AI Manager și Project Management: când inteligența artificială intră în proiecte

Acum câteva luni, într-o întâlnire cu un client din sectorul bancar, CTO-ul a spus ceva ce mi-a rămas în minte.

„Avem nevoie de cineva care să gestioneze AI-ul. Nu cineva care îl folosește — cineva care îl guvernează."

Am dat din cap fără să vorbesc. Pentru că acea frază, în șapte secunde, descria un rol pe care piața îl caută fără să știe încă cum să-l numească.

🧩 Neînțelegerea fundamentală #

Există o confuzie răspândită, și o văd în fiecare proiect unde AI-ul intră în scenă.

Confuzia este aceasta: a crede că „a adopta AI" înseamnă a integra un model, a conecta un API, a face un asistent să genereze text sau cod.

Nu. Aceasta este partea tehnică. Partea operațională. Este munca unui data scientist sau a unui inginer ML. Muncă importantă, fără îndoială. Dar nu este munca celui care guvernează.

A guverna AI-ul într-un proiect înseamnă a răspunde la întrebări la care niciun model nu poate răspunde în locul tău:

• Unde AI-ul generează valoare reală și unde generează doar entuziasm?
• Cât costă să-l menții, nu doar să-l implementezi?
• Ce se întâmplă când modelul greșește — și cine răspunde?
• Cum se integrează cu arhitecturile existente fără a compromite stabilitatea și securitatea?
• Cum se asigură coerența între guvernanța datelor, conformitate și automatizare?

Dacă nu ai răspunsuri la aceste întrebări, nu guvernezi AI-ul. Îl suferi.

🏗️ Nu este un rol nou. Este un rol care nu avea încă un nume #

Când mă gândesc la asta, realizez că fac această muncă cu mult înainte ca cineva să inventeze eticheta „AI Manager".

Treizeci de ani de arhitecturi de date. Sisteme mission-critical în Telco, Banking, Asigurări, Administrație Publică. Medii în care datele nu sunt un activ de monetizat — sunt o infrastructură de protejat.

În acele contexte am făcut întotdeauna același lucru: am conectat strategia la realitatea tehnică. Am tradus nevoile de business în soluții care funcționează cu adevărat, nu pe slide ci în producție. Am mediat între cei care vor totul imediat și cei care știu că anumite lucruri necesită timp și arhitectură.

AI-ul nu a schimbat acest tipar. L-a făcut mai vizibil.

Pentru că AI-ul, spre deosebire de o bază de date sau de un ETL, este un subiect care entuziasmează boardurile și sperie inginerii. Toți vor o bucată, puțini știu unde s-o pună. Iar rolul celui care stă la mijloc — între entuziasmul managementului și prudența infrastructurii — devine crucial.

📍 Unde AI-ul generează valoare reală (și unde nu) #

Am învățat ceva în ultimii trei ani, lucrând cu AI-ul în contexte de proiect concrete: valoarea AI-ului nu se află aproape niciodată acolo unde cred oamenii.

Nu se află în generarea automată de cod. Nu în chatbotul care răspunde clienților. Nu în raportul care se scrie singur.

Valoarea reală se află în trei locuri:

1. Accelerarea analizei

AI-ul este devastator când trebuie să analizeze context. Să citească mii de linii de cod, să coreleze loguri, să identifice tipare. Ce unui senior îi costă două ore, AI-ul face în secunde. Nu mai bine — mai repede. Iar viteza, într-un proiect cu termene limită, înseamnă bani.

2. Reducerea zgomotului decizional

În orice proiect complex există un moment când informațiile sunt prea multe și echipa nu mai știe ce este urgent și ce este important. AI-ul poate face triaj. Poate clasifica, prioritiza, evidenția anomalii. Nu decide în locul tău — îți prezintă datele astfel încât decizia să devină mai clară.

3. Documentație și transfer de cunoștințe

Nimeni nu documentează cu plăcere. Nimeni. AI-ul poate genera documentație din cod, commituri, issues. Nu perfectă, dar suficientă pentru a nu pierde cunoștințe când cineva pleacă din proiect. Iar cine a gestionat proiecte știe cât costă asta.

Tot restul — demo-urile care strălucesc, prezentările cu procente bolduite, vendorii care promit ROI cu trei cifre — este zgomot. AI Managerul este cel care separă semnalul de zgomot.

⚖️ Triunghiul pe care PM-ul trebuie să-l guverneze #

În fiecare proiect unde AI-ul intră într-un mediu reglementat, există un triunghi care revine mereu:

Guvernanța datelor — Conformitate — Automatizare.

Poți avea cea mai eficientă automatizare din lume, dar dacă încalcă politicile de guvernanță a datelor, este un risc. Poți avea o guvernanță impecabilă, dar dacă blochează orice formă de automatizare, proiectul nu avansează. Poți fi perfect conform, dar dacă nu știi ce date folosești pentru a antrena sau interoga modelul, conformitatea este doar pe hârtie.

AI Managerul trebuie să mențină în echilibru aceste trei vârfuri. Continuu. Nu o dată la începutul proiectului — în fiecare săptămână.

Am văzut proiecte în care AI-ul era integrat fără ca nimeni să fi verificat proveniența datelor de antrenament. În banking. Cu date supuse GDPR. DPO-ul a aflat la trei luni distanță.

Nu este incompetență. Este absența guvernanței. Este absența cuiva care să pună întrebarea corectă la momentul potrivit.

🔬 A integra, nu a înlocui #

Un lucru pe care îl repet în fiecare kickoff meeting: AI-ul se integrează în arhitecturile existente. Nu le înlocuiește.

Pare evident, dar tentația este întotdeauna aceeași: vendorul care propune să „regândim infrastructura în cheie AI", consultantul care vrea o arhitectură greenfield, managerul care a văzut un demo și acum vrea totul nou.

Nu.

Arhitecturile mission-critical nu se aruncă pentru că a apărut o tehnologie nouă. Evoluează. Se extind. Se protejează.

AI Managerul este cel care spune „acest model se conectează aici, cu aceste precauții, cu acest plan de fallback". Nu cel care spune „aruncăm totul și refacem cu AI".

În treizeci de ani de sisteme, am văzut cel puțin cinci tehnologii „revoluționare" care trebuiau să schimbe totul. Client-server. Internet. Cloud. Big Data. Acum AI. Niciuna nu a schimbat totul. Fiecare a schimbat ceva. Iar cei care au guvernat bine schimbarea sunt cei care au integrat-o cu inteligență — nu cu entuziasm.

🎯 De ce AI-ul nu este magie #

Există o frază pe care o folosesc des, și nu obosesc s-o repet.

AI-ul nu este magie. Este arhitectură aplicată inteligenței.

Un model este o componentă. Ca o bază de date, ca un message broker, ca un load balancer. Are nevoie de inputuri curate, de monitoring, de mentenanță, de guvernanță. Are nevoie de cineva care înțelege ce face, ce poate face și mai ales ce nu poate face.

Project Managerul care ignoră aceste aspecte și deleagă totul echipei tehnice comite aceeași greșeală ca cel care delega securitatea administratorului de sistem și apoi se mira de breșa de date.

AI-ul este o responsabilitate arhitecturală. Și ca toate responsabilitățile arhitecturale, se guvernează de sus. Nu de jos.

💬 Pentru cine decide dacă AI-ul „e necesar" în proiectul său #

Dacă evaluezi să introduci AI-ul într-un proiect — nu într-un experiment, într-un proiect real, cu termene limită, buget și stakeholderi — îți dau un sfat care valorează mai mult decât orice instrument.

Nu porni de la tehnologie. Pornește de la problemă.

Care este blocajul? Unde pierde echipa cel mai mult timp? Unde deciziile sunt mai lente decât ar trebui? Unde se pierde cunoașterea?

Dacă răspunsul la vreuna dintre aceste întrebări are legătură cu analiza unor volume mari de date, cu clasificarea informațiilor, cu accelerarea proceselor repetitive — atunci AI-ul te poate ajuta. Dar doar dacă cineva îl guvernează.

Iar a-l guverna nu înseamnă a-l controla. Înseamnă a-l înțelege suficient de bine pentru a ști când să te bazezi pe el și când nu.

Aceasta este munca AI Managerului. Și, indiferent cum îl numești, este un rol de care orice proiect serios va avea nevoie.

Glosar #

AI Manager — Rol profesional care guvernează impactul inteligenței artificiale asupra arhitecturilor, proceselor și persoanelor, separând valoarea reală de zgomot.

Data Governance — Set de politici, procese și standarde care garantează calitatea, securitatea și conformitatea datelor în cadrul unei organizații.

Knowledge Transfer — Proces de transfer al cunoștințelor între persoane, echipe sau sisteme, critic în proiectele IT unde pierderea know-how-ului poate compromite continuitatea operațională.

ROI — Return on Investment — raportul între beneficiul obținut și costul suportat pentru o investiție.

Compliance — Conformitate cu reglementările, regulile și standardele aplicabile — în contextul AI include GDPR, reglementări sectoriale și politici interne privind utilizarea datelor.