Perspectivele au fost dezvăluite în cadrul Programmers' Week 2026, evenimentul Cognizant desfășurat între 21 și 25 septembrie. Peste 20 de prezentări tehnice au abordat tema principală: evoluția dezvoltării de software în era AI, de la arhitecturi agentice și dezvoltare bazată pe specificații până la asigurarea calității, analiză de business și project management. Concluzia comună: munca umană se remodelează — oamenii scriu mai puțin cod repetitiv și se concentrează mai mult pe proiectare, definirea regulilor și validarea rezultatelor.
„Modelul clasic din serviciile software s-a construit pe efort: oameni, ore, capacitate. Modelul spre care ne îndreptăm se construiește pe rezultat. Nu mai vindem doar capacitatea de a scrie cod, ci rezultate de business pe care ni le asumăm. Strategia globală AI Builder a Cognizant are câteva direcții urmărite simultan: creșterea productivității în dezvoltarea de software cu ajutorul AI, mutarea logicii de business către un nivel agentic de operare și extinderea capacității organizațiilor prin colaborarea dintre oameni și agenți AI. La baza tuturor stă o convingere pe care o susținem cu resurse: AI amplifică potențialul uman, nu îl înlocuiește. Anul trecut, Cognizant a angajat la nivel global aproximativ 20.000 de absolvenți la început de carieră, iar în 2026 numărul va fi și mai mare”, declară Mihai Constandiș, Country Manager & Head of Romania Studios, Cognizant România.
România are un rol strategic de execuție, fiind cel mai mare centru Cognizant din Europa de Est, cu peste 2.500 de angajați în București, Cluj-Napoca, Iași, Timișoara și Baia Mare. Echipele locale lucrează la proiecte AI pentru piața EMEA, iar o parte dintre soluții ajung și la clienți din America de Nord.
„În plus, participăm direct la inițiative globale precum AI Lab, unde lucrăm la orchestrarea agenților AI, adică la felul în care mai mulți agenți colaborează pentru a duce la capăt sarcini complexe. România nu execută doar o strategie decisă în altă parte, ci contribuie efectiv la construirea ei”, adaugă Mihai Constandiș.
Un consens prezent la Programmers' Week este că AI poate prelua sarcini, însă responsabilitatea finală rămâne umană. Pentru a funcționa, acest principiu trebuie integrat în fluxurile de lucru prin puncte de aprobare clare. De exemplu, AI poate analiza o cerință și propune un plan, dar planul trebuie citit și aprobat de un coleg înainte de a scrie prima linie de cod; apoi planul devine referința pentru verificarea rezultatului. O sarcină este considerată finalizată doar după ce trece testele definite inițial, nu atunci când agentul AI declară finalizarea.
Totodată, punctele de control trebuie plasate unde acțiunile sunt greu de anulat — de pildă când un agent scrie într-un sistem extern sau modifică o ramură protejată de cod. Restul pașilor pot rula fără întreruperi, cu condiția ca fiecare oprire să fie explicită și motivată. Aceeași logică se aplică în managementul de proiect: delegarea către un agent AI urmează bune practici similare delegării către oameni: obiectiv clar, context, constrângeri, criterii de acceptare, feedback și validare.
Experiența arată că un singur asistent AI nu poate acoperi eficient toate etapele — analiza, dezvoltarea, testarea — pentru că devine dificil de verificat și de diagnosticat erorile. Abordarea eficientă este fragmentarea muncii în pași mici, fiecare alocat unui agent dedicat cu o singură responsabilitate. Acești agenți produc rezultate previzibile, ușor de revizuit și reutilizabil în alte proiecte, având acces doar la instrumentele necesare, ceea ce limitează propagarea erorilor.
În proiectele din România s-a aplicat deja această idee: un „team” AI intern cu agenți specializați pentru identificarea erorilor, revizuirea codului, testare unitară sau documentație tehnică pe dezvoltare; și agenți pentru configurarea mediilor de test, automatizare, documentație de testare și generarea datelor de test pe partea de QA. Fluxul de lucru QA este împărțit în etape — ticket, documentație, plan de testare, cazuri de test, execuție și aprobare finală — fiecare cu agentul și regulile sale.
Peste agenții specializați există un coordonator care orchestrează ordinea pașilor, păstrează contextul între etape și oprește fluxul acolo unde e nevoie de decizia umană. Pentru probleme deschise, unde drumul nu e cunoscut, se pot folosi agenți care decid singuri următorul pas; pentru procese auditabile, se preferă secvențe predefinite.
Progresul nu vine din formularea de prompturi mai inteligente, ci din calitatea informației furnizate: standarde de echipă, șabloane, documentație de proiect, reguli de business și istoricul codului. Un asistent AI fără cunoașterea convențiilor echipei va produce rezultate inconsistente, iar colegii vor petrece timp corectând în loc să scrie de la zero. Soluția este organizarea o dată a contextului și punerea lui la dispoziția agenților automat.
Un exemplu este GenAI Toolkit dezvoltat de echipele Cognizant din România, care rezolvă trei probleme frecvente: repetarea explicațiilor contextului, instrucțiuni divergente între colegi și rezultate variabile. Toolkit-ul structurează informația pe straturi: reguli generale, standarde de companie, reguli de limbaj, reguli de proiect și preferințele fiecărui coleg activate în funcție de tipul fișierului. La acestea se adaugă tipare de cod, reguli de business și informații specifice. Măsurătorile interne indică îmbunătățiri ale eficienței în ciclurile de inginerie, creșterea calității în fluxurile critice și reducerea rezultatelor nerelevante în detectarea deficiențelor.
Același principiu se aplică și în testare: o bază de cunoștințe construită pornind de la codul existent, completată cu exemple de formulări acceptate și respinse, devine un activ transferabil între instrumente AI.
Provocarea este să faci AI consecvent, predictibil și sigur. Diferența dintre prototip și produs include patru componente: fundamentare în datele organizației, limite clare, evaluare și capacitatea de a observa. Rezultatele trebuie măsurate, iar evaluarea tratată ca disciplină de inginerie, la fel de serioasă ca testarea clasică.
Într-un proiect banking, calitatea a fost evaluată pe trei niveluri: în faza de proiectare pentru model și prompt (rata de halucinație, respectarea instrucțiunilor, „toxicitate”), evaluări la nivelul agentului (instrumente, interogări, date) și evaluări în timp real care verifică fiabilitatea fiecărui răspuns înainte de livrare.
Un mecanism suplimentar este clasificarea înainte de intervenție: în pipeline-ul de testare automată, fiecare eșec primește categorie, scor de încredere și dovezi. Problemele de mediu sau sincronizare pot fi remediate automat, în timp ce defectele reale ajung la consumator. De asemenea, revizuirea independentă este esențială: un alt model, cu context separat, verifică artefactele după controalele deterministe și înaintea deciziei umane; agenții auditori raportează, dar nu pot modifica artefactul. Această arhitectură stratificată răspunde și cerințelor de supraveghere umană impuse de reglementări precum AI Act.
Pe măsură ce AI preia redactarea și munca repetitivă, rolurile precum business analyst, product owner, project manager și QA se mută de la producerea livrabilelor către asigurarea rezultatelor: judecată, evaluare și guvernanță. AI este puternic în prototipare, redactare de specificații, analiză de diferențe și generare de teste, în timp ce oamenii rămân responsabili de definirea problemei, indicatorilor de performanță, pragurilor de guvernanță și compromisurilor strategice.
Modul de definire a rolului devine crucial: cine se identifică prin întrebările pe care le pune și prin deciziile pe care le susține devine mai valoros decât cel definit prin documentația pe care o produce. Obiective practice includ reducerea semnificativă a efortului de documentare și, mai important, capacitatea de a detecta din timp când AI greșește.
Cerințele pentru funcționalități bazate pe AI trebuie formulate în termeni de intervale și reguli — de exemplu „clasifică corect cel puțin 90% din cazuri” sau „nicio aprobare peste un anumit prag fără validare umană”. În managementul de proiect, three niveluri deja vizibile sunt: AI ca asistent pentru raportare și sinteze; AI ca sfătuitor pentru pregătirea discuțiilor și identificarea riscurilor; și AI ca executant pentru sarcini clare. Orele economisite oferă spațiu pentru a crea valoare, iar project managerul trebuie acum să aibă o înțelegere tehnică mai bună pentru a delega corect echipei de agenți AI, fără a diminua importanța judecății, comunicării și cunoașterii domeniului.
