Workshop AI în Târgu Mureș, 11 august 2026: prompturi, context și knowledge

Prin Dalbe organizez periodic workshop-uri de AI pentru antreprenori din Târgu Mureș, la Metamorfozum Concept, în Piața Matei Corvin nr. 3, în centrul orașului. Pe 11 august 2026 am pornit unul nou, împărțit intenționat în două zile. Știam din start că a doua zi avea să meargă spre lucruri mai avansate, skills, agenți și automatizări. Am vrut ca prima zi să pună bazele în ordine, înainte de toate astea.

Una dintre participante, Adorjáni Noémi, parteneră la OnLike Agency, a notat la un moment dat o singură idee: prompt + knowledge files. Atât. Dar acolo s-a văzut cel mai clar ce încercam să construim în toată ziua aceea.

Pentru că este foarte ușor să deschizi ChatGPT, Gemini sau Claude, să primești un răspuns bun și să ai impresia că ai înțeles deja cum funcționează AI-ul. Problemele apar mai târziu. Când îi dai informații pe care poate nu ar trebui să le dai. Când îți răspunde foarte sigur pe el, dar greșit. Când folosești același prompt în două modele și primești rezultate complet diferite. Sau când ai zece conversații, trei GPT-uri, două Projects și nu mai știi unde ai pus informația de care aveai nevoie.

Toată prima zi a fost, de fapt, drumul până la ideea aia notată de Noémi.

De ce am pornit cu bazele

Am pornit puțin și de la istorie. DeepMind există din 2010, cu mult înainte ca publicul larg să vorbească zilnic despre AI generativ. Între timp au apărut OpenAI, Anthropic și multe alte laboratoare și companii care au împins domeniul în direcții diferite. Nu am vrut însă să transform workshop-ul într-o lecție despre cronologia AI-ului, ci să arăt cât de mult s-au schimbat modelele într-o perioadă relativ scurtă.

Primele generații GPT erau mult mai limitate decât ceea ce folosim astăzi. Evoluția nu a venit din faptul că cineva a adăugat pur și simplu un „modul de logică” sau un „modul de matematică”, ci din modele mai mari, date mai bune, metode de antrenare mai bune, instruction tuning, feedback uman, tool use și alte tehnici care au făcut sistemele mult mai utile în practică. Dincolo de toate diferențele dintre produse și generații, ideea importantă pentru workshop era mai simplă: modelele sunt foarte bune la limbaj și pot formula extrem de convingător chiar și ceva greșit.

Asta este una dintre ideile pe care încerc să le repet la fiecare workshop: un răspuns formulat foarte bine nu este automat și un răspuns corect.

Am comparat și ChatGPT, Gemini, Claude, DeepSeek, Perplexity, Manus și Grok, dar nu cu ideea de a găsi un „câștigător”. Fiecare are propriile puncte forte, propriile limite și un mod diferit de a aborda anumite task-uri. Pentru mine, concluzia practică este că nu are sens să cauți un singur AI care să facă totul perfect. E mai util să înțelegi ce tool are sens pentru problema pe care o ai în față.

Am vorbit și despre abordarea foarte explicită a lui Anthropic în jurul regulilor, siguranței și comportamentului lui Claude. Gemini are avantajul integrării tot mai strânse cu ecosistemul Google, Perplexity este interesant când vrei să pornești de la căutare și surse, iar ChatGPT vine cu propriul ecosistem de Projects, GPT-uri și tool-uri. Nu am vrut să intrăm în războaie de branduri, ci să înțelegem că același prompt poate avea rezultate foarte diferite în funcție de model, context și tool-urile disponibile.

Contextul ajută, dar nu orice context trebuie dat AI-ului

Am verificat împreună setările din ChatGPT și de aici am ajuns la privacy și GDPR. Dacă folosești AI pentru muncă, mai devreme sau mai târziu apare tentația să copiezi un contract, o listă de clienți, un export, un document intern, un email sau date dintr-un CRM.

Aici întrebarea nu mai este doar dacă AI-ul poate să te ajute. Mai important este ce informație îi dai ca să te ajute și dacă acea informație chiar trebuie trimisă într-un serviciu extern. Am discutat diferența dintre informație publică și date interne, ce date sunt cu adevărat necesare pentru task și dacă anumite informații pot fi anonimizate sau eliminate înainte de upload.

Contextul ajută AI-ul să lucreze mai bine. Dar asta nu înseamnă că orice context trebuie să ajungă în AI.

Dincolo de toate funcțiile noi, rămânem tot într-o zonă în care modelul are nevoie de informație pentru a produce un rezultat bun. Tool-ul poate fi foarte bun. Asta nu înseamnă că trebuie să îi dăm acces la tot.

Chat normal, Project sau GPT?

Abia după bazele astea am ajuns concret la ChatGPT și la diferența dintre un chat normal, un Project și un GPT personalizat. Sunt trei lucruri pe care mulți utilizatori încă le amestecă.

Un chat este bun pentru o conversație punctuală sau pentru un task clar. Un Project începe să aibă sens când lucrezi constant pe aceeași temă și vrei să păstrezi instrucțiunile, fișierele și conversațiile relevante într-un singur loc. Un GPT personalizat are sens când există un caz de utilizare repetabil și vrei să îi definești un set de instrucțiuni, un comportament și surse de informație pe care să le folosească în mod constant.

Am verificat și generarea de imagini, apoi am trecut la GPT-uri. L-am arătat pe al meu, am explicat cum se construiește unul de la zero și am verificat un GPT de scris făcut de unul dintre participanți.

Și atunci Noémi a scris: prompt + knowledge files.

Exact de aici începe, pentru mine, trecerea de la un chatbot generic la un instrument adaptat unei activități reale.

Promptul este doar o parte din rezultat

Poți avea un prompt foarte bun. Dar dacă modelul nu știe nimic despre compania ta, produsele tale, clienții tăi sau modul în care comunici, există o limită destul de clară a rezultatului pe care îl poate produce.

Dacă îi spui unui AI „scrie o postare de Facebook”, vei primi ceva. Poate chiar ceva decent. Dar modelul nu știe automat cine este publicul, care este tonul brandului, ce am spus anterior, ce expresii evităm sau ce promisiuni nu vrem să facem.

În momentul în care îi dai un brand guide, exemple de comunicare, informații despre public și câteva reguli clare, același model poate produce ceva complet diferit. Nu neapărat pentru că promptul s-a schimbat radical, ci pentru că s-a schimbat contextul.

Și aici începe partea interesantă. Un prompt bun contează, dar promptul nu există singur. Contează și ce informație are modelul la dispoziție în momentul în care începe să lucreze.

Aceeași idee, peste tot

Ideea s-a repetat apoi în aproape fiecare tool prin care am trecut. Am arătat Google Gemini, Nano Banana și NotebookLM, unde poți porni de la propriile surse, documentație, PDF-uri și materiale interne, în loc să lași modelul să se bazeze doar pe informația pe care o are deja.

Aici am atins și RAG, fără să transformăm workshop-ul într-un curs tehnic. Nu avea sens să intrăm în embeddings, vector databases sau arhitectură. Conceptul conta mai mult decât implementarea: în loc ca AI-ul să se bazeze doar pe ce a învățat anterior, îi oferim informația relevantă exact atunci când are nevoie de ea.

Practic, este aceeași idee pe care o notase Noémi, doar într-o formă mai tehnică: prompt + knowledge files.

Am testat și deep research și diferența dintre a întreba ce știe AI-ul despre un subiect și a-l lăsa să caute, să compare surse și să construiască un răspuns documentat. Pentru business, diferența poate fi mare. Un lucru este să ceri idei. Altul este să analizezi o piață, un concurent, prețuri, legislație sau tendințe, unde informația se schimbă în timp.

Și aici am insistat pe un lucru: faptul că AI-ul poate face research nu înseamnă că nu mai trebuie verificate sursele. Automatizarea reduce o parte din muncă, dar nu elimină gândirea critică.

De la prezentări până la o piesă rock

Am trecut și prin Google Vids, HeyGen și Gamma pentru prezentări și conținut vizual, fiecare cu exemple concrete și cu felul în care pot fi folosite într-o firmă.

Cel mai distractiv moment a fost cu Suno. Am scris versuri cu ChatGPT, apoi le-am dus în Suno și a ieșit o piesă întreagă. Motorul lor 5.5 este surprinzător de bun pe rock epic.

Dar chiar și aici procesul era același: ce îi cer, ce informație îi dau, ce stil vreau, ce exemple ofer și ce modific după primul rezultat. AI-ul nu elimină procesul creativ. Îl schimbă.

De ce un brand guide poate valora mai mult decât încă 20 de prompturi

Aceeași idee a revenit și la content creation. Dacă folosești AI periodic pentru aceeași companie, începe să devină absurd să explici în fiecare conversație aceleași lucruri: cine suntem, cui ne adresăm, cum comunicăm, ce expresii evităm, cum arată un articol, cum formulăm un CTA și ce servicii avem.

Toate acestea sunt context reutilizabil.

De aceea am vorbit despre folosirea unui brand guide drept context și knowledge. Când AI-ul are acces la reguli stabile și informație relevantă, nu mai trebuie să reconstruim de fiecare dată aceeași fundație.

Aici deja pregăteam, fără să intrăm foarte adânc, una dintre ideile principale ale zilei a doua: dacă repeți aceeași regulă de zece ori, probabil nu ar trebui să o mai scrii manual de fiecare dată. Ar trebui să începi să o transformi într-o instrucțiune, un document, un skill sau o altă componentă reutilizabilă.

Prima zi nu a fost despre tool-uri

Spre final am trecut din nou prin Projects și am început să discutăm mai mult despre Claude, despre funcțiile lui și am atins doar ușor skills și Cowork, fără să intrăm încă în profunzime. Intenționat, pentru că acolo urma să înceapă ziua a doua.

La finalul primei zile aveam deja o listă destul de lungă de tool-uri și concepte. Dar concluzia mea nu era că avem nevoie de mai multe tool-uri. Avem deja prea multe.

Problema este să știm ce informație are nevoie AI-ul ca să treacă de la un răspuns generic la unul de care poți chiar să te folosești. Un prompt bun contează, dar promptul nu există singur. Contează instrucțiunile, exemplele, documentele, sursele, istoricul proiectului, regulile brandului și limitele pe care i le punem.

Exact asta surprinsese Noémi în cele trei cuvinte din notițele ei: prompt + knowledge files.

Iar de aici urma să înceapă ziua a doua. Pentru că următorul pas nu mai era să învățăm încă un tool. Era să vedem cum transformăm contextul, regulile și task-urile repetitive în ceva reutilizabil și cum începem să legăm toate piesele între ele prin Projects, skills, Cowork, agenți și automatizări.