Skill-uri: De la Excel la AI Literacy

„În Era Excel, valoarea ta era să știi să EXECUȚI analiza. În Era AI, valoarea ta este să știi să VALIDEZI și să INTERPRETEZI analiza. Execuția o face AI-ul. Judecata rămâne a ta." — Maria, Episodul 3 al podcastului AI Accounting Hub

---

Un articol manifest publicat de AI Accounting Hub Timp estimat de lectură: 40-50 de minute Categorie: Dezvoltare profesională | Strategie de carieră | Tehnologie financiară

---

PROLOG: Întrebarea Care Decide Cariere — La Interviu, în 2030

În anul 2010, deja exista o întrebare la interviul de angajare pentru orice poziție de contabil care, dacă nu primea răspuns competent, îți închidea ușa. Întrebarea era: „Cum ai analiza 50.000 de tranzacții pentru a identifica top 10 clienți pe categorie de produs?". Dacă nu știai să răspunzi cu „construiesc un Pivot Table cu această structură...", șansele tale de a primi oferta scădeau dramatic. Pivot Table-ul, lansat în 1994 de Microsoft, devenise — în doar 15 ani — cunoaștere de bază necontestabilă a profesiei.

Cu câteva luni înainte de a scrie acest articol, am început să auzim de la companii din top 100 din România alte întrebări la interviu:

• „Ce înțelegi prin LLM și cum ai putea să-l folosești în contabilitate?"
• „Ce sunt tokenii într-un context AI și de ce contează?"
• „Explică-mi ce este prompt engineering și dă-mi un exemplu bun versus rău de prompt pentru o sarcină contabilă."

Aceste întrebări — astăzi încă marginale, mâine generalizate — sunt Pivot Table-ul anului 2030. Cei care vor ști să răspundă vor avea avantajul competitiv de care colegii lor cu Excel-ul în 1995-2005 s-au bucurat. Cei care nu vor ști vor descoperi, treptat, că ușa se închide.

Acest articol este un ghid operațional pentru cei care vor să fie de prima parte a acestei tranziții. Nu este un articol de tip „AI va schimba totul". Este un articol de tip „iată exact ce trebuie să știi, în ce ordine, cu ce investiție de timp, și care este standardul de competență pe care va trebui să-l atingi".

Structurăm conversația în jurul a două repere paralele:

• Era Excel — pe care o folosim ca referință de calibrare a investiției în skill-uri noi
• Era AI — pe care o disecăm în cele cinci skill-uri critice pe care fiecare contabil trebuie să le dezvolte

Pentru cei care au citit articolele anterioare din această serie — „Contextul Revoluției AI" și „Evoluția Contabilității" — articolul de față este partea operațională. Acolo am descris terenul; aici descriem traseul.

---

CAPITOLUL 1

Era Excel — Anatomia unei Competențe Care a Definit Profesia

De ce calibrarea cu trecutul e necesară pentru a evalua viitorul

Înainte de a vorbi despre skill-urile AI, trebuie să stabilim ce a însemnat operațional să înveți Excel-ul ca standard profesional. Această calibrare contează din două motive: (1) o folosim ca etalon de comparație pentru investiția AI, și (2) ne ajută să distingem între complexitatea reală a unui skill și frica de necunoscut care ne face să-l percepem ca insurmontabil.

Excel ca standard de admisibilitate, 2000-2020

Pentru două decenii — aproximativ 2000-2020 — un contabil care nu stăpânea Excel la nivel decent nu era angajabil. Nu era o opinie, era o cerință de piață. La interviul de angajare, dovada competenței Excel era practic obligatorie: la mid-level erai pus să demonstrezi un Pivot Table; la senior erai testat la INDEX-MATCH și nested formulas.

Iar investiția pentru a ajunge acolo era considerabilă:

Cinci sute de ore de practică pentru un nivel cu adevărat avansat. Un an întreg de practică serioasă, integrată în munca zilnică.

Iar adopția nu a fost uniformă. Patru decenii mai târziu, statisticile arată o imagine nuanțată:

• 65% din data analysts folosesc Excel zilnic
• 28,3% din contabili îl consideră tool-ul principal
• Dar 57% din angajați au doar nivel de bază sau deloc

Această ultimă cifră — 57% au doar nivel de bază — este crucială. Înseamnă că, după aproape patru decenii de adopție, mai mult de jumătate dintre angajați nu folosesc Excel-ul la potențialul lui real. Aceasta nu este o anomalie. Este condiția normală a oricărui skill profesional: o adopție inegală, cu o coadă lungă de oameni care rămân la nivel suboptim.

Implicația pentru AI Literacy

Această observație are o implicație directă pentru tine, cel care citești acum: adopția AI Literacy va urma exact același pattern. Vor exista cei care o vor stăpâni la nivel avansat (10-20%), cei care vor avea un nivel funcțional (30-40%), și o coadă lungă (40-50%) care va rămâne la nivel de bază. Întrebarea strategică este în care segment vrei să fii.

---

CAPITOLUL 2

Cele Șase Skill-uri Excel Care Erau Obligatorii la Interviu

Ce trebuia să demonstrezi ca să primești o ofertă

Pentru a fi specifici despre ce a însemnat Excel-mastery, vom enumera cele șase categorii de competențe care erau evaluate sistematic la interviuri în perioada 2000-2020. Vom face apoi, în capitolele următoare, paralelele directe cu skill-urile AI — ca să vedem unde se păstrează simetria și unde se rupe.

Cele șase categorii și întrebările-tip

Skill 1 — Pivot Tables

Ce permitea: agregarea și analiza rapidă a mii de tranzacții; rezumare multi-dimensională (vânzări pe produs × regiune × lună); rapoarte summary pentru management.

Întrebări-tip la interviu:

• „Cum ai analiza 50.000 de tranzacții pentru a identifica top 10 clienți pe categorie de produs?"
• „Creează un Pivot Table care să arate monthly revenue breakdown by region."

Skill 2 — VLOOKUP și INDEX-MATCH

Ce permitea: consolidarea datelor din tabele separate; lookup automat de prețuri, conturi, customer info; eliminarea erorilor manuale de căutare.

Întrebări-tip la interviu:

• „Ai un tabel cu orders și altul cu customer details. Cum aduci customer name în tabelul cu orders?"
• „Explică diferența între VLOOKUP și INDEX-MATCH."

Skill 3 — IF Statements și Logică Condițională

Ce permitea: categorizare automată; flagging excepții; calcularea commission tiers.

Întrebare-tip la interviu: „Creează o formulă care să categorizeze cheltuielile: <100 «Low», 100-1000 «Medium», >1000 «High»."

Skill 4 — Formule Financiare (PMT, NPV, IRR, FV, PV)

Ce permitea: calcularea ratelor la împrumuturi; evaluarea investițiilor; time value of money.

Întrebare-tip la interviu: „Calculează monthly payment pentru un împrumut de $100k la 5% pe 30 ani."

Skill 5 — Data Management

Ce permitea: sorting și filtering; remove duplicates; funcții text (CONCATENATE, LEFT, RIGHT, TRIM); manipulare date (EOMONTH, DATEDIF).

Skill 6 — Charting și Visualization

Ce permitea: line charts pentru trends; bar charts pentru comparisons; pie charts pentru composition; dashboards pentru executive summary.

Skill bonus — VBA Macros

Ce permitea: automatizarea task-urilor repetitive; butoane custom pentru workflows; import/export automatizat. Acest skill transcendea baseline-ul — era deja diferențiator.

Calibrarea pe niveluri ierarhice

---

CAPITOLUL 3

De la „A Ști să Calculezi" la „A Ști să Validezi" — Schimbarea Contractului

Cele trei contracte ale profesiei contabile, în cinci secole

Pentru a înțelege de ce skill-urile cerute se schimbă atât de radical, trebuie să înțelegem că natura contractului profesional dintre contabil și piață se schimbă. Nu mai vinzi același lucru. Iată cum a evoluat acest contract:

Tranziția de la „a calcula" la „a valida" nu este o degradare a profesiei. Este, paradoxal, o promovare. Mecanic la strategic. Operațional la consultativ. Reactiv la proactiv.

Implicațiile pentru ce skill-uri cerem

Această schimbare de contract are implicații directe asupra a ce trebuie să știi. Hai să le sintetizăm:

Ce trecuse pe locul doi sau dispărut din lista de skill-uri necesare:

• Viteza de calcul mental — practic irelevantă
• Memoria pentru detalii legislative — auxiliară; AI deține o copie
• Atenția la introducerea datelor — delegată; AI introduce, tu validezi
• Stăpânirea unei singure aplicații (Excel) — devenită bază, nu diferențiator

Ce a devenit critic în noua eră:

• Prompt Engineering — traducerea problemelor în cereri pe care AI le poate executa
• Output Validation — capacitatea de a recunoaște halucinațiile
• Critical thinking — evaluarea continuă a output-urilor probabilistice
• Process Design — integrarea AI-ului în fluxuri de lucru
• Comunicarea cu clientul — amplificată, pentru că tot mai multă valoare e relațională

Tabelul comparativ — vechi vs noi skill-uri

---

CAPITOLUL 4

Cele Trei Întrebări de Interviu Care Vor Defini Angajabilitatea în 2030

Răspunsurile pe care orice contabil ar trebui să le poată da

Pentru a face palpabilă schimbarea, vom relua aici cele trei întrebări care au început deja să apară la interviuri în firmele cele mai avansate — și pe care le-am introdus în Prolog. Le vom analiza pe rând, cu răspunsurile așteptate complete.

Întrebarea 1 — „Ce înțelegi prin LLM și cum ai putea să-l folosești în contabilitate?"

Răspuns așteptat:

„LLM înseamnă Large Language Model. Este un model de AI antrenat pe volume masive de text care poate înțelege și genera limbaj natural. În contabilitate, pot folosi un LLM pentru:
- să rezum rapid rapoarte financiare de 50 de pagini
- să caut în standardele contabile (IFRS/GAAP) printr-o întrebare simplă, în loc să răsfoiesc manual
- să generez draft-uri de memo-uri sau rapoarte
- să analizez contracte pentru identificarea obligațiilor de revenue recognition
Exemplu concret: în loc să citesc manual 100 de pagini de contract, întreb LLM-ul «care sunt toate milestone-urile de plată și condițiile pentru revenue recognition?» și primesc un rezumat structurat — pe care apoi îl validez."

De ce contează acest răspuns: demonstrează că nu doar știi ce este un LLM, ci ai un mental model funcțional despre cum se inserează în munca ta zilnică. Demonstrează și maturitate critică — finalul cu „pe care apoi îl validez" este cheia.

Întrebarea 2 — „Ce sunt tokenii într-un context AI și de ce contează?"

Răspuns așteptat:

„Tokenii sunt unitățile de text pe care LLM-ul le procesează. În medie, 1 token ≈ 0,75 cuvinte în engleză. Contează din trei motive:
1. Cost: plătești per token procesat — atât la input cât și la output.
2. Limite de context: fiecare model are un maximum de tokeni pe care îi poate procesa dintr-o dată — de exemplu 128.000 tokeni = ~96.000 de cuvinte.
3. Eficiență: un prompt bun folosește mai puțini tokeni pentru același rezultat.
Exemplu practic: dacă trimit un document de 100 de pagini (~50.000 tokeni) și primesc un răspuns de 1.000 de cuvinte (~1.300 tokeni), la prețurile standard (input ~$0,003 / 1k tokens, output ~$0,015 / 1k tokens), costul este: (50 × $0,003) + (1,3 × $0,015) ≈ $0,17 — adică sub 20 de cenți.
De aceea sunt important să fiu concis în prompt-uri și să cer output-uri la lungimea necesară — nu mai lungi."

De ce contează acest răspuns: demonstrează fluență tehnică reală. Nu doar că ai folosit ChatGPT, ci înțelegi economia subiacentă. Asta semnalează un nivel de seriozitate în adopția AI.

Întrebarea 3 — „Explică-mi ce este prompt engineering și dă-mi un exemplu bun versus rău de prompt pentru o sarcină contabilă."

Răspuns așteptat:

„Prompt engineering este arta de a scrie instrucțiuni clare și eficiente pentru AI astfel încât să obții răspunsul dorit.
Exemplu de prompt RĂU: «Uită-te la factura asta și spune-mi ce vezi.»
De ce e rău? E prea vag — «ce vezi» poate însemna orice. Nu specifici ce informații îți trebuie. Nu ceri o structură.
Exemplu de prompt BUN: «Analizează această factură și extrage următoarele informații într-un format structurat:
1. Număr factură; 2. Data emiterii; 3. Furnizor (nume complet, CUI); 4. Client (nume complet, CUI); 5. Lista produse/servicii (denumire, cantitate, preț unitar, total); 6. Subtotal; 7. TVA (rată și sumă); 8. Total de plată; 9. Termen de plată; 10. Identifică orice inconsistențe sau erori (calcule greșite, TVA incorect).
Returnează informațiile în format JSON pentru import automat în sistem.»
De ce e bun? Specific (AI-ul știe exact ce să caute), structurat (output previzibil), acționabil (formatul JSON permite automatizarea), include validare (cere să verifice și erori)."

---

CAPITOLUL 5

Skill 1 — AI Literacy & Concepte Fundamentale

Cele șapte concepte fără de care nu poți avea o discuție serioasă despre AI

Înainte de a vorbi despre tehnici (prompt engineering, validare etc.), trebuie să stăpânești vocabularul de bază. Fără el, ești în poziția unui contabil din 1995 care vrea să folosească Excel-ul, dar nu știe ce este o celulă, o formulă sau o referință absolută. Poți face lucruri, dar nu poți face lucruri bune.

Cele șapte concepte fundamentale pe care trebuie să le stăpânești

1. LLM (Large Language Model)

Ce este: un model de AI antrenat pe volume masive de text (sute de miliarde de cuvinte din cărți, articole, internet). Pe baza acestei expuneri, învață tipare statistice despre cum se înlănțuie limba — și poate genera text coerent ca răspuns la întrebări.

Capabilități: înțelege și generează text natural; rezumă, traduce, analizează, generează cod, răspunde la întrebări complexe.

Limitări: nu „știe" lucruri în sens tradițional — generează răspunsuri statistic plauzibile; poate halucina; nu are acces la informații după data antrenării (decât prin tools externe).

2. Tokens

Ce sunt: unitățile de text pe care LLM-ul le procesează intern. 1 token ≈ 0,75 cuvinte în engleză; în română, raportul este puțin diferit (mai puține cuvinte per token, pentru că româna nu este atât de bine reprezentată în datele de antrenament).

De ce contează: plătești per token; există limite de cantitate per cerere; un prompt bun folosește mai puțini tokeni pentru același rezultat.

3. Context Window

Ce este: limita maximă de tokeni pe care AI-ul îi poate procesa într-o singură interacțiune. Modelele moderne au context window-uri de la 128.000 tokeni (~96.000 cuvinte, echivalentul unui roman scurt) la 1.000.000 tokeni (cazul Gemini).

Implicația practică: în 2022, abia încăpea o jumătate de notă explicativă (3.000 tokeni); în 2026, încape un raport financiar întreg cu toate notele și anexele.

4. Hallucinations (Halucinații)

Ce sunt: invenții pe care AI-ul le produce cu aplomb derutant — un standard contabil care nu există, un caz juridic fictiv, un autor care nu a scris niciodată. Apar pentru că modelul generează statistic, nu recuperează factual.

Implicația pentru contabil: fundamentală. Un AI care „inventează cu aplomb" este periculos pentru profesia contabilă. Skill 4 (validarea output-ului) este construit exact pentru a contracara acest risc.

5. Training Data & Knowledge Cutoff

Ce sunt: datele pe care AI-ul a fost antrenat (Training Data) și data ultimă a acestor date (Knowledge Cutoff). De exemplu, un model cu cutoff iulie 2025 nu „știe" ce s-a întâmplat după acea dată — decât dacă are acces la unelte externe (web search).

Implicația pentru contabil: întotdeauna verifică actualitatea citațiilor de legislație. Codul Fiscal românesc se modifică des; un AI cu cutoff de acum un an poate cita un articol modificat între timp.

6. Prompting

Ce este: comunicarea cu AI-ul prin instrucțiuni text. Vom dedica un capitol întreg tehnicilor (Capitolul 6).

7. Fine-tuning vs RAG (Retrieval-Augmented Generation)

*Două metode de a specializa un AI generic pentru un domeniu specific:*

• Fine-tuning — re-antrenezi modelul pe datele tale; complex, costisitor, dar produce un AI cu „cunoștințe interne" specifice
• RAG — conectezi AI-ul la o bază de cunoștințe externă (manualele tale, legislația locală, documentele firmei); AI-ul „caută" în bază înainte de a răspunde

Implicația pentru contabil: în piața românească, RAG va fi cea mai relevantă metodă pentru AI specializat — pentru că legislația se schimbă des și fine-tuning-ul ar trebui refăcut continuu.

Resursele de învățare

Pentru a internaliza aceste șapte concepte, recomandăm:

• OpenAI Prompt Engineering Guide — gratuit, conceptual și aplicat
• Anthropic Claude Prompting Documentation — la fel, gratuit
• Cursuri specifice „AI for Accountants" — vor apărea tot mai multe în 2026-2027
• Practică directă — 10 ore de experimentare pe ChatGPT și Claude

Estimare timp: 10-20 ore pentru a deveni conversațional fluent cu vocabularul AI.

---

CAPITOLUL 6

Skill 2 — Prompt Engineering, Cele Cinci Tehnici Esențiale

De ce „a vorbi cu AI-ul" este o competență tehnică, nu o conversație

Există o concepție greșită răspândită despre prompt engineering: „e doar conversație normală, oricine poate face asta". Această concepție produce rezultate mediocre. Prompt engineering este o competență tehnică, cu reguli, tehnici, modele de bună practică, exact ca scrierea de formule Excel sau de SQL queries.

Vom parcurge cele cinci tehnici de bază, în ordine de complexitate.

Tehnica A — Zero-shot Prompting

Ce este: dai instrucțiunea directă, fără exemple.

Exemplu: `` Analizează acest contract și identifică toate obligațiile de plată. ``

Când să folosești: sarcini simple, clare, unde AI-ul are deja contextul suficient. Avantaj: rapid, simplu. Dezavantaj: rezultate variabile pentru sarcini specializate.

Tehnica B — Few-shot Prompting

Ce este: dai câteva exemple înainte de a cere noua sarcină.

Exemplu: ``` Categorizează aceste cheltuieli. Exemple:

• 'Uber to client meeting' → Travel
• 'Laptop Dell' → Equipment
• 'AWS cloud hosting' → Technology

Acum categorizează:

• 'Taxi to airport'
• 'Microsoft 365 subscription'
• 'Office chairs'

```

Când să folosești: sarcini de clasificare, formatare, transformare repetitivă. Exemplele „ancorează" AI-ul în logica ta.

Tehnica C — Chain-of-Thought (Raționament Pas-cu-Pas)

Ce este: ceri AI-ului să gândească explicit pas cu pas, nu să sară direct la răspuns.

Exemplu: ``` Calculează profitul net pentru Q4. Gândește pas cu pas:

1. Identifică toate veniturile
2. Identifică toate cheltuielile
3. Calculează gross profit
4. Scade operating expenses
5. Aplică taxes
6. Arată calcul final

```

Când să folosești: sarcini matematice, logice, multi-pas. Are dublu beneficiu: (1) AI-ul produce răspunsuri mai corecte, (2) tu poți audita raționamentul, nu doar concluzia.

Tehnica D — Role Prompting

Ce este: îi spui AI-ului ce rol să joace.

Exemplu: `` Acționează ca un Senior Financial Auditor cu 15 ani experiență. Analizează acest balance sheet și identifică 5 red flags potențiale. ``

Când să folosești: sarcini care necesită o perspectivă specifică (auditor, controller, advisor); ridică nivelul de profundimea răspunsului.

Tehnica E — Structured Output

Ce este: ceri specific formatul output-ului — JSON, tabel, liste, etc.

Exemplu: `` Extrage informații din această factură și returnează în format JSON: { "invoice_number": "", "date": "", "vendor": "", "total": 0, "vat": 0, "items": [] } ``

Când să folosești: când vrei să automatizezi prelucrarea ulterioară (import în sistem, trimitere către alt API, integrare în Excel etc.). Outputul JSON poate fi prelucrat programatic.

Tabelul de sinteză

Practică recomandată

Pentru a deveni funcțional competent în prompt engineering: 20-40 ore de practică deliberată. Asta nu înseamnă „să folosești ChatGPT pentru orice timp de două luni" — înseamnă să petreci 20-40 ore conștient, scriind, comparând, rafinând prompt-uri pentru sarcini contabile concrete.

---

CAPITOLUL 7

Skill 3 — Tool & Platform Literacy

Nu există „AI-ul"; există un peisaj de instrumente, fiecare cu nișa lui

În discuțiile populare se vorbește despre „AI" ca și cum ar fi un singur instrument. În realitate, peisajul este un ecosistem de modele și platforme, fiecare cu specificuri distincte, costuri diferite și contexte de utilizare optime. Profesionistul AI-fluent știe să aleagă instrumentul potrivit pentru sarcina potrivită.

Cele patru platforme generaliste pe care trebuie să le cunoști

1. ChatGPT (OpenAI)

Pozitionare: General purpose, versatil. Cea mai mare bază de utilizatori, cel mai cunoscut brand.

Punctele tari: ecosistem mare de plugin-uri și GPT-uri custom; integrare cu Code Interpreter (rulează cod Python pentru analize de date); voice mode bun.

Punctele slabe: poate fi prolix; pentru analize foarte lungi de documente, alte platforme sunt mai bune.

Costuri (2026): Plus la $20/lună, Pro la $200/lună (acces la modele mai puternice).

2. Claude (Anthropic)

Pozitionare: Excelent pentru analiza documentelor lungi și pentru coding. Reputație de model atent la siguranță și etică.

Punctele tari: context window foarte mare; răspunde natural la documente extinse; Claude Code (pentru programatori) și Claude Cowork (pentru non-programatori, lansat ianuarie 2026) sunt agenți autonomi puternici.

Punctele slabe: ecosistem de plugin-uri mai mic decât ChatGPT.

Costuri (2026): Pro la $20/lună, planuri enterprise variabile.

3. Gemini (Google)

Pozitionare: Integrare nativă cu Google Workspace (Docs, Sheets, Drive, Gmail, Calendar). Context window extrem (până la 1 milion tokeni).

Punctele tari: dacă lucrezi în ecosistem Google, este integrat. Multimodal puternic (imagini, video).

Punctele slabe: mai puțin matur conversațional decât ChatGPT și Claude.

4. Copilot (Microsoft)

Pozitionare: Integrat nativ cu Office 365 (Excel, Word, PowerPoint, Outlook, Teams).

Punctele tari: dacă firma ta este pe Microsoft, Copilot vine deja în interfața familiară. Funcționează în Excel, nu separat.

Punctele slabe: dependent de calitatea datelor din Office; rezultate variabile pentru sarcini complexe.

Tabel de sinteză a peisajului platformelor

Skill-urile suplimentare în această zonă

Concret:

• Configurare pentru workflow — fiecare platformă permite „custom GPT-uri" sau „Projects" unde definești contextul, instrucțiunile, fișierele de referință
• Integrări cu ERP-uri și software contabil — în România, integrarea cu SAGA, SmartBill, Keez devine tot mai disponibilă
• Bazele API-urilor — pentru a construi automatizări custom (când ai volum mare de sarcini repetitive)
• Data privacy — cea mai importantă alegere (vom dezvolta în Skill 5)

---

CAPITOLUL 8

Skill 4 — Evaluarea Critică a Output-ului AI

Cea mai importantă competență a contabilului în Era AI

Dacă ar trebui să alegem un singur skill dintre cele cinci pe care îl considerăm cel mai critic, am alege fără ezitare evaluarea critică a output-ului AI. Iată de ce: AI-ul ușurează producția; singurul lucru care decide dacă output-ul produs poate fi folosit profesional este capacitatea ta de a-l valida. Fără această capacitate, viteza AI-ului devine un risc, nu un beneficiu.

Framework-ul de validare în cinci pași

Pasul 1 — Verificarea de substanță

Întrebarea-cheie: „Are sens din punct de vedere business?"

Red flags tipice:

• Cifre rotunjite suspect (exact 100.000, exact 1 milion, etc.)
• Categorii neobișnuite („Misc", „Other" etc. în volume mari)
• Procente care nu se adună la 100%
• Tendințe contradictorii (vânzări în creștere, dar și cheltuieli în scădere proporțională inexplicabilă)

Pasul 2 — Verificarea surselor

Întrebarea-cheie: „Sursele citate sunt reale și actuale?"

• Dacă AI citează IFRS 15 — verifici în standardul actual că ai înțeles corect
• Dacă AI citează prevederi legislative românești — verifici textul actual pe ANAF / Monitorul Oficial
• Dacă AI menționează o decizie de instanță — verifici existența și conținutul

Pasul 3 — Verificarea calculelor

Întrebarea-cheie: „Calculele sunt corecte?"

• Recalculezi manual prin sondaj (selectezi 3-5 numere și le verifici)
• Verifici totaluri vs sume de subtotaluri
• Verifici procentajele (împărțirile)

Pasul 4 — Gradul de completare

Întrebarea-cheie: „AI a răspuns la toate întrebările? Există omisiuni?"

• Recitești prompt-ul tău
• Pentru fiecare punct cerut, verifici dacă există în răspuns
• Atenție la omisiuni tăcute — AI-ul nu te avertizează când a sărit ceva

Pasul 5 — Detecția halucinațiilor

Întrebarea-cheie: „Există ceva inventat?"

Halucinațiile clasice:

• Standarde inexistente („IFRS 25" — nu există)
• Citate atribuite unor autori care nu le-au scris
• Cazuri juridice fictive
• Numere care „sună bine" dar nu vin de undeva verificabil

Framework-ul de „Trust but Verify"

Această filosofie — „trust but verify" — este moștenită din relația cu juniorii. Un junior bun produce rapid, dar cu erori inevitabile pe care senior-ul trebuie să le prindă. AI-ul funcționează identic — produce rapid, cu erori inevitabile, pe care contabilul trebuie să le prindă.

Tabel de calibrare — când e acceptabil „good enough"

---

CAPITOLUL 9

Skill 5 — Etica Utilizării AI și Data Privacy

Cinci dileme noi, fără precedent în profesie

Etica utilizării AI ridică întrebări care, în principiu, nu existau în profesia contabilă acum cinci ani. Le vom enumera pe rând, fiecare cu implicațiile concrete.

Dilema 1 — Confidențialitatea datelor

Regula de aur: NICIODATĂ nu urci date confidențiale ale clientului într-un LLM public (versiunea gratuită ChatGPT, Gemini, Claude).

De ce: versiunile gratuite ale acestor servicii folosesc datele tale pentru antrenare ulterioară a modelelor. Asta înseamnă că informațiile clientului tău pot ajunge, teoretic, în răspunsurile date altor utilizatori. Pentru un contabil, aceasta este o încălcare gravă a obligațiilor de confidențialitate.

Soluția: folosești versiunile enterprise ale platformelor — care vin cu contracte formale de confidențialitate, politici de retenție clare, și garanții că datele tale nu sunt folosite pentru antrenare.

Dilema 2 — Acuratețe vs Viteză

AI-ul oferă viteză, dar poate fi incomplet sau eronat. Decizia când e acceptabil „good enough" vs când necesiti 100% acuratețe este o judecată profesională.

Calibrare practică:

• Good enough acceptabil: draft-uri preliminare, brainstorming, sinteze interne
• 100% acuratețe necesară: date care merg în declarații, rapoarte oficiale, documente cu impact juridic

Dilema 3 — Bias în AI

AI-ul reflectă bias-urile din datele pe care a fost antrenat. Implicații concrete:

• Poate discrimina în decizii de credit (dacă datele istorice conțin discriminări)
• Poate avea prejudecăți pe domenii (favorizează anumite industrii, anumite tipuri de clienți)

Răspunsul profesional: monitorizezi pentru fairness în deciziile asistate de AI; nu accepți că „AI-ul a decis" este o justificare suficientă pentru o decizie discriminatorie.

Dilema 4 — Responsabilitatea profesională

Această observație, scurtă, este probabil cea mai importantă din întregul articol. Cadrul juridic, regulator și profesional atribuie răspunderea ultimă contabilului uman — nu instrumentului. Dacă AI-ul a făcut o eroare materială, tu ești cel care răspunde. Aceasta nu este o opinie — este realitatea structurală a profesiei.

Dilema 5 — Disclosure

Întrebări pentru care fiecare firmă trebuie să-și stabilească politici clare:

• Când trebuie să declari că ai folosit AI?
• Cum comunici cu clienții despre utilizarea AI?
• Cum menții audit trail-ul pentru deciziile asistate de AI?

În momentul actual, nu există un standard general acceptat pentru aceste întrebări. Așteptăm clarificări de la organismele profesionale (CECCAR în România, ACCA, AICPA, IFAC la nivel internațional).

Cadrul de reglementare pe care trebuie să-l cunoști

---

CAPITOLUL 10

Excel vs AI — Opt Dimensiuni de Comparație

Tabelul care sintetizează tot

Pentru a sintetiza vizual diferențele structurale între cele două ere, propunem următorul tabel comparativ pe opt dimensiuni:

Trei observații cheie din tabel

Observația 1 — Bariera de intrare e mai mică, dar bara de top rămâne sus. Cele 50-100 ore necesare pentru competență funcțională în AI sunt mult mai puține decât 500+ ore pentru Excel avansat. Asta înseamnă că intrarea în profesie va fi mai accesibilă. Dar atenție: asta nu înseamnă că vârful e mai accesibil. Mastery-ul real, cu cele cinci skill-uri integrate, cere ani de practică.

Observația 2 — Scalabilitatea infinită schimbă fundamental economia muncii. Faptul că același prompt procesează 10 sau 10.000 de elemente la fel de repede înseamnă că un singur contabil bine antrenat în AI poate produce ce ar fi luat unei echipe de 10 oameni cu o lună înainte. Asta are implicații enorme pentru structura firmelor de contabilitate.

Observația 3 — Tipurile de erori se schimbă, dar riscul rămâne similar. Excel-ul a introdus categoria „erori de formule" — pe care contabilul a învățat să le anticipeze și să le verifice. AI-ul introduce categoria „halucinații" — pe care contabilul AI-fluent o anticipează și o verifică. Riscul pentru profesie e similar; natura riscului e diferită.

---

CAPITOLUL 11

Roadmap Personal — De la „Nu Știu Nimic" la „Operațional în AI" în 90 de Zile

Planul concret pentru contabilul care vrea să acționeze acum

Toate analizele de mai sus sunt utile — dar nu sunt acționabile fără un plan concret. Iată un roadmap structurat pe 90 de zile, calibrat pe baza investiției totale estimate de 80-160 ore pentru competență funcțională în AI.

Faza 1 — Zilele 1-30: Fundamentele (~25-40 ore)

Obiectiv: Devino conversațional fluent cu vocabularul AI.

Activități săptămânale:

• 5-7 ore/săpt. de citit și experimentat
• Lectura: OpenAI Prompt Engineering Guide + Anthropic Claude Prompting Documentation
• Activitate: Cont premium la Claude sau ChatGPT ($20/lună)
• Practică: 30 de minute pe zi de experimentare

Milestone-uri:

• Săpt. 1: Înțelegi cele 7 concepte fundamentale (Capitolul 5)
• Săpt. 2: Ai folosit toate cele 5 tehnici de prompt engineering (Capitolul 6)
• Săpt. 3: Ai testat 2 platforme și înțelegi diferența
• Săpt. 4: Ai automatizat un task simplu din munca ta zilnică

Faza 2 — Zilele 31-60: Aplicarea (~25-40 ore)

Obiectiv: Integrează AI în 2-3 procese concrete din munca ta.

Activități săptămânale:

• 5-7 ore/săpt. de aplicare deliberată
• Identifică 3 procese repetitive din munca ta unde AI poate ajuta
• Construiește prompt-uri reutilizabile pentru fiecare
• Măsoară câștigul de timp

Milestone-uri:

• Săpt. 5-6: Primul proces complet automatizat (ex: extragerea datelor din facturi)
• Săpt. 7: Al doilea proces (ex: draft de note explicative)
• Săpt. 8: Al treilea proces (ex: research în standarde contabile)

Faza 3 — Zilele 61-90: Validarea și Etica (~25-40 ore)

Obiectiv: Rafinează skill-urile critice — validare și etică.

Activități săptămânale:

• 5-7 ore/săpt. pe validare deliberată și pe etică
• Studiază framework-ul de validare în 5 pași (Capitolul 8)
• Practică: pentru fiecare output AI, parcurge explicit cei 5 pași
• Documentează halucinațiile pe care le prinzi (vor fi multe la început)
• Studiază reglementările (EU AI Act, GDPR pentru AI)

Milestone-uri:

• Săpt. 9-10: Construiești propriul tău playbook de validare
• Săpt. 11: Stabilești politica personală de utilizare AI (ce poți și ce nu poți face cu datele clienților)
• Săpt. 12: Faci o prezentare internă în firma ta — devii „persoana AI"

Tabel de sinteză — investiția în 90 de zile

După cele 90 de zile

La finalul celor 90 de zile, vei fi în topul 25% al profesiei (pentru că majoritatea colegilor tăi nu va fi făcut acest exercițiu). De aici, drumul continuă — cu specializare, cu tool-uri specifice industriei tale, cu construirea de fluxuri tot mai sofisticate.

---

CAPITOLUL 12

Provocările și Avantajele Contabilului Român în AI Literacy

De ce contabilul român are atât handicapuri, cât și avantaje

Adopția AI Literacy în profesia contabilă românească are un context specific — care este parțial dezavantajos, parțial avantajos, și care merită analizat onest.

Provocările specifice contabilului român

Provocarea 1 — Limba română imperfect reprezentată în modele. LLM-urile sunt antrenate dominant pe engleză. Performanța în română există și a crescut substanțial, dar rămâne inferioară. Implicații:

• Pentru sarcini complexe: prompting bilingv (input în română, dar instrucțiuni structurate în engleză)
• Vigilență la traducerile termenilor de specialitate (ex: accrual poate fi tradus inconstant)
• Atenție la citarea de legislație: AI poate cita legislație americană ca și cum ar fi românească

Provocarea 2 — Costul abonamentelor în context salarial românesc. $20/lună pentru ChatGPT Plus sau Claude Pro reprezintă, raportat la salariul mediu românesc, un procent semnificativ mai mare decât în SUA. Această realitate nu este o scuză pentru non-adopție, dar este o realitate care explică ezitarea unora.

Provocarea 3 — Lipsa unui ecosistem matur de cursuri AI specifice contabilității românești. În SUA există deja zeci de cursuri „AI for Accountants". În România, oferta este în formare. Aici intervine, parțial, rolul AI Accounting Hub.

Provocarea 4 — Cultura organizațională conservatoare. Mediul economic românesc are o relație ambivalentă cu inovația — entuziasm la nivel de discurs, conservatorism la nivel de buget și de practică reală.

Avantajele invizibile ale contabilului român

Avantajul 1 — Substratul ANAF de date standardizate. E-Factura, SAF-T, SPV — toate creează un substrat unic în UE pentru AI agentic. AI-ul nu trebuie să „ghicească" layout-ul facturilor — primește XML structurat. Acuratețea extragerii crește de la 85-95% la practic 100%.

Avantajul 2 — Maturitatea cloud accounting-ului autohton. SmartBill (din 2007), Keez (din 2018) sunt platforme deja capitalizate de Visma (gigant norvegian de 12+ miliarde $). AI agentic se va așeza pe o infrastructură deja matură — nu trebuie construită de la zero.

Avantajul 3 — Tinerii sunt deja AI-fluent. Generația care intră acum în profesie a folosit ChatGPT din liceu sau facultate. Ei aduc reflexele AI fără efort de re-învățare. Pentru o firmă mică sau medie, un junior AI-fluent poate fi vectorul de transformare.

Avantajul 4 — Decalajul față de Vest s-a redus dramatic la AI. Pentru Excel, decalajul a fost 10 ani. Pentru cloud / RPA, 4-5 ani. Pentru AI, decalajul este de 1 an. Asta înseamnă că adopția în România poate fi aproape sincronă cu valul global — pentru prima dată în istoria profesiei.

Strategia practică pentru contabilul român

---

CAPITOLUL 13

2030 — O Zi de Muncă cu Skill-urile Noi în Acțiune

Cum se traduc cele cinci skill-uri într-o zi reală

Pentru a vedea concret cum se folosesc cele cinci skill-uri într-o zi normală de muncă, urmărim, pe scurt, ziua Andreei — personajul pe care l-am construit în articolele anterioare. Andreea, 32 de ani, Senior Accountant într-o firmă mid-size din București.

(Pentru ziua completă a Andreei, recomandăm articolele anterioare din serie. Aici evidențiem unde apar cele cinci skill-uri în acțiune.)

Traseul celor cinci skill-uri într-o zi

07:30 — Cafea, scroll-ul de dimineață. Andreea verifică dashboard-ul AI care a procesat datele peste noapte. Nu mai sunt notificări de tip „lipsesc 47 facturi din clientul X". Sunt insight-uri agregate: 3 alerte de excepții la 2 clienți, o cerere de consultanță urgentă, un indicator de cash flow anormal care merită discuție.

• Skill 4 (Validare critică) în acțiune: citește alertele cu ochi critic, identifică care sunt reale și care sunt false positives.

09:00 — Ședință cu CFO. Pregătirea s-a făcut prin briefing AI.

• Skill 2 (Prompt Engineering) în acțiune: prompt-ul ei către AI a inclus role prompting („acționează ca CFO advisor"), chain-of-thought („analizează lună cu lună variațiile") și structured output („returnează 3 observații strategice + 8 scenarii de acțiune").

11:00 — Excepții de validat. Trei tranzacții marcate de AI ca „necesită judecată profesională".

• Skill 4 (Validare critică) în acțiune din nou: pe fiecare tranzacție, parcurge framework-ul de 5 pași.
• Skill 1 (AI Literacy) în acțiune: înțelege de ce AI-ul a marcat aceste tranzacții (recunoaște limitele modelului) și aplică propria judecată.

13:00 — Mentorat junior. Subiect: cum se interpretează un raport AI.

• Skill 5 (Etică) în acțiune: discută cu junior-ul despre confidențialitate (ce date au voie să urce într-un LLM și ce nu).

15:00 — Configurare client nou. Împreună cu un AI Accounting Analyst.

• Skill 3 (Tool & Platform Literacy) în acțiune: alege instrumentele potrivite pentru workflow-ul specific al noului client (Claude pentru analiza contractelor, Copilot pentru lucru în Excel-urile lor).

17:00 — Final de zi. Andreea închide laptop-ul. Cele cinci skill-uri au fost active în fiecare etapă.

---

EPILOG

De Ce Există AI Accounting Hub

Cele 5-7 ore săptămânale care decid cariere — și de ce nu trebuie făcute singur

Roadmap-ul de 90 de zile pe care l-am propus în Capitolul 11 este fezabil pentru orice contabil. Dar este substantial mai ușor de parcurs în comunitate decât în izolare. Iată de ce.

Învățarea izolată are trei probleme structurale:

Problema 1 — Lipsa feedback-ului. Când scrii primele tale prompt-uri și nu știi dacă sunt bune sau rele, fără cineva care să te corecteze, vei consolida greșeli pe care apoi va fi greu să le dez-înveți.

Problema 2 — Bucla negativă a frustrării. Primele 10-20 de ore cu AI sunt frustrante — nu obții imediat ce vrei. Fără cineva care să-ți spună „e normal, persistă", mulți renunță în săptămâna 2.

Problema 3 — Lipsa adaptării la contextul românesc. Resursele globale (OpenAI Guide, Anthropic Documentation) sunt excelente, dar generice. Adaptarea la contextul românesc (ANAF, CECCAR, ERP-uri locale, Cod Fiscal) trebuie făcută local — și e mult mai eficientă în comunitate.

Cele trei convingeri pe care construim Hub-ul

Convingerea 1: Tranziția nu se face singur. Nimeni nu are, individual, toate cunoștințele necesare. Avem nevoie de profesioniștii contabili care înțeleg substanța meseriei, de specialiștii AI care înțeleg tehnologia, de practicienii care au testat și au învățat din erori. Niciuna dintre aceste categorii nu deține singură răspunsul. Comunitatea le poate uni.

Convingerea 2: Profesia română merită un Hub propriu. Specificul românesc — limba, reglementarea, infrastructura ANAF, cultura organizațională — face ca importul direct de soluții străine să fie ineficient. Avem nevoie de un loc unde se discută adaptarea locală. Unde experiența firmei din Cluj se întâlnește cu cea a firmei din Constanța.

Convingerea 3: Tranziția trebuie să fie incluzivă. Există un risc serios ca AI-ul să creeze o profesie cu două viteze: cei din firme mari, care au resurse pentru transformare, și cei din firme mici sau independenți, care rămân în urmă. Nu acceptăm acest viitor cu două viteze. Misiunea Hub-ului este să facă transformarea accesibilă tuturor profesioniștilor români.

Ce oferim — concret pentru cele 90 de zile

• Prompt libraries în română — biblioteci de prompt-uri pentru sarcini contabile concrete, testate și rafinate de comunitate
• Studii de caz românești — exemple reale, cu cifre în lei, cu legislație românească
• Forum de practică deliberată — postezi un prompt, primești feedback, rafinezi
• Webinarii lunare — pe teme tehnice și pe teme etice/regulatorii
• Curatoriat critic al instrumentelor — testăm tool-urile noi, le evaluăm pentru contextul românesc
• Networking — conectarea profesioniștilor între ei, pentru schimb de experiență, mentorat

Apelul nostru

În 2005, „nu știu Excel" era ușa închisă. În 2030, „nu știu AI" va fi ușa închisă. Între cele două momente, noi alegem cum să acționăm. Investiția de 75-120 ore pe parcursul a 90 de zile, distribuite în 5-7 ore săptămânale, este fezabilă pentru oricine. Decizia de a face investiția — singura decizie care contează.

Vrem să fii aici. Vrem să facem împreună această tranziție. Vrem ca, în 2030, să te uiți înapoi la 2026 și să spui: „atunci am început, atunci s-a schimbat tot."

Bun venit la AI Accounting Hub.

---

Acest articol face parte dintr-o serie de cinci articole-manifest publicate pe site-ul AI Accounting Hub. Articolele se complementează — pentru o perspectivă completă, recomandăm parcurgerea întregii serii.

Data publicării: 01 MAI 2026 Versiunea: 1.0