Dicționar AI 2026: 50 de termeni esențiali explicați simplu

Domeniul inteligenței artificiale s-a transformat radical în ultimii doi ani, iar dicționarul AI s-a îmbogățit cu zeci de termeni noi pe care orice profesionist, antreprenor sau decident îi întâlnește în articole, întâlniri, contracte și produse. De la „transformer" și „embeddings" la „RAG", „MCP" sau „EU AI Act", limbajul AI a devenit o competență de bază pentru oricine vrea să rămână relevant în 2026.

Acest dicționar AI explică pe înțeles, în română, cei 50 de termeni cu adevărat esențiali — fără tehnicalități inutile, dar și fără simplificări care induc în eroare. Pentru fiecare termen găsești o definiție clară, un exemplu practic și contextul în care îl vei întâlni concret.

Dacă ești la început, citește mai întâi articolul-pereche Ce este inteligența artificială și cum funcționează — apoi revino aici și folosește dicționarul ca referință de consultat ori de câte ori întâlnești un termen necunoscut.

Categoria 1 — Concepte fundamentale AI

1. Inteligență artificială (AI)

Domeniu al informaticii care creează sisteme capabile să rezolve probleme prin metode asociate cu inteligența umană: percepție, raționament, învățare, decizie. Termenul „AI" acoperă astăzi atât sisteme clasice bazate pe reguli, cât și modele moderne de învățare automată antrenate pe volume mari de date.

Exemplu practic: Asistentul vocal care îți programează întâlniri, sistemul care recomandă produse într-un magazin online sau modelul care generează un rezumat al unui document — toate sunt forme de AI, dar foarte diferite ca arhitectură.

2. Machine learning (ML)

Subdomeniu al AI în care un sistem învață pattern-uri din date, fără a fi programat explicit pentru fiecare regulă. ML stă la baza recunoașterii imaginilor, traducerii automate, detectării fraudei și a tuturor modelelor moderne de limbaj.

Exemplu practic: Un sistem antifraudă care învață, din miliarde de tranzacții anterioare, ce comportament arată ca o tranzacție suspectă — fără să i se spună explicit „dacă suma > X, alertează".

3. Deep learning

Ramură a ML bazată pe rețele neuronale profunde (cu multe straturi). Deep learning este motorul majorității succeselor recente: traducere automată, recunoaștere facială, generare de imagini, modele de limbaj.

Exemplu practic: Modelul care identifică un tumor pe o radiografie sau cel care colorează automat fotografii alb-negru — ambele sunt aplicații de deep learning.

4. Rețea neuronală artificială

Arhitectură de calcul inspirată superficial de creier, compusă din „neuroni" artificiali organizați pe straturi. Fiecare neuron primește semnale, le ponderează și produce un output. Procesul de „antrenare" ajustează aceste ponderi.

Exemplu practic: Un model de clasificare a emailurilor în „spam" / „nespam" folosește o rețea neuronală care învață să recunoască semnalele caracteristice spam-ului.

5. Generative AI

Categorie de modele AI care generează conținut nou (text, imagini, audio, video, cod), spre deosebire de modelele „discriminative" care doar clasifică sau prezic. Toate modelele despre care vorbește presa în 2026 — Claude, GPT, Gemini, modelele de imagini — sunt generative.

Exemplu practic: Un model care scrie un articol pe baza unei descrieri, generează un logo pornind de la o idee sau creează muzică originală în stilul unui artist.

6. Model AI

Un fișier (de obicei foarte mare — sute de GB) care conține parametrii învățați după antrenare. Modelul este produsul final al procesului de învățare — îl folosești pentru a face predicții sau a genera conținut. „A folosi AI" înseamnă, tehnic, „a face apeluri către un model".

Exemplu practic: Claude Opus 4.7 este un model. Când îi trimiți o întrebare, modelul rulează un calcul matematic complex peste parametrii lui și produce un răspuns.

7. Foundation model (model de bază)

Model AI mare, pre-antrenat pe volume uriașe de date generale, care poate fi apoi adaptat (prin prompt sau fine-tuning) la sarcini specifice. Foundation models sunt fundația ecosistemului AI modern.

Exemplu practic: GPT-5.5, Claude Opus 4.7, Gemini 3.1 sunt foundation models. O bancă nu îți antrenează propriul foundation model — folosește unul existent și îl adaptează nevoilor ei.

8. Date de antrenare

Setul de exemple pe care modelul învață. Calitatea, volumul și diversitatea datelor de antrenare determină direct ce poate și nu poate face modelul. Bias-urile din date devin bias-urile modelului.

Exemplu practic: Un model de recunoaștere facială antrenat doar pe poze cu persoane caucaziene va avea performanțe mult mai slabe pe alte populații — clasic caz de bias din date.

9. Inferență

Procesul prin care modelul deja antrenat produce un rezultat pentru o intrare nouă. „Inferența" este momentul „de utilizare" a modelului, distinct de „antrenare". Costurile de producție ale AI sunt, în mare parte, costuri de inferență.

Exemplu practic: Când scrii o întrebare într-un chatbot și primești un răspuns, ai făcut o singură operație de inferență. Companii precum OpenAI sau Anthropic facturează exact aceste apeluri de inferență.

10. AGI (Artificial General Intelligence)

Concept teoretic care descrie o ipotetică AI capabilă să învețe și să rezolve orice sarcină intelectuală la nivel uman sau peste. AGI nu există încă — modelele actuale, oricât de puternice, sunt încă specializate. Discuția despre AGI este intens dezbătută în cercurile academice și de politică publică.

Exemplu practic: Când presa scrie „compania X susține că lansează un sistem aproape de AGI", trebuie luat cu mare rezervă — este o afirmație de marketing, nu o constatare științifică unanim acceptată.

Categoria 2 — Modele și arhitecturi

11. LLM (Large Language Model)

Model de limbaj de mari dimensiuni — categoria de modele care alimentează majoritatea produselor AI moderne. LLM-urile sunt antrenate pe sute de miliarde de cuvinte și învață să prezică următorul token. Acest mecanism simplu, scalat la dimensiuni uriașe, produce comportamente surprinzător de complexe.

Exemplu practic: Claude, GPT, Gemini, DeepSeek, LLaMA — toate sunt LLM-uri. Pentru o comparație practică, vezi Cum alegi modelul AI pentru business.

12. Transformer

Arhitectura de rețea neuronală introdusă de Google în 2017 (lucrarea „Attention Is All You Need") care a făcut posibilă revoluția modelelor de limbaj actuale. Toate LLM-urile moderne sunt, la bază, transformere.

Exemplu practic: „T"-ul din „GPT" vine de la „Transformer". Idem pentru BERT, T5, LLaMA. A înțelege ce e un transformer înseamnă a înțelege baza tehnică a întregului ecosistem LLM.

13. SLM (Small Language Model)

Model de limbaj de dimensiuni mici — un LLM compact, optimizat pentru rulare pe device-uri locale (laptop, telefon) sau pentru sarcini specifice unde un model uriaș ar fi exagerat. SLM-urile sacrifică ceva capabilitate generală în schimbul vitezei și costului redus.

Exemplu practic: Un model de 3-8 miliarde de parametri, care rulează direct pe MacBook, e perfect pentru clasificare de emailuri sau extracție de date — fără a avea nevoie de Claude Opus.

14. Modele multimodale

Modele care procesează și/sau generează mai multe tipuri de input simultan: text, imagini, audio, video, cod. Frontiera 2026 este multimodală — modelele moderne nu mai văd lumea doar prin text.

Exemplu practic: Trimiti unui model o poză cu un grafic și un fișier Excel, iar el îți extrage datele, calculează tendințele și îți generează un raport — totul într-un singur apel.

15. Modele open-source

Modele AI ale căror ponderi (weights) sunt publicate liber, astfel încât oricine le poate descărca, rula local, audita sau fine-tuna. Spre deosebire de modelele „închise" (precum cele de la OpenAI sau Anthropic), modelele open-source pot fi rulate complet pe infrastructură proprie.

Exemplu practic: Modelele Meta LLaMA, modelele Mistral și familia DeepSeek sunt referințe open-source — vezi DeepSeek: modelul AI open-source.

16. Mixture of Experts (MoE)

Arhitectură în care un model mare este compus din multe sub-modele specializate („experți"), dintre care doar câțiva sunt activați pentru fiecare interogare. Permite modele de dimensiuni uriașe care rulează totuși eficient.

Exemplu practic: Un MoE de 400 miliarde parametri totali poate activa doar 30 miliarde la fiecare inferență — astfel, costurile rămân gestionabile la o capabilitate enormă.

17. Modele de raționament (reasoning models)

Categorie de modele care își „arată calculul" — generează intern pași de gândire înainte de răspunsul final. Sunt notabil mai bune la matematică, logică, programare și sarcini multi-pas, în schimbul unui timp de răspuns mai mare.

Exemplu practic: O firmă care folosește un model de raționament pentru a verifica logica unui contract economic poate prinde inconsistențe pe care un model clasic le-ar trece cu vederea.

18. Modele de imagini și video (diffusion)

Modele specializate în generarea de imagini/video bazate pe procesul „de difuzie" — pornesc de la zgomot și îl „curăță" iterativ pentru a obține imaginea descrisă. Stau la baza tuturor generatoarelor moderne de imagini AI.

Exemplu practic: Un creator de conținut generează vizualuri pentru rețele sociale pornind de la o descriere text — vezi Generare de imagini cu AI: ghid practic.

Categoria 3 — Antrenare și reprezentări

19. Pre-antrenare (pre-training)

Faza inițială în care un model „învață lumea" prin expunere la volume uriașe de text neetichetat — cărți, articole, cod, dialoguri publice. Costă sute de milioane de dolari și durează săptămâni pe mii de GPU-uri.

Exemplu practic: Anthropic, OpenAI, Google sau Meta fac pre-antrenarea modelelor lor de bază. O companie mică nu pre-antrenează niciodată un foundation model de la zero — pornește de la unul existent.

20. Fine-tuning

Procesul prin care un model deja pre-antrenat este specializat pentru o sarcină sau domeniu prin antrenare suplimentară pe date specifice. Schimbă comportamentul intern al modelului, nu doar instrucțiunile pe care le primește la fiecare apel.

Exemplu practic: O firmă juridică face fine-tuning pe un model open-source folosind 10.000 de contracte adnotate, pentru a obține un model specializat pe stilul ei legal. Detalii practice în articolul Fine-tuning modele AI: când are sens.

21. RLHF (Reinforcement Learning from Human Feedback)

Tehnică prin care un model este aliniat la preferințe umane folosind oameni care evaluează răspunsuri și „învață" modelul ce e considerat „bun". Este metoda principală prin care ChatGPT și Claude au devenit mai utili și mai siguri decât modelele brute.

Exemplu practic: Echipele de „red team" rulează mii de scenarii adversariale, iar modelul învață, prin RLHF, să refuze cererile periculoase fără să devină prea restrictiv.

22. LoRA (Low-Rank Adaptation)

Metodă de fine-tuning eficientă din punct de vedere al costurilor — în loc să reantrenezi întreg modelul, antrenezi un set mic de „adaptori" care modifică doar selectiv comportamentul. Permite specializări multiple ale aceluiași model de bază.

Exemplu practic: O agenție de marketing creează 5 LoRA-uri diferite — câte unul pentru fiecare client major — care toate folosesc același model de bază, dar produc texte în vocea distinctă a fiecărui brand.

23. Distilare (model distillation)

Tehnică prin care un model mare „învață" un model mic să-l imite, transferând o parte din capabilități la o fracțiune din mărime și cost. Este motivul pentru care, în 2026, modele de 8 miliarde de parametri reușesc performanțe care, în 2023, cereau modele de 70+ miliarde.

Exemplu practic: O companie folosește un model mare doar pentru a antrena un model mic, apoi rulează modelul mic în producție — câștigând o reducere drastică de cost fără o pierdere semnificativă de calitate.

24. Embeddings

Reprezentări numerice ale textului (sau imaginilor, audio, etc.) în spații vectoriale, în care „distanța" dintre vectori reflectă similaritatea semantică. Embeddings sunt fundamentul căutării semantice, RAG-ului și sistemelor de recomandare moderne.

Exemplu practic: „Câine" și „lup" sunt aproape în spațiul embeddings (concepte similare); „câine" și „bicicletă" sunt departe. Acest mecanism permite căutări pe sens, nu doar pe potrivirea cuvintelor.

25. Token

Unitatea minimă pe care o procesează un LLM — de obicei o secvență scurtă de caractere, nu neapărat un cuvânt întreg. Tokenii sunt unitatea de „contorizare" în facturarea modelelor și determină dimensiunea contextului.

Exemplu practic: „Inteligența artificială" se poate descompune în 4-6 tokeni, în funcție de tokenizer. Când plătești pentru un model, plătești per 1.000 sau 1.000.000 de tokeni de input și output.

26. Context window (fereastra de context)

Numărul maxim de tokeni pe care un model îi poate „vedea" într-un singur apel — atât input, cât și output cumulate. În 2026, modele frontieră au ferestre de context de la 200K la 2M tokeni, ceea ce permite prelucrarea unor cărți întregi într-un singur apel.

Exemplu practic: Cu un context de 1M tokeni, poți alimenta modelul cu întreg codul unei aplicații medii și să-l rogi să facă code review — ceva imposibil în 2023, când limita era de 8K-32K.

Categoria 4 — Prompting și interacțiune

27. Prompt

Instrucțiunea în limbaj natural pe care o trimiți unui model AI. Calitatea promptului determină direct calitatea răspunsului. Un prompt poate fi o întrebare simplă sau o instrucțiune complexă cu context, exemple și constrângeri.

Exemplu practic: „Generează un email" este un prompt slab. „Generează un email formal de 150 cuvinte, în română, adresat unui client B2B care întârzie o plată de 60 de zile, cu un ton ferm dar prietenos" este un prompt bun.

28. Prompt engineering

Disciplina de a construi prompturi eficiente — știința și arta formulării instrucțiunilor astfel încât modelul să livreze constant rezultate predictibile și de calitate. Este competența cu cel mai bun raport efort/impact pentru profesioniștii care folosesc AI zilnic.

Exemplu practic: Diferența între un prompt amator și un prompt expert se poate traduce în 3-5x calitatea outputului, fără a schimba nimic la model. Detalii avansate în Tehnici Avansate de Prompt Engineering în 2026.

29. System prompt

Instrucțiunea „de bază" care setează rolul, comportamentul și constrângerile modelului pentru toată o conversație. Este invizibilă pentru utilizator, dar fundamentală pentru produsele AI bine construite.

Exemplu practic: Un chatbot bancar are un system prompt care îi spune: „Ești asistent virtual al băncii X. Răspunde doar la întrebări despre conturi, plăți, carduri. Refuză politicos orice altceva. Nu inventa informații."

30. Few-shot prompting

Tehnică prin care incluzi exemple în prompt pentru a-l ghida pe model spre formatul/stilul dorit. „Few-shot" înseamnă 2-5 exemple; „zero-shot" înseamnă fără exemple; „one-shot" înseamnă un singur exemplu.

Exemplu practic: Vrei ca modelul să clasifice reclamații. Îi dai 3 exemple („Problema X → Categoria A", „Problema Y → Categoria B", „Problema Z → Categoria C") și apoi o reclamație nouă. Acuratețea crește semnificativ față de varianta zero-shot.

31. Chain-of-thought (CoT)

Tehnică în care ceri modelului să-și expună pașii de raționament înainte de răspunsul final. Îmbunătățește dramatic performanțele pe probleme complexe — matematică, logică, raționamente multi-pas.

Exemplu practic: În loc de „Răspunsul este X", modelul scrie „Pasul 1: identific datele. Pasul 2: aplic formula. Pasul 3: verific rezultatul. Răspunsul este X". Erorile de logică devin mult mai rare.

32. Temperature

Parametru care controlează „aleatoritatea" outputului unui model. Temperature 0 → răspuns determinist, mereu același. Temperature 1+ → răspuns mai creativ, mai variat. Setarea corectă depinde de caz.

Exemplu practic: Pentru extracție de date dintr-un document (unde vrei rezultate consistente), folosești temperature 0. Pentru brainstorming de slogan-uri (unde vrei diversitate), folosești temperature 0.7-1.0.

33. Hallucinație (halucinație AI)

Fenomenul prin care modelul produce informații care par plauzibile dar sunt false — fabrică citate, atribuie date inventate unor surse reale, inventează studii. Este una dintre cele mai mari probleme practice ale LLM-urilor.

Exemplu practic: Un avocat folosește un model pentru a găsi precedente — modelul îi întoarce 5 cazuri perfect formate, cu nume, ani, instanțe... dintre care 2 sunt inventate. RAG-ul (vezi termenul 35) este principala metodă de reducere a halucinațiilor.

34. Guardrails

Mecanisme de protecție care filtrează atât input-ul (cererile utilizatorilor) cât și output-ul modelului, pentru a preveni comportamente nedorite: scurgeri de date, conținut toxic, ieșire din scopul aplicației.

Exemplu practic: Un sistem bancar verifică, înainte de a trimite răspunsul utilizatorului, că modelul nu a inclus date despre alți clienți sau informații confidențiale interne — și taie sau rescrie răspunsul dacă a făcut-o.

Categoria 5 — RAG, agenți și ecosistem

35. RAG (Retrieval-Augmented Generation)

Tehnică prin care modelul „caută" informații relevante într-o bază de cunoaștere proprie înainte de a răspunde — astfel răspunsurile sunt bazate pe sursele tale, nu pe ce „crede" modelul că știe. Cea mai eficace metodă de a combate halucinațiile pe date proprii.

Exemplu practic: Un chatbot intern al unei companii care răspunde corect la întrebări despre politici HR — pentru că nu „inventează", ci caută în documentele reale și citează sursele. Detalii complete în Ce este RAG și de ce revoluționează aplicațiile AI.

36. Vector database

Bază de date specializată pentru stocarea și căutarea rapidă în spațiul embeddings. Este componenta principală a oricărui sistem RAG. Exemple: Pinecone, Weaviate, Qdrant, Milvus, dar și extensii pentru PostgreSQL (pgvector).

Exemplu practic: O companie stochează toate manualele de produs ca embeddings într-o vector database. Când un utilizator pune o întrebare, sistemul găsește cele mai relevante paragrafe și le pasează modelului ca context.

37. Semantic search

Căutare bazată pe sens, nu pe potrivire exactă de cuvinte. Folosește embeddings pentru a returna rezultate relevante chiar dacă cuvintele exacte din interogare nu apar în document.

Exemplu practic: Cauți „cum returnez un produs defect" — căutarea semantică găsește și un articol intitulat „Procedura RMA pentru articole cu probleme tehnice", chiar dacă nu există nicio potrivire de cuvinte literale.

38. AI Agent

Sistem AI care nu doar răspunde, ci acționează — folosește instrumente, ia decizii multi-pas, navighează în mediul digital pentru a îndeplini un obiectiv. Agenții sunt evoluția naturală a LLM-urilor în 2026.

Exemplu practic: Un agent „research assistant" care, dat un subiect, navighează surse, sintetizează informații, salvează rezultatele într-un document și îți trimite un sumar. Detalii arhitecturale în Ce sunt AI Agents și de ce schimbă regulile jocului.

39. Function calling

Mecanism prin care un model poate „chema" funcții externe definite de developer — interogări de bază de date, apeluri API, calcule, trimitere de emailuri. Transformă LLM-ul dintr-un generator de text într-un orchestrator de acțiuni.

Exemplu practic: Un agent de e-commerce primește cererea „verifică stocul pentru SKU-ul 12345 și plasează comanda de 3 bucăți" — model decide că trebuie să cheme funcțiile check_stock() și create_order(), le execută în ordine și raportează rezultatul.

40. Tool use

Capabilitatea unui model AI de a folosi un set de „unelte" externe (function calls, browser, executor de cod, RAG, API-uri) într-o conversație. Este precondiția practică a construirii de agenți complecși.

Exemplu practic: Un model cu acces la unealta „execute_python" poate verifica un calcul matematic rulând efectiv cod în sandbox, în loc să se bazeze pe inferență internă predispusă la erori.

41. MCP (Model Context Protocol)

Standard deschis introdus în 2024 de Anthropic pentru a unifica modul în care modelele AI se conectează la surse externe de date și instrumente. MCP este pentru AI ce a fost USB-ul pentru periferice — un singur protocol în loc de zeci de integrări custom.

Exemplu practic: Un dezvoltator publică un „MCP server" pentru baza lui de date internă; orice client AI compatibil (Claude Desktop, IDE-uri, etc.) îl poate folosi imediat fără cod custom. Detalii complete în Ce este MCP (Model Context Protocol).

42. Agent autonom

Agent AI care funcționează cu intervenție umană minimă, pe sarcini complexe și de lungă durată — research, dezvoltare software, operațiuni de business. Cea mai disputată zonă a AI-ului în 2026, atât tehnic cât și etic.

Exemplu practic: Un agent care primește un raport de bug, navighează codul, identifică problema, scrie un fix, rulează testele și deschide un pull request — fără ca developerul să intervină în pașii intermediari.

Categoria 6 — Producție și operare

43. MLOps / LLMOps

Disciplina de a opera modele AI în producție: deployment, monitorizare, versionare, retragere, scalare, observabilitate. MLOps acoperă ML clasic; LLMOps adresează specificitățile LLM-urilor (caching, evals, prompt versioning, etc.).

Exemplu practic: Diferența între o echipă care „bagă în prod" un model și uită de el, și una care îl monitorizează, măsoară regresii, are pipeline-uri automatizate de evaluare — vezi MLOps de la prototip la producție.

44. Latency / TTFT (Time To First Token)

Metrici cheie de performanță pentru aplicații LLM. „Latency" total = timpul până la finalul răspunsului. TTFT = timpul până la primul token returnat (esențial pentru UX la streaming). Optimizarea ambelor este artă în 2026.

Exemplu practic: Un chatbot care răspunde în 300ms TTFT pare „instantaneu"; unul de 3 secunde pare „rupt". Utilizatorii nu mai tolerează diferența — UX-ul este, în 2026, criteriul principal de evaluare a unui produs AI.

45. Prompt caching

Tehnică de optimizare prin care părți repetate dintr-un prompt (system prompt, instrucțiuni, context lung) sunt cache-uite la nivel de provider, astfel încât apelurile ulterioare să nu reproceseze același input. Reducere de cost de 70-90% pentru aplicațiile cu prompturi mari și constante.

Exemplu practic: Un agent de cod care încarcă, la fiecare prompt, o bază de cunoștințe de 50K tokeni — fără caching, plătești la fiecare apel; cu caching, plătești integral doar prima dată, apoi un tarif redus drastic.

46. Evals (evaluations)

Suite automate de testare pentru sisteme AI — măsoară calitatea răspunsurilor pe seturi reprezentative de cazuri. Spre deosebire de testele clasice de software (output deterministic), evals trebuie să gestioneze variabilitatea probabilistică a LLM-urilor.

Exemplu practic: O echipă vrea să schimbe modelul folosit (Claude → GPT). Fără evals, „funcționează" e un sentiment subiectiv. Cu o suită de 200 de cazuri și criterii clare, decizia devine măsurabilă: „acuratețea scade cu 8%, costul scade cu 40%, decidem dacă e ok".

47. Fine-tune vs RAG vs Prompt

Trei pârghii distincte pentru a adapta un model la nevoia ta:

• Prompt: rapid, flexibil, dar limitat la ce încape în context
• RAG: aduce date proaspete și verificabile, fără modificare de model
• Fine-tuning: schimbă comportamentul intern, dar costă timp și bani

Exemplu practic: Pentru a face un asistent să cunoască 10.000 de documente interne — RAG. Pentru a-l face să scrie mereu în vocea unui brand specific — fine-tuning. Pentru o singură sarcină punctuală — prompt bun + few-shot.

Categoria 7 — Business, conformitate și etică

48. EU AI Act

Reglementare europeană intrată în vigoare etapizat în 2024-2027, care clasifică sistemele AI după nivelul de risc (interzise / risc înalt / risc limitat / risc minim) și impune obligații concrete furnizorilor și utilizatorilor. Are impact direct asupra oricărei companii care folosește AI în UE.

Exemplu practic: Un sistem AI care evaluează CV-uri în recrutare este „risc înalt" — necesită evaluare de conformitate, documentație, transparență și supervizare umană. Detalii pentru companii românești în EU AI Act 2026 pentru companii românești.

49. GDPR și AI

Regulamentul european de protecție a datelor se aplică integral și sistemelor AI. Folosirea datelor cu caracter personal pentru antrenare, inferență sau personalizare necesită bază legală, transparență, drepturi ale persoanei vizate (inclusiv dreptul de a nu fi supus deciziilor automate cu efect semnificativ).

Exemplu practic: O companie nu poate „bagă" istoricul de clienți într-un model AI partajat cu un furnizor extern fără analiză de impact, contract de procesare a datelor și (în multe cazuri) anonimizare prealabilă.

50. ROI AI (Return on Investment)

Măsură economică a valorii pe care o aduce o implementare AI: reducerea de cost, creșterea veniturilor, scurtarea timpului de execuție, calitatea îmbunătățită. ROI-ul „bun" la AI cere atât atribuire corectă a beneficiilor cât și contabilizarea reală a costurilor (inferență, integrare, mentenanță, conformitate).

Exemplu practic: O echipă raportează „economisim 100h/lună cu AI" — dar uită să adauge costurile de inferență, ore de prompt engineering, audit de conformitate. ROI-ul real se vede doar într-o analiză completă — vezi ROI-ul investiției în educație AI: cifre care conving.

Cum folosești acest dicționar AI mai departe

Citirea unui dicționar AI nu înlocuiește înțelegerea aplicată — îți dă vocabularul, dar nu reflexele. Pentru a transforma termenii în competențe practice, ai nevoie de două lucruri: context structurat (de ce contează acești termeni împreună) și antrenament repetat pe cazuri reale.

Cursuri-AI.ro este construit fix pentru asta. În funcție de profilul tău:

• Dacă lucrezi în IT și vrei să integrezi AI în produsele tale, începe cu cursul Introducere în AI Engineering pentru fundație, apoi continuă cu Advanced LLM Integration și RAG: Retrieval-Augmented Generation. Pentru fluxuri agentice avansate, există AI Agents și automatizare și MCP: Model Context Protocol.

• Dacă ești manager, antreprenor sau decident business, cursul AI pentru Lideri Business tratează exact deciziile, riscurile și oportunitățile reale — fără tehnicalități.

• Dacă lucrezi în marketing, vânzări, HR sau finanțe, găsești cursuri dedicate: AI în Digital Marketing, AI pentru Vânzări și CRM, AI în HR și Recrutare, AI în Finanțe și Contabilitate sau AI în Educație și Training.

• Pentru competențe transversale, foarte multe roluri câștigă din Prompt Engineering Masterclass — este, probabil, cursul cu cel mai bun raport efort/impact din întreaga platformă.

Fiecare curs are un profesor virtual AI integrat în fiecare lecție, care răspunde întrebărilor tale specifice — exact ca un mentor disponibil oricând ai nevoie.

Concluzie

Acest dicționar AI nu este o listă de termeni la modă — este harta minimă pe care trebuie să o ai în 2026 pentru a citi cu sens un articol despre AI, a participa la o întâlnire strategică sau a evalua o propunere de soluție tehnică.

Cei 50 de termeni de mai sus acoperă peste 90% din vocabularul pe care îl vei întâlni în munca obișnuită — de la „LLM" și „prompt" până la „MCP", „EU AI Act" sau „ROI AI". Dacă revii la acest articol ca referință și completezi treptat cu cursuri structurate pe profilul tău, peste 3-6 luni vei observa că termenii nu mai sunt cuvinte abstracte, ci concepte cu legătură directă în deciziile, produsele și carierea ta.

AI-ul nu mai este „viitorul" — este prezentul cu care lucrăm zilnic. Vocabularul corect este prima condiție ca să fii partener în această schimbare, nu spectator.