↗
Un model poate prezice mai bine vânzările și, totuși, fabrica să producă prea mult.
Poate reduce eroarea medie, dar să rateze exact săptămânile promoționale. Poate recomanda cantitatea potrivită, dar într-un lot imposibil de executat. Poate vedea o cerere probabilă, fără să știe că ambalajul lipsește, că linia este ocupată sau că ordinea propusă multiplică schimbările de alergen.
De aceea, întrebarea serioasă nu este „Folosim AI?”.
Este: ce decizie vrem să îmbunătățim, ce constrângeri trebuie respectate și prin ce cost demonstrăm că rezultatul este mai bun?
Prognoza nu este planul
În conversațiile despre AI, trei etape sunt frecvent amestecate.
Prognoza cererii estimează ce s-ar putea solicita într-un anumit interval. Poate produce o valoare punctuală — de exemplu, 1.200 de unități — sau un interval și mai multe scenarii.
Decizia de stoc stabilește ce cantitate trebuie disponibilă și când, ținând cont de incertitudine, nivelul de serviciu, termenul de aprovizionare și costul rămânerii cu produs.
Planificarea producției traduce necesarul în loturi executabile: pe ce linie, în ce ordine, cu ce materii prime, ambalaje, personal și timp.
AI poate participa la oricare dintre aceste straturi. Nu le face automat coerente.
O prognoză de 1.200 de unități nu spune singură dacă trebuie produse 1.200, 1.350 sau zero în ziua respectivă. Răspunsul depinde de stocul existent și de vârsta lui, comenzile ferme, cantitatea minimă de lot, randament, capacitate, expirări, livrări și riscul acceptat de lipsă.
Datele istorice nu sunt cererea în stare pură
O serie de comenzi sau livrări pare un punct de plecare obiectiv. În realitate, poate conține urmele deciziilor vechi.
Dacă produsul nu a fost disponibil, vânzarea observată poate fi mai mică decât cererea. Dacă un client a primit o alocare, cantitatea livrată nu mai descrie neapărat ce a solicitat. Dacă o promoție nu a fost codificată, modelul vede o creștere fără cauză. Dacă o comandă anulată rămâne în alt sistem decât livrarea, seriile pot spune povești diferite.
Înaintea algoritmului trebuie construit un dicționar de date:
- comandă solicitată, confirmată, livrată și facturată;
- dată de comandă, dată cerută și dată efectivă de livrare;
- lipsă de stoc, substituție și alocare;
- promoție, schimbare de preț și listare/delistare;
- client, canal și punct de livrare la granularitatea permisă;
- calendar, sărbători și evenimente cunoscute înainte de prognoză;
- rețetă și consum standard de materii prime;
- randament și pierderi documentate;
- stoc pe lot și termen rămas;
- capacitate, opriri și mentenanță;
- ambalaje și termene de aprovizionare;
- revizii ale prognozei și intervenții umane.
Datele despre vreme, căutări online ori evenimente pot ajuta în anumite situații. Ele nu trebuie adăugate fiindcă par moderne. La momentul construirii prognozei trebuie să fie disponibile în aceeași formă în care vor exista în operare; altfel apare o scurgere de informație din viitor în test.
AI a devenit mai prezent, dar cifra generală nu descrie fabrica alimentară
Eurostat a raportat la 11 decembrie 2025 că 20,0% dintre întreprinderile din UE cu cel puțin zece persoane ocupate utilizau una sau mai multe tehnologii AI, față de 13,5% în 2024. Pentru România, ponderea raportată în 2025 a fost 5,2%. [1]
Datele provin din ancheta europeană privind utilizarea TIC și comerțul electronic în întreprinderi. Acoperirea include mai multe sectoare NACE, între care industria prelucrătoare, și mai multe tipuri de AI, de la analiza limbajului la machine learning și automatizarea deciziilor. Statistica nu indică separat câte fabrici alimentare folosesc AI pentru planificarea loturilor și nu măsoară valoarea obținută.
O revizuire academică publicată în 2024 a selectat 119 lucrări din Scopus despre machine learning și deep learning pentru prognoza cererii în supply chain. Autorii au combinat analiză bibliometrică și analiză de conținut și au găsit o diversificare rapidă a metodelor, dar și probleme repetate: calitatea și accesul la date, integrarea cu sistemele existente, interpretabilitatea, costul și menținerea performanței când condițiile se schimbă.
Revizuirea are limite importante: folosește o singură bază bibliografică, reunește tipuri eterogene de publicații și nu calculează o mărime comună a efectului. Rezumatul delimitează perioada analizată la 2015–2024. [2]
Ce ne învață o competiție mare de prognoză
Competiția M5 a cerut prognoze pe 28 de zile pentru datele de vânzări Walmart. Setul a cuprins 3.049 de produse vândute în zece magazine din trei state americane, formând 30.490 de serii la nivel produs–magazin și 42.840 de serii după agregarea ierarhică.
Metodele au fost comparate pe aceleași date și aceeași perioadă necunoscută participanților. Soluțiile de vârf au folosit intens machine learning, învățarea comună între serii, variabile explicative și combinații de modele. Competiția a arătat că metodele avansate pot depăși repere statistice într-un cadru retail complex și cu cerere intermitentă. [3]
Nu a măsurat însă stocul expirat, nivelul de serviciu, orele suplimentare ori costul schimbărilor de producție. Datele provin de la un singur retailer, din trei state americane, iar orizontul a fost fix. Produsele sunt vânzări retail, nu rețete și linii alimentare cu timpi de igienizare, alergeni, randamente și durate de viață.
Acuratețea trebuie măsurată ca un portofoliu de erori
Nicio singură metrică nu descrie suficient performanța.
Un set minim poate include:
- MAE, eroarea absolută medie, exprimată în unități;
- WAPE, suma erorilor absolute împărțită la suma cantităților efective;
- bias semnat, definit aici ca suma (prognoză − efectiv) împărțită la suma efectivului; o valoare pozitivă indică tendință de supraprognoză;
- eroarea pe familie, SKU, client, săptămână și orizont;
- acoperirea intervalelor de prognoză;
- performanța în promoții, sărbători, lansări și perioade cu rupturi de stoc.
MAPE, care împarte eroarea fiecărei observații la valoarea efectivă, devine problematică atunci când cererea este zero sau foarte mică. WAPE evită o parte din această problemă la nivel agregat, dar poate ascunde performanța slabă a SKU-urilor mici, fiind dominată de produsele cu volum mare.
Testarea trebuie făcută prin ferestre succesive în timp: modelul este antrenat numai cu trecutul disponibil la fiecare dată, apoi evaluat pe perioada următoare. O singură împărțire istorică poate favoriza întâmplător un model sau o perioadă. [4]
Mai trebuie păstrată prognoza inițială, versiunea modificată de planificator și rezultatul final. Astfel poate fi calculată valoarea adăugată de intervenție: corecțiile umane îmbunătățesc sistematic rezultatul sau îi introduc bias?
Din prognoză, un plan fezabil
Planificarea loturilor este o problemă de constrângeri, nu doar de predicție.
Sistemul trebuie să țină cont de:
- comenzile ferme și prioritatea lor contractuală;
- stocul utilizabil pe lot și termenul rămas;
- cantitatea minimă și multiplul de lot;
- randamentul real și intervalul său acceptat;
- timpul și capacitatea fiecărei linii;
- personalul și competențele disponibile;
- disponibilitatea ingredientelor și ambalajelor;
- succesiunea rețetelor și schimbările de alergen;
- curățare, igienizare și verificări;
- răcire, congelare ori alte etape care ocupă capacitate;
- spațiul de depozitare;
- ferestrele de încărcare și livrare;
- regulile de trasabilitate și blocare/eliberare.
O metodă de optimizare poate căuta varianta cu cost total minim între mai multe planuri fezabile. Funcția de cost trebuie însă declarată. Dacă penalizarea lipsei este setată arbitrar sau pierderea prin expirare nu este inclusă, algoritmul optimizează o versiune incompletă a afacerii.
Modelul nu trebuie să „învețe” singur să scurteze igienizarea, să extindă termenul de valabilitate, să accepte rework nevalidat ori să schimbe succesiunea alergenilor în afara procedurii aprobate.
Costul erorii nu este simetric
O unitate lipsă și una rămasă nu au același cost.
Subprognoza poate produce:
- livrare incompletă;
- lot urgent și schimbare suplimentară;
- ore suplimentare;
- transport accelerat;
- penalități ori pierderea vânzării;
- alocare între clienți.
Supraprognoza poate produce:
- materie primă și ambalaj consumate prea devreme;
- capital blocat;
- spațiu ocupat;
- reducere comercială;
- expirare sau imposibilitatea unei utilizări conforme;
- energie și muncă deja consumate.
Costul relevant nu este prețul complet al porției dacă o parte dintre costuri nu mai poate fi evitată. Trebuie separat costul variabil evitabil de costurile fixe, iar venitul potențial nu trebuie contabilizat ca economie certă.
Calcul ilustrativ: când se plătește proiectul
Ipoteze declarate
- familia analizată deservește ipotetic 12.000 de porții pe săptămână;
- supraproducția actuală este presupusă la 6,0% din acest volum, adică 720 de porții;
- soluția ar reduce-o la 4,5%, adică 540 de porții, fără să scadă nivelul de serviciu;
- diferența teoretică este de 180 de porții pe săptămână;
- costul variabil evitabil este 8,50 lei/porție;
- numai 70% din diferența teoretică se poate transforma în producție efectiv evitată, din cauza loturilor minime, randamentelor și deciziilor deja angajate;
- o lună are în medie 4,33 săptămâni;
- software-ul, infrastructura de date și suportul costă ipotetic 3.800 lei/lună;
- valorile sunt fără TVA; nu sunt incluse implementarea, integrarea, instruirea, timpul intern, finanțarea ori impozitele;
- nu este atribuită nicio valoare îmbunătățirii serviciului sau capacității;
- toate valorile sunt ipotetice și nu reprezintă volume, costuri ori rezultate Carmolimp.
Scenariul de 1,5 puncte procentuale
Porții evitate și realizabile:
180 × 70% = 126 porții/săptămână
Cost variabil evitat:
126 × 8,50 lei = 1.071 lei/săptămână
Beneficiu lunar:
1.071 × 4,33 = aproximativ 4.637 lei/lună
Diferență înaintea costurilor inițiale:
4.637 − 3.800 = aproximativ 837 lei/lună
Scenariul de numai 0,5 puncte procentuale
Diferența este de 60 de porții pe săptămână:
60 × 70% × 8,50 × 4,33 = aproximativ 1.546 lei/lună
După costul recurent de 3.800 lei, rezultatul este:
1.546 − 3.800 = aproximativ −2.254 lei/lună
Rezultatul nu poate fi numit economie dacă producția, achiziția sau pierderea nu s-au schimbat efectiv. Dacă porțiile salvate sunt înlocuite de altă supraproducție ori dacă nivelul de serviciu scade, calculul nu mai este valabil.
Omul trebuie să poată interveni — și intervenția trebuie evaluată
„Human in the loop” nu înseamnă că un planificator apasă formal un buton.
Persoana responsabilă trebuie să vadă:
- versiunea și data modelului;
- datele folosite;
- orizontul și nivelul prognozei;
- incertitudinea;
- diferența față de reper și față de ultima versiune;
- factorii principali, în măsura în care sistemul îi poate explica;
- constrângerile active;
- alertele privind date lipsă ori situații neobișnuite.
Orice modificare materială trebuie înregistrată cu un cod de motiv: comandă nouă, promoție, informație comercială, lipsă de material, oprire, risc de calitate sau altă cauză definită.
După închiderea perioadei se verifică separat modelul, intervenția umană și planul executat. Altfel, organizația nu poate ști dacă AI a greșit, dacă planificatorul a corectat bine sau dacă fabrica nu a putut executa decizia.
AI Act: utilizarea concretă stabilește obligațiile
Regulamentul (UE) 2024/1689 se aplică, în general, din 2 august 2026. Majoritatea dispozițiilor capitolelor I și II se aplică din 2 februarie 2025, iar regulile pentru modelele de uz general din 2 august 2025, cu dispoziții tranzitorii specifice. Excepțiile din articolul 5 alineatul (1) primul paragraf literele (ba) și (bb) și alineatele (1a) și (1b) se aplică din 2 decembrie 2026. Textul trebuie citit în forma modificată în iulie 2026. [6] [10]
Comisia Europeană precizează că clasificarea ca sistem cu risc ridicat depinde de scopul și modul concret de utilizare. Un instrument utilizat exclusiv pentru prognoza volumelor sau optimizarea stocului nu este automat enumerat drept sistem cu risc ridicat. [5] [6]
Evaluarea se schimbă dacă sistemul este folosit, de exemplu, pentru decizii privind recrutarea, evaluarea angajaților, repartizarea sarcinilor pe baza comportamentului ori monitorizarea performanței, sau dacă devine o componentă de siguranță a unui produs reglementat.
Regulamentul (UE) 2026/1744, publicat la 24 iulie 2026 și intrat în vigoare la 27 iulie, a modificat AI Act. Pentru secțiunile 1–3 din capitolul III, cu excepția articolului 6 alineatul (5), calendarul diferențiază 2 decembrie 2027 pentru sistemele cu risc ridicat din articolul 6 alineatul (2) și anexa III și 2 august 2028 pentru cele din articolul 6 alineatul (1) și anexa I. Nu este o amânare generală a întregului regulament. [10]
Articolul 4 modificat cere furnizorilor și implementatorilor măsuri pentru sprijinirea dezvoltării competențelor în materie de AI, adaptate cunoștințelor, experienței și contextului. Nu le cere garantarea unui nivel specific pentru fiecare persoană. Instruirea echipei rămâne o cerință de guvernanță relevantă și pentru planificare. [6] [10]
Ca măsuri operaționale recomandate, inclusiv pentru o aplicație cu risc redus, fabrica ar trebui să stabilească:
- inventarul sistemelor și scopurilor;
- rolul companiei: furnizor, implementator/deployer, importator sau distribuitor, după caz;
- competențe adecvate pentru persoanele care operează sistemul;
- contract privind datele, modelele, suportul și incidentele;
- controlul accesului și securitatea;
- jurnalizarea versiunilor, previziunilor și intervențiilor;
- verificarea utilizării datelor personale;
- procedura de monitorizare, retragere și continuitate.
Siguranța alimentară nu se optimizează statistic
Regulamentul general privind legislația alimentară păstrează responsabilitatea operatorului pentru conformitatea alimentului și trasabilitate. Regulamentul privind igiena cere proceduri permanente bazate pe principiile HACCP. [8] [9]
Un sistem AI poate semnala un risc de lipsă, poate propune o succesiune sau poate prioritiza verificarea. Nu poate transforma o abatere într-o situație acceptabilă doar pentru că planul devine mai eficient.
Rămân în afara modificării automate:
- parametrii validați ai procesului;
- limitele critice și acțiunile corective;
- termenul de valabilitate;
- utilizarea după deschidere;
- criteriile de eliberare și blocare;
- rework-ul și destinațiile permise;
- matricea alergenilor și regulile de igienizare;
- trasabilitatea;
- decizia de retragere sau rechemare.
Orice schimbare în aceste zone urmează procesul formal de control al modificării și validare.
Cumpărăm un model sau construim o capacitate?
În evaluarea unui furnizor, demonstrația trebuie înlocuită cu întrebări verificabile:
- Ce problemă și ce granularitate rezolvă?
- Care este reperul de comparație?
- Cum tratează produsele noi, volumele zero și cererea intermitentă?
- Cum evită scurgerea informației din viitor în test?
- Cum gestionează promoțiile, lipsurile și schimbările structurale?
- Produce intervale ori numai valori punctuale?
- Cum sunt versionate datele și modelele?
- Ce se întâmplă când datele lipsesc?
- Ce latență și disponibilitate sunt garantate?
- Datele sunt folosite pentru antrenarea altor modele?
- Ce poate exporta clientul la încetarea contractului?
- Cum sunt măsurate degradarea și deriva modelului?
- Cine aprobă actualizarea?
- Există un mod sigur de revenire la procesul manual?
NIST AI Risk Management Framework 1.0 propune voluntar integrarea încrederii și riscului în proiectarea, dezvoltarea, utilizarea și evaluarea sistemelor AI. Documentul este în revizie în 2026 și nu înlocuiește legislația europeană, dar susține o idee operațională utilă: guvernanța și monitorizarea trebuie să acopere întregul ciclu de viață, nu doar selecția inițială a modelului. [7]
Cum arată un pilot care poate produce o decizie
Un pilot util are o întrebare și un prag de oprire.
Poate fi organizat astfel:
- se selectează o familie de produse cu date suficient de curate și o decizie repetitivă;
- se îngheață definițiile, perioada și costurile;
- se construiesc cel puțin două repere: metoda curentă și o prognoză sezonieră simplă;
- se face backtest prin ferestre succesive, la orizontul real al deciziei;
- modelul rulează prospectiv în „shadow mode”, fără să elibereze ordine;
- prognoza, intervențiile și motivele lor sunt înregistrate înainte de apariția rezultatului;
- planul este trecut prin constrângerile reale;
- rezultatele statistice, operaționale și financiare sunt analizate împreună;
- QA, tehnologia, producția, comercialul, financiarul, IT și juridicul aprobă domeniul oricărei utilizări live.
Proiectul poate fi oprit dacă modelul nu depășește reperele, dacă datele nu pot fi guvernate, dacă economia nu acoperă costul total sau dacă riscul de integrare este disproporționat.
Aceasta nu este o nereușită. Este o decizie obținută înaintea unei implementări mai scumpe.
Concluzie
AI nu elimină incertitudinea din producția alimentară. O face, în cel mai bun caz, mai vizibilă și mai ușor de tratat.
Valoarea nu se află în numele algoritmului, ci în legătura dintre:
- date corect definite;
- prognoză comparată cu repere;
- incertitudine exprimată;
- stoc și loturi construite sub constrângeri reale;
- intervenții umane documentate;
- siguranță alimentară nemodificată;
- efect financiar măsurat după execuție.
O prognoză mai precisă este un rezultat tehnic. Mai puține lipsuri, mai puțină supraproducție și un plan mai stabil sunt rezultate operaționale. Economie există abia când aceste rezultate schimbă un cost real.
În fabrica alimentară, AI nu trebuie să primească ultimul cuvânt. Trebuie să ofere o estimare mai bună, să arate ce nu știe și să lase în urmă o decizie care poate fi explicată, executată și verificată.
Limitele analizei
- Nu au fost analizate date, sisteme, produse, costuri, clienți ori performanțe Carmolimp.
- Calculul financiar este integral ipotetic și nu include costurile inițiale.
- Eurostat măsoară adoptarea declarată a AI la nivel de întreprindere, nu utilizarea pentru planificarea fabricilor alimentare.
- Revizuirea din 2024 este eterogenă și nu dovedește un procent mediu de îmbunătățire.
- Competiția M5 folosește date retail de la un singur grup și nu modelează constrângerile unei fabrici alimentare.
- O eroare de prognoză mai mică nu garantează stoc mai mic, serviciu mai bun ori risipă redusă.
- Economiile apar numai dacă decizia schimbă o cheltuială evitabilă sau folosește productiv capacitatea eliberată.
- Datele istorice pot fi cenzurate de lipsuri, alocări și schimbări comerciale.
- Produsele noi și șocurile structurale rămân dificil de prognozat.
- Clasificarea juridică depinde de scopul concret și poate fi afectată de modificări legislative ulterioare.
- NIST AI RMF este voluntar și în curs de revizuire.