Andreea Pleşea, PhD, COO și Co-fondatoare a Druid AI – Seria de interviuri

Andreea Pleşea, PhD, COO și Co-fondatoare a Druid AI, este o executivă în tehnologie și antreprenoare cu aproape două decenii de experiență în inginerie software, tehnologie enterprise, inteligență artificială, operațiuni și succes al clienților. De la co-fondarea Druid AI, a ocupat mai multe poziții de conducere senioră în organizație, inclusiv Chief Operating Officer, Chief Revenue Officer și Chief Customer Success Officer, acumulând experiență atât pe partea tehnică, cât și pe cea comercială a scalării unei companii de software enterprise. Înainte de Druid AI, Pleşea a petrecut aproape un deceniu la TotalSoft, evoluând de la programator .NET la Software Development Manager și în final la Charisma Business Applications Director, unde a supervizat dezvoltarea de produse, implementarea, suportul tehnic, arhitectura de soluții și responsabilitățile de P&L. Background‑ul său academic include și cercetare în AI la Universitatea din Roma Tor Vergata, unde a colaborat cu grupul de cercetare în Inteligență Artificială al universității pe tehnologii pentru extragerea și structurarea informațiilor din date nestructurate. De asemenea, face parte din Consiliul Consultativ al Women in Tech Romania.

Druid AI este o companie enterprise AI concentrată pe construirea și orchestrarea agenților AI care pot automatiza procese de afaceri complexe în cadrul organizațiilor. Platforma sa combină înțelegerea limbajului natural, AI generativ, generare augmentată prin recuperare (RAG), integrări enterprise, automatizare a fluxurilor de lucru, analitice și guvernanță, cu Druid Conductor coordonând multiple agenți specializați și sisteme pentru a atinge rezultate de business. Organizațiile pot conecta agenții Druid la sisteme precum planificarea resurselor enterprise (ERP), managementul relațiilor cu clienții (CRM), managementul serviciilor IT (ITSM) și platforme de resurse umane, implementând tehnologia în medii cloud, hibride, on‑premise sau izolate. Compania afirmă că tehnologia sa este utilizată de peste 300 de clienți enterprise și susținută de peste 200 de parteneri globali, cu aplicații în domenii precum suport pentru angajați, servicii clienți, sănătate, învățământ superior și servicii partajate.

Ai co-fondat Druid AI în București în 2018, după aproape un deceniu petrecut la TotalSoft, unde ai evoluat de la dezvoltare .NET la conducere senioră în tehnologie și afaceri. Ce te-a convins atunci că AI conversațional ar putea deveni un strat de bază al tehnologiei enterprise și cum a evoluat acea viziune inițială pe măsură ce Druid a trecut la AI agentic? 

Convergența a două căi distincte – rigurozitatea academică și durerea practică a întreprinderilor – mi-a modelat gândirea în timpul doctoratului. Totuși, nu până când Liviu Dragan, un lider extrem de vizionar, a propus ideea de a înființa Druid AI, nu am realizat cum cercetarea mea ar fi putut în cele din urmă fi aplicată în viața reală.

Între 2008 și 2011, cercetarea mea de doctorat s‑a concentrat pe agenți AI autonomi care comunică prin tehnologii web semantice și ontologii, explorând modul în care sistemele inteligente ar putea înlocui sau să se suprapună peste software‑ul tradițional enterprise. La scurt timp după aceea, activitatea în conducerea tehnologiei enterprise mi-a expus o realitate dură: ceream angajaților să gestioneze o complexitate insuportabilă.

Finalizarea unei singure sarcini de rutină presupunea să știi ce aplicație să deschizi, unde se află datele, ce politică se aplică și cine deține următorul pas. Între timp, în afara biroului, mesageria devenea interfața dominantă pentru interacțiunea umană.

Când am înființat Druid AI în 2018, viziunea noastră era simplă, dar ambițioasă: să oferim fiecărui angajat și client un asistent virtual capabil să orchestreze munca în întreaga întreprindere.

După aproape un deceniu, acea viziune de bază nu s‑a schimbat – tehnologia pur și simplu a ajuns la nivelul ei. AI conversațional se axa în mare parte pe recunoașterea intențiilor, recuperare și declanșarea de scripturi statice. AI agentic schimbă limita delegării. Agenții moderni evaluează obiectivele, colaborează cu sub‑agenți specializați, navighează prin sisteme disparate și execută autonom fluxuri de lucru complexe, în mai mulți pași.

Pentru noi, revoluția agentică actuală nu reprezintă o schimbare strategică de la AI conversațional. Este realizarea naturală a tezei noastre fondatoare: tehnologia enterprise trebuie să devină mai simplă pentru oameni, pentru a-i ajuta să finalizeze sarcinile, chiar dacă orchestrarea din spatele scenei devine infinit mai sofisticată.

O mare parte a industriei AI s‑a concentrat pe construirea de modele de bază din ce în ce mai puternice, în timp ce Druid AI s‑a axat pe conectarea diferitelor modele la datele, sistemele și fluxurile de lucru enterprise. Pe măsură ce modelele devin din ce în ce mai interschimbabile, credeți că orchestrarea va deveni un avantaj competitiv mai important decât modelul de bază în sine?

La Druid AI, misiunea noastră de bază este simplă: să extragem extraordinarul din fiecare interacțiune umană prin realizarea eficientă a sarcinii. Dar pe măsură ce piața maturizează, cheia pentru a livra această valoare se îndepărtează de stack‑ul tehnologic de bază.

Observăm un model clasic în tehnologia enterprise: capabilitățile care odată erau diferențiatori timpurii se commodifică rapid. Astăzi, modelele de bază sunt accesibile fiecărui jucător. Întreprinderile vor implementa inevitabil o matrice hibridă de modele selectate pentru performanță, cost, securitate sau cerințe de reglementare specifice. Pe măsură ce inteligența devine o marfă, câmpul de luptă strategic se mută în susul stack‑ului.

Astăzi, cele mai dificile probleme în AI enterprise se referă la contextul de execuție: guvernanță și acces (ce date poate atinge AI‑ul și sub ce politici), rutare agentică (care agent specializat ar trebui să gestioneze o anumită sarcină), integrarea sistemelor (cum coordonează în siguranță multiple sisteme tranzacționale), autonomie vs. control (când poate un agent acționa independent și când este necesară aprobarea umană), auditabilitate (dacă un flux de lucru eșuează, poți reconstrui pas cu pas lanțul decizional).

De aceea, orchestrarea a devenit levierul strategic suprem. Modelele generează inteligență, dar întreprinderile au nevoie de execuție fiabilă.

Druid AI este construit pentru a servi ca acel strat de control și orchestrare definitiv. Leagă în siguranță diferite modele de date enterprise, fluxuri de lucru și oameni. În mod crucial, oferă cadrul de referință pentru a măsura eficacitatea execuției, evaluând rezultate de business reale.

Pe termen lung, întrebarea câștigătoare nu va fi, “Ce model utilizați?” Ci, “Cât de eficient puteți transforma inteligența brută în muncă finalizată pentru angajații și clienții dumneavoastră?”

Druid Conductor poate coordona multiple agenți specializați în recuperarea cunoștințelor, logica decizională și acțiuni de sistem. Ce devine tehnic dificil când o întreprindere trece de la un singur asistent AI care răspunde la întrebări la multiple agenți care pot executa independent procese de afaceri în mai mulți pași?

Trecerea de la interfețe conversaționale simple la arhitecturi multi‑agent schimbă fundamental provocarea ingineristică. Încetezi să gestionezi o conversație liniară și începi să administrezi un sistem distribuit de decizie și execuție.

Cu un singur asistent Q&A, obstacolele de bază sunt recunoașterea intenției, recuperarea și generarea răspunsului cu un nivel înalt de acuratețe. Ecosistemele multi‑agent introduc o clasă complet diferită de sisteme distribuite și întrebări:

1. Ce agent deține autoritatea de a acționa și cum preveniți devierea domeniului?
2. Cum se menține starea pe măsură ce responsabilitatea este transferată între agenți?
3. Cum se reconciliază deciziile contradictorii dintre agenții specializați?
4. Cum moștenesc sub‑agenții permisiunile de acces în mod dinamic și sigur?

Aceste provocări se amplifică când sunt aplicate la infrastructura enterprise din viața reală. Un singur flux de lucru poate cuprinde un CRM, ERP, platformă de gestionare a identității, sistem de ticketing și baze de date moștenite. Fiecare operează sub logică de business și moduri de eșec distincte, dar în final agentul conductor trebuie să finalizeze sarcina corect.

Dacă pasul patru dintr-un proces în șase pași eșuează după ce trei sisteme au executat deja modificări tranzacționale, un pipeline agentic de bază se prăbușește. Stratului de orchestrare nu îi este permis să arunce pur și simplu o eroare generică. Trebuie să gestioneze starea, să execute rollback‑uri dacă este necesar, să determine dacă există rutare alternativă sau să escaladeze grațios intervenția umană în buclă.

Orchestrarea enterprise adevărată înseamnă gestionarea stării, consistență tranzacțională, observabilitate, aplicarea politicilor și autonomie sigură. Scopul acestei complexități de bază este simplitatea: să ofere o interacțiune unică, fără fricțiune, în care sarcinile complexe multi‑sistem sunt pur și simplu finalizate.

Druid AI a alimentat deja peste un miliard de conversații prin mii de agenți implementați. La această scară, ce ați învățat despre AI enterprise care ar fi fost imposibil de descoperit din piloturi sau demonstrații controlate?

Producția te învață rapid umilința.

Un pilot este, în mod normal, un mediu relativ controlat. Cazul de utilizare este definit, datele sunt destul de curate, utilizatorii sunt cunoscuți și, de obicei, există o echipă de proiect care monitorizează îndeaproape.

Producția nu se comportă deloc așa. Oamenii pun aceeași întrebare în douăzeci de moduri diferite. Își schimbă opinia pe parcursul unei conversații. Oferă informații incomplete. Schimbă limba sau subiectul. Interacționează în momente neașteptate. Politicile se modifică. API‑urile eșuează. Sistemele de back‑end încetinesc. Apare noi cazuri limită pe care nimeni nu le-a anticipat în designul inițial. Un lucru este sigur: așteptarea utilizatorilor este să finalizeze o sarcină eficient, fără întreruperi și într-un mod natural. Fie că este vorba de text, dar mai ales de voce, conversația ar trebui să curgă natural, fără latență; să pară într-o anumită măsură empatică și să îndeplinească sarcina sugerând cele mai bune opțiuni și pași următori, sau să trateze excepțiile și buclele uman când este necesar.

Unele dintre cele mai valoroase automatizări provin din a face lucruri relativ obișnuite excepțional de bine și a le repeta de sute de mii de ori: răspunsul la o întrebare a unui angajat, verificarea unui cont, reprogramarea unei programări, rezolvarea unei cereri IT sau extragerea informației corecte dintr-un sistem enterprise. Acest lucru ne-a schimbat percepția asupra valorii AI.

A doua lecție este că lansarea în producție este doar începutul unui ciclu de învățare. Trebuie să observi ce cer utilizatorii, ce intenții cresc, unde eșuează conversațiile, unde oamenii escaladează și, uneori, unde procesul de business de bază trebuie să se schimbe.

Și poate cea mai importantă lecție este că încrederea este operațională, deoarece întreprinderile au încredere în AI deoarece, în timp, acesta se comportă predictibil, excepțiile sunt gestionate corect, deciziile sunt vizibile și organizația rămâne sub control.

Datele de producție ale Druid indică faptul că un număr relativ mic de fluxuri de lucru poate reprezenta cea mai mare parte a utilizării reale a AI enterprise. Indică acest lucru că firmele ar trebui să își concentreze inițial investiția în AI pe un număr restrâns de fluxuri de lucru cu volum mare, în loc să încerce o transformare largă la nivelul întregii întreprinderi?

Unul dintre cele mai clare modele în datele noastre de producție este că cererea tinde să se concentreze. În sectorul serviciilor financiare, de exemplu, trei categorii de fluxuri de lucru reprezintă aproximativ 90% din utilizarea în producție. În învățământul superior, concentrarea este și mai mare. Acest lucru ne spune ceva important despre modul în care companiile ar trebui să abordeze transformarea AI. Am analizat aceste informații și am elaborat rapoarte de referință pentru învățământul superior, sănătate și banking, care permit partenerilor și clienților noștri să identifice procesele care ar genera eficiență și să projeteze modul în care oamenii vor interacționa cu agenții.

Există o tentație, în special la nivel de consiliu, de a începe cu o cerere foarte largă: „Trebuie să folosiți AI sau rămânem în urmă.” Echipa operațională trebuie apoi să se străduiască să identifice sarcinile potrivite pe care agenții le pot îndeplini, temându-se totodată să nu-și piardă locurile de muncă. Deci, care ar fi echilibrul potrivit și cum ar putea angaja agentul AI potrivit pentru a face munca ÎMPREUNĂ cu ei, maximizând KPI‑ul pe care consiliul îl așteaptă?

Începeți acolo unde există potențial de creștere a veniturilor și/sau reducere a costurilor, activități pe care oamenii le efectuează în mod repetat. Dacă mii de clienți, angajați, studenți sau pacienți încearcă în mod repetat să obțină același rezultat, aveți o bază măsurabilă și o oportunitate puternică de a demonstra valoarea.

Dar există o distincție importantă: începeți restrâns, proiectați pe scară largă.

Primele cazuri de utilizare pot fi concentrate. Platforma de bază trebuie să fie capabilă să se extindă în întreaga întreprindere. Dovediți economia, modelul de guvernanță, integrările și mecanismele de escaladare umană pe un număr restrâns de fluxuri de lucru semnificative. Apoi extindeți în procese adiacente folosind cunoștințele acumulate.

Volumul nu ar trebui să fie singurul criteriu. Un flux de lucru cu frecvență redusă poate fi totuși extrem de valoros dacă fiecare rezolvare de succes are un impact financiar sau operațional semnificativ.

Pe măsură ce întreprinderile se concentrează tot mai mult pe rezolvarea cu succes în loc să maximizeze procentajul interacțiunilor gestionate fără intervenție umană, cum ar trebui organizațiile să determine ce decizii poate lua autonom un agent AI și unde escaladarea umană trebuie să rămână obligatorie?

Druid AI a creat un cadru de evaluare care acoperă 26 de criterii și asigură o evaluare obiectivă a orchestrării agentice, de la modul în care a fost construit până la cum finalizează sarcina.

Dacă o acțiune este reversibilă, cu risc relativ scăzut, guvernată de reguli clare și susținută de informații fiabile, există un argument puternic pentru autonomie. Reprogramarea unei programări cu parametri predefiniți este foarte diferită de luarea unei decizii clinice și poate părea simplă. Totuși, trebuie să se ia în considerare numeroase elemente pentru a fi realizată eficient: de exemplu, dacă doctorul B are un interval liber, dar dorește să îl blocheze, agentul AI nu ar trebui să reprogramze o programare a pacientului în acel interval doar pentru că sarcina este de a maximiza acoperirea calendarului doctorului.

Există mai multe dimensiuni pe care le-aș analiza: consecința financiară sau umană a unei erori, dacă acțiunea este reversibilă, completitudinea și calitatea informațiilor disponibile, cerințele de reglementare și dacă este necesar un judecată umană autentică sau empatie. Apoi proiectați escaladarea în mod intenționat.

Aici cred că unele gândiri timpurii privind automatizarea AI au fost prea simpliste. Scopul a devenit „a conține cât mai multe interacțiuni posibil fără a implica un om”. Dar în multe procese, escaladarea este exact rezultatul corect.

De aceea prefer să gândesc în termeni de rezolvare guvernată, nu de simplă conținere.

Obiectivul este ca AI să rezolve autonom munca pe care trebuie să o rezolve, să recunoască situațiile în care nu ar trebui să acționeze și să introducă o persoană în proces cu contextul relevant deja pregătit.

Odată ce agenții AI pot recupera informații sensibile, actualiza sisteme enterprise și iniția acțiuni în lumea reală, observabilitatea și guvernanța devin mult mai relevante. Ce ar trebui să poată audita companiile privind raționamentul, accesul la date și acțiunile unui agent înainte de a avea încredere în el pentru fluxuri de lucru critice?

Conform ghidurilor Gartner, DRUID are un cadru de evaluare integrat care analizează agenții din 5 perspective: toleranța la erori, risc, conformitate, observabilitate și abatere. În cadrul acestor categorii, avem în total 26 de componente. Fiecare are o definiție, un artefact pe care îl poți deschide și o măsură.

Când evaluezi un agent, platforma ar trebui să poată reconstrui lanțul complet de la cererea inițială a utilizatorului până la sistemul final de acțiune. Aceasta înseamnă să știe care agent a gestionat cererea, ce model a fost utilizat, ce context a primit modelul, ce informații enterprise au fost recuperate, ce reguli de business sau politici au fost aplicate, de ce a fost selectată o anumită rută sau acțiune și exact ce s‑a schimbat în sistemele subiacente. Zecile de interacțiuni auditate sunt urmărite, analizate și măsurate.

Identitatea este la fel de importantă. Un agent AI nu ar trebui să devină niciodată o scurtătură în jurul controlului de acces enterprise. Trebuie să știi cine a inițiat cererea, la ce era autorizată persoana respectivă să vadă sau să facă și dacă agentul a rămas exact în acele limite.

În arhitecturile multi‑agent, trasabilitatea devine și mai importantă. Ce agent a delegat unui alt agent? Ce informații au traversat acea limită? De unde a provenit decizia? Ce componentă a executat efectiv acțiunea? Și apoi există dovezi operaționale: marcaje temporale, semnale de încredere, rezultate ale execuției, excepții, evenimente de escaladare și capacitatea de a înțelege sau reda ce s‑a întâmplat.

Acesta este unul dintre cele mai mari schimbări pe măsură ce trecem de la AI conversațional la AI agentic.

Când AI răspunde doar la o întrebare, observabilitatea este utilă. Când AI poate modifica o înregistrare a clientului, declanșa o plată, actualiza multiple sisteme de evidență sau iniția un proces de business, observabilitatea devine parte a arhitecturii de control.

Ai ocupat o gamă neobișnuit de largă de roluri la Druid AI, de la dezvoltare, operațiuni, venituri și succes al clienților. Cum a modelat colaborarea directă cu clienții perspectiva ta privind motivul pentru care unele implementări AI enterprise generează valoare măsurabilă, în timp ce altele rămân blocate în modul pilot?

Mi-am început cariera ca dezvoltator și, ca mulți ingineri, am avut inițial instinctul puternic că, dacă tehnologia este suficient de bună, valoarea ei ar trebui să fie evidentă. Clienții te învață foarte repede că nu este așa cum funcționează tehnologia enterprise.

O implementare tehnic sofisticată poate totuși să genereze foarte puțină valoare dacă problema de business nu este suficient de importantă, dacă proprietarul procesului este absent, dacă integrarea este tratată ca o idee ulterioară sau dacă nimeni nu a convenit ce înseamnă succesul. Clienții sunt extrem de buni la a elimina narațiunea tehnologică. Nu le pasă cât de elegant este ceva din punct de vedere arhitectural dacă procesul de care sunt responsabili nu s‑a îmbunătățit.

Când vorbim despre implementări la această scară, există un proprietar de business cu o problemă reală de rezolvat. Există un volum măsurabil, cost/venit sau fricțiune. AI-ul este conectat la sistemele în care munca are loc efectiv. Și există un plan de adoptare și îmbunătățire continuă după lansarea în producție. Piloturile rămân adesea piloturi pentru că demonstrează că tehnologia funcționează fără a demonstra că modelul operațional funcționează. De aceea, ori de câte ori soluționăm un proiect AI, instruim personalul și partenerii să înțeleagă mai întâi munca, nu clicurile pe care utilizatorii le fac în sistem. „Munca” înseamnă întregul proces, cum tratează excepțiile, care este rezultatul, cât de frecvent apar excepțiile, ce le împiedică să crească productivitatea, cât durează și ce efort este necesar pentru a obține o creștere a productivității dacă munca nu ar fi automatizată.

Cariera mea a traversat tehnologia, operațiunile, vânzările, succesul clienților și construirea companiei, iar acum văd această diversitate ca unul dintre cele mai mari avantaje ale mele. Tehnologia te învață cum funcționează ceva. Vânzările te învață de ce cineva va plăti pentru asta. Succesul clienților te învață dacă funcționează în lumea reală. Operațiunile te învață dacă organizația poate livra în mod repetat și la scară.

În multe feluri, evoluția Druid AI a urmat același parcurs: de la demonstrarea că AI conversațional poate funcționa, la demonstrarea că poate crea valoare, până la construirea infrastructurii necesare pentru a face agenții inteligenți de încredere la scară enterprise.

Ai fost implicată și în Women in Tech Romania în timp ce construiai Druid ca o companie AI internațională. Unde vezi în continuare cele mai mari bariere pentru femeile care fondă și conduc companii AI și ce ar crește semnificativ reprezentarea lor la nivel executiv și de fondatoare? 

Datele recente evidențiază un decalaj izbitor în tehnologia europeană: doar 5% dintre startup‑urile AI sunt fondate sau co-fondate de femei, iar doar jumătate dintre aceste fondatoare dețin un PhD. Deși statisticile sunt alarmante, abordarea acestei disparități necesită să privim dincolo de narațiunile tradiționale despre discriminarea de gen.

În esență, antreprenoriatul este o căutare individuală modelată de personalitate, toleranța la risc, priorități personale și alegeri de carieră. În loc să o privim doar ca pe o barieră socială, trebuie să examinăm lanțul practic prin care se formează fondatorii.

Deși fetele sunt statistic mai puțin atrase de disciplinele tehnice în perioada timpurie, o barieră mult mai semnificativă și mai puțin discutată apare mai târziu în carierele corporative: expunerea la deținerea completă a afacerii.

Femeile excelează frecvent ca specialiști tehnici de clasă mondială și lideri funcționali. Totuși, mai puține fac tranziția către roluri cu responsabilitate directă de venit, management de P&L, luare de decizii comerciale și strategie corporativă globală. Acestea sunt exact mușchii operaționali necesari pentru a fonda și scala o companie de tehnologie enterprise.

Traseul meu personal de la dezvoltare software la CEO nu a fost o linie dreaptă, ci o serie de tranziții prin conducere, operațiuni, execuție comercială și, în final, construirea companiei. În medii precum sistemul de învățământ românesc, unde educația financiară practică și formarea antreprenorială lipseau pentru toată lumea, indiferent de gen, învățarea navigării riscului de afaceri a fost un proces pas cu pas de expunere.

Depășirea acestui decalaj necesită, de asemenea, demontarea unui mit comun: ideea că leadershipul în tehnologie cere stăpânire absolută înainte de a avansa. În era AI‑ului rapid, nimeni nu deține toate răspunsurile. Trăsăturile definitorii ale leadershipului astăzi sunt curiozitatea, învățarea continuă și încrederea de a aborda probleme complexe înainte ca rezultatul să fie garantat.

Pentru a vedea mai multe femei care conduc companii de tehnologie, trebuie să extindem accesul la rețele comerciale, să promovăm modele vizibile și să încurajăm activ talentul experimentat să iasă din silozurile funcționale, să preia responsabilitatea de P&L și să accepte riscurile deținerii unei afaceri.

Privind spre viitor, ce crezi că va separa platformele AI enterprise care se vor încorpora profund în operațiunile de business de numeroasele produse AI care în cele din urmă nu reușesc să treacă de faza de experimentare?

Linia de separare va fi dacă pot trece de la inteligență la execuție de încredere.

Generarea unui răspuns impresionant devine deja relativ ușoară. Operarea fiabilă în interiorul unei mari întreprinderi este o altă poveste.

Platformele care se vor încorpora în operațiunile de business vor trebui să se conecteze în siguranță la sistemele existente, în loc să ceară companiilor să înlocuiască tot ce folosesc deja. Ele vor trebui să funcționeze peste diferite modele și tehnologii.

Vor avea nevoie de orchestrare capabilă să coordoneze agenți, fluxuri de lucru și decizii umane. Și vor necesita identitate, guvernanță, observabilitate și control încorporate în arhitectură, nu adăugate ulterior.

Dar există o altă cerință care, cred eu, va separa tot mai mult experimentele de infrastructură: fiabilitatea în condiții imperfecte. O demonstrație îți arată ce poate face un sistem AI când totul funcționează, dar o întreprindere vrea să știe ce se întâmplă când ceva nu merge.

Ce se întâmplă când datele sunt incomplete? Când un API eșuează? Când două politici intră în conflict? Când încrederea este scăzută? Când un utilizator cere ceva pentru care nu este autorizat?

Dacă un agent performează excelent 90% din timp, dar se comportă imprevizibil în restul de 10%, nu îi poți încredința responsabilitatea unui proces critic.

În ultimii câțiva ani, întrebarea dominantă a fost: „Ce poate face acest model?”

Întrebarea enterprise devine