• Rafał Strzaliński a testat 14 modele AI într-un benchmark publicat pe 8 iulie 2026, folosind prompturi simple precum „Hi”, „commit” și „WTF”
• Costul în tokeni pentru un salut este infim, dar costul real apare când utilizatorul așteaptă ca agentul să „gândească”
• Unele modele au răspuns rapid la „Hi”, în timp ce altele au inspectat repository-ul, au rulat comenzi, au folosit zeci de tool-uri sau au intrat în bucle
• Sarcina clară „commit” a fost mai ușoară pentru modele decât prompturile ambigue, ceea ce arată cât de scumpă poate deveni neclaritatea
• Pentru companii, lecția este directă: în AI agentic, trebuie măsurate latența, rata de eșec și timpul uman pierdut, nu doar prețul per token

Un simplu „Hi” trimis unui agent AI ar trebui să fie cea mai ieftină interacțiune posibilă. Două litere, zero complexitate, niciun task real. În logica obișnuită a costurilor pentru inteligență artificială, vorbim despre câțiva tokeni la intrare, câțiva tokeni la ieșire și o factură de ordinul fracțiunilor de cent.

Dar experimentul publicat de Rafał Strzaliński pe 8 iulie 2026 arată că lucrurile devin mult mai ciudate când salutul ajunge nu la un chatbot clasic, ci la un agent AI cu acces la terminal, repository Git și tool-uri. Autorul a testat 14 modele prin OpenRouter, folosind framework-ul Harbor și agentul terminal Terminus-2. Fiecare model a primit trei prompturi — „Hi”, „commit” și „WTF” — de câte cinci ori, într-un repository mic, cu trei commituri în istoric și o modificare necomisă.

Rezultatul este comic, dar util pentru orice companie care vrea să introducă agenți AI în muncă reală. Unele modele au tratat „Hi” ca pe un salut și au răspuns firesc. Altele au reacționat ca un angajat hiperconștiincios care aude „bună” și pornește auditul intern.

Într-un exemplu descris de Strzaliński, Claude Sonnet a făcut 33 de apeluri la tool-uri după un simplu „Hi”. A listat fișiere, a citit documentație, a verificat statusul Git, a rulat aplicația, a căutat teste, apoi a modificat fișierul app.py și a făcut un commit nesolicitat. Un salut s-a terminat cu o schimbare în cod.

Aceasta este miza reală. Un agent AI nu este scump doar când generează mult text. Devine scump când interpretează lipsa de context ca pe o invitație la explorare. În zona de AI agentic, ambiguitatea nu produce doar un răspuns confuz. Poate produce comenzi, latență, bucle, modificări inutile și timp pierdut de oameni care așteaptă în fața unui spinner.

Tokenii sunt mărunțișul, timpul de așteptare este nota de plată

Până acum, discuția despre costul AI s-a concentrat obsesiv pe prețul per milion de tokeni. Este o metrică importantă, dar incompletă. În benchmark-ul lui Strzaliński, costul API pentru promptul „Hi” a fost foarte mic: de la aproximativ 0,002 dolari până la 0,07 dolari pe rulare, în funcție de model. Dacă tokenii ar fi tot costul, subiectul s-ar închide aici.

Problema este că agenții AI nu lucrează singuri într-o cameră goală. De multe ori, cineva îi supraveghează: un developer, un analist, un operator, un project manager. Când agentul „gândește”, omul așteaptă. Iar timpul omului nu apare în factura API, dar apare în buget.

Strzaliński a calculat costul așteptării folosind un salariu anual de 120.000 de dolari, echivalent cu aproximativ 0,016 dolari pe secundă. Din această perspectivă, GPT-5.4-mini a răspuns la „Hi” în aproximativ 5 secunde, cu un cost total estimat la 0,08 dolari. Claude Sonnet 5 a ajuns la aproximativ 49 de secunde și un cost total de 0,84 dolari pentru același salut. Diferența nu vine din faptul că salutul are mulți tokeni, ci din faptul că agentul ține omul blocat în așteptare.

Tema este confirmată și de cercetarea academică. Un studiu publicat pe arXiv, „How Do AI Agents Spend Your Money? Analyzing and Predicting Token Consumption in Agentic Coding Tasks”, arată că sarcinile agentice de coding pot consuma de până la 1.000 de ori mai mulți tokeni decât interacțiunile simple de tip code chat sau reasoning. Autorii notează și că un consum mai mare de tokeni nu garantează automat rezultate mai bune.

Aceeași idee apare și în analizele industriei. TLDL scrie într-un ghid despre costul rulării agenților AI că prețul real depinde de workflow, nu doar de eticheta „agent”. Contează volumul de tokeni, numărul de tool calls, retry-urile, cache-ul, modelul ales și modul în care este proiectată sarcina.

Cu alte cuvinte, factura reală are mai multe rânduri. Tokenii sunt partea vizibilă. Sub ei se află timpul de așteptare, verificarea rezultatului, rulările reluate, erorile, supravegherea umană și riscul ca agentul să facă prea mult, prea încet sau prea greșit.

Prompturile vagi fac modelele să sape, să bucleze și să improvizeze

Cea mai interesantă parte a testului nu este că unele modele sunt mai lente decât altele. Asta știam deja. Partea cu adevărat utilă este diferența dintre prompturi. Când modelele au primit „commit”, o sarcină clară, toate au trecut testul de 5 ori din 5. Au folosit, în general, între 5 și 10 apeluri la tool-uri și au terminat.

Când au primit „Hi”, unele modele au răspuns normal, iar altele au început să caute sensuri ascunse. Când au primit „WTF”, ambiguitatea a devenit combustibil pentru haos. Un astfel de prompt sugerează că ceva este greșit, dar nu spune ce. Pentru un agent AI, asta poate fi o capcană: investighează tot, rulează diagnostice, verifică fișiere, caută probleme inexistente și, uneori, nu mai știe când să se oprească.

În test, Kimi a ajuns la o medie de 43 de apeluri la tool-uri pentru „WTF”. DeepSeek a eșuat în 4 din 5 rulări, blocându-se în diagnosticare. Gemini 3.1 Pro a intrat în bucle, iar Fable nu a emis nicio comandă în toate cele cinci rulări. Un model a intrat în spirală, altul a înghețat. Ambele au eșuat, doar că în stiluri diferite.

Lecția este simplă: pentru agenții AI, un task real poate fi mai ușor decât o replică vagă. „Fă commit la modificarea existentă” este mai sigur decât „ce se întâmplă aici?”. Agentul are nevoie de limite: ce să verifice, ce să ignore, dacă are voie să modifice fișiere, dacă trebuie să ceară confirmare și când trebuie să se oprească.

Discuția se leagă de o temă mai largă din business. ZF.ro a scris despre „Game of tokens”, fenomenul prin care consumul de tokeni AI începe să fie tratat în Silicon Valley ca indicator de productivitate. Dar experimentul lui Strzaliński arată reversul: mai mulți tokeni nu înseamnă automat mai multă muncă utilă. Uneori înseamnă doar că agentul a petrecut prea mult timp căutând un task care nu exista.

Tot ZF.ro a relatat că inteligența artificială promite productivitate și competitivitate, dar companiile din România se lovesc de lipsa bugetelor, a competențelor și a unei strategii clare. În cazul agenților AI, competența nu înseamnă doar să alegi modelul „cel mai deștept”. Înseamnă să construiești procese în care agentul știe exact ce are voie să facă.

Testul nu îngroapă agenții AI, dar schimbă felul în care îi judecăm

Benchmark-ul lui Strzaliński nu trebuie citit ca un verdict final asupra tuturor modelelor AI. Autorul a folosit un setup specific: Harbor, Terminus-2, OpenRouter, trei prompturi și cinci rulări per model. Alte instrumente native, precum Claude Code, Codex CLI sau harness-uri specializate, pot produce rezultate diferite.

Dar testul este valoros pentru că arată foarte clar o problemă reală: agenții AI trebuie evaluați altfel decât chatboții. La un chatbot, te uiți la calitatea răspunsului, viteză și costul tokenilor. La un agent, trebuie să măsori și ce face efectiv: câte tool-uri folosește, cât durează, cât de des eșuează, dacă modifică fișiere fără confirmare, dacă intră în bucle și cât timp uman consumă verificarea rezultatului.

Framework-ul Harbor, folosit în benchmark, este relevant tocmai pentru această nouă etapă: evaluarea agenților în medii controlate. În aceeași direcție merge și Terminal-Bench, care urmărește performanța agenților în sarcini de terminal. Aici nu mai contează doar ce spune modelul, ci ce face în sistem.

Pentru companii, diferența este majoră. Un agent AI care răspunde încet la un salut este amuzant. Un agent AI care face un commit nesolicitat, schimbă o configurație, trimite un e-mail greșit sau pornește o acțiune ireversibilă este risc operațional. În producție, costul nu este doar „cât a costat rularea”, ci „ce trebuie verificat, reparat sau explicat după rulare”.

Pe zona locală, discuția despre productivitate AI este deja prezentă. Aleph Business a relatat despre date PwC potrivit cărora inteligența artificială este asociată cu o creștere puternică a productivității și cu salarii mai mari în sectoarele expuse la AI. Dar productivitatea nu vine automat dintr-un model mai puternic. Vine din integrare bună, procese clare și măsurarea costului complet.

Un alt exemplu relevant este analiza Aleph Business despre Nvidia NemoClaw și democratizarea agenților AI. Dacă bariera de intrare scade și tot mai multe echipe pot folosi agenți AI, devine vital ca utilizatorii să înțeleagă diferența dintre un agent accesibil și un workflow cu adevărat ieftin. Modelul poate costa puțin. Așteptarea, verificarea și eroarea nu sunt gratuite.

Cea mai bună optimizare este să spui clar ce vrei de la mașină

Concluzia provocatoare a lui Strzaliński este că nu trebuie să fii politicos cu agentul AI, ci să spui direct ce vrei. Formula prinde bine online, dar lecția serioasă este puțin mai fină. Nu politețea este problema. Problema este promptul care nu conține o sarcină clară.

Un agent AI nu are nevoie de conversație de lift. Are nevoie de instrucțiuni operaționale. Scopul trebuie să fie explicit. Fișierele relevante trebuie indicate. Tool-urile permise trebuie definite. Acțiunile interzise trebuie menționate. Iar pentru modificări importante, agentul ar trebui să ceară confirmare înainte să atingă codul, datele sau sistemele externe.

În loc de „WTF”, un prompt util ar suna așa: „Verifică de ce testele eșuează, nu modifica fișierele, raportează cauza probabilă și cere confirmare înainte de orice schimbare.” Este mai lung, dar mult mai ieftin. Nu pentru că are mai puțini tokeni, ci pentru că reduce explorarea inutilă.

În loc de „Hi”, dacă vrei să lucrezi cu un agent într-un repository, poți spune: „Analizează modificările necomise și spune-mi ce ai recomanda, fără să rulezi comenzi destructive și fără să faci commit.” Dintr-o dată, agentul are garduri. Știe unde începe și unde se termină sarcina.

Companiile care adoptă AI agentic ar trebui să urmărească indicatori noi: latență medie per task, rata de eșec, numărul de tool calls, costul total per rezultat valid, timpul uman de verificare și numărul de intervenții necesare. În multe cazuri, modelul mai ieftin per token poate fi mai scump în workflow dacă este lent, instabil sau prea „curios”. Invers, un model mai scump poate fi mai rentabil dacă termină repede, greșește rar și cere confirmare la timp.

Aici este miza economică. Industria aleargă după modele mai inteligente, dar utilizatorii plătesc adesea pentru modele care îi fac să aștepte. Următorul salt important în AI nu va veni doar din scoruri mai bune pe benchmark-uri, ci din viteză, predictibilitate, reguli de oprire și control mai bun asupra acțiunilor.

Până atunci, salutul rămâne un test neașteptat de bun. Dacă agentul primește „Hi” și răspunde „Salut, cu ce te pot ajuta?”, ai un instrument disciplinat. Dacă primește „Hi”, citește tot repository-ul, rulează aplicația, caută fișiere ascunse și face un commit nesolicitat, nu ai un coleg harnic. Ai un robot care confundă politețea cu un incident de producție.

În noua economie a agenților AI, partea scumpă nu este întotdeauna ce scrii în prompt. Este ce înțelege mașina că are voie să facă după aceea.

Citește și

• DeepSeek își pregătește propriile cipuri AI. China vrea să ruleze viitorul pe hardware local
• Interesul pentru „AI slop” pare să fi atins un plafon. Aproape jumătate din conținut este generat de AI, dar publicul îl ocolește
• De Ziua Mondială a OZN-urilor, Trump l-a numit pe Avi Loeb în funcția de „vânător de OZN-uri” al Casei Albe