Rob Collie, CEO și Fondator al P3 Adaptive și Autor al cărții Fair Game – Serie de Interviuri

Rob Collie este fondatorul și CEO-ul P3 Adaptive, un Microsoft Solutions Partner pentru Date și AI care deservește sute de clienți din segmentul mediu și Fortune 1000. Fost lider de inginerie la Microsoft în echipele Excel, Bing și Power BI, Rob a condus valul Power BI după ce a părăsit Microsoft și a scris trei cărţi anterioare despre afaceri și tehnologie (peste 92.000 de exemplare vândute). De asemenea, găzduiește podcastul Raw Data with Rob Collie. A patra sa carte, Fair Game: Customizing AI to Your Business Is Easier Than You Think (august 2026), aduce acea credibilitate de practician în momentul AI.

Ai petrecut peste un deceniu la Microsoft ajutând la dezvoltarea funcţiilor de business intelligence în Excel și Power BI înainte de a fonda P3 Adaptive în 2013. Cum a influențat această tranziție, de la construirea de software în interiorul Microsoft la rezolvarea problemelor de date pentru clienţi, perspectiva ta actuală asupra AI‑ului în enterprise?

Când conduceam echipe de produs la Microsoft, construisem software care trebuia să funcționeze pentru întreaga lume și nu putea fi adaptat nevoilor unui client specific. Îl numeam „comandarea unei pizza ale cărei ingrediente să fie acceptabile pentru 300 de milioane de oameni”. Există, inevitabil, o atmosferă de „cel mai mic numitor comun” în acel rol, precum și o anumită distanță față de clienții individuali.

Există un prestigiu evident în a lucra pe o scenă atât de mare, dar nu era deloc la fel de satisfăcător din punct de vedere emoțional ca să ajuţi clienţi specifici să îşi realizeze ambiţiile unice. Lucrând îndeaproape cu un client, avem șansa să ne implicăm în succesul său și să explorăm soluții creative care nu ar încăpea niciodată în modelul „unul‑pentru‑toţi” al marelui software. Este mult mai stimulant intelectual în multe feluri, iar conexiunea directă cu clienţii noştri face ca succesele să fie mult mai împlinitoare.

Dar există și o responsabilitate mai mare. La Microsoft, un singur client nemulțumit era doar o statistică, iar eu treceam cu vederea plângerile zilnice ca parte a simplului meu job. La P3 Adaptive, un singur client nemulțumit înseamnă că am eșuat. Nu există statistici. Avem o responsabilitate față de fiecare relație în parte.

Am învățat multe lucruri valoroase la Microsoft și nu aș schimba acea experiență pentru nimic, dar adesea mă descriu ca un „software engineer în recuperare”, deoarece succesul acum înseamnă să operezi foarte diferit.

Și exact prin această lentilă privesc AI‑ul în enterprise. AI‑ul „off‑the‑shelf” este pizza supremă pentru 300 de milioane de persoane – o adevărată minune, proiectată să fie utilă fiecărui individ, dar neadaptată nimănui. Însă succesul AI‑ului organizatoric va veni din personalizare – din apropierea unei companii specifice și adaptarea AI‑ului la datele sale, la procesele sale, la definiţiile sale. Am petrecut cariera pe ambele părţi ale acestei diviziuni și nu am nicio îndoială că AI‑ul în enterprise va câștiga prin personalizare.

În Fair Game, susții că multe companii au abordat inteligența artificială în sens invers, distribuind licențe de chatbot de uz general în loc să construiască sisteme care înțeleg operațiunile lor. Unde atinge limitele asistenților AI „off‑the‑shelf” și ce semnale indică faptul că o afacere are nevoie de ceva personalizat?

AI‑ul „off‑the‑shelf” are un doctorat în tot, cu excepţia afacerii tale. A citit întregul internet, dar internetul nu conţine definiţia companiei tale pentru „client activ”, logica de preţuri, procesele operaţionale şi care dintre cele două sisteme să fie de încredere când se contrazic. Acea cunoaștere nu va fi niciodată publică. Astfel, AI‑ul generic, care excelează în uz personal, nu reuşeşte în utilizarea reală de business, iar diferenţa dintre cele două experienţe este descurajantă și confuză.

Astăzi, practic răspunsul tuturor la „ce să facem cu AI‑ul” a fost „cumpăraţi abonamente și vedeţi”. Cred că este un prim pas firesc, așa că nu critic pe nimeni care a făcut asta. În schimb, sunt empatic – nimeni nu îşi ia cu adevărat timpul să explice că abonamentele „off‑the‑shelf” nu sunt suficiente, nici de ce. Prin urmare, cred că afacerile sunt, în esenţă, exact acolo unde ar trebui să fie – încearcă soluţia disponibilă și încep să înţeleagă că nu este suficientă.

Soluţia nu constă în a modifica modelul AI – nu trebuie să devii cercetător LLM. Totul este în jurul modelului: datele tale, instrucţiunile scrise în engleză simplă și software‑ul obișnuit. Când te surprinzi tastând acelaşi context într-un chatbot pentru a cincea oară în această săptămână, acesta este semnalul. Orice continui să reexplici este exact ceea ce un sistem personalizat ar trebui să ştie deja – de fiecare dată când se trezeşte.

Foloseşti termenul „Crafters” pentru a descrie profesionişti de business familiarizaţi cu datele, care pot construi sisteme AI personalizate valoroase fără a fi dezvoltatori software tradiţionali. Ce caracteristici disting un Crafter și cum pot liderii să identifice aceste persoane în forţa de muncă existentă?

Un Crafter este cineva născut cu dorinţa de a rezolva probleme cu unelte. Aproximativ unul din 16 de lucrători cu cunoştinţe are această fire, în experienţa mea. Au fost utilizatorii avansaţi de Excel, apoi generaţia Power BI, apoi oamenii pe care IT-i i-a numit „shadow IT”. Sunt analiştii tăi, modelatorii financiari, liderii operaţiunilor – persoane care au crescut în business şi au descoperit o înclinaţie pentru instrumentare.

Două trăsături îi fac ideali pentru munca cu AI. În primul rând, gândirea sistemică: descompun instinctiv un proces haotic în intrări, reguli și ieşiri, la fel ca dezvoltatorii software profesionişti. În al doilea rând, ancorarea în business: știu ce cifre urmăreşte efectiv CFO‑ul şi ce întreabă cu adevărat persoana care pune întrebarea. Niciuna dintre aceste abilităţi nu poate fi învăţată într-un bootcamp.

Cum să-i găseşti pe ai tăi: urmăreşte foile de calcul. În prezent, în compania ta există foi de calcul, tablouri de bord și automatizări în inima fluxurilor de lucru critice. Niciuna nu a fost construită de IT și fiecare are un autor. Începe de acolo. Apoi evaluează cum ar putea transforma talentele lor în soluţii AI personalizate.

De ce crezi că Crafters, mai degrabă decât dezvoltatorii singuri, sunt cei mai bine poziţionaţi să conducă numeroase proiecte interne de AI și cum ar trebui împărţite responsabilităţile între experţii de business, echipele de date, inginerii software, departamentele de tehnologia informaţiei şi echipele de securitate?

Pentru că partea dificilă a AI‑ului personalizat nu este codul – ci contextul. Activitatea cu cea mai mare pârghie într-un proiect AI este să decizi ce trebuie să ştie sistemul despre afacerea ta, iar Crafters dețin această cunoaștere în mod nativ. Un inginer strălucit care apare din trei niveluri ierarhice depărtate trebuie să desfăşoare luni de interviuri pentru a învăţa ce ştie deja liderul operaţiunilor prin reflex.

Dar aceasta nu este, în niciun caz, o poveste în care dezvoltatorii sunt învechiţi. Împărţirea muncii pe care o recomand are trei factori, şi niciunul dintre ei nu este senioritatea sau personalitatea: munca gravitează spre dezvoltatorii profesionişti pe măsură ce reutilizabilitatea, complexitatea și sensibilitatea cresc. Orice interacţiune cu clientul, orice acces la date sensibile, orice decizie autonomă – acestea sunt domeniul dezvoltatorilor, iar pe măsură ce agenţii se multiplică, acele abilităţi de inginerie devin mai valoroase, nu mai puţin. Munca gravitează spre Crafters acolo unde nuanţele proceselor de business predomină.

Există, de asemenea, un teren de mijloc subapreciat: Crafterul construiește, dezvoltatorul auditează. IT‑ul și securitatea nu ar trebui să fie gardieni care aprobă proiectele în existență – ar trebui să deţină drumul asfaltat. Oferă platformele aprobate, regulile de acces la date, punctele de control pentru revizuire și lasă persoanele cele mai apropiate de probleme să construiască. Tratează totul ca pe un model de maturitate, nu ca pe o barieră.

AI‑ul personalizat are nevoie de acces la terminologia, metricile, procesele și cunoștințele instituționale specifice companiei. Ce rol joacă modelele semantice și infrastructura existentă de business intelligence în oferirea AI‑ului unei înțelegeri precise a companiei?

Sunt inelul de decodare. În prezent, definiţiile companiei tale – ce se consideră un client activ, ce costuri aparţin profitului brut – trăiesc în mințile oamenilor și în o mie de foi de calcul uşor inconsistente. Un agent AI nu poate raționa în mod fiabil asupra datelor tale până când acele definiții nu sunt scrise într-o formă în care o mașină să aibă încredere. Industria a început să numească această disciplină „ingenieria contextului”, iar eu aș traduce termenul astfel: este munca de a structura ceea ce business‑ul tău ştie astfel încât AI‑ul să poată să îl folosească efectiv. Analiştii au făcut să pară nou. Practicienii BI fac o versiune a acesteia de peste cincisprezece ani.

Asta este vestea bună ascunsă în clar: dacă ai investit în era BI (şi în special dacă ai investit în Power BI), s-ar putea să ai deja un avantaj inițial. Un model semantic bine construit este exact captura de sens de business citibilă de mașină de care agenţii au nevoie. Companiile care au tratat stratul lor semantic ca pe o idee secundară descoperă că munca „plictitoare” de definire pe care au sărit‑o este acum poarta de taxare pe drumul către AI. Și, crucial, această muncă este profund specifică afacerii tale – motiv pentru care este un avantaj durabil. Orice furnizor îţi poate vinde același model. Nimeni nu îţi poate vinde propriile definiţii.

Ai creat un editor AI personalizat, cunoscut sub numele de Eddie, pentru a ajuta la dezvoltarea cărţii Fair Game. Ce a făcut efectiv sistemul în timpul procesului de scriere și ce ţi-au învățat succesele și eșecurile sale despre proiectarea AI‑ului în jurul unui flux de lucru extrem de personal?

Pentru claritate, am scris fiecare paragraf al cărţii de la zero, în timp ce Eddie stătea în mare parte şi aştepta. Uneori petreceam ore întregi elaborând o secţiune completă a unui capitol înainte de a-i cere „îi” să o citească. Alteori îi arătam lucrurile la fiecare câteva minute. Dar esenţial, Eddie era la dispoziţie 24/7. Puteam primi feedback la trei dimineaţa la fel de uşor ca la una după‑amiază, şi el îl furniza în mai puţin de un minut. În total, suspect că Eddie a citit manuscrisul de cel puţin treizeci de ori. Niciun om nu ar fi putut face această muncă, pentru că niciun om nu ar vrea să o facă.

A urmărit promisiunile pe care le făcusem în Capitolul Trei şi m-a corectat când Capitolul Doisprezece le‑a uitat. A învăţat stilul meu de scriere şi apoi l‑a impus – menţinându‑mă la cea mai bună versiune a propriei mele voci în loc să mă las să alunec în modul „Autor de Business fără umor”. Mi‑a spus când eram leneş şi când batam un cal mort. Am avut dezbateri reale, şi uneori el a câştigat.

Principala lecţie de design: „creierul” lui Eddie este scris în engleză şi trăieşte într-un dosar. De fiecare dată când oferea feedback care nu era corect – prea generic, registru greşit, uitând o regulă pe care deja o menţionasem – soluţia era să notez corecţia şi să o fac parte din contextul său permanent. Eşecurile nu erau eşecuri ale AI‑ului; erau lacune în ceea ce eu i‑am reuşit să‑i predau. Acest ciclu – observă greşeala, înregistrează lecţia, urmăreşte cum rămâne – este întreaga artă a AI‑ului personalizat în miniatură. Şi de aceea am ajuns să construiesc Eddie‑i specializaţi pentru publicitate, cercetare competitivă şi mesaje pe site. Acelaşi LLM sub nivel. Dar specialişti diferiţi.

Multe organizaţii cred că trebuie să cureţe şi să centralizeze complet datele înainte de a încerca AI personalizat. Cât de multă pregătire a datelor este cu adevărat necesară pentru a începe şi cum pot companiile să înceapă să producă valoare fără să aştepte o bază perfectă?

„Perfecţiunea” datelor nu este o condiţie prealabilă, şi asta este o veste bună pentru că perfecţiunea nu apare niciodată. Dacă începi prin a construi mai întâi un ecosistem de date perfect, așa cum multe firme de consultanţă ar recomanda, vei construi ceea ce eu numesc „instalaţii sanitare pentru sine” – conducte scumpe peste tot, dar când în cele din urmă instalezi un robinet, descoperi că nu există conductă acolo unde ai nevoie.

Compania noastră promovează în schimb o abordare „mai întâi robineţii”. Alege un caz de utilizare specific şi lucrează înapoi de la impactul asupra afacerii, nu înainte de la infrastructură. Construieşte un MVP din acel caz de utilizare, cu cât mai puţină infrastructură nouă. Iterează MVP‑ul până devine pregătit pentru producţie, apoi revizuieşte cum poţi consolida infrastructura pentru a‑l susţine. Astfel, impactul asupra afacerii este livrat mai repede, costurile sunt reduse şi viitoarele proiecte sunt informate – atât la nivel de robinet, cât şi la nivel de instalaţie.

Un prototip AI personalizat poate părea impresionant în timpul unei demonstraţii, dar devine nesigur când este expus angajaţilor reali, datelor în schimbare şi cazurilor limită. Ce evaluare, monitorizare şi supraveghere umană ar trebui stabilite înainte ca un sistem AI intern să devină operaţional?

Cu câteva excepţii notabile, cred că demonstraţiile sunt mai puţin valoroase în era AI decât erau în era software‑ului. Demonstraţiile de software au promis mereu mai mult decât puteau şi toţi ştiau asta. Dar demonstraţiile AI vor fi şi mai departe de realitatea ta.

AI‑ul este despre fluxuri de lucru. Şi nu există nimic mai personalizat decât miile de fluxuri de lucru care alimentează operaţiunile unei organizaţii specifice. Revino la metafora „angajat nou cu doctorat în tot”. Câtă instruire – şi experienţă practică în compania ta – necesită un nou angajat înainte să fie eficient în compania ta? Cum poate o demonstrație să ţină cont de toate acestea?

Aşadar, folosim demonstraţiile pentru a face oamenii să gândească. Pentru a le arăta arta a ceea ce este posibil. Nu pentru a le vinde un produs. Demo‑ul real începe cu prototipul soluţiei personalizate. MVP‑ul. Şi apoi iterăm şi îmbunătăţim. Rapid.

La un moment dat este pregătit pentru un lansament soft sau un program pilot. Şi din nou, învăţăm – împreună – şi îmbunătăţim rapid pe baza acelei învăţări. Aceasta este adesea faza în care monitorizarea, evaluarea şi supravegherea devin foarte clare. Lucrurile de care ajungi să ai nevoie sunt adesea foarte diferite de cele pe care le-ai fi ghicit la început.

Cum pot companiile să împuternicească Crafters să experimenteze fără a crea o nouă generație de sisteme AI shadow, fluxuri de lucru duplicate, vulnerabilităţi de securitate şi unelte pentru care nimeni nu este responsabil să le menţină?

Ține minte de unde a apărut shadow IT: nu a fost din răutate, ci din necesitatea de a satisface o cerere nesatisfăcută. Crafters construiesc pentru că problemele îi deranjează – asta este gena. Dacă calea aprobată înseamnă a aştepta un an, shadow AI va umple golul – şi o va face sub radar, acolo unde este cel mai periculos.

Aşadar, fă ca banda aprobată să fie banda uşoară. Oferă Crafters o platformă aprobată cu barierele de securitate deja integrate – identitate, acces la date, jurnalizare – astfel încât alegerea conformă să fie şi cea convenabilă. Menţine un registru uşor: orice trece de la experiment personal la ceva de care depinde o a doua persoană este înregistrat, cu un proprietar numit. Această regulă unică elimină majoritatea problemelor de unelte orfane, deoarece uneltele cu nume ataşat nu sunt abandonate în tăcere.

Apoi aplică modelul de escaladare: experimentele rulează liber, dar pe măsură ce ceva devine critic pentru misiune – mai mulţi utilizatori, mai multă sensibilitate, mai multă autonomie – primeşte treptat mai multe revizii de inginerie. Crafterul păstrează proprietatea logicii de business; un dezvoltator consolidează ceea ce trebuie consolidat. Scopul este un pipeline de maturitate, nu un proces de permisiune. Companiile au aplicat deja acest scenariu cu foi de calcul, iar câştigătorii nu au fost cei care au interzis Excel.

Pentru o companie care începe prima iniţiativă de AI personalizat, cum ar trebui să aleagă cazul de utilizare iniţial, să măsoare dacă proiectul aduce valoare de business semnificativă şi să decidă dacă îl extinde, îl reproiectează sau îl abandonează?

Avem două tipuri de punct de plecare pe care le folosim cu clienţii noştri.

Opţiunea unu, caută sarcinile pe care nimeni nu le face – nu sarcinile pe care ai dori să le elimini. Există o întrebare pe care o ador să o pun managerilor: „unde v‑aţi gândit, ‘dacă aş avea o persoană care să urmărească constant asta şi să se gândească la ea, lucrurile s‑ar îmbunătăţi semnificativ – dar nu aş putea justifica o angajare completă pentru asta’?” Acestea sunt adesea cele mai bune puncte de plecare. Sunt sigure, construiesc încredere, nimeni nu se simte vizat, iar contrafactualul este onest: alternativa nu era un om care să facă bine, ci nimeni care să facă deloc (ca prietenul meu editor Eddie).

Opţiunea doi, priveşte înlocuirea tablourilor de bord cu agenţi de date. Deşi tablourile de bord păreau simple, în practică au eşuat să‑şi îndeplinească promisiunea. Când cineva are o întrebare de business, este multă muncă să transforme acea întrebare în peisajul tablourilor de bord. Unde este tabloul de bord care răspunde la această întrebare? Cum se numeşte? Există chiar un astfel de tablou de bord? Şi dacă reuşeşti să găseşti „cel corect”, este clar şi convenabil de utilizat? Trebuie să‑l manipulezi în mod repetat, să notezi sau să faci capturi de ecran ale mai multor versiuni pentru a asambla imaginea de ansamblu de care ai nevoie?

În era AI, iei pur şi simplu întrebarea ta de business – în cuvintele tale – şi o tastezi (sau o dictezi!) unui agent de date care apoi se ocupă de tot pentru tine şi îţi returnează un răspuns certificat, bine cercetat – cu vizualuri incluse – în una sau două minute. Când ai o întrebare de follow‑up, este bucuros să răspundă rapid și la ea – în timpul întâlnirii, în timp ce deciziile pot fi încă luate.

Firul comun al ambelor opţiuni de început? Ambele abordează puncte de durere pe care angajaţii le vor îmbrăţi, nu le vor rezista. Nu vrei ca iniţiativele tale AI timpurii să semene neîncredere. Vrei ca ele să aducă angajaţii la masă. Vrei ca angajaţii să sugereze îmbunătăţiţi şi idei noi de proiecte. Pentru că, din nou, compania ta este alcătuită din mii de fluxuri de lucru, iar angajaţii le cunosc mai bine decât tine.

În privinţa extinderii, reproiectării sau abandonării – fii blând cu tine, pentru că cercetarea în acest sens este cu adevărat reconfortantă: majoritatea implementărilor AI de succes au avut eșecuri înaintea lor. Un prim proiect care produce o lecție în loc de un profit este o taxă de învăţare, nu o dovadă că AI nu funcţionează. Regula mea de bază: dacă oamenii îl folosesc, extinde‑l. Dacă oamenii nu îl folosesc, trebuie să afli de ce, şi răspunsul poate varia de la „pentru că nu funcţionează bine” la „pentru că nu îl înţeleg” la „îmi este frică”. Răspunsul informează dacă îl îmbunătăţi, îl reproiectezi sau îl abandonezi. Nu trebuie să prezici unde se va opri totul. Trebuie doar să începi undeva cu onestitate.

Mulțumim pentru interviul excelent, cititorii ar trebui să citească și Fair Game: Customizing AI to Your Business Is Easier Than You Think.