Un workflow AI pentru firme devine periculos exact atunci când pare „prea deștept” și primește libertatea să facă singur totul, de la interpretarea unei cereri până la trimiterea unei plăți sau modificarea unui registru intern. În procesele financiare și administrative, abordarea sănătoasă este alta: lași AI-ul să planifice, să clasifice și să pregătească datele, dar păstrezi execuția finală în mâna unor pași deterministici, validați și auditabili.
Această separare nu este o modă tehnică, ci o măsură de control. Anthropic face o distincție utilă între workflows și agenți: workflow-urile sunt sisteme în care modelele și tool-urile sunt orchestrate pe trasee de cod predefinite, iar pentru sarcini bine definite oferă predictibilitate și consistență. Exact de asta au nevoie fluxurile de facturi, aprobări, deconturi, cereri interne sau operațiuni recurente din back-office.
Ce înseamnă, concret, „planificare AI”? Într-un proces financiar sau administrativ, modelul poate avea un rol foarte util, dar limitat: citește un email sau un PDF, extrage câmpuri, clasifică tipul solicitării, rezumă documentele, propune următorul pas și semnalează ce informații lipsesc. De exemplu, într-un flux de procesare a facturilor, AI-ul poate identifica furnizorul, numărul documentului, data, suma, moneda și categoria probabilă. Într-un flux administrativ, poate tria cererile pe tipuri, poate extrage termenele sau poate propune cine trebuie să aprobe.
Problema apare când aceeași componentă este lăsată să execute direct acțiunea finală. Într-un workflow sănătos, execuția deterministă rămâne separată și este controlată de reguli clasice de aplicație. Asta înseamnă validare de schemă, verificarea câmpurilor obligatorii, reguli de business, calcule făcute în cod, validări de duplicate, verificări de plafon, aprobări umane și jurnalizare clară. Dacă suma nu corespunde, dacă lipsește un cod fiscal, dacă IBAN-ul nu trece verificările interne sau dacă documentul este procesat a doua oară, sistemul nu ar trebui să „negocieze” cu modelul. Ar trebui să oprească fluxul sau să îl trimită în revizuire.
Aici ajută mult și Structured Outputs din documentația OpenAI. Ideea de bază este simplă: modelul poate fi constrâns să returneze date care respectă o schemă JSON definită de aplicație. Asta reduce riscul ca modelul să omită un câmp obligatoriu sau să inventeze o valoare invalidă. Important este însă următorul pas: chiar dacă modelul produce un JSON corect, aplicația trebuie să valideze local acea structură și să decidă separat dacă datele pot merge mai departe spre ERP, contabilitate sau un sistem de ticketing.
Cu alte cuvinte, AI-ul poate propune, dar codul execută. Modelul poate spune „aceasta pare o factură de utilități care trebuie aprobată de managerul financiar”, însă nu modelul ar trebui să calculeze definitiv TVA-ul, să facă reconcilierea contabilă, să lanseze plata sau să schimbe statusul final într-un sistem critic fără controale suplimentare. În procesele sensibile, OpenAI recomandă și human in the loop: acolo unde miza este mare, ieșirea modelului trebuie revizuită de un om înainte de utilizarea practică.
În zona financiară, mai există o regulă esențială: execuția trebuie să fie idempotentă. Documentația Stripe explică de ce: aceeași cerere retrimisă cu aceeași cheie de idempotentă trebuie să întoarcă același rezultat, tocmai pentru a evita executarea dublă a aceleiași operațiuni. Pentru firme, ideea se traduce foarte clar: dacă un workflow AI reprocesează un email, reia un webhook sau retrimite o cerere după o eroare de rețea, sistemul nu trebuie să înregistreze aceeași factură de două ori și nici să inițieze două plăți pentru același caz.
Cum arată arhitectura practică? Mai întâi, AI-ul citește și structurează informația. Apoi, un validator determinist verifică schema și regulile de bază. După aceea, un motor de business decide traseul: aprobare automată doar pentru cazuri cu risc mic și date complete, aprobare umană pentru excepții, blocare pentru anomalii sau lipsuri. Abia la final, componenta deterministă execută scrierea în sistem, cu log, identificator unic și posibilitate de audit.
Această separare aduce trei beneficii reale. Primul este controlul: știi exact unde modelul doar sugerează și unde sistemul chiar acționează. Al doilea este auditabilitatea: poți arăta cine a propus, cine a validat și cine a executat. Al treilea este reducerea riscului operațional: limitezi erorile de interpretare, duplicările și deciziile greu de explicat.
Pentru firmele din România, lecția practică este simplă: folosește AI-ul ca strat de înțelegere și pregătire a datelor, nu ca buton invizibil care finalizează singur operațiuni sensibile. Într-un workflow financiar sau administrativ matur, planificarea poate fi asistată de AI, dar execuția finală trebuie să rămână deterministă, verificabilă și, unde este cazul, aprobată de un om.
