Nouă din zece profesioniști din tehnologie folosesc astăzi IA la muncă, iar peste opt din zece cred că le-a crescut productivitatea. În aceleași organizații, livrarea a devenit simultan mai rapidă și mai instabilă. Nu este un paradox și nu este o problemă de unelte. Este ceea ce se vede atunci când creștem viteza cu care o organizație produce lucruri, fără să atingem viteza cu care decide ce face cu ele.
Cifrele vin din raportul DORA 2025 State of AI-assisted Software Development, construit pe aproximativ 5.000 de respondenți. Tot el constată că o adopție mai mare de IA se asociază simultan cu creșterea throughputului de livrare și cu creșterea instabilității. Aproximativ 30% dintre respondenți declară că au puțină sau deloc încredere în codul generat de IA.
O analiză DORA din martie 2026 a 1.110 răspunsuri deschise de la ingineri Google numește mecanismul: timpul economisit la generarea inițială de cod este realocat către verificare și prompting. Câștigul de viteză al autorului devine sarcină cognitivă pentru cel care face review. Un inginer o spune mai bine decât orice sinteză:
"Review-ul la codul [altcuiva] e mult mai greu decât scrierea lui. Instrumentele IA cresc ritmul în care oamenii pot produce cod care trebuie revizuit…"
Sunt percepții raportate, nu o măsurătoare de randament — dar arată unde se consumă efortul, iar asta se poate observa direct. Cantitatea de muncă nu a scăzut. S-a mutat: de la producere la judecată.
Reflexul firesc este să presupunem că ține de maturitate: mai mult exercițiu, prompturi mai bune. Datele nu îl susțin.
Într-un experiment randomizat publicat în Organization Science (2025), Dell'Acqua și colegii au urmărit 758 de consultanți BCG. Pentru rezolvarea sarcinilor din interiorul competenței modelului, cei care au folosit IA au terminat cu 12,2% mai multe sarcini, cu 25,1% mai repede și la calitate semnificativ mai bună. În ceea ce privește o sarcină aleasă deliberat în afara acelei competențe — una care cerea judecată managerială reală — aceiași oameni au fost cu 19 puncte procentuale mai puțin probabil să ajungă la răspunsul corect.
Detaliul care contează pentru ipoteza "ne antrenăm mai bine": grupul care primise în prealabil o prezentare introductivă despre formularea prompturilor s-a descurcat relativ nesatisfăcător comparativ cu cel care nu o primise (−24 puncte procentuale față de −13).
Degradarea apare exact acolo unde este nevoie de judecată. Și nu o simțim. Într-un studiu randomizat METR pe 16 dezvoltatori experimentați, măsurat la începutul lui 2025, oameni care lucrau pe propriile repository-uri au fost mai lenți cu IA decât fără — crezând că sunt cu 20% mai rapizi. METR a revizuit între timp rezultatul și afirmă explicit că nu mai reflectă impactul modelelor actuale. Ceea ce rezistă nu este procentul, ci prăpastia dintre performanța măsurată și cea percepută: simțim unde ne consumăm efortul, nu cât de repede înaintăm.
Merită demontată presupunerea că problema ar fi volumul: prea multe opțiuni, prea multe analize generate automat.
Într-un studiu de teren publicat în 1989 în Academy of Management Journal, Kathleen Eisenhardt a urmărit echipele executive a opt firme dintr-un mediu cu ritm rapid și a găsit exact opusul:
"Cei care decid repede folosesc mai multă informație, nu mai puțină, decât cei care decid încet. Tot ei dezvoltă mai multe alternative, nu mai puține."
Ceea ce le diferenția nu era disciplina informațională, ci o regulă de arbitraj stabilită dinainte, pe care Eisenhardt o numește consensus with qualification: echipa caută consensul cu toată lumea în cameră; dacă nu îl obține, o persoană numită decide, folosind ce a auzit. Toate echipele rapide o foloseau. Un CEO din studiu o rezumă astfel: "Șefii de funcțiuni discută… Eu apăs pe trăgaci."
Literatura despre supraîncărcarea cu opțiuni spune același lucru: o meta-analiză pe 50 de experimente nu găsește practic niciun efect general al numărului de opțiuni, iar o a doua, pe 99 de observații, arată că efectul apare atunci când sarcina e dificilă și criteriile de alegere sunt incerte. Volumul mușcă doar acolo unde nu este clar după ce se alege și cine alege.
Cea mai clară imagine a mecanismului nu vine din software, ci dintr-un spital.
Anita Tucker și Amy Edmondson (2003, California Management Review) au petrecut 239 de ore observând direct 26 de asistente medicale din nouă spitale și au consemnat 194 de eșecuri operaționale, dintre care 166 de probleme. În 93% dintre probleme, asistenta a rezolvat simptomul și nu a spus nimănui: fără investigarea cauzei, fără comunicare mai departe. Doar 7% dintre reacții au făcut ceva care ar fi putut ajunge la cauză — iar autoarele au folosit criterii deliberat permisive pentru acel 7%.
Problemele nu erau grele; autoarele le descriu ca fiind "nici prost definite, nici dificile tehnic". Explicația non-escaladării nu era incompetența, ci opusul ei: competență, dedicare și obișnuința de a se descurca singur.
Fiecare a văzut varianta software a scenei. Cineva observă în review o alegere arhitecturală discutabilă, lasă un comentariu, autorul răspunde, discuția se stinge, pull requestul intră. Informația a existat. A fost înțeleasă. Nu a ajuns la cineva cu autoritatea de a decide altfel.
Într-o analiză de consultanță pe 26.743 de răspunsuri auto-raportate din 31 de companii (HBR, 2008), trăsătura clasată pe primul loc dintre 17 ca predictor al capacității de execuție nu a fost structura, informația sau motivarea, ci aceasta: fiecare știe bine pentru ce decizii și acțiuni răspunde. În companiile puternice la execuție, 71% erau de acord. În cele slabe, 32%.
Raportul DORA formulează concluzia mai bine decât am putea noi:
"Rolul principal al IA în dezvoltarea software este acela de amplificator. Amplifică punctele forte ale organizațiilor performante și disfuncțiile celor care se confruntă cu dificultăți."
De aici înainte nu mai avem măsurători, ci o inferență asumată ca atare. Ne așteptăm ca, acolo unde echipa are un arbitru numit pentru deciziile recurente, câștigurile să se compună — și ca, acolo unde nu există, IA-ul să producă mai mult material care cere o judecată pe care nimeni nu este autorizat să o dea. Nu cunoaștem un studiu care să fi măsurat direct al doilea efect: îl propunem ca ipoteză de lucru, nu ca rezultat.
Nu susținem nici că instrumentele n-ar atinge niciodată capacitatea de decizie: pe aproximativ 1.000 de firme din opt țări, Bloom și colegii săi au arătat (Management Science, 2014) că accesul mai bun la informație împinge deciziile în jos în ierarhie, iar o comunicare mai bună le împinge în sus. Tehnologia mută deciziile. Direcția o decide însă arhitectura pe care o găsește, nu tehnologia în sine.
Figura 1. Același volum de output, două structuri de decizie.
Numim arbitrul, pe fiecare tip de decizie recurentă. Nu "echipa decide". Un nume și un termen, pentru cazul în care echipa nu ajunge la consens. O bibliotecă, o migrare de schemă, o concesie de securitate înainte de lansare — fiecare are nevoie de o persoană, nu de un ritual.
Măsurăm intervalul de la semnalare la decizie. Măsurăm deja lead time-ul de la commit la deploy. Aproape nimeni nu măsoară cât trece de când cineva ridică un risc până când o persoană spune da sau nu. Acolo se acumulează datoria de decizie.
Facem din review un punct de decizie, nu doar de verificare. Dacă un comentariu ridică o alegere de arhitectură, trebuie să fie clar cine o aprobă și până când. Altfel, cod generat mai repede înseamnă doar o coadă de review mai lungă.
Niciuna dintre aceste intervenții nu are legătură cu IA. Exact asta este ideea. IA-ul nu a creat problema și nu o va rezolva — doar o face vizibilă mult mai repede, pentru că produce mult mai rapid lucruri care cer o decizie.
DORA (2025). State of AI-assisted Software Development Report. Google. dora.dev
Baolin, J. & Harvey, N. (2026). Balancing AI tensions. DORA, martie 2026.
Dell'Acqua, F. et al. (2025). Navigating the Jagged Technological Frontier. Organization Science. DOI 10.1287/orsc.2025.21838
Becker, J., Rush, N., Barnes, B. & Rein, D. (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. METR, arXiv:2507.09089 — revizuit de METR în februarie 2026.
Eisenhardt, K. M. (1989). Making Fast Strategic Decisions in High-Velocity Environments. Academy of Management Journal, 32(3).
Tucker, A. L. & Edmondson, A. C. (2003). Why Hospitals Don't Learn from Failures. California Management Review, 45(2).
Neilson, G. L., Martin, K. L. & Powers, E. (2008). The Secrets to Successful Strategy Execution. Harvard Business Review, iunie 2008.
Scheibehenne, B., Greifeneder, R. & Todd, P. M. (2010). Can There Ever Be Too Many Options? Journal of Consumer Research, 37(3).
Chernev, A., Böckenholt, U. & Goodman, J. (2015). Choice overload: A conceptual review and meta-analysis. Journal of Consumer Psychology, 25(2).
de Rareș Zete , Sergiu Dornea
de Ovidiu Popa
de Horatiu Marc