Ai încercat AI-ul pe datele firmei tale, iar răspunsul a sunat convingător, dar cifra nu se potrivea? Sau încă nu te-ai apucat, pentru că nu știi când poți avea încredere în el? Nu e vina mașinii: AI-ul nu știe ce înseamnă la tine „client activ” sau „factură scadentă”, așa că își inventează o definiție și îți comunică rezultatul cu aplomb.
De ce ai nevoie de un strat de interpretare între AI și date? Pentru că acesta este dicționarul firmei: înainte de interogări, termenii tăi sunt înregistrați în el, iar AI-ul îl folosește. Când există, AI-ul răspunde corect la întrebările descrise, iar la restul spune „nu știu”. Când nu există, primești o cifră plauzibilă, dar greșită, pe care e ușor să o iei de bună. Mai jos explicăm ce înseamnă asta în practică și cum se leagă AI-ul de ERP.
Idei-cheie
Ai nevoie de strat semantic pentru că AI-ul nu cunoaște sensul de business al termenilor tăi (ce e un client activ, o factură scadentă) și, fără el, ghicește. Stratul semantic îi dă definițiile. Rezultatul: la întrebările descrise, răspunsuri corecte; la restul, un „nu știu” vizibil, nu o cifră plauzibilă, dar greșită.
Pentru tine, datele firmei sunt vânzări, facturi, stocuri, comenzi. Pentru AI, sunt tabele, coloane și legături între ele. „Client activ” nu apare în nicio coloană. Cineva a hotărât odată că un client este activ dacă a comandat în ultimele douăsprezece luni, iar altcineva, că dacă are un contract în vigoare. Fără această hotărâre scrisă, AI-ul alege el una, fără să te anunțe.
În aprilie 2026, dbt Labs a pus aceleași 11 întrebări de business, pe un set de date de asigurări, în mai multe configurații, cu două modele diferite (SQL este limbajul de interogare al bazelor de date, pe care aici AI-ul îl scrie singur):
Sursa: dbt Labs, Semantic Layer vs. Text-to-SQL, 2026.
Autorii observă că, atunci când AI-ul scrie singur interogarea, greșeala arată ca un răspuns plauzibil, dar fals; la un strat semantic, arată ca un mesaj de eroare vizibil.
Stratul semantic descrie sensul de business al datelor: ce înseamnă „factură scadentă” sau „client activ” în sistemul tău, cum se calculează și din ce tabele. AI-ul nu mai ghicește, ci folosește definițiile. Dezavantajul este și avantajul: răspunde doar la ce a fost descris. Restul primește un „nu știu”.
Stratul semantic nu lucrează singur. AI-ul nu se conectează direct la baza de date a ERP-ului, ci printr-un strat de integrare controlat, care folosește aceste definiții. Așa proiectăm o conexiune AI-ERP, în cinci pași:
Un model AI nu cunoaște drepturile din ERP: nu știe cine are voie să vadă salariile sau prețurile de achiziție. Vede doar ce primește. Conectat direct, cu un cont cu drepturi largi (un „superutilizator”), ar lăsa un coleg să afle printr-o întrebare ce nu ar vedea în ERP. De aceea asistentul lucrează cu drepturile utilizatorului care întreabă. Un standard ca MCP (Model Context Protocol) scurtează conectarea, dar nu înlocuiește acest control.
Începi mic. Alegi un termen, de exemplu „factură scadentă”, și răspunzi la patru întrebări: de la ce dată se numără termenul de plată, ce facturi intră (cu TVA sau fără, parțial plătite sau nu), cine folosește termenul și dacă toți îl înțeleg la fel.
În a doua fază apar de obicei diferențele: finanțele înțeleg altceva decât vânzările. Aici contează oamenii care cunosc procesele, pentru că ei știu excepțiile și motivele din spate.
Stratul semantic îl construim împreună cu tine, pornind de la întrebările pe care le pui și de la oamenii care cunosc procesele firmei, apoi îl extindem întrebare cu întrebare.
Un model mai bun ajută. În aceeași măsurare, rezultatul pe date nemodificate s-a dublat între 2023 și 2026, de la 32,7% la 64,5%. Dar a rămas sub 65%, iar descrierea datelor l-a mutat la 84,1–90,0% (la cele două modele testate). Modelul contează, însă nu ajunge singur. Un model foarte bun, pus pe date nedescrise, ghicește tot mai convingător.
Este descrierea sensului de business al datelor: ce înseamnă „client activ” sau „factură scadentă” și cum se calculează. AI-ul folosește definițiile în loc să ghicească și răspunde doar la ce a fost descris; la restul spune „nu știu”.
Depinde, mai mult decât de model, de cât de bine sunt descriși termenii firmei. Într-o măsurare din 2026, pe un set de date de asigurări, acuratețea a variat între 64,5% pe date nemodificate și 98,2–100% cu strat semantic. Măsoară pe întrebările tale.
Nu ar trebui. O conexiune bine făcută trece printr-un strat de integrare, care alege datele, verifică drepturile, înregistrează și filtrează răspunsul. Modelul vede numai textul primit de la acest strat.
Citește exact ce are voie utilizatorul care întreabă, nu mai mult. Scrierea vine mai târziu, în domenii înguste, cu aprobare umană, anulare și jurnal. În prima fază, AI-ul doar citește.
Un sistem bine făcut răspunde „nu știu” și arată ce lipsește. Apoi adaugi descrierea, iar întrebarea devine acoperită, pas cu pas.
Dacă folosești deja un ERP COSYS și vrei să aflăm împreună cum te-ar ajuta un AI pe datele tale, sau dacă te gândești să începi, Hai să discutăm.
Vezi și capabilitățile ERP COSYS, ERP pentru producție, ERP pentru distribuție și despre COSYS.
COSYS construiește de 35 de ani, din 1991, sisteme de automatizare a întreprinderii pentru firme locale. Suntem partener Microsoft din 1998, avem certificare ISO/IEC 27001, iar peste 100 de firme locale lucrează cu sistemele noastre. De-a lungul anilor am învățat că o tehnologie nouă poate fi folosită bine doar atunci când îi cunoști limitele. Cu această experiență ne ajutăm clienții să separe ce e util de zgomot în era schimbării tehnologice a AI-ului.




