Andrei Radu-Alex (dr0mp) – Artist
Organizație – New Media Jam

Despre consumul accelerat de cunoaștere, colapsul modelului de consum și de ce cercetarea devine cel mai profitabil business din AI.

Vreau să fac o afirmație specifică și să fiu direct. Conceptul de consum, în contextul AI, eșuează pentru că tehnologia consumă chiar lucrul care l-a făcut posibil. Iar singura poziție care supraviețuiește acestui proces este cea în care tu conduci consumul, nu ești supus lui. 

Poate sună abstract, așa că lăsați-mă să concretizez.

Când vorbim despre AI care preia sarcini, încadrăm, de obicei, acest lucru ca automatizare: un sistem care face munca mai rapid sau mai ieftină, iar muncitorul urcă pe lanțul valoric. Aceasta este povestea standard și are un sâmbure de adevăr în cazuri specifice, dar omite anumite categorii de cunoștințe umane, care, sunt extrase direct, comprimate într-un sistem și apoi folosite pentru a face acele cunoștințe redundante.

Persoana a cărei experiență a alimentat sistemul rămâne cu un instrument care îi poate face munca. Bineînțeles, acest lucru nu se întâmplă uniform. Și această distincție contează mai mult decât aproape orice altceva în această discuție. Consumul este specific domeniului.

Unde se află consumul acum

SaaS, automatizarea fluxurilor de lucru, servicii clienți, analiza documentelor juridice, analiză financiară, generarea de cod, crearea de conținut pentru formate standard sunt domeniile în care AI a absorbit cunoștințele relevante și operează peste nivelul unui practicant mediocru. Nivelul la care se găsește cea mai mare parte a activității economice.

Cifrele sunt brutale. Un studiu MIT din iulie 2025 a constatat că 95% din proiectele pilot de AI generativ în întreprinderi eșuează în a produce un impact măsurabil.

O problema structurală, în care organizațiile au implementat AI așteptându-și să-și augmenteze angajații. Ceea ce s-a întâmplat, în schimb, este că, pentru o scurtă perioadă, oamenii au primit augmentarea, și, pe măsură ce lucrau cu aceste modele, sistemul a absorbit suficiente cunoștințe pentru a înlocui porțiuni mari din munca acestora.

Până în 2025, 76% din AI-ul enterprise era cumpărat mai degrabă decât construit, pentru că echipele interne descopereau în mod repetat că orice construiau era depășit de modelele de fundație înainte de a ajunge în producție.

Consecința pe piață urmează direct. Platformele modelelor de fundație au capturat 12,5 miliarde de dolari în 2025. Cheltuielile cu infrastructura s-au dublat la 18 miliarde. Startup-urile tip wrapper AI au funcționat cu marje brute de 50-60 de procente față de SaaS tradițional la 70-90 de procente, cu o rată de eșec de 92 de procente.

Fundația (cipurile, energia, răcirea, terenul)  a capturat cel mai sigur randament pentru că nu are niciun interes ce cunoștințe sunt consumate sau care companie supraviețuiește.

McKinsey estimează investiția necesară în infrastructură AI la 5,2 trilioane de dolari până în 2030. Centrele de date se îndreaptă spre 12 procente din consumul de electricitate al SUA până în 2028.

Aparent fenomenul arată, din ce în ce mai mult, ca o expansiune industrială, mai degrabă decât un cadru software.

Piață bursieră a apreciat această tranziție în timp real, uneori într-o singură sesiune. Când DeepSeek a lansat R1 în ianuarie 2025, la un cost de antrenament de 5,6 milioane de dolari. Egalând o1 de la OpenAI, Nvidia a pierdut aproximativ 600 de miliarde de dolari în capitalizare de piață într-o singură zi.  În februarie 2026, Claude Cowork de la Anthropic și plugin-urile specifice domeniului au cauzat scăderea Thomson Reuters cu 15 procente într-o singură sesiune. LegalZoom a scăzut cu 19 procente. Când a urmat Claude Code Security, CrowdStrike a scăzut cu 8 procente, Cloudflare 8 procente, Okta 9 procente.

Fiecare dintre acele scăderi a fost piață recalculând cât din cunoașterea care susținea acele afaceri fusese deja absorbită.

În această etapă există multe mai multe evenimente despre care aș putea vorbi, de consumul ridicat de energie în hardware care este limitat de transferul de date și nu de calcul și cursa pentru optoelectronice, lansarea unui model de limbaj ASIC experimental care nu necesită nucleele clasice de memorie sau procesare, până la arhitecturi complet noi de modele de limbaj. Exemple ca acestea, în prezent în plină dezvoltare, vor crea efecte similare odată ce vor fi implementate cu succes la scară largă în centrele de date.

Să mergem mai departe.

Mecanismul

Vreau să fiu precis în privința mecanismului, pentru că îl consider fundamental diferit de ceea ce înțelegem de obicei prin automatizare.

În februarie 2026, Daron Acemoglu, Dingwen Kong și Asuman Ozdaglar au publicat o lucrare prin NBER intitulată AI, Human Cognition and Knowledge Collapse.

Distincția centrală din lucrare este între două tipuri de cunoaștere:

Cunoașterea generală este înțelegerea acumulată și difuzată a unui domeniu, tipul care se construiește într-o comunitate în timp prin efort și experimentare.

Cunoașterea contextuală este semnalul individual, situațional pe care cineva îl aplică unei decizii particulare.

Efortul uman, conform modelului lor, produce ambele cunoașteri simultan. Când lucrezi singur la o problema, generezi un semnal individual pentru situația ta și contribui cu ceva subtil și public la stocul colectiv.

AI-ul agentic livrează sfaturi contextuale de înaltă calitate, substituind în același timp efortul uman care ar fi generat acele semnale publice. Acemoglu și coautorii săi modelează acest lucru și constată că atunci când acuratețea AI depășește un anumit prag, sistemul poate cădea într-o stare de colaps al cunoașterii în care cunoașterea generală dispare. 

Lucrarea citează Stack Overflow ca un semnal timpuriu din lumea reală. De când modelele de limbaj au devenit accesibile, există mai puțină activitate pe platformă, mai puțin angajament uman la întrebările dificile și, în mod argumentabil, mai puțină generare de cunoaștere nouă din partea inginerilor cu experiență care se confruntă cu probleme noi.

Comunitatea care a construit baza de cunoștințe este înlocuită de un sistem antrenat pe acea baza de cunoștințe. Pe termen lung nu mai sunt puse întrebări dificile în mod public și stocul de înțelegere împărtășită încetează să crească.

S-ar putea argumenta că o nouă formă de cunoaștere împărtășită ar emerge, dar aceasta poate fi adevărată în ambele cazuri. Forma cunoscută de interacțiune și generare a cunoașterii a fost ea însăși absorbită și automatizată, lăsând un limbo. Până când oamenii găsesc o cale nouă, aceasta este deja pregătită să fie absorbită din nou.

Prompt engineering-ul a atins vârful în aprilie 2023 și s-a prăbușit ca rol de sine stătător în mai puțin de un an. Context engineering-ul este succesorul sau actual. O lucrare arXiv din 2025 despre Agentic Context Engineering descrie deja contextul ca un playbook care se actualizează singur prin generare automată și reflecție, nu prin curatoriat uman. Oamenii care fac în prezent muncă de inginerie de context generează semnalul de antrenament pentru sistemul care va face din ingineria de context o capabilitate implicită.

Versiunea pentru startup-uri a aceluiași pattern: un fondator identifică o lipsă de capabilitate într-un model de fundație, construiește un produs în jurul lui și modelul de fundație îl integrează în următoarea versiune. Acesta este rezultatul natural al construirii pe un sistem care consumă activ.

Creativitatea și granița de consum

Aici vreau să fiu atent pentru că acesta este punctul unde argumentul este cel mai ușor de exagerat.

O parte semnificativă a cunoașterii creative este generativă într-un mod care depinde de experiență umană continuă ca răspuns, nu doar de istoric ca date de antrenament. Este produsă acum, continuu, și necesită experiență umană că substrat.

Un studiu din 2025 care a comparat AI cu peste 100.000 de oameni pe teste standardizate de creativitate. Aceștia au constatat că, deși sistemele AI au depășit performanță medie umană la sarcini de asociere divergentă, cei mai creativi oameni, specific primele 10 procente, au depășit constant AI la sarcini mai bogate precum poezia și povestirea.

În același timp un studiu Wharton a constatat că oamenii care folosesc ChatGPT pentru sarcini creative au produs idei individuale mai originale, dar idei frapant de similare între ele. AI-ul a ridicat pragul de jos, dar a coborât tavanul.

Totuși, domeniul creativ nu este imun la consum. Există un motiv pentru care muncă creativă se află mai aproape de linia de consum decât pare la prima vedere. Din anii 1950-60, domeniile artistice au absorbit logica sistemică a produselor de consum: cicluri de tendințe, curatoriat pentru viabilitate comercială, formate optimizate pentru distribuție și replay. Arta a devenit industrie și a învățat să producă ce era predictibil, pentru că lucrurile predictibile se vând.

Chiar dacă practica artistică de cercetare în artă este posibilă, acea practică artistică de obicei nu se vinde. Studiul din 2025 măsoară practica creativă într-un context relativ nerestrictiv. În momentul în care viabilitatea comercială intră în ecuație, răspunsul converge spre centrul distribuției, exact acolo unde AI operează deja confortabil. Oamenii care depășesc AI la poezie nu sunt cei în jurul cărora industria a fost organizată.

Unde consumul nu a ajuns încă

Există domenii în care frontiera cunoașterii este încă înaintea de ceea ce sistemele au consumat. AlphaFold a rezolvat o provocare de 50 de ani în biologia structurală. 30 de procente din medicamentele noi sunt acum descoperite folosind metode AI, scurtând termenele preclinice cu până la 40 de procente. Medicamentul conceput de AI al Insilico Medicine a returnat rezultate pozitive în studiul clinic Faza IIa. Laboratoarele de știință a materialelor sintetizează mai mult de două materiale noi pe zi. Aurora de la Microsoft livrează prognoze climatice la o fracțiune din costul de calcul tradițional. 

În aceste domenii, consumul accelerează descoperirea în loc să o înlocuiască, pentru că ținta este cu adevărat necunoscută. Sistemul nu poate consuma ceea ce nu există încă. În SaaS și șabloanele juridice, cunoașterea era deja stabilită, deja în arhivă, și prin urmare deja consumabilă.

Cercetarea ca produs

Dacă accepți că AI se află într-o faza de consum accelerat de cunoaștere, și că modelul de consum eșuează când cunoașterea care îl susține este absorbită, atunci singura poziție economică durabilă este să operezi la limita a ceea ce sistemul nu a consumat încă.

Pentru munca software și sistemică, acea margine a dispărut aproape complet. Pentru munca creativă se îngustează. Pentru cercetarea științifică este încă larg deschisă și se deschide și mai mult la fiecare pas, pentru că frontiera cunoașterii în știință este definită de ceea ce este cu adevărat necunoscut, iar cunoașterea necunoscută nu poate fi în datele de antrenament.

Companiile cu modele de fundație au strâns 80 de miliarde de dolari în 2025, 40 de procente din finanțarea globală AI. Investitorii nu finanțează produse. Finanțează motorul de consum însuși. Răspunsul este capabilitate, proprietate intelectuală, acces la următorul strat al frontierei. Clientul sunt guvernele, întreprinderile și laboratoarele. Afacerea își menține poziția producând cunoaștere mai repede decât poate urma valul de consum.

Acesta este un tipar emergent, nu un model generalizat. Descrie laboratoare, companii farmaceutice, contractori de apărare și un număr mic de organizații AI axate pe cercetare. Nu descrie majoritatea organizațiilor care construiesc în prezent pe modele de fundație și numesc asta o strategie de produs. Dar direcția consecventă și logică este solidă: într-o economie de consum accelerat de cunoaștere, singura protecție fundamentală este să fii la frontiera producției.

Consumatorul ca materie primă

Categoria se dizolvă pentru că propria cunoaștere a consumatorului, preferințele, modelele comportamentale și euristicile de decizie sunt extrase și absorbite în sistem. Consumatorul încetează să mai fie punctul final al livrării de valoare și devine unul dintre resursele pentru următoarea generație de modele. Preferințele devin semnal de antrenament. Expertiza este comprimată în capabilitate implicită.

Primii oamenii expuși sunt cei a căror cunoaștere a fost cel mai bine documentată și arhivabila. Clasa profesională care a construit economia de consum este exact populația a cărei identitate economică este procesată.

Întrebarea de la sfârșitul acestui articol este ce înseamnă conceptul de consum atunci când cel mai valoros răspuns uman este cercetarea, cercetare care rămâne înaintea valului de consum.Cercetarea nu generează ROI imediat, nu produce reach, nu are un funnel.

AI în faza sa actuală nu construiește o nouă economie alături de cea veche. Dizolvă selectiv straturile de cunoaștere care au făcut ca cea veche să funcționeze. Domeniile în care această dizolvare este aproape completă sunt cele repetitive, sistemice, bine documentate. Viabilitatea economică este în cele care nu au încercat niciodată să vândă AI înapoi oamenilor a căror cunoaștere l-a antrenat.

Aceasta este digestia. Iar cercetarea este ceea ce se întâmplă înainte de următoarea masă.




SURSE

ttps://finance.yahoo.com/news/deepseek-erased-silicon-valley-ai-000000179.html
https://www.demandsage.com/startup-statistics/
https://www.secondtalent.com/resources/ai-startup-funding-investment/
https://www.eweek.com/artificial-intelligence/prompt-engineering-jobs/
https://spectrum.ieee.org/prompt-engineering-is-dead
https://fortune.com/2025/08/18/mit-report-95-percent-generative-ai-pilots-at-companies-failing-cfo/
https://menlovc.com/perspective/2025-the-state-of-generative-ai-in-the-enterprise/
https://news.crunchbase.com/ai-robotics/global-funding-openai-anthropic-2025/
https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/investing-in-the-rising-data-center-economy
https://spectrum.ieee.org/ai-energy-consumption
https://www.cnbc.com/2025/01/27/nvidia-sheds-almost-600-billion-in-market-cap-biggest-drop-ever.html
https://www.cnn.com/2026/02/04/investing/us-stocks-anthropic-softwarehttps://www.bloomberg.com/news/articles/2026-02-20/cyber-stocks-slide-as-anthropic-unveils-claude-code-security
https://www.fastcompany.com/91487960/why-one-anthropic-update-wiped-billions-off-software-stocks
https://economics.mit.edu/sites/default/files/2026-02/AI,%20Human%20Cognition%20and%20Knowledge%20Collapse%2002-20-26.pdf
https://fortune.com/2024/02/21/prompt-engineering-job-openings-decline-ai/
https://www.anthropic.com/engineering/building-effective-agents
https://arxiv.org/abs/2510.04618
https://coherentsolutions.com/insights/ai-in-drug-discovery-transforming-pharmaceutical-research/
https://www.sciencedirect.com/science/article/pii/S1359644624001041
https://www.sciencedirect.com/science/article/pii/S2095311924004040
https://www.sciencedaily.com/releases/2026/01/260125083356.htm
https://knowledge.wharton.upenn.edu/article/does-ai-limit-our-creativity/
https://www.uoc.edu/en/news/2025/ai-could-automate-creative-professions
https://www.weforum.org/agenda/2025/01/ai-data-generation-future-competitive-advantage/
https://www.fullview.io/blog/ai-statistics
https://www.digitalsilk.com/digital-trends/ai-statistics/
https://taalas.com/products/