacă deciziile sale nu sunt complet trasabile.
Drepturile neclarificate de acces la date și lipsa unui plan de revenire în cazul unei probleme sunt alte motive de amânare.
„Aceste criterii le stabilim de la început, împreună cu clientul, astfel încât decizia de lansare să nu fie una de impresie.”
Cum se schimbă echipele
AI reduce relevanța unor activități repetitive, precum scrierea de cod standard, raportarea manuală sau redactarea cazurilor de test. În schimb, cresc în importanță evaluarea sistemelor, verificarea critică a rezultatelor și capacitatea de a coordona agenți.
Cognizant urmărește dezvoltarea unor competențe tehnice mai largi, susținută și prin programul AI Career Builder, disponibil angajaților din România.
„Un inginer full-stack, care înțelege frontend, backend și cloud, este mult mai bine pregătit să colaboreze cu un agent AI, pentru că poate valida ce construiește agentul pe întregul stack, nu doar pe o componentă. Așa devine un specialist amplificat, chiar multiplicat de AI, care joacă rolul de lider și orchestrator al acestor sisteme.”
Întrebat despre posibilitatea de a livra proiecte cu echipe mai mici, Mihai a spus că aceeași echipă poate acoperi un volum mai mare de muncă, iar capacitatea eliberată este orientată către proiecte mai complexe și livrare mai rapidă.
În zona AI & Data Engineering, compania și-a dublat capacitatea în 2025 față de 2024, atât prin pregătirea angajaților existenți, cât și prin recrutare, și estimează un ritm similar pentru 2026.
„Capacitatea eliberată nu a dispărut însă, ci a fost mutată spre proiecte mai complexe și spre livrare mai rapidă. Cererea clienților nu a scăzut, dimpotrivă: în 2025 ne-am dublat capacitatea în zona de AI & Data Engineering față de 2024, atât prin upskilling al propriilor colegi, cât și prin angajarea de noi colegi, pentru că clienții au trecut de la experimente la soluții integrate în procesele lor centrale.”
Pentru juniori, provocarea este că AI preia chiar o parte dintre sarcinile prin care învățau meseria. Mihai consideră că soluția este schimbarea modului de pregătire, cu mentorat și verificarea constantă a muncii, astfel încât tinerii să înțeleagă codul generat.
„Riscul este însă foarte real: un junior poate accepta un rezultat generat de AI fără să înțeleagă pe deplin ce s-a scris și de ce funcționează. Un cod care pare corect, dar pe care nu îl înțelegi, devine o problemă exact în momentul în care trebuie modificat sau reparat. De aceea, juniorii trebuie integrați în continuare în echipe cu senioritate echilibrată, unde beneficiază de mentorat și de revizuirea constantă a muncii lor.”
În 2026, Cognizant a recrutat prin programul pentru absolvenți 35 de tineri din Timișoara, Cluj-Napoca, Iași și București, selectați din peste 600 de aplicații. Toți au fost integrați în proiecte. Programul a fost reluat după un an în care compania nu a organizat astfel de inițiative în România.
„În 2025 nu am avut astfel de programe în România. A fost un an de redefinire strategică, în care am regândit felul în care fiecare nivel de senioritate poate contribui într-un context economic global dificil și cum se așază aceste roluri într-un viitor marcat de omniprezența AI. Reluarea programului în 2026 este rezultatul direct al acestei redefiniri: știm acum mai clar cum arată parcursul unui junior într-o echipă care lucrează cu AI. Pornind de la succesul programului din acest an, avem în plan să creștem numărul de tineri absolvenți recrutați în 2027.”
În paralel, compania susține educația prin burse și granturi în parteneriat cu ANIS, cu patru proiecte sprijinite în 2026, și prin Cognizant Future Talent in Tech Romania, dedicat accesului la educație și susținerii excelenței.
Ce pot schimba antreprenorii care conduc firme de software
Pentru companiile românești de IT, avantajul competitiv va depinde tot mai mult de înțelegerea domeniului clientului și de capacitatea de a proiecta, integra și opera o soluție, consideră Mihai.
El vede în cultura inginerească locală, apropierea culturală de clienți și disponibilitatea de a propune alternative o bază pentru această tranziție.
„În următorii doi-trei ani, diferența o va face poziția în lanțul valoric. Companiile care rămân în zona de execuție pură vor resimți cel mai puternic presiunea pe tarife, pentru că acolo AI comprimă cel mai mult efortul. Cele care urcă spre proiectarea soluțiilor și asumarea unui rezultat de business vor crește.”
Recomandările sale pentru antreprenori includ păstrarea recrutării de juniori, pregătirea continuă a angajaților în AI și concurența bazată pe cunoașterea unui domeniu.
Primul test poate fi făcut pe un proces intern repetitiv, precum pregătirea ofertelor sau documentarea proiectelor, cu rezultate măsurate. Câștigurile de eficiență ar trebui apoi reinvestite în oameni și în dezvoltarea unor servicii cu valoare mai mare, fără a fi transformate automat în reduceri de tarif.
„Să nu renunțe la juniori. Economia pare logică pe termen scurt, dar seniorii se formează în câțiva ani, iar o piață care nu mai formează juniori va avea peste trei-patru ani un deficit serios de experiență. O echipă formată doar din oameni foarte scumpi este, în plus, o structură de costuri fragilă. O firmă mică are chiar un avantaj aici, pentru că distanța dintre un om nou și proiectele serioase este mult mai scurtă”, a mai spus Mihai.
