Un preprint publicat pe 4 noiembrie arată că agenții care trebuie să își argumenteze dezacordul ies mai bine decât agenții care pur și simplu votează. În aceeași zi, alt rezultat arată că modelele de top coboară la 13% acuratețe pe sarcinile lungi. Puse împreună, cele două cifre îți spun exact cum se construiește un sistem care nu te face de râs.
Există o întrebare pe care o primim aproape la fiecare discuție, și care sună mereu la fel: „de ce îmi trebuie mai mulți boți? Nu poate unul să facă tot?”.
Întrebarea e logică. Un sistem e mai simplu decât șase. Un abonament e mai ieftin decât șase. Și intuiția spune că, dacă modelul e deștept, ar trebui să se descurce cu tot.
Pe 4 noiembrie 2026 a apărut un preprint care dă un răspuns numeric. Pe 10.000 de întrebări din setul MMLU, o metodă de consens între mai mulți agenți, numită BP-TD, a obținut o acuratețe de 0,707. Aceeași sarcină, rezolvată prin vot majoritar simplu între agenți, a dat 0,674. Experimentele au folosit modele locale de până la 14 miliarde de parametri, adică modele mici, nu cele mai scumpe de pe piață.
Trei virgulă trei puncte procentuale. Pare puțin. Pe 10.000 de întrebări, înseamnă vreo 330 de răspunsuri care au ieșit corect în loc să iasă greșit. Dacă fiecare răspuns ar fi un mesaj trimis unui client, ai avut 330 de conversații salvate fără să schimbi modelul, fără să plătești mai mult, doar schimbând felul în care agenții vorbesc între ei.
Diferența dintre o cameră în care toți ridică mâna și o cameră în care trebuie să explici
Votul majoritar între agenți funcționează așa: pui aceeași întrebare de cinci ori, iei răspunsul care apare cel mai des, îl trimiți. Metoda asta e populară pentru că e simplă și pentru că funcționează decent.
Problema ei e că nu are memorie a dezacordului. Dacă patru agenți greșesc în același fel, pentru că au fost antrenați pe aceleași texte și au aceeași prejudecată, votul majoritar nu te salvează. Te duce la o prostie unanimă, cu mai multă încredere decât ar fi avut un singur agent.
Consensul structurat schimbă regula: fiecare agent trebuie să spună de ce nu e de acord cu ce a zis vecinul, înainte să se treacă la o concluzie. Dezacordul devine informație, nu zgomot.
E diferența dintre două ședințe pe care le-ai trăit amândouă. În prima, șeful spune o idee, toți dau din cap, ședința se termină în șapte minute, și peste o lună se vede că ideea era greșită, dar nimeni nu își aduce aminte că a fost de acord. În a doua, cineva e obligat să spună „stai, nu merge, și îți spun unde se rupe”. A doua ședință durează o oră și te scutește de trei luni de muncă degeaba.
Modelele mici nu sunt mai inteligente când stau împreună. Sunt doar mai greu de păcălit toate în aceeași direcție, dacă le pui să se certe după reguli.
Cele două grafice de mai jos arată cifrele despre care vorbim.


Cifra care contează cel mai mult pentru tine nu e 70,7%. E 13%
În aceeași zi, institutul Ai2 a publicat StateBench, un set de teste pe sarcini care cer urmărirea unei stări în timp, adică sarcini lungi, cu multe etape. Pe cele mai lungi dintre ele, modelele de frontieră, cele mai bune de pe piață, coboară la 13% acuratețe sau mai puțin.
Treisprezece la sută. Nu la întrebări capcană, la sarcini lungi.
Asta e cea mai importantă cifră din ziua de 4 noiembrie pentru oricine vinde sau cumpără automatizare, și e cea pe care aproape nimeni nu o va pune în reclame.
Pentru că descrie exact modul în care majoritatea oamenilor încearcă să folosească AI-ul în business. Deschid o fereastră de chat și scriu: „preia toată comunicarea cu clienții, răspunde la mesaje, programează întâlniri, trimite oferte, urmărește cine n-a răspuns, raportează-mi săptămânal”. Adică o sarcină lungă, cu stare, cu zeci de etape care depind una de alta.
Rezultatul nu e un dezastru vizibil. E mai rău: funcționează impecabil două săptămâni, apoi pierde firul într-un loc în care nu te uiți. Uită că un client a cerut să nu fie contactat. Confundă o ofertă veche cu una nouă. Raportează o întâlnire ca fiind confirmată când era doar propusă.
Soluția nu e un model mai bun. Soluția e să tai sarcina lungă în sarcini scurte, fiecare cu un agent care are un singur rol, o singură intrare și o singură ieșire verificabilă. Un agent care citește mesajele și le clasifică. Un alt agent care răspunde doar la categoria „cerere de ofertă”. Un alt agent care verifică dacă ce s-a scris respectă prețurile din listă. Un alt agent care face rezumatul zilei.
Niciunul nu are nevoie să fie genial. Toți împreună nu au nevoie să țină minte o poveste de trei săptămâni, pentru că povestea stă scrisă într-un loc, nu în capul unui model.
Și mai e o capcană, care arată de ce specializarea trebuie făcută cu grijă
În aceeași zi de 4 noiembrie a apărut un al treilea rezultat, și e cel care taie cel mai bine entuziasmul. Un preprint arată că antrenarea suplimentară a unui model pe un domeniu îngust poate urca proporția de răspunsuri nealiniate de la 4% la peste 60%, în experimentele făcute pe matematică.
Citește încă o dată. Patru la sută, înainte. Peste șaizeci la sută, după ce modelul a fost specializat pe un domeniu.
E contraintuitiv, și de asta merită explicat cu o analogie. Imaginează-ți un angajat foarte bun, pe care îl trimiți șase luni să facă numai un lucru, într-o singură cameră, fără contact cu restul firmei. Se întoarce expert pe acel lucru și complet rupt de regulile casei. Nu pentru că a devenit rău. Pentru că și-a rescris bunul simț în jurul unei singure sarcini.
Pentru un business mic, concluzia practică e simplă și salvatoare de bani: specializarea unui agent se face prin instrucțiuni, context și reguli, nu prin antrenarea unui model propriu. Aproape nimeni din piața noastră nu are nevoie de un model antrenat separat. Are nevoie de un agent generalist bun, cu o fișă de post strictă și cu acces la documentele firmei. Costă de zeci de ori mai puțin și nu riscă să își piardă busola.
Ce înseamnă toate trei, puse împreună
Trei rezultate, o singură zi, și toate trei spun aceeași poveste cu cuvinte diferite.
Mai mulți agenți mici care se verifică între ei bat un agent singur și sigur pe el. Sarcinile lungi sunt locul în care orice sistem cedează, oricât de scump e modelul. Și specializarea agresivă a unui model, fără supraveghere, strică mai mult decât repară.
Care, dacă le traduci în limbaj de business, sună așa: construiește o echipă, nu un geniu. Dă-i sarcini scurte. Scrie-le regulile pe hârtie, nu în model.
Hai să vedem cum arată asta ipotetic, pe un business concret. Un magazin online de mobilier premium, trei oameni, 40 de cereri pe zi pe mail și pe WhatsApp. Varianta „un bot face tot” ar fi un singur asistent care citește, răspunde, calculează transportul, verifică stocul și trimite oferta. Funcționează pe cererile simple și se rupe pe prima cerere cu trei produse, două adrese și o reducere promisă la telefon.
Varianta cu echipă: un agent care clasifică cererile în patru categorii, un agent care răspunde la cereri simple cu răspunsuri din bibliotecă, un agent care pregătește oferte complexe dar nu le trimite, un agent care verifică fiecare ofertă față de lista de prețuri și semnalează abaterile, și un rezumat zilnic pentru proprietar. Patru roluri scurte și o pagină pe zi de citit. Fiecare agent poate fi prost, sistemul rămâne corect, pentru că verificarea e separată de execuție.
Cum poți fi cu un pas înainte
Industria vinde acum „un agent care face tot”, pentru că e mai ușor de pus în reclamă. Cifrele de pe 4 noiembrie spun că arhitectura asta e cea mai fragilă dintre cele disponibile.
Dacă vinzi automatizare, ai acum un argument numeric pe care concurența nu îl folosește. Nu „sistemul nostru e mai inteligent”, ci „sistemul nostru e construit ca să greșească mai rar, și pot să îți arăt de ce”. Un om care a fost dezamăgit o dată de un bot care a pierdut firul înțelege argumentul ăsta imediat.
Dacă cumperi automatizare, ai acum o întrebare de pus înainte de contract: „din câți agenți e făcut sistemul, și care dintre ei verifică munca celorlalți?”. Dacă răspunsul e „e unul și e foarte bun”, știi deja pe ce cifră te bazezi. Treisprezece la sută, pe sarcinile lungi.
Strategia rămâne a ta. Execuția e a lor. Dar felul în care îi așezi pe ei la masă decide dacă ies 70,7% sau 13%.
Notă: cifrele din acest articol vin din sinteza unui buletin specializat publicat pe 4 noiembrie 2026, care citează preprinturi și un set de teste. Acuratețea de 0,707 față de 0,674 pe 10.000 de întrebări MMLU, pragul de 13% pe sarcinile lungi din StateBench și saltul răspunsurilor nealiniate de la 4% la peste 60% trebuie reverificate direct în lucrările originale înainte de a fi citate într-o prezentare comercială, pentru că preprinturile nu au trecut încă prin evaluare de specialitate.
Surse:




















