Bucharest Cybersecurity Conference 2026: securitatea națională și cooperarea internațională pentru protecția comunicațiilor în era post-cuantică

postat în: Media 0

Bucharest Cybersecurity Conference 2026 a adus în prim-plan o realitate pe care instituțiile de securitate o tratează deja ca pe un fapt operațional: spațiul digital nu mai este doar un mediu tehnic, ci o componentă directă a securității naționale. În alocuțiunea de deschidere, Excelența Sa, domnul Nicușor Dan, Președintele României, a formulat sintetic această schimbare de paradigmă. În aceeași logică, șeful statului a atras atenția că atacurile asupra infrastructurilor critice pot produce efecte care depășesc cu mult indisponibilitatea temporară a unor sisteme și pot afecta încrederea publicului în instituții, precum și capacitatea statului de a funcționa credibil într-un mediu de presiune continuă.

Pentru comunitatea de intelligence, observația are o semnificație aparte. O intruziune informatică nu poate fi evaluată exclusiv prin vulnerabilitatea exploatată, numărul de echipamente compromise sau durata întreruperii unui serviciu. Trebuie analizate intenția, actorul, momentul ales, informația urmărită și efectul strategic. Într-un mediu în care operațiunile informatice, spionajul, influența și presiunea asupra infrastructurilor se pot susține reciproc, indicatorul tehnic este doar începutul analizei. Miza reală este stabilirea contextului și a obiectivului adversarului.

Discursul Președintelui României nu a fost construit doar în registrul vulnerabilității. Excelența Sa a remarcat avantajul reprezentat de tradiția tehnică românească și de existența unor companii și specialiști capabili să concureze în domeniul securității cibernetice și a ridicat problema capacității statului și a mediului privat de a coopera. În fond, o mare parte din infrastructura digitală de care depind economia, comunicațiile, energia, transporturile sau serviciile esențiale este construită, operată ori susținută de actori comerciali. Statul deține responsabilitatea pentru securitatea națională, dar nu poate asigura singur protecția unui ecosistem atât de divers.

Această cooperare nu se poate opri la frontiera națională. Amenințările, lanțurile tehnologice și standardele se propagă transfrontalier, iar timpul de reacție este adesea mai scurt decât ciclurile administrative. Participarea reprezentanților instituțiilor Uniunii Europene la deschiderea BCC2026 a subliniat dimensiunea comună a problemei. Dincolo de cadrul european, conferința a oferit și un exemplu concret de cooperare transatlantică: schimbul de expertiză privind protecția comunicațiilor în perspectiva dezvoltării tehnologiilor cuantice.

 

Această temă a devenit centrul celor două interviuri acordate în exclusivitate revistei Intelligence Info de reputați experți internaționali în domeniu, respectiv domnul Ovidiu Bernaschi și domnul Dave Price. Primul a abordat problema din perspectiva implementării cerințelor de securitate în mediul românesc și european; cel de-al doilea a adus perspectiva unui profesionist american implicat în proiecte speciale în cadrul SQS, cu experiență în domeniul securității comunicațiilor și statut de veteran în rezervă din cadrul National Guard al SUA. Cele două perspective s-au întâlnit într-un punct esențial: protecția informației nu poate fi gândită numai pentru amenințările de astăzi, ci trebuie proiectată și pentru capabilitățile pe care adversarii le-ar putea avea mâine.

Domnul Ovidiu Bernaschi a descris BCC2026 ca pe un spațiu de transfer reciproc de cunoștințe. În interviul acordat revistei, acesta a explicat faptul că specialiștii, operatorii unor infrastructuri importante și reprezentanții companiilor au nevoie de un cadru în care reglementarea, riscul și tehnologia să fie discutate împreună. Activitatea echipei sale include sprijinirea entităților vizate de Directiva NIS2 pentru implementarea măsurilor de securitate, iar accentul cade pe transformarea obligațiilor formale în protecție reală. În formularea consultantului român, organizațiile trebuie ajutate „să își securizeze infrastructura proprie”, într-un context în care infrastructurile digitale și critice sunt permanent vizate de atacuri.

Legătura cu expertiza americană a apărut explicit în dialog. Întrebat dacă beneficiază de sprijin de peste Atlantic, domnul Bernaschi a răspuns fără echivoc: „Absolut”. El a vorbit despre parteneri americani prezenți la București pentru schimb de cunoștințe și pentru susținerea implementării comunicațiilor de generație următoare, cu accent pe criptografia post-cuantică. Au fost menționate standardele FIPS 203, 204 și 205, dezvoltate de National Institute of Standards and Technology, ca instrumente care pot fi introduse în programele de migrare și protecție ale organizațiilor care gestionează informații sensibile.

Consultantul român a insistat asupra diferenței dintre teorie și aplicare. Instituțiile trebuie să înțeleagă atât beneficiile adoptării unor mecanisme rezistente la viitoarele atacuri cuantice, cât și costul inacțiunii. Din această perspectivă, rolul consultantului și al partenerului tehnologic nu este să substituie decizia guvernamentală, ci să ofere informația necesară pentru ca decizia să fie luată înainte ca riscul să devină urgent.

Cel mai relevant concept din interviu pentru domeniul intelligence a fost „harvest now, decrypt later” – colectează acum, decriptează mai târziu. Logica este simplă și, tocmai de aceea, îngrijorătoare. Un adversar poate intercepta astăzi comunicații criptate pe care nu le poate citi, le poate stoca și poate aștepta apariția unei capabilități care să permită decriptarea lor. Pentru informația cu o durată redusă de sensibilitate, riscul poate fi limitat. Pentru date din apărare, intelligence, infrastructuri critice, cercetare strategică sau diplomație, valoarea poate persista ani sau decenii.

În această ecuație, timpul devine parte din vulnerabilitate. Întrebarea nu mai este doar dacă un mesaj este sigur în momentul transmiterii, ci cât timp trebuie să rămână inaccesibil. Domnul Bernaschi a folosit exemplul Enigma ca avertisment împotriva încrederii excesive într-un sistem considerat sigur de utilizatorii săi. Lecția pe care a extras-o nu ține de reproducerea mecanică a unui precedent istoric, ci de asimetria informațională: faptul că o instituție nu cunoaște capabilitatea adversarului nu înseamnă că aceasta nu există. În consecință, tranziția către mecanisme criptografice adecvate noii generații de amenințări trebuie pregătită înainte de apariția unei crize.

Profil oficial

INTERVIU EXCLUSIV INTELLIGENCE INFO

Domnul Ovidiu Bernaschi

Expert român în cybersecurity, implementare NIS2 și tehnologii post-cuantice

Pentru domnul Bernaschi, valoarea BCC2026 a fost dată de transferul reciproc de cunoștințe dintre experți, instituții și operatorii infrastructurilor critice. El a subliniat că organizațiile trebuie sprijinite să transforme cerințele NIS2 în măsuri concrete și să pregătească din timp protecția comunicațiilor cu durată mare de sensibilitate.

„Teoria ca teoria, dar cu practica e un pic mai greu”, a remarcat interlocutorul, explicând rolul partenerilor americani în schimbul de experiență privind criptografia post-cuantică și standardele FIPS 203, 204 și 205.

În analiza sa, riscul „harvest now, decrypt later” obligă instituțiile să se întrebe nu doar dacă datele sunt sigure astăzi, ci cât timp trebuie să rămână confidențiale. Migrarea trebuie pregătită înainte ca o nouă capabilitate a adversarului să transforme vulnerabilitatea potențială într-un risc operațional.

Profil: Country Manager, Secured Quantum Services; lector universitar asociat la ULB Sibiu, în cadrul masterului de Cybersecurity, unde predă disciplina „Intelligent Systems in Risk Analysis”.

 

Interviul cu domnul Dave Price a continuat aceeași temă dintr-o perspectivă operațională. Acesta a explicat mai întâi diferența dintre criptografia post-cuantică și comunicațiile cuantice propriu-zise. În relatarea sa, PQC este o soluție disponibilă în prezent și, totodată, o punte către tehnologii care vor exploata direct proprietățile fizicii cuantice. Specialistul în comunicații securizate a evocat distribuția cuantică a cheilor – QKD – și comunicațiile bazate pe perechi cuantice corelate, dar a recunoscut că infrastructura dedicată acestor metode este încă dificilă și costisitoare pentru o implementare largă.

De aceea, argumentul său s-a concentrat pe ceea ce poate fi făcut acum. Liderul proiectelor speciale din cadrul SQS a descris soluția promovată de echipa sa ca pe o arhitectură stratificată: algoritmi post-cuantici, un mecanism de tip streaming one-time pad și tehnici de „port obfuscation”. Ideea este că o tehnologie unică nu face imposibil orice atac, iar adversarul trebuie obligat să depășească succesiv mai multe bariere. Chiar dacă ar reuși să compromită un element, ar trebui să investească suplimentar pentru reconstruirea fluxului de informații într-o formă utilizabilă.

Cea mai interesantă afirmație din cadrul interviului a fost pusă în legătură cu experiența sa profesională din domeniul securității comunicațiilor. Lider al proiectelor speciale în cadrul SQS și veteran în rezervă al National Guard al SUA, domnul Price a rezumat filosofia de protecție prin formula „Be a hard target” – fii o țintă dificilă. În practică, aceasta înseamnă creșterea costului operațional al atacului. O organizație nu poate presupune că va elimina fiecare tentativă, dar poate construi un nivel de protecție care să oblige adversarul să consume mai mult timp, mai multe resurse și mai multe capabilități, reducând astfel atractivitatea țintei și crescând șansele de detectare.

Această logică este relevantă pentru instituțiile publice tocmai pentru că le obligă să schimbe perspectiva asupra modernizării. Securitatea nu mai poate fi tratată ca achiziție punctuală de produse, ci ca arhitectură adaptabilă. O infrastructură destinată protejării comunicațiilor guvernamentale trebuie să poată incorpora standarde noi, să reducă dependența de un singur mecanism criptografic și să permită tranziția graduală către generațiile următoare de tehnologii. În acest sens, cooperarea dintre expertiza românească și cea americană nu înseamnă simplul import al unei soluții, ci transfer de experiență privind integrarea, testarea și adaptarea tehnologiilor la misiune.

Interviul domnului Price a introdus și dimensiunea competiției tehnologice globale. Întrebat despre China, specialistul în securitatea comunicațiilor s-a declarat impresionat de caracterul concentrat și deliberat al investițiilor chineze în calcul cuantic, comunicații cuantice, sensing și timing. În același timp, a precizat că lipsa de transparență nu îi permite să evalueze direct nivelul real al capabilităților dezvoltate. Tocmai această incertitudine este relevantă pentru analiza strategică: statele nu își pot fundamenta apărarea numai pe ceea ce adversarul declară public că poate face.

Profil oficial

INTERVIU EXCLUSIV INTELLIGENCE INFO

Domnul Dave Price

Expert american, specialist în proiecte privind securitatea comunicațiilor

Specialistul în comunicații securizate a abordat problema din perspectiva misiunii și a costului impus adversarului. Lider al proiectelor speciale în cadrul SQS, domnul Dave Price este implicat în proiecte dedicate protecției comunicațiilor. Soluția descrisă în interviu combină mai multe straturi de protecție – algoritmi PQC, un mecanism de tip streaming one-time pad și tehnici de port obfuscation – pentru a evita dependența de o singură barieră.

„Be a hard target” a fost formula prin care specialistul a rezumat filosofia de protecție: sistemele nu trebuie proiectate pornind de la premisa că atacul poate fi eliminat complet, ci astfel încât compromiterea lor să devină costisitoare, lentă și dificilă.

El a avertizat și asupra caracterului deliberat al investițiilor Chinei în calcul cuantic și comunicații cuantice, dar a precizat că nivelul real al capabilităților nu poate fi evaluat complet din surse publice.

Profil: lider al proiectelor speciale în cadrul SQS; specialist în proiecte privind securitatea comunicațiilor; veteran în rezervă al National Guard al SUA.

 

Intervenția Președintelui României și cele două interviuri s-au întâlnit într-o concluzie comună. Șeful statului a definit spațiul digital drept un domeniu esențial al securității naționale și a subliniat nevoia de cooperare între sectorul public și cel privat. Domnul Bernaschi a arătat cum această cooperare poate fi extinsă prin standarde, consultanță și schimb de expertiză cu partenerii occidentali. Domnul Price a adăugat perspectiva operațională și regula conform căreia protecția trebuie construită înainte ca avantajul adversarului să devină evident.

Pentru România, oportunitatea constă tocmai în conectarea acestor niveluri. Competența tehnică internă, cadrul european de securitate și parteneriatele cu experți care provin din ecosisteme avansate de securitate a comunicațiilor și tehnologii emergente pot fi transformate într-o capabilitate reală numai dacă instituțiile tratează tranziția tehnologică drept proces strategic, nu drept reacție la incident. Criptografia post-cuantică este un exemplu relevant: standardele pot fi implementate înainte ca riscul să atingă un prag critic, iar pregătirea realizată astăzi poate proteja informații a căror valoare se va menține mult după încheierea ciclului de viață al sistemelor actuale.

În acest sens, mesajele au revelat o concluzie comună: răspunsul la riscurile digitale trebuie să includă anticipare, cooperare și reziliență. Iar dacă regula formulată de domnul Price este „fii o țintă dificilă”, obiectivul nu este promisiunea unei invulnerabilități imposibile, ci construirea unei apărări suficient de robuste, adaptabile și costisitoare pentru adversar.

BCC2026 a evidențiat astfel o schimbare de accent. Cooperarea internațională în cybersecurity nu mai înseamnă doar schimbul de alerte despre amenințări deja manifestate. Ea înseamnă dezvoltarea în comun a unor modalități de protecție pentru riscuri care se află încă în proces de maturizare. Pentru comunitatea de intelligence, aceasta este poate concluzia cea mai importantă: avertizarea strategică are valoare numai dacă este urmată de acțiune înainte ca amenințarea să devină certitudine.

Divizia de Istoria Științei, din cadrul Academiei Române, a fost prezentă la conferință și s-a alăturat evenimentului prin intermediul domnului profesor dr. Tiberiu Tănase, împreună cu domnul Nicolae Sfetcu, cercetător, membru al CRIFST și manager al MultiMedia Publishing și domnul Alexandru Năstase, expert în comunicare și membru al Institutului pentru Studii de Intelligence și Analiză Strategică.

Domnul profesor doctor Tiberiu Tănase, din partea Academiei Române (CRIFST / DIS), este secretar al Diviziei de Istoria Științei (DIS) din cadrul Comitetului Român de Istoria și Filosofia Științei și Tehnicii (CRIFST), fiind implicat activ în cercetarea istorică și în organizarea de conferințe științifice naționale și internaționale. Este distins cu Diploma de Merit Științific acordată de CRIFST și este director executiv al Institutului de Studii și Analize Politico-Militare și de Securitate (ISIAS), coordonând proiecte de cercetare strategică și analiză privind riscurile și amenințările contemporane.

Cine decide ce știm? Inteligența artificială între cunoaștere, judecată și avantaj epistemic

IT & C - Descarcă PDFDr. George CONSTANTIN[1]
constantingeorge2018@gmail.com

[1] Cercetător independent

 

Artificial Intelligence between Knowledge, Judgment, and Epistemic Advantage

Abstract

The growing abundance of information has transformed the conditions under which knowledge is produced and decisions are made. The central problem is no longer merely access to information, but the capacity to select what is relevant, assess its credibility, and transform it into justified judgment and action. In this context, artificial intelligence does not merely process information. By selecting, filtering, correlating, and presenting information, AI systems may participate in shaping the cognitive environment within which human judgment takes place.

The paper conceptualizes this transformation through the notion of epistemic intermediary, distinguishing it from both an epistemic tool and an epistemic authority. It argues that algorithmic performance does not, by itself, justify epistemic authority and examines the transition from prediction to recommendation and decision. Particular attention is given to artificial certainty, calibrated epistemic trust, and organizational epistemic competence.

Within Competitive Intelligence, the paper proposes epistemic advantage as the capacity to transform information into relevant and justified knowledge, knowledge into judgment, and judgment into action. The paper concludes by proposing a shift from human-in-the-loop to human-in-the-judgment, emphasizing the preservation of effective human judgment in AI-mediated decision-making.

Keywords: artificial intelligence, epistemology, knowledge, judgment, epistemic intermediary, epistemic authority, epistemic advantage, artificial certainty, calibrated epistemic trust, organizational epistemic competence, Competitive Intelligence, human-in-the-judgment

Rezumat

Abundența informației a transformat condițiile în care se constituie cunoașterea și se iau deciziile. Problema centrală nu mai este doar accesul la informație, ci capacitatea de a selecta ceea ce este relevant, de a-i evalua credibilitatea și de a transforma informația în judecată justificată și acțiune. În acest context, inteligența artificială nu doar procesează informația. Prin selectarea, filtrarea, corelarea și prezentarea acesteia, sistemele de IA pot participa la configurarea mediului cognitiv în interiorul căruia se desfășoară judecata umană.

Lucrarea conceptualizează această transformare prin noțiunea de intermediar epistemic, distingând-o de instrumentul epistemic și de autoritatea epistemică. Analiza susține că performanța algoritmică nu justifică prin ea însăși autoritatea epistemică și examinează trecerea de la predicție la recomandare și decizie. Sunt analizate în mod particular certitudinea artificială, încrederea epistemică calibrată și competența epistemică organizațională.

În cadrul Competitive Intelligence, lucrarea propune conceptul de avantaj epistemic pentru a desemna capacitatea de a transforma informația în cunoaștere relevantă și justificată, cunoașterea în judecată și judecata în acțiune. Concluzia propune trecerea de la human-in-the-loop la human-in-the-judgment, subliniind necesitatea păstrării judecății umane efective în procesele decizionale mediate de IA.

Cuvinte cheie: inteligență artificială, epistemologie, cunoaștere, judecată, intermediar epistemic, autoritate epistemică, avantaj epistemic, certitudine artificială, încredere epistemică calibrată, competență epistemică organizațională, Competitive Intelligence, human-in-the-judgment

 

IT & C, Volumul 5, Numărul 4, Decembrie 2026, pp. 7-25
ISSN 2821 – 8469, ISSN – L 2821 – 8469,
URL: https://www.internetmobile.ro/cine-decide-ce-stim-inteligenta-artificiala-intre-cunoastere-judecata-si-avantaj-epistemic/
© 2026 George CONSTANTIN. Responsabilitatea conținutului, interpretărilor și opiniilor exprimate revine exclusiv autorilor.
Licența CC BY 4.0

 

1. De la abundența informației la problema cunoașterii

Una dintre transformările decisive ale societății contemporane nu constă pur și simplu în multiplicarea informației, ci în schimbarea statutului pe care informația îl are în raport cu acțiunea. Problema societății informaționale nu mai este, în sens clasic, aceea de a obține informația necesară pentru a cunoaște. Informația a devenit abundentă, accesibilă, circulabilă și, în numeroase domenii, aproape instantaneu disponibilă. Dificultatea se deplasează, prin urmare, dinspre acces spre selecție, dinspre acumulare spre relevanță și, în cele din urmă, dinspre informație spre judecată.

Herbert A. Simon formula încă din 1971 o intuiție care dobândește astăzi o semnificație aparte: „a wealth of information creates a poverty of attention” (Simon, 1971). Abundența informației nu elimină problema cunoașterii; o reformulează. Cu cât spațiul informațional devine mai larg, cu atât devine mai important să putem distinge ceea ce este relevant de ceea ce este redundant, ceea ce este credibil de ceea ce este doar disponibil și ceea ce poate fundamenta o judecată de ceea ce poate doar alimenta fluxul informațional.

În acest context trebuie înțeleasă ascensiunea inteligenței artificiale. IA apare nu într-o lume lipsită de informație, ci într-una în care capacitatea de producere, colectare și circulație a informației depășește tot mai evident capacitatea umană de a o examina integral. Valoarea sa strategică provine tocmai din această asimetrie: sistemele de IA pot procesa volume de date, pot identifica regularități, pot compara surse, pot construi clasificări, pot genera predicții și pot formula recomandări într-un interval de timp inaccesibil analizei umane directe.

Dar această capacitate introduce o problemă care nu mai poate fi redusă la performanța tehnologică. Atunci când un sistem selectează informația relevantă, identifică anumite relații și produce o reprezentare asupra unui fenomen, rezultatul său nu mai este pur și simplu un produs tehnic. El intră într-un proces cognitiv și poate influența ceea ce utilizatorul consideră relevant, plauzibil și demn de luat în considerare.

De aici rezultă întrebarea fundamentală a acestei comunicări: ce se întâmplă cu cunoașterea atunci când între realitatea asupra căreia judecăm și subiectul care judecă se interpune un sistem de inteligență artificială?

Întrebarea este, în fond, una epistemologică. Ea nu privește numai ceea ce poate face IA, ci și statutul pe care îl acordăm rezultatelor sale. Un rezultat algoritmic poate fi informație, ipoteză, predicție sau recomandare. În anumite condiții, el poate contribui la constituirea unei cunoașteri justificate. În alte condiții, poate dobândi o autoritate pe care nu o justifică prin simpla sa performanță tehnică.

Tocmai aici apare legătura cu Competitive Intelligence. Într-un mediu concurențial, informația nu are valoare strategică prin simpla sa existență. Ea devine relevantă atunci când poate contribui la înțelegerea mediului, la anticiparea unor evoluții și la fundamentarea unei acțiuni. Competitive Intelligence presupune, astfel, mai mult decât colectarea de date. Presupune transformarea informației relevante în cunoaștere utilizabilă pentru decizie (Calof & Wright, 2008).

Prin urmare, problema avantajului competitiv nu mai poate fi formulată satisfăcător în termenii întrebării: cine deține mai multă informație? În condițiile actuale, întrebarea mai relevantă este: cine reușește să transforme mai eficient informația în cunoaștere relevantă și cunoașterea în decizie?

Ipoteza pe care o susțin este că inteligența artificială poate produce un avantaj competitiv autentic numai atunci când superioritatea sa tehnologică este convertită într-o superioritate epistemică: capacitatea de a selecta mai bine ceea ce merită cunoscut, de a evalua mai riguros ceea ce este oferit ca informație, de a interpreta mai adecvat rezultatele algoritmice și de a transforma aceste rezultate în decizii asumate.

În acest sens, IA nu trebuie privită nici ca simplu instrument pasiv, nici ca substitut al judecății umane. Între cele două poziții există o zonă intermediară, decisivă pentru înțelegerea transformării contemporane: aceea în care inteligența artificială devine intermediar epistemic.

2. De la date la cunoaștere: între procesarea algoritmică și judecata umană

Pentru a înțelege natura acestei transformări este necesară o distincție preliminară între date, informație, cunoaștere, judecată și decizie. Aceste noțiuni sunt adesea utilizate interschimbabil în discursul public despre inteligența artificială, deși ele desemnează niveluri diferite ale procesului cognitiv.

Datele reprezintă materia primă. Ele pot fi colectate, stocate și procesate fără ca, prin aceasta, să dobândească automat semnificație. Informația apare atunci când datele sunt organizate și raportate la un anumit context sau la o anumită problemă. Cunoașterea presupune însă ceva suplimentar: integrarea informației într-un cadru de înțelegere în care afirmațiile pot fi susținute, evaluate și, într-o anumită măsură, justificate. Judecata introduce o altă dimensiune. A cunoaște că un anumit lucru este probabil nu este identic cu a decide ce trebuie făcut în situația respectivă. Între cunoaștere și decizie intervine aprecierea semnificației, a relevanței, a consecințelor și a alternativelor.

Putem reprezenta această progresie astfel: date → informație → analiză → cunoaștere → judecată → decizie.

Schema nu trebuie înțeleasă mecanic. Ea nu descrie o succesiune în care fiecare etapă produce automat etapa următoare. Mai degrabă, ea evidențiază transformările succesive prin care datele și informațiile dobândesc semnificație, sunt interpretate și evaluate, ajungând să fundamenteze judecăți și, în cele din urmă, decizii.

Această distincție devine crucială în cazul IA deoarece sistemele contemporane pot executa cu o eficiență extraordinară operații situate între date și anumite forme de rezultat cognitiv. Ele pot detecta regularități pe care omul nu le-ar observa cu ușurință, pot grupa informații după criterii complexe, pot identifica anomalii, pot formula predicții și pot genera scenarii.

Dar identificarea unei regularități nu echivalează cu explicarea fenomenului care a produs-o. O corelație poate fi utilă pentru predicție fără să exprime o relație cauzală. O clasificare poate fi statistic performantă și totuși conceptual inadecvată pentru problema cercetată. O predicție probabilistică nu este o afirmație certă despre viitor. Iar o recomandare optimizată pentru un anumit obiectiv nu este, prin ea însăși, o decizie justificată în sens deplin.

Aici trebuie făcută o distincție fundamentală între performanță și justificare. Un sistem poate performa excelent într-o sarcină definită fără ca acest fapt să rezolve problema statutului epistemic al rezultatului său. Performanța răspunde întrebării dacă sistemul produce rezultate bune în raport cu anumite criterii. Epistemologia întreabă ce putem pretinde că știm pe baza acelor rezultate.

Această diferență este esențială și pentru Competitive Intelligence. Scopul intelligence-ului nu este de a produce cât mai multe informații, ci de a transforma informația relevantă într-o bază cognitivă pentru anticipare și decizie. În consecință, valoarea unui sistem AI nu poate fi măsurată numai prin volumul de date pe care îl procesează sau prin viteza cu care produce rezultate.

Dacă două organizații au acces la aceleași date și la tehnologii comparabile, ele pot ajunge la concluzii strategice diferite. Diferența poate proveni din întrebările formulate, din criteriile de selecție, din capacitatea de verificare, din experiența analistului, din contextualizarea rezultatelor și, mai ales, din modul în care organizația decide ce statut epistemic să acorde rezultatului algoritmic.

De aici rezultă o primă teză: superioritatea informațională nu produce automat superioritate cognitivă.

Într-o societate caracterizată de abundență informațională, problema fundamentală devine selecția. Mai multe informații pot produce mai multă claritate, dar pot produce și mai mult zgomot. Un sistem capabil să proceseze un volum enorm de date poate accelera analiza, dar poate accelera și propagarea unei erori prezente în date sau în definirea problemei.

Prin urmare, întrebarea relevantă nu este dacă IA poate „cunoaște” în același sens în care cunoaște omul. O asemenea formulare riscă să transfere asupra sistemului categorii antropologice care nu îi sunt necesare pentru analiza fenomenului. Întrebarea mai riguroasă este: în ce condiții poate rezultatul unui sistem AI să participe în mod justificat la constituirea cunoașterii umane? Această reformulare permite trecerea de la problema inteligenței mașinii la problema medierii algoritmice a cunoașterii.

3. De la instrument epistemic la intermediar epistemic[2]

Instrumentele cognitive au existat cu mult înaintea inteligenței artificiale. Microscopul a extins capacitatea vizuală, calculatorul a extins capacitatea de calcul, iar bazele de date au extins memoria și capacitatea de regăsire. În aceste cazuri, instrumentul amplifică o capacitate umană deja definită. Omul formulează întrebarea, stabilește relevanța rezultatului și își asumă concluzia.

Inteligența artificială introduce o diferență importantă. Ea poate participa nu numai la executarea unei operații definite anterior, ci și la selectarea, ordonarea, corelarea și prezentarea materialului asupra căruia omul urmează să judece.

Aceasta este schimbarea pe care o consider decisivă. Există o diferență epistemologică între un instrument care ne ajută să vedem mai mult și un sistem care contribuie la stabilirea a ceea ce merită să vedem. În prima situație, instrumentul amplifică o capacitate. În cea de-a doua, sistemul participă la configurarea spațiului cognitiv în care se desfășoară judecata.

Caracterul epistemic al acestei intermedieri nu presupune intenționalitate cognitivă din partea mașinii. Nu susțin că sistemul „vrea” să ne convingă sau că „decide” în sens psihologic. Este suficient faptul că arhitectura sa produce efecte de selecție și prioritizare care influențează parcursul cognitiv al utilizatorului.

Un cercetător care are acces nemediat la un corpus de zece mii de documente și un cercetător căruia un sistem AI îi prezintă o selecție de o sută de documente nu se află, epistemic, în aceeași situație. Cel de-al doilea primește deja o reprezentare a spațiului informațional. Ceea ce a fost exclus nu mai este, cel puțin temporar, parte din câmpul său efectiv de examinare.

Intermedierea epistemică nu constă, așadar, în faptul că IA transmite informația între două puncte. Ea constă în faptul că modul în care informația ajunge la subiect este deja rezultatul unei procesări selective.

Această observație ne permite să distingem trei poziții. Prima este aceea de instrument epistemic. IA îl ajută pe om să proceseze mai repede și mai multă informație. A doua este aceea de intermediar epistemic. IA participă la configurarea informației pe baza căreia omul urmează să judece. A treia este aceea de autoritate epistemică, care apare atunci când rezultatul sistemului dobândește, în procesul efectiv de cunoaștere, o forță de acceptare care depășește funcția sa instrumentală.

Această a treia trecere nu este inevitabilă. Tocmai de aceea este important să nu confundăm conceptele. Un sistem poate fi un intermediar epistemic fără a fi o autoritate epistemică. El poate media accesul la informație fără ca utilizatorul să îi atribuie dreptul de a stabili ce trebuie considerat adevărat. Problema apare atunci când performanța tehnică este convertită în încredere epistemică nediferențiată.

Rico Hauswald observă că sistemele AI pot ajunge să îndeplinească funcții asociate tradițional autorităților epistemice umane, într-un context caracterizat prin asimetrie epistemică și opacitate (Hauswald, 2025). Tocmai această observație permite o distincție esențială: performanța demonstrată de un sistem într-un anumit domeniu sau într-o anumită sarcină nu îi conferă, prin ea însăși, o autoritate epistemică dincolo de limitele în care această performanță a fost stabilită.

Un sistem poate fi superior omului la detectarea unui anumit pattern și, în același timp, să nu poată decide singur relevanța socială a acelui pattern, consecințele sale normative sau oportunitatea acțiunii întemeiate pe el. În acest sens, întrebarea corectă nu este „Are IA autoritate?”, ci “În ce condiții ajunge un rezultat algoritmic să funcționeze ca autoritate pentru subiectul care îl utilizează?” Aici se află una dintre problemele majore ale cunoașterii mediate algoritmic.

4. De la rezultat la recomandare și de la recomandare la decizie

Problema devine mai acută atunci când rezultatul algoritmic nu rămâne la nivelul descrierii sau analizei, ci intră direct în procesul decizional.

Putem distinge trei niveluri: predicție — recomandare — decizie.

Predicția răspunde, în esență, la întrebarea: ce este probabil să se întâmple? Recomandarea adaugă o orientare: ce ar putea fi oportun să facem? Decizia introduce însă o dimensiune suplimentară: ce alegem efectiv să facem și cine își asumă această alegere?

Trecerea de la prima la cea de-a treia categorie nu este logic automată. O predicție bună nu garantează o recomandare bună. O recomandare bună nu produce automat o decizie legitimă. Iar o decizie justificată nu presupune că toate premisele sale sunt certe. Această distincție este deosebit de importantă pentru utilizarea IA în Competitive Intelligence. Un sistem poate identifica o schimbare probabilă în comportamentul unui competitor. Poate estima probabilitatea unei evoluții de piață. Poate identifica o vulnerabilitate sau poate propune mai multe scenarii. Dar alegerea unei acțiuni presupune raportarea acestor rezultate la obiective, constrângeri, valori, riscuri și consecințe. Prin urmare, între rezultatul algoritmic și decizie trebuie să rămână un spațiu al judecății.

Această idee poate fi exprimată astfel: date → procesare algoritmică → rezultat → interpretare → recomandare → judecată → decizie.

Problema apare atunci când această arhitectură este comprimată la: date → IA → recomandare → acceptare → decizie.

În cea de-a doua configurație, intermedierea poate deveni delegare epistemică. Omul nu mai folosește rezultatul pentru a-și construi judecata, ci începe să folosească rezultatul drept substitut pentru judecată.

Diferența dintre interpretare și acceptare devine aici decisivă. Interpretarea presupune păstrarea rezultatului algoritmic în interiorul procesului critic. Rezultatul poate fi comparat cu alte surse, contextualizat, contestat și eventual respins. Acceptarea presupune, dimpotrivă, preluarea rezultatului ca premisă suficientă pentru acțiune, fără ca traseul justificativ să mai fie parcurs în mod adecvat.

Între cele două atitudini se poate instala însă un fenomen epistemic mai subtil: certitudinea artificială[3]. Prin acest concept, în prezenta expunere înțelegem situația în care forma de prezentare, coerența sau precizia aparentă a unui rezultat generat de un sistem de inteligență artificială induce un nivel de încredere superior celui pe care îl justifică efectiv datele, metoda de procesare sau natura incertă a fenomenului analizat. Nu este vorba, așadar, despre o certitudine produsă de sistem, ci despre o aparență de certitudine produsă în relația dintre rezultatul algoritmic și subiectul care îl interpretează.

Fenomenul este important deoarece eroarea epistemică nu mai trebuie căutată exclusiv în falsitatea rezultatului. Un rezultat poate fi chiar corect și, totuși, poate dobândi în procesul utilizării sale un statut epistemic excesiv. Problema apare atunci când precizia expresiei este confundată cu certitudinea concluziei, iar coerența explicației cu suficiența justificării.

Leonardi și Leavell (2026) discută această problemă sub sintagma artificial certainty, atrăgând atenția asupra modului în care utilizarea IA în procesele de decizie și planificare poate afecta autoritatea expertului. În termenii prezentei expuneri, miza este mai largă: cu cât sistemul devine mai convingător ca intermediar epistemic, cu atât devine mai importantă capacitatea subiectului de a menține distincția dintre ceea ce sistemul produce și ceea ce poate fi justificat pe baza rezultatului său.

O probabilitate exprimată cu mare precizie rămâne o probabilitate. O predicție bine calibrată rămâne o predicție. O reprezentare coerentă a unui fenomen incert nu transformă incertitudinea în certitudine.

În acest sens, unul dintre riscurile epistemice ale inteligenței artificiale nu constă numai în producerea unor rezultate false, ci și în producerea unor rezultate suficient de coerente, precise și persuasive pentru a fi acceptate ca mai certe decât sunt în realitate.

De aceea, NIST include în cadrul său de management al riscului caracteristici precum validitatea și fiabilitatea, transparența, responsabilitatea, explicabilitatea și interpretabilitatea (National Institute of Standards and Technology [NIST], 2023). Performanța tehnică trebuie integrată într-un cadru mai larg de evaluare. Această perspectivă schimbă însăși înțelegerea deciziei.

Decizia nu este doar rezultatul unei operații de calcul. Ea este rezultatul unei judecăți asupra unor informații, într-un context determinat, în raport cu anumite scopuri și consecințe. De aceea, întrebarea: „Ce recomandă sistemul?” nu poate înlocui întrebările:

„De ce recomandă aceasta?” „Pe baza căror date?” „Ce a fost exclus?” „Care sunt limitele rezultatului?” „Ce alternative există?” „Ce se întâmplă dacă ipoteza este greșită?” și, în cele din urmă „De ce aleg să acționez astfel?” În acest ultim „de ce” începe propriu-zis judecata epistemică[4].

5. De la avantaj informațional la avantaj epistemic[5]

În teoria organizației, cunoașterea a fost deja înțeleasă ca resursă strategică. Perspectiva bazată pe cunoaștere asupra firmei subliniază rolul organizației ca mecanism de integrare a cunoștințelor distribuite între membrii săi (Grant, 1996). Inteligența artificială schimbă însă configurația problemei. Organizația nu mai gestionează numai cunoașterea produsă de oameni, ci și procese în care oameni, date, algoritmi și sisteme automate participă împreună la producerea rezultatelor utilizate în decizie.

În aceste condiții, avantajul competitiv nu mai poate fi redus la accesul la informație sau la posesia unei tehnologii superioare. Avantajul epistemic este, prin urmare, o capacitate de conversie, nu o cantitate. Nu desemnează câte date deține organizația, ci cât de bine poate transforma datele în informație relevantă, informația în cunoaștere, cunoașterea în judecată și judecata în acțiune. Putem formula diferența astfel: avantaj informațional = acces superior la informație; avantaj tehnologic = capacitate tehnologică superioară; avantaj epistemic = capacitate superioară de transformare justificată a informației în decizie.

Această distincție devine cu atât mai importantă cu cât tehnologiile AI se “democratizează”. Dacă accesul la modele, infrastructură și volume de date devine din ce în ce mai larg, simpla posesie a tehnologiei nu mai poate constitui un diferențiator suficient. Avantajul se mută spre capacitatea de a utiliza tehnologia fără a pierde controlul asupra procesului cognitiv.

Perspectiva capabilităților dinamice oferă aici un cadru complementar. Teece, Pisano și Shuen (1997) au arătat că avantajul organizațional într-un mediu schimbător depinde de capacitatea de a integra, construi și reconfigura competențe interne și externe. În epoca IA, această reconfigurare trebuie să includă și procesele prin care organizația produce și validează cunoașterea.

O organizație poate avea mai multe date și totuși să cunoască mai puțin. Poate avea un model mai performant și totuși să ia decizii mai slabe. Poate primi recomandări în câteva secunde și totuși să nu dispună de o justificare suficientă pentru acțiunea întreprinsă.

De aceea mai multe date nu înseamnă mai multă cunoaștere. Mai multă cunoaștere nu înseamnă automat judecată mai bună. Și judecata mai rapidă nu înseamnă automat decizie mai bună.

Avantajul epistemic[6] apare atunci când organizația știe să gestioneze aceste treceri. În acest sens, inteligența artificială poate fi un multiplicator al avantajului, dar nu este sursa lui suficientă. Ea poate mări considerabil capacitatea de procesare, însă superioritatea strategică depinde de modul în care organizația integrează rezultatele procesării în propriul său sistem de judecată.

Această perspectivă permite și o reformulare a rolului Competitive Intelligence. Dacă intelligence-ul urmărește să reducă incertitudinea relevantă pentru acțiune, atunci adevărata resursă strategică nu este informația în sine, ci capacitatea de a determina ce informație merită să reducă incertitudinea și în ce măsură.

De aici rezultă o consecință importantă: două organizații pot dispune de aceeași tehnologie și de aceleași informații, dar să aibă avantaje epistemice diferite. Diferența nu se află neapărat în algoritm. Se poate afla în întrebarea formulată, în selecția datelor, în procedurile de verificare, în experiența analistului, în capacitatea de contestare a rezultatului și în modul în care organizația separă recomandarea de decizie.

Prin urmare, avantajul epistemic nu este o proprietate pe care tehnologia o deține în mod autonom. El apare în relația dintre ceea ce sistemul poate produce, ceea ce subiectul uman poate înțelege și evalua și capacitatea acestuia de a transforma rezultatul algoritmic într-o judecată justificată.

6. Autoritate, încredere și problema responsabilității

Odată ce IA devine intermediar epistemic și participă la producerea rezultatelor utilizate în decizie, apare inevitabil problema autorității. Cine decide ce trebuie considerat suficient de credibil pentru a fundamenta acțiunea? În formele clasice de cunoaștere, această problemă era legată de autorități epistemice identificabile: cercetători, experți, instituții, comunități profesionale. În cazul IA, sursa este diferită. Utilizatorul se confruntă cu un sistem a cărui competență poate fi foarte ridicată într-o anumită sarcină și foarte limitată în alta.

Încrederea, prin urmare, nu poate fi globală. Nu are sens să spunem pur și simplu că „avem încredere în AI”. Întrebarea relevantă nu este dacă putem avea încredere în sistem, ci în ce măsură rezultatele sale sunt suficient de credibile pentru a ne fundamenta judecata într-un anumit context și pentru o anumită decizie.

Aceasta este problema încrederii epistemice calibrate[7]. Lee și See (2004) au arătat, în analiza încrederii în automatizare, importanța unei relații adecvate între performanța sistemului și gradul de reliance acordat acestuia. În cazul IA, această problemă devine epistemică: gradul de încredere trebuie să fie proporțional cu ceea ce putem justifica despre rezultat.

Încrederea excesivă produce supra-dependență. Neîncrederea absolută face inutilă o tehnologie care poate extinde semnificativ capacitatea de analiză. Soluția nu se află la una dintre extreme, ci într-o încredere calibrată, dependentă de context, performanță, verificabilitate, limite și consecințele erorii.

Problema devine și mai complexă atunci când rezultatul algoritmic este greu de reconstruit sau explicat. Utilizatorul poate fi nevoit să se bazeze pe un sistem tocmai pentru a putea evalua sistemul. Apare astfel o formă de dependență epistemică specifică tehnologiilor complexe. Această dependență nu este, în sine, problematică. Cunoașterea umană a fost întotdeauna dependentă de experți, instrumente și instituții. Problema este dacă această dependență poate fi justificată. Aici se intersectează epistemologia cu problema responsabilității.

Problema calibrării încrederii nu poate fi însă redusă nici la relația dintre un utilizator individual și un sistem de inteligență artificială. Rezultatele algoritmice circulă între persoane, departamente și niveluri de decizie, fiind succesiv preluate, interpretate și integrate în alte procese cognitive și administrative. În aceste condiții, capacitatea de a evalua critic ceea ce produce un sistem IA devine ea însăși o proprietate a organizației.

Putem vorbi, în acest sens, despre o competență epistemică organizațională[8], care reprezintă capacitatea unei organizații de a gestiona critic și reflexiv parcursul prin care informația este selectată, evaluată, transformată în cunoaștere, interpretată și utilizată în fundamentarea deciziilor.

Din această perspectivă, încrederea epistemică calibrată nu mai este exclusiv o problemă psihologică a utilizatorului. Ea devine și o capacitate organizațională. O organizație competentă epistemic nu este aceea care are încredere în IA, după cum nu este nici aceea care o respinge în mod sistematic, ci aceea care dispune de mecanismele cognitive, profesionale și instituționale necesare pentru a stabili când, cât și în ce condiții un rezultat algoritmic poate fi acceptat ca premisă pentru decizie. Dar, dacă omul acceptă rezultatul unui sistem și ia decizia pe baza lui, cine este responsabil atunci când decizia produce consecințe negative?

Problema a fost formulată în literatura filosofică a tehnologiei sub forma „responsibility gap”, asociată inițial cu Andreas Matthias (2004). Ulterior, ideea că utilizarea unor sisteme autonome poate conduce la dificultăți în atribuirea responsabilității morale pentru consecințele acțiunilor lor a fost contestată sau nuanțată, inclusiv de Tigard (2021). Tocmai această dezbatere arată că problema nu poate fi rezolvată prin simpla afirmație că responsabilitatea aparține fie omului, fie mașinii.

Sistemul AI nu trebuie tratat ca subiect moral doar pentru că produce un rezultat complex. Dar nici omul nu trebuie transformat într-un simplu suport formal al responsabilității pentru un proces pe care nu îl poate înțelege, controla sau contesta. Aceasta este problema pe care Madeleine Clare Elish (2019) o surprinde prin metafora „moral crumple zone” [„zona de comprimare morală”].  În sisteme socio-tehnice complexe, omul aflat formal la capătul procesului poate ajunge să suporte responsabilitatea pentru deficiențe care provin dintr-o arhitectură mult mai largă.

De aceea, problema nu este suficient formulată prin sintagma „human-in-the-loop”. Simpla prezență a unui om în circuit nu garantează existența judecății umane. Un om poate valida formal o recomandare pe care nu a avut timpul, informațiile sau competența necesară să o evalueze. În acest caz, omul este prezent în buclă, dar judecata sa poate fi redusă la o formalitate. Ceea ce trebuie protejat este, prin urmare, nu simpla prezență umană, ci capacitatea efectivă de judecată umană.

7. De la „human-in-the-loop” la „human-in-the-judgment”[9]

Această distincție permite o reformulare a controlului uman.Modelul „human-in-the-loop” este util, dar insuficient. El sugerează că este suficient ca un om să se afle undeva în circuitul tehnologic pentru ca decizia să rămână umană.

Filosofia controlului uman semnificativ propusă de Santoni de Sio și van den Hoven (2018) oferă un cadru mai exigent: omul trebuie să poată exercita un control care să fie nu doar formal, ci relevant pentru caracterul și consecințele acțiunii. În cazul IA, aceasta înseamnă că omul trebuie să poată înțelege natura rezultatului, evalua limitele sale, solicita sau verifica premisele relevante, compara alternative, contesta recomandarea, refuza rezultatul, precum si explica de ce a decis să urmeze sau să respingă un rezultat sau altul.

Aș numi această condiție menținerea judecății umane în procesul decizional. Nu este suficient ca omul să fie cel care ia decizia finală în sens formal. Este necesar ca el să păstreze posibilitatea reală de a evalua critic rezultatul sistemului, de a-l accepta sau respinge și de a-și fundamenta propria decizie. Această diferență este fundamentală. Controlul nu înseamnă doar capacitatea de a opri sistemul. Înseamnă capacitatea de a menține autoritatea asupra criteriilor prin care rezultatul sistemului dobândește relevanță pentru acțiune. De aceea, și în procesul decizional important este cine deține controlul.[10]

Din această perspectivă, inteligența artificială nu trebuie înțeleasă doar ca instrument de automatizare, ci și ca sursă de amplificare cognitivă[11] a capacităților umane de analiză, corelare, comparare și anticipare și nu ca substitut al judecății. Extinderea spațiului cognitiv nu trebuie să însemne restrângerea spațiului judecății.

Dimpotrivă, cu cât IA devine mai performantă în producerea rezultatelor, cu atât devine mai important ca omul să fie capabil să distingă între ceea ce sistemul poate calcula și ceea ce numai judecata poate decide. Aici apare o nouă competență organizațională: competența epistemică. Ea nu constă în simpla capacitate de a utiliza instrumente AI. O organizație poate utiliza foarte bine un sistem fără să știe să evalueze ceea ce sistemul produce.

Într-o asemenea organizație, întrebarea nu este numai „Ce spune AI?” ci și „Ce putem susține noi, în mod justificat, pe baza a ceea ce spune AI?” Aceasta este, în opinia mea, adevărata diferență de rang epistemologic.

8. Concluzie. Cine decide ce știm?

Am pornit de la problema abundenței informaționale și am urmărit transformarea produsă de inteligența artificială în raportul dintre informație, cunoaștere, judecată și decizie.

Prima concluzie este că abundența informației nu elimină problema cunoașterii. Dimpotrivă, o face mai exigentă. Într-un mediu în care informația este abundentă, valoarea nu mai constă în simpla posesie a informației, ci în capacitatea de a selecta ceea ce este relevant și de a determina în ce măsură acel material poate susține o cunoaștere justificată.

A doua concluzie este că inteligența artificială nu trebuie înțeleasă numai ca tehnologie de procesare. Atunci când selectează, filtrează, corelează, clasifică și prezintă informația, ea intervine în arhitectura procesului cognitiv. În acest sens, IA poate deveni un intermediar epistemic.

A treia concluzie privește relația dintre performanță și autoritate. Un sistem performant nu dobândește prin aceasta autoritate epistemică generală. Performanța într-o sarcină nu este identică cu capacitatea de a decide ce este relevant, adevărat, oportun sau legitim într-un context complex.

A patra concluzie privește decizia. Între predicție, recomandare și decizie există diferențe care nu pot fi eliminate prin automatizare. Predicția estimează. Recomandarea orientează. Decizia angajează. Tocmai în această trecere se află problema responsabilității.

A cincea concluzie este că avantajul competitiv al epocii IA trebuie regândit. Dacă accesul la date și la tehnologie devine din ce în ce mai larg, superioritatea nu mai poate fi explicată numai prin posesie sau viteză. Ea depinde de capacitatea organizației de a transforma informația în cunoaștere justificată, cunoașterea în judecată și judecata în acțiune. Aceasta este ceea ce numesc avantaj epistemic.

Avantajul epistemic nu este un avantaj de cantitate, ci unul de calitate a conversiei epistemice. Nu câștigă neapărat organizația care deține cele mai multe date, nici cea care utilizează cea mai multă inteligență artificială, ci aceea care știe cel mai bine ce să caute, ce să creadă, ce să verifice, ce să conteste și ce să transforme în acțiune. În sfârșit, relația matură dintre om și IA nu poate fi construită nici pe subordonarea omului față de sistem, nici pe refuzul tehnologiei. Ea trebuie construită pe complementaritate epistemică.

IA poate calcula ceea ce omul nu poate calcula la aceeași scară. Poate identifica ceea ce omul nu poate identifica la aceeași viteză. Poate genera scenarii pe care omul nu le-ar fi construit spontan. Dar omul trebuie să rămână capabil să întrebe De ce?; În ce condiții?; Față de ce alternative?; Cu ce grad de incertitudine?; Pe baza căror date?; Ce a fost exclus?; Ce consecințe apar dacă presupunerea este greșită?’

Și, în cele din urmă: De ce aleg să acționez astfel? În acest ultim „de ce” se află judecata. Iar judecata este punctul în care cunoașterea se întâlnește cu responsabilitatea. De aceea, problema viitorului nu este să păstrăm omul „în circuit” cu orice preț. Un om poate fi formal în circuit și, totuși, să nu mai exercite o judecată reală. Problema este să păstrăm judecata umană în interiorul circuitului decizional.

Aceasta înseamnă că omul nu trebuie să fie doar receptorul rezultatului algoritmic, nici simplul validator al recomandării și nici ultimul responsabil formal pentru o decizie construită în altă parte. El trebuie să rămână subiectul judecății.

În această perspectivă, avantajul competitiv al viitorului nu va aparține organizației care deleagă cel mai mult inteligenței artificiale. Va aparține organizației care știe cel mai bine ce trebuie delegat, ce trebuie verificat, ce trebuie contestat și ce trebuie păstrat în sfera judecății umane. Aceasta este trecerea de la automatizarea deciziei la augmentarea judecății. Și tocmai aici putem reveni la întrebarea de la care am pornit: Cine decide ce știm?

Răspunsul nu mai poate fi unul simplu. Într-un sistem cognitiv în care omul și inteligența artificială participă împreună la producerea informației relevante pentru acțiune, nu mai este suficient să întrebăm cine ia decizia la capătul procesului.

Întrebarea mai profundă este cine contribuie la construirea cadrului epistemic în interiorul căruia acea decizie devine posibilă? Aici se află, în opinia mea, adevărata miză a inteligenței artificiale. Nu doar cine decide. Ci cine contribuie la stabilirea condițiilor în care ajungem să considerăm ceva demn de cunoscut, demn de crezut și, în cele din urmă, demn de făcut.

Bibliografie

  • Calof, J. L., & Wright, S. (2008). Competitive intelligence: A practitioner, academic and inter-disciplinary perspective. European Journal of Marketing, 42(7/8), 717–730. https://doi.org/10.1108/03090560810877114
  • Elish, M. C. (2019). Moral crumple zones: Cautionary tales in human-robot interaction. Engaging Science, Technology, and Society, 5, 40–60. https://doi.org/10.17351/ests2019.260
  • Ferrario, A., Facchini, A., & Termine, A. (2024). Experts or authorities? The strange case of the presumed epistemic superiority of artificial intelligence systems. Minds and Machines, 34(3), Article 30.
  • Grant, R. M. (1996). Toward a knowledge-based theory of the firm. Strategic Management Journal, 17(S2), 109–122. https://doi.org/10.1002/smj.4250171110
  • Hauswald, R. (2025). Artificial epistemic authorities. Social Epistemology, 39(6), 716–725. https://doi.org/10.1080/02691728.2025.2449602
  • Lee, J. D., & See, K. A. (2004). Trust in automation: Designing for appropriate reliance. Human Factors, 46(1), 50–80. https://doi.org/10.1518/hfes.46.1.50_30392
  • Leonardi, P. M., & Leavell, V. (2026). Knowing enough to be dangerous: The problem of “artificial certainty” for expert authority when using AI for decision making and planning. Organization Science, 37(2), 516–543. https://doi.org/10.1287/orsc.2023.18224
  • Matthias, A. (2004). The responsibility gap: Ascribing responsibility for the actions of learning automata. Ethics and Information Technology, 6, 175–183. https://doi.org/10.1007/s10676-004-3422-1
  • National Institute of Standards and Technology. (2023). Artificial intelligence risk management framework (AI RMF 1.0) (NIST AI 100-1). U.S. Department of Commerce. https://doi.org/10.6028/NIST.AI.100-1
  • Santoni de Sio, F., & van den Hoven, J. (2018). Meaningful human control over autonomous systems: A philosophical account. Frontiers in Robotics and AI, 5, Article 15. https://doi.org/10.3389/frobt.2018.00015
  • Simon, H. A. (1971). Designing organizations for an information-rich world. In M. Greenberger (Ed.), Computers, communications, and the public interest (pp. 37–72). Johns Hopkins Press.
  • Teece, D. J., Pisano, G., & Shuen, A. (1997). Dynamic capabilities and strategic management. Strategic Management Journal, 18(7), 509–533. https://doi.org/10.1002/(SICI)1097-0266(199708)18:7<509::AID-SMJ882>3.0.CO;2-Z
  • Tigard, D. W. (2021). There is no techno-responsibility gap. Philosophy & Technology, 34, 589–607. https://doi.org/10.1007/s13347-020-00414-7
  • Turing, A. M. (1950). Computing machinery and intelligence. Mind, 59(236), 433–460. https://doi.org/10.1093/mind/LIX.236.433
  • European Parliament and Council of the European Union. (2024). Regulation (EU) 2024/1689 of the European Parliament and of the Council of 13 June 2024 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act). Official Journal of the European Union.

Note

[2] Prin conceptul de intermediar epistemic, în prezenta lucrare înțelegem acel sistem, mecanism sau dispozitiv care se interpune între sursele de informație și subiectul cunoscător, participând la selecția, filtrarea, ordonarea, corelarea sau prezentarea informației, influențând astfel configurația cognitivă în interiorul căreia se formează judecata. În cazul inteligenței artificiale, caracterul epistemic al intermedierii nu presupune atribuirea unei intenționalități cognitive sistemului, ci se referă la efectul pe care operațiile sale îl exercită asupra accesului și organizării informației relevante pentru cunoaștere.

[3]Prin conceptul de certitudine artificială înțelegem situația epistemică în care forma de prezentare, coerența sau precizia aparentă a unui rezultat generat de un sistem de inteligență artificială induce un grad de încredere superior celui pe care îl justifică efectiv datele, metoda de procesare sau caracterul incert al fenomenului analizat. Conceptul nu desemnează, așadar, existența unei certitudini produse de sistem, ci posibilitatea apariției unei certitudini percepute în mod artificial.

[4] Prin conceptul de judecată epistemică înțelegem operația prin care subiectul evaluează statutul cognitiv al unei informații sau al unui rezultat, stabilind în ce măsură acesta este relevant, credibil, justificat și apt să fundamenteze o concluzie sau o acțiune. În acest sens, judecata nu se confundă nici cu simpla procesare a informației, nici cu acceptarea unui rezultat furnizat de un sistem algoritmic.

[5] In prezenta lucrare, prin conceptul de avantaj epistemic înțelegem capacitatea unei persoane sau a unei organizații de a transforma, în condiții determinate, informația disponibilă în cunoaștere relevantă și justificată pentru formularea judecăților și fundamentarea deciziilor. Conceptul nu desemnează, prin urmare, simpla superioritate cantitativă în accesul la date sau informații, ci superioritatea în selectarea, evaluarea, interpretarea și utilizarea lor cognitivă

[6] Prin conceptul de avantaj epistemic înțelegem capacitatea unei persoane sau, în mod particular, a unei organizații de a obține și valorifica o poziție cognitivă superioară în raport cu un anumit domeniu de acțiune, prin capacitatea de a identifica informația relevantă, de a o evalua critic, de a distinge între ceea ce este cunoscut, probabil și incert, de a interpreta adecvat rezultatele produse prin intermediul sistemelor de inteligență artificială și de a transforma aceste rezultate în judecăți epistemic justificate și, în cele din urmă, în decizii mai bine fundamentate. În acest sens, avantajul epistemic nu desemnează nici acumularea unei cantități mai mari de informație, nici simpla superioritate tehnologică, ci capacitatea de a controla și valorifica în mod reflexiv procesul prin care informația devine cunoaștere relevantă pentru acțiune.

[7] Prin conceptul de încredere epistemică calibrată, în prezenta lucrare înțelegem forma de încredere epistemică în care gradul de credibilitate acordat unui rezultat, unei surse sau unui sistem este proporțional cu capacitățile efective, limitele, performanța observabilă, verificabilitatea și contextul de utilizare ale acestuia. În cazul inteligenței artificiale, încrederea epistemică calibrată presupune evitarea atât a supraîncrederii, prin acordarea unei autorități cognitive mai mari decât justifică performanța sistemului, cât și a subîncrederii, prin respingerea unor rezultate suficient de fiabile pentru scopul urmărit. Conceptul preia, în plan epistemologic, problema calibration of trust dezvoltată în literatura privind încrederea în automatizare, unde calibrarea desemnează corespondența dintre nivelul de încredere acordat sistemului și capacitățile sale efective (Lee & See, 2004). În prezenta analiză, calificativul „epistemică” precizează însă că obiectul calibrării nu este numai utilizarea funcțională a sistemului, ci și statutul cognitiv acordat rezultatelor sale, adică măsura în care acestea pot constitui motive sau premise pentru propria judecată.

[8]În acest context, noțiunea de competență epistemică organizațională este utilizată pentru a desemna capacitatea unei organizații de a gestiona în mod critic și reflexiv întregul parcurs prin care informația este selectată, evaluată, transformată în cunoaștere, interpretată și utilizată pentru fundamentarea deciziilor. Definiția are aici un caracter operațional și nu urmărește epuizarea tuturor dimensiunilor posibile ale conceptului. În contextul utilizării inteligenței artificiale, această capacitate presupune și evaluarea limitelor, incertitudinilor și condițiilor de validitate ale rezultatelor algoritmice.

[9] Prin sintagma human-in-the-judgment, utilizată aici, înțelegem o condiție mai exigentă decât simpla prezență a factorului uman „în buclă”: omul trebuie să păstreze capacitatea efectivă de a evalua sensul, relevanța, limitele și consecințele rezultatului algoritmic și de a-și asuma în mod justificat decizia de a-l urma sau de a-l respinge. Sintagma desemnează, prin urmare, menținerea judecății umane ca instanță constitutivă a deciziei, nu doar ca etapă procedurală a acesteia.

[10] Prin conceptul de control uman semnificativ, în prezenta lucrare, înțelegem nu simpla prezență formală a unei persoane în circuitul decizional, ci menținerea unei capacități efective de înțelegere, evaluare, contestare și, atunci când este necesar, respingere a rezultatului furnizat de sistemul de inteligență artificială. Conceptul este utilizat pentru a distinge controlul real asupra procesului decizional de simpla validare procedurală a unei recomandări algoritmice.

[11] Pentru noi, conceptul de amplificare cognitivă reprezinta extinderea capacităților umane de analiză, selecție, corelare, comparare și anticipare prin utilizarea unor sisteme de inteligență artificială, fără ca această extindere să presupună substituirea judecății umane. Conceptul desemnează, astfel, o relație de complementaritate între capacitatea de procesare algoritmică și capacitatea umană de interpretare și judecată.

 

Constantin, George (2026), Cine decide ce știm? Inteligența artificială între cunoaștere, judecată și avantaj epistemic, IT & C, 5:4, 7-25, https://www.internetmobile.ro/cine-decide-ce-stim-inteligenta-artificiala-intre-cunoastere-judecata-si-avantaj-epistemic/

 

Inteligența artificială – Tehnologie emergentă în soluțiile de arhivare electronică

postat în: Media 0

Aplicații, beneficii și provocări pentru infrastructurile digitale de cunoaștere

Mădălina Giurgescu

Rezumat. Volumul, varietatea și viteza cu care sunt produse și digitizate documentele depășesc capacitatea instituțiilor de arhivă de a le cataloga și descrie manual. Articolul analizează rolul inteligenței artificiale (AI) în arhivarea electronică, pornind de la trei familii de tehnici – învățarea automată, procesarea limbajului natural și viziunea artificială – și de la patru domenii de aplicare: recunoașterea textului scris de mână (HTR), clasificarea automată și generarea de metadate, căutarea semantică și conservarea predictivă. Sunt discutate beneficiile (viteză, scalabilitate, accesibilitate, eficiență pe termen lung) și riscurile (bias algoritmic, autenticitate și proveniență, costuri inițiale, nevoia de guvernanță). Concluzia este că AI extinde capacitatea arhivistului de a gestiona volume mari de conținut eterogen, fără a-i substitui judecata profesională, iar valoarea sa depinde de integrarea graduală în fluxurile existente și de evaluarea continuă a calității rezultatelor.

Cuvinte-cheie: inteligență artificială, arhivare electronică, HTR, metadate, căutare semantică, conservare predictivă, guvernanță

Abstract. The volume, variety and velocity of digital records now exceed the capacity of archival institutions to catalogue them manually. This article examines the role of artificial intelligence (AI) in electronic archiving, based on three families of techniques (machine learning, natural language processing and computer vision) and four areas of application: handwritten text recognition (HTR), automatic classification and metadata generation, semantic search, and predictive conservation. Benefits (speed, scalability, accessibility, long-term efficiency) and risks (algorithmic bias, authenticity and provenance, upfront costs, governance) are discussed. The paper concludes that AI extends the archivist’s capacity to manage large volumes of heterogeneous content without replacing professional judgement, and that its value depends on gradual integration into existing workflows and continuous quality assessment.

Keywords: artificial intelligence, electronic archiving, HTR, metadata, semantic search, predictive conservation, governance

1. Introducere

Majoritatea instituțiilor se confruntă cu presiuni tot mai mari generate de creșterea volumului de date. Problema poate fi descrisă prin cei „trei V ai datelor mari”, aplicabili direct fondurilor arhivistice digitale: volum, varietate și viteză. Fondurile fizice și digitale se extind continuu și depășesc adesea capacitatea echipelor de a le indexa manual. Documentele includ texte, manuscrise, imagini, hărți și înregistrări audio-video, adică formate eterogene, greu de tratat unitar. Ritmul în care conținutul este creat și digitizat depășește, la rândul lui, ritmul clasic de catalogare și descriere arhivistică.

În acest context, inteligența artificială a devenit o tehnologie emergentă a soluțiilor de arhivare electronică. Termenul are o istorie lungă – provine din propunerea pentru proiectul de cercetare de la Dartmouth, redactată în august 1955 (McCarthy et al., 1955) – iar dezvoltarea învățării automate a deschis calea unor aplicații practice în sectorul patrimoniului cultural, precum recunoașterea textului scris de mână (Bunn, 2022).

Scopul articolului este să sintetizeze conceptele-cheie ale AI aplicate în arhivistică, să prezinte domeniile principale de aplicare, să evalueze beneficiile și riscurile și să formuleze direcții de dezvoltare pentru infrastructurile digitale de cunoaștere. Abordarea este de tip sinteză conceptuală și se sprijină pe literatura de specialitate și pe inițiative reprezentative.

2. AI în arhivistică: trei familii de tehnologii

În context arhivistic, termenul „inteligență artificială” acoperă câteva familii distincte de tehnici, folosite adesea complementar:

  • Învățarea automată (Machine Learning, ML). Algoritmi care învață din exemple adnotate pentru a clasifica documente, a prezice priorități de digitizare sau a detecta anomalii în fonduri.
  • Procesarea limbajului natural (Natural Language Processing, NLP). Extragerea de entități (nume, locuri, date), rezumarea automată, traducerea și analiza conținutului textual al documentelor.
  • Viziunea artificială (Computer Vision, CV). Recunoașterea optică a caracterelor (OCR/HTR), segmentarea paginilor și identificarea deteriorărilor fizice ale suporturilor.

Delimitarea este utilă din punct de vedere practic: un flux de lucru complet de digitizare și descriere combină, de regulă, toate cele trei familii. De exemplu, viziunea artificială localizează textul pe pagină, învățarea automată îl transcrie, iar procesarea limbajului natural extrage entitățile care îmbogățesc descrierea arhivistică.

3. Domenii de aplicare

3.1. Recunoașterea optică avansată a textului (OCR/HTR)

Sistemele de tip Handwritten Text Recognition (HTR), antrenate pe corpusuri de manuscrise, transformă documentele scrise de mână – inclusiv cele istorice, cu grafii vechi – în text digital căutabil. Efectul este o reducere substanțială a timpului de transcriere manuală și deschiderea accesului cercetătorilor la fonduri altfel greu consultabile. Beneficiul direct este accesul la conținut, nu doar la imaginea paginii.

Un studiu de referință al platformei Transkribus concluzionează că HTR este acum o tehnologie utilizabilă, care poate fi folosită împreună cu digitizarea în masă pentru a genera transcrieri de acuratețe ridicată ale materialelor de arhivă (Muehlberger et al., 2019).

3.2. Clasificarea automată și generarea de metadate

Modelele de clasificare pot atribui categorii tematice, tipuri de document și niveluri de confidențialitate pe baza conținutului. Extragerea automată de entități identifică persoane, instituții, locuri și date calendaristice și îmbogățește descrierea arhivistică. În plus, metadatele pot fi generate în conformitate cu scheme consacrate, precum Dublin Core sau EAD, ceea ce facilitează interoperabilitatea între instituții. Profesioniștii intervievați în cadrul grupului de lucru EuropeanaTech pentru AI anticipau un rol tot mai important al AI în acces, în extragerea metadatelor și în îmbogățirea lor (Europeana Network Association, 2021).

3.3. Căutarea semantică și regăsirea informației

Căutarea clasică pe cuvinte-cheie returnează doar documentele care conțin exact termenul căutat și ratează sinonimele, variațiile ortografice sau formulările vechi. Căutarea semantică bazată pe AI folosește reprezentări vectoriale ale sensului textului și poate regăsi documente relevante chiar și fără potrivire exactă de cuvinte, inclusiv între limbi diferite. Impactul practic este că cercetătorii pot formula întrebări în limbaj natural, fără a fi nevoiți să ghicească termenii exacți din index.

3.4. Conservarea predictivă și prioritizarea digitizării

Conservarea predictivă are trei etape. Mai întâi, modelele de viziune artificială analizează starea fizică a suporturilor (hârtie, peliculă, benzi magnetice) și detectează semne incipiente de degradare. Apoi, algoritmii estimează probabilitatea și viteza de deteriorare pentru fiecare unitate arhivistică. În final, fondurile cu risc ridicat sunt propuse prioritar pentru digitizare sau pentru intervenții de conservare.

Tabelul 1 sintetizează cele patru domenii de aplicare.

Tabelul 1. Domenii de aplicare ale AI în arhivarea electronică

Domeniu Tehnologie dominantă Rezultat pentru instituția de arhivă
OCR/HTR Computer Vision, învățare automată Transcrierea documentelor scrise de mână în text digital căutabil
Clasificare și metadate Învățare automată, NLP Etichetare tematică, extragere de entități, metadate conforme cu Dublin Core și EAD
Căutare semantică NLP, reprezentări vectoriale Regăsirea documentelor relevante prin întrebări în limbaj natural, inclusiv între limbi
Conservare predictivă Computer Vision, modele de risc Prioritizarea digitizării și a intervențiilor de conservare

 

4. Beneficii

Integrarea AI în fluxurile arhivistice aduce patru categorii principale de beneficii:

  • Viteză. Mii de pagini pot fi procesate într-un interval în care metodele manuale ar necesita luni de muncă.
  • Aceleași modele pot fi aplicate unor fonduri de dimensiuni foarte diferite, fără un efort proporțional.
  • Conținutul devine căutabil și disponibil unui public mai larg de cercetători și cetățeni.
  • Eficiență pe termen lung. Automatizarea sarcinilor repetitive eliberează timp pentru expertiza arhivistică de valoare adăugată.

5. Provocări și riscuri

Adoptarea AI în arhivistică nu este lipsită de riscuri, care trebuie gestionate prin guvernanță și expertiză umană. Un sondaj realizat în 2020 în cadrul grupului de lucru EuropeanaTech pentru AI în instituțiile GLAM (galerii, biblioteci, arhive, muzee), cu 56 de răspunsuri, a evidențiat un interes ridicat al profesioniștilor, dar și dificultăți legate de lipsa datelor de antrenament adnotate corespunzător, de competențe, de integrarea AI în infrastructurile existente și de utilizarea etică a acestor tehnologii (Europeana Network Association, 2021). Principalele provocări sunt următoarele:

  • Bias algoritmic. Modelele pot reproduce sau amplifica părtinirile prezente în datele de antrenament, ceea ce afectează echitatea clasificării.
  • Autenticitate și proveniență. Este necesară păstrarea trasabilității complete între documentul original și rezultatele generate automat.
  • Costuri inițiale. Implementarea infrastructurii AI presupune investiții în tehnologie, în date de antrenament și în formarea personalului.
  • Guvernanță și expertiză umană. Validarea arhivistică rămâne indispensabilă: AI asistă, nu înlocuiește judecata profesională.

6. Exemple și inițiative relevante

Transkribus este o platformă specializată în recunoașterea automată a textului scris de mână, folosită pe scară largă pentru manuscrise istorice. A fost dezvoltată în cadrul proiectelor europene de cercetare, în special READ (Recognition and Enrichment of Archival Documents, 2016–2019). Printre primele proiecte desfășurate cu Transkribus se numără inițiativele arhivelor naționale din Țările de Jos și din Finlanda, care fac accesibile milioane de documente manuscrise prin recunoașterea textului scris de mână și prin identificarea cuvintelor-cheie (CORDIS, 2019; Muehlberger et al., 2019).

Europeana este platforma europeană care agregă și facilitează accesul digital la patrimoniul cultural și arhivistic al instituțiilor membre. Grupul de lucru EuropeanaTech „AI in relation to GLAMs”, înființat în 2019, a investigat rolul și impactul AI și al învățării automate în sectorul patrimoniului cultural, iar raportul său final a fost publicat în 2021 (Europeana Network Association, 2021).

Inițiativele naționale ale bibliotecilor și arhivelor integrează tot mai frecvent module de AI în fluxurile proprii de digitizare și descriere.

7. Discuție

Analiza arată că beneficiile AI sunt cele mai evidente acolo unde sarcinile sunt repetitive și de volum mare (transcriere, etichetare, indexare), iar riscurile sunt cele mai serioase acolo unde rezultatele automate devin parte a înregistrării arhivistice. Prin urmare, trasabilitatea dintre original și rezultatul generat automat nu este o opțiune tehnică, ci o condiție a credibilității arhivei. La fel, evaluarea calității trebuie să fie continuă, nu doar o verificare la momentul implementării.

Un al doilea aspect este caracterul complementar al tehnologiilor. HTR-ul face conținutul căutabil, clasificarea și extragerea de entități îl descriu, căutarea semantică îl face regăsibil, iar conservarea predictivă stabilește ordinea în care este digitizat. Valoarea cea mai mare apare atunci când aceste componente sunt integrate într-un flux coerent, nu când sunt implementate izolat.

Colaborarea dintre instituțiile de arhivă, cercetători și dezvoltatorii de tehnologie rămâne esențială pentru rezultate de încredere. Limitele acestui articol decurg din natura sa de sinteză conceptuală: nu prezintă o evaluare empirică proprie, iar performanțele concrete ale sistemelor depind de colecție, limbă, perioadă istorică și calitatea digitizării.

8. Concluzii și direcții viitoare

Inteligența artificială nu înlocuiește arhivistul, ci îi extinde capacitatea de a gestiona volume mari de conținut eterogen. Beneficiile în viteză, accesibilitate și scalabilitate sunt condiționate de o guvernanță atentă a datelor și a modelelor. Următorul pas firesc este integrarea treptată a AI în fluxurile existente, cu evaluare continuă a calității rezultatelor și cu menținerea validării arhivistice umane ca etapă obligatorie.

Ca direcții de cercetare viitoare se conturează: evaluarea comparativă a performanței HTR pe fonduri românești, definirea unor standarde de documentare a provenienței pentru rezultatele generate automat și elaborarea unor ghiduri de guvernanță pentru utilizarea AI în arhive.

Bibliografie

Bunn, J. (2022, 8 noiembrie). AI and cultural heritage: Spinning collections into digital gold. The National Archives Blog. https://blog.nationalarchives.gov.uk/ai-and-cultural-heritage-spinning-collections-into-digital-gold/

CORDIS (2019). Recognition and Enrichment of Archival Documents (READ). Comisia Europeană, 29 noiembrie 2019. https://cordis.europa.eu/project/rcn/198756/brief/en

Europeana Network Association (2021). AI in relation to GLAMs Task Force: Report and recommendations. EuropeanaTech. https://pro.europeana.eu/project/ai-in-relation-to-glams

McCarthy, J., Minsky, M., Rochester, N., Shannon, C. E. (1955). A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence.

Muehlberger, G., Seaward, L., Terras, M., et al. (2019). Transforming scholarship in the archives through handwritten text recognition: Transkribus as a case study. Journal of Documentation, 75(5), 954–976. https://doi.org/10.1108/JD-07-2018-0114

Mass-media și promovarea științei – De la „Universitatea Radio” la televiziune și mediul online video

postat în: Media 0

Conf. Univ. Dr. Dona Tudor

Rezumat

Studiul analizează evoluția relației dintre mass-media și promovarea științei, cu accent pe spațiul românesc și cu repere comparative europene. Ipoteza de lucru este că fiecare mare mediu de comunicare – radioul, televiziunea și, în prezent, mediul online video – nu doar mărește aria de difuzare a cunoașterii, ci îi modifică forma publică, ritmul, autoritatea și raportul cu audiența. „Universitatea Radio”, inaugurată în 1930, este tratată drept un reper timpuriu al democratizării accesului la cunoaștere în România; „Teleenciclopedia” ilustrează etapa în care imaginea devine instrument de explicație; iar platformele video și transmisiunile online marchează trecerea de la modelul unidirecțional la unul interactiv, fragmentat și algoritmizat. Sunt discutate exemple din România, Franța, Germania, Marea Britanie și Italia, precum și practicile actuale ale unor instituții științifice europene. Studiul evidențiază avantajele noilor medii – acces, viteză, vizualizare și dialog – dar și riscurile de simplificare, senzaționalizare, dezinformare și confuzie între vizibilitate și validitate științifică. Concluzia susține necesitatea unei alianțe profesionale între cercetător, jurnalist și instituția media, bazată pe rigoare, transparență și capacitatea de a traduce fără a falsifica.

Cuvinte-cheie: mass-media; comunicarea științei; radio; televiziune; online video.

Abstract

This study examines the evolution of the relationship between mass media and the promotion of science, focusing on Romania while using selected European comparisons. Its working hypothesis is that each major communication medium – radio, television and, today, online video – does more than extend the reach of scientific knowledge: it also reshapes its public form, pace, authority and relationship with audiences. Romania’s “Radio University”, launched in 1930, is approached as an early landmark in the democratisation of access to knowledge; “Teleenciclopedia” illustrates the stage in which the moving image becomes an explanatory instrument; and video platforms and live online broadcasting mark the transition from one-way transmission to an interactive, fragmented and algorithmically mediated environment. Examples from Romania, France, Germany, the United Kingdom and Italy are discussed together with current practices of European scientific institutions. The analysis highlights the advantages of new media – access, speed, visualisation and dialogue – as well as the risks of oversimplification, sensationalism, misinformation and confusion between visibility and scientific validity. The study argues for a professional alliance between researchers, journalists and media institutions, based on rigor, transparency and the ability to translate scientific knowledge without distorting it.

Keywords: mass media; science communication; radio; television; online video.

Introducere. Știința are nevoie de limbaj public

Știința produce cunoaștere, dar cunoașterea nu devine automat bun public. Între laborator, institut, universitate și societate există o zonă de traducere, selecție și interpretare în care mass-media a avut, de mai bine de un secol, un rol decisiv. În această zonă se întâlnesc două culturi profesionale diferite. Cercetarea lucrează cu ipoteze, incertitudini, validare și timp lung; jurnalismul lucrează cu actualitate, relevanță publică, claritate și timp scurt. Tensiunea dintre ele nu trebuie eliminată, ci administrată. Tocmai din această tensiune poate rezulta o comunicare științifică utilă societății.

Literatura de specialitate contemporană nu mai privește comunicarea științei ca pe o simplă „coborâre” a adevărului expert către un public presupus ignorant. Doi dintre autorii utilizați aici sunt citați nu pentru notorietatea numelui, ci pentru competența lor directă în domeniu. Massimiano Bucchi este sociolog italian, profesor de Știință, Tehnologie și Societate la Universitatea din Trento, unde conduce programul internațional de master Communication of Science and Innovation – SCICOMM; cercetările sale privesc tocmai raporturile dintre știință, societate și mass-media. Brian Trench este cercetător irlandez și fost jurnalist de știință, profesor asociat mult timp Școlii de Comunicare de la Dublin City University, unde a contribuit la dezvoltarea formării universitare în comunicarea științei și la consolidarea rețelei internaționale Public Communication of Science and Technology – PCST. Împreună au coordonat una dintre lucrările de referință ale domeniului, Routledge Handbook of Public Communication of Science and Technology. Relevanța lor pentru studiul de față rezultă, așadar, dintr-o experiență dublă: cercetarea academică a comunicării științifice și analiza felului în care știința ajunge efectiv la public. Ei propun imaginea mai largă a unei „conversații sociale în jurul științei”, în care cercetători, jurnaliști, instituții, cetățeni și platforme participă la definirea sensului public al cercetării.[1] O asemenea perspectivă este importantă pentru mass-media deoarece mută accentul de la transmiterea unei informații la relația de încredere, la context și la capacitatea publicului de a evalua dovezi și surse.

În același timp, nu trebuie confundate două procese apropiate, dar diferite: comunicarea și diseminarea. Ghidul Horizon Europe pentru social media distinge comunicarea, orientată către proiect, proces și publicuri multiple, de diseminare, orientată în principal către rezultatele cercetării și către cei care le pot utiliza.[2] Pentru jurnalism, diferența este esențială. Publicul nu are nevoie numai de rezultatul final, ci și de explicația metodei, de limite, de conflictul de ipoteze, de relevanța socială și, uneori, de motivul pentru care un rezultat se schimbă.

Studiul de față urmărește trei etape tehnologice și culturale: radioul, televiziunea și mediul online video. Alegerea nu este una pur tehnică. Fiecare mediu a schimbat condițiile de acces la știință. Radioul a redus distanța geografică și a transformat vocea profesorului într-o prezență domestică. Televiziunea a adăugat imaginea, demonstrația și spectaculozitatea vizuală. Mediul online video a eliminat, în mare măsură, ora fixă și granița națională, dar a introdus algoritmul, competiția pentru atenție și participarea instantanee a publicului.

Repere conceptuale și metodologice

Analiza este una istorico-comparativă și calitativă. Sunt urmărite instituții și formate care au avut funcție educativă sau de popularizare a științei, nu doar programe explicit etichetate drept „științifice”. Criteriile de selecție sunt: continuitatea sau impactul public, relația cu instituții de cunoaștere, folosirea specifică a mediului tehnologic și capacitatea de a transforma un conținut specializat într-o formă accesibilă publicului larg. Exemplele românești au prioritate, iar comparațiile europene au rol de contextualizare.

Ca instrument analitic, studiul folosește patru întrebări: cine vorbește despre știință; prin ce mediu; în ce formă este tradusă informația; ce posibilitate are publicul de a verifica, contesta sau continua mesajul? Aceste întrebări permit observarea unei mutații de fond: de la autoritatea relativ stabilă a instituției de radio și televiziune la ecosistemul actual, în care instituții, jurnaliști, cercetători și creatori independenți concurează pentru atenție pe aceleași platforme.

Raportul Academiilor Naționale din Statele Unite privind comunicarea eficientă a științei sublinia încă din 2017 că publicul nu mai primește informația dintr-un număr redus de rețele de radio, televiziune, reviste și ziare, ci dintr-o multitudine de operațiuni media, bloguri, fluxuri sociale, podcasturi și canale YouTube.[3] În 2026, această observație este și mai evidentă: mediul de informare este simultan mai bogat, mai rapid și mai greu de ierarhizat.

Capitolul I. Trei vârste ale științei în mass-media

I.1. Radioul – microfonul devine catedră

Repere românești: „Universitatea Radio” – microfonul devenit catedră

În istoria românească a comunicării științei, un reper de prim ordin este „Universitatea Radio”. Cronologia oficială a Societății Române de Radiodifuziune consemnează inaugurarea la 3 martie 1930, prin prelegerea lui Dimitrie Gusti, „Menirea Radiofoniei Românești”.[4] Momentul este important nu doar pentru istoria radioului, ci și pentru istoria popularizării științei: la foarte puțin timp după instituționalizarea radiodifuziunii, noul mediu este gândit ca instrument de educație publică.

Concepția era ambițioasă. Programul organiza seri tematice dedicate științei, literaturii, științelor sociale, muzicii și artei, filosofiei și vieții religioase, istoriei, geografiei, educației și sănătății. Luni era rezervată „științei în general”. Radio România Actualități amintește că programul a adus la microfon personalități precum Grigore Antipa, Nicolae Iorga, Constantin Rădulescu-Motru, Tudor Vianu, Constantin C. Giurescu, Petre P. Panaitescu, Sextil Pușcariu, Mircea Eliade, Constantin Noica și Radu Vulpe.[5] Lista este relevantă prin diversitatea disciplinelor și prin faptul că radioul oferea acces direct la vocile elitelor intelectuale.

„Universitatea Radio” a rezolvat, cu mijloacele tehnice ale epocii, o problemă care revine astăzi în comunicarea digitală: cum ajunge expertiza la public fără ca acesta să fie obligat să intre în instituția care o produce? Radioul a creat o universitate fără ziduri și fără catalog. Ascultătorul nu trebuia să fie student, să locuiască într-un centru universitar sau să posede o bibliotecă. Era suficient să aibă acces la receptor. Din acest punct de vedere, radioul a funcționat ca o infrastructură de democratizare culturală.

Mai important, conferențiarul era obligat să-și adapteze discursul. Un text conceput pentru colegi de breaslă nu putea fi pur și simplu citit la microfon. Publicul era eterogen, iar explicația trebuia să aibă o logică orală: propoziții mai limpezi, exemple, ritm, recapitulare. Aici se găsește una dintre originile profesionale ale comunicării științei: specialistul învață că adevărul nu se micșorează atunci când este explicat, dar se poate deforma dacă simplificarea devine neglijentă.

Acest model a creat și o formă timpurie de arhivă cultural-științifică. Conferințele radiofonice au fost ulterior recuperate în volume și colecții, iar patrimoniul sonor al Radiodifuziunii a conservat voci și idei care altfel ar fi rămas limitate la auditorii restrânse. Promovarea științei apare astfel nu doar ca difuzare în timp real, ci și ca producere de memorie publică.

Repere europene: Radio Sorbonne și Funkkolleg

Comparația europeană confirmă că radioul a fost perceput ca extensie a universității. În Franța, Radio Sorbonne începe la 1 decembrie 1947 un program rezervat învățământului superior, iar în 1949 este creată Université Radiophonique Internationale.[6] Modelul francez este mai târziu decât experiența românească din 1930, dar ilustrează aceeași idee instituțională: cunoașterea poate părăsi sala de curs fără a-și pierde caracterul academic.

În Republica Federală Germania, Hessischer Rundfunk lansează la 5 mai 1966 „Funkkolleg”, realizat împreună cu Universitatea din Frankfurt și cu Ministerul Culturii din landul Hessa. Programul oferea cursuri radiofonice și certificate, fiind folosit inclusiv pentru perfecționarea profesorilor și pentru deschiderea accesului către studii universitare.[7] Spre deosebire de simpla emisiune de popularizare, Funkkolleg apropie radioul de educația formală și demonstrează că mass-media poate deveni infrastructură pedagogică.

România, Franța și Germania oferă, așadar, trei formule diferite ale aceleiași intuiții: radioul este un multiplicator al cunoașterii. Diferența față de prezent este controlul editorial. Emisia radiofonică era limitată, iar selecția conferențiarilor se făcea instituțional. Această filtrare putea exclude voci, dar oferea publicului un reper de autoritate. În mediul digital, bariera de intrare a dispărut; câștigul de pluralism este real, dar odată cu el dispare și o parte din filtrul de validare.

I.2. Televiziunea – știința capătă imagine

Dacă radioul a transformat vocea savantului într-o prezență publică, televiziunea a schimbat însăși gramatica explicației. Un fenomen putea fi arătat, nu doar descris. O structură microscopică putea fi desenată sau animată; un experiment putea fi filmat; un ecosistem putea fi urmărit în teren; un telescop, un reactor, o operație medicală sau un sit arheologic puteau deveni experiență vizuală. Imaginea a mărit puterea pedagogică a mass-media, dar a creat și tentația spectacolului.

Reper românesc: „Teleenciclopedia” – continuitatea unei instituții culturale

În România, „Teleenciclopedia” este unul dintre cele mai durabile exemple de educație prin televiziune. TVR consemnează debutul la 22 mai 1965 și faptul că emisiunea a împlinit 60 de ani în 2025. Formatul a abordat și abordează natură, tehnologie, sănătate, istorie, artă și alte domenii ale cunoașterii, beneficiind de-a lungul timpului de consultanți științifici și culturali.[8] Longevitatea sa arată că publicul poate accepta și căuta un conținut dens dacă acesta este construit cu rigoare și eleganță vizuală.

„Teleenciclopedia” a avut o funcție care depășește popularizarea unor fapte. A creat un ritual săptămânal al cunoașterii. Într-o epocă în care oferta de televiziune era redusă, programul organiza atenția publicului și legitima ideea că știința, natura, tehnologia și cultura generală au loc în prime time. Din perspectiva istoriei mass-media, aceasta este o diferență esențială față de prezent: conținutul educativ nu trebuia să lupte cu mii de alternative afișate simultan pe același ecran.

Televiziunea a introdus însă o responsabilitate suplimentară. O imagine convingătoare poate părea mai adevărată decât o explicație verbală, chiar când este scoasă din context. Montajul selectează, ritmul comprimă, grafica poate sugera certitudine acolo unde cercetarea exprimă probabilitate. De aceea, televiziunea științifică de calitate are nevoie de consultanță de specialitate, verificarea datelor și o delimitare clară între ilustrație și dovadă.

Repere europene: BBC/Open University și „Quark”

În Marea Britanie, parteneriatul dintre BBC și Open University a transformat televiziunea și radioul în componente ale educației universitare la distanță. Open University a început predarea în ianuarie 1971; primul program oficial de televiziune, „Open Forum”, a fost difuzat pe BBC2 la 3 ianuarie 1971, iar oferta inițială includea un curs fundamental de știință.[9] Ulterior, colaborarea a evoluat de la lecții televizate la coproducții destinate publicului larg, distribuite pe televiziune, radio și platforme digitale. Modelul arată trecerea de la „televiziunea ca sală de curs” la „televiziunea ca poartă către învățare”.

În Italia, „Quark”, creat și prezentat de Piero Angela, a debutat în 1981. Arhivele RAI indică emisiuni despre creier, îmbătrânire, adaptabilitate și cercetarea medicală încă din primul an, iar Piero Angela a explicat ulterior că a dorit un „rendez-vous” stabil cu știința, nu documentare difuzate întâmplător.[10] Forța acestui model stă în continuitate și în figura mediatorului: prezentatorul nu este doar cititor de text, ci garant al unei metode de explicare, punând întrebarea pe care publicul ar pune-o specialistului.

Prin aceste exemple se vede o schimbare majoră față de radio. La televiziune, jurnalistul sau prezentatorul devine adesea interfața vizibilă dintre expert și public. Încrederea se poate transfera de la instituția științifică la persoana care explică. Acest transfer este util atunci când mediatorul este riguros, dar devine fragil atunci când personalitatea prezentatorului ajunge să conteze mai mult decât sursa și metoda.

I.3. Online video – de la program la flux

A treia etapă schimbă nu doar suportul, ci și arhitectura circulației informației. În televiziunea clasică, redacția decidea grila, iar publicul se întâlnea cu programul la o oră fixă. În mediul online video, conținutul este permanent disponibil, poate fi căutat, decupat, comentat, redistribuit și recomandat algoritmic. Evenimentul transmis live devine apoi arhivă; o conferință de o oră poate genera clipuri de câteva minute; un fragment poate circula independent de contextul inițial.

Cercetările recente descriu mediul digital ca spațiu de extindere a comunicării științei dincolo de relația unidirecțională. Un reper folosit aici este Noriko Hara, profesoară de Information Science la Indiana University Bloomington, în Statele Unite, și cercetătoare în informatică socială, cu studii despre comunități online, schimb de cunoaștere și participarea publicului la știință prin tehnologii digitale. Articolul său din 2026 este relevant tocmai pentru că analizează participarea publicului la știință în medii tehnologice și explică felul în care platformele pot transforma publicul din simplu receptor în participant la dialog și, uneori, la producerea cunoașterii.[11] Platforme precum YouTube, Instagram, Reddit sau TikTok permit atât transmiterea, cât și răspunsul publicului, iar oamenii pot interacționa direct cu cercetători și instituții fără bariere de timp sau spațiu. Un al doilea reper este studiul semnat de Olivia Fischer, afiliată Universității din Zürich, Loris T. Jeitziner, afiliat University of Applied Sciences and Arts Northwestern Switzerland și Universității din Basel, și Dirk U. Wulff, cercetător la Max Planck Institute for Human Development din Berlin și afiliat Universității din Basel. Echipa combină psihologia și analiza datelor pentru a examina empiric reacția publicului la conținut științific video. Studiul lor asupra TED Talks distribuite pe YouTube este important pentru tema noastră deoarece măsoară relația dintre componenta afectivă a prezentării și angajamentul publicului, arătând că forma emoțională și tonalitatea pot influența vizibilitatea și reacția audienței.[12] Pentru știință, aceasta este simultan o oportunitate și o avertizare: accesibilitatea crește, dar competiția pentru atenție favorizează formele cu impact emoțional.

Instituțiile științifice devin propriile redacții video

O noutate importantă este faptul că instituțiile de cercetare nu mai depind exclusiv de presă pentru a ajunge la public. Agenția Spațială Europeană menține servicii video, transmisii și colecții de materiale științifice online, inclusiv ESA Web TV și arhive video tematice.[13] CERN își definește explicit activitatea de education and outreach ca parte a misiunii sale și folosește evenimente, webcasts, colecții video și colaborarea cu creatori pentru a explica cercetarea unui public foarte larg.[14] În acest model, instituția științifică devine simultan sursă, producător și distribuitor media.

Avantajul este evident: cercetătorul poate vorbi direct, integral și cu acces la propriile date. Riscul este la fel de clar: comunicarea instituțională poate selecta cu precădere reușitele și poate evita controversele, eșecurile sau incertitudinile. Jurnalismul științific rămâne necesar tocmai pentru că între promovarea instituțională și interesul public există uneori o diferență. Presa trebuie să verifice, să compare, să caute opinii independente și să întrebe nu doar „ce s-a descoperit?”, ci și „cât de solid este?”, „ce nu știm încă?” și „cine contestă?”.

Reper românesc: de la transmisia instituțională la creatorul independent

Și în România, instituțiile academice folosesc tot mai vizibil mediul video. Academia Română anunță și transmite în direct pe propriul canal YouTube conferințe publice; un exemplu recent este conferința „Dacia și lumea romană”, susținută la 24 septembrie 2026 și anunțată explicit ca transmisie live pe canalul Academiei.[15] Din punct de vedere al comunicării științei, gestul este mai important decât pare: conferința nu mai aparține exclusiv sălii. Ea capătă public național, diasporic și ulterior arhivistic.

În paralel s-a dezvoltat figura cercetătorului-comunicator independent. Fizicianul român Cristian Presură, cercetător format în fizică și cunoscut pentru activitatea sa de popularizare prin proiectul „Fizica Povestită”, producție video, podcast și intervenții publice, este un exemplu vizibil. Radio România Cultural a preluat și dezbătut explicit ideea folosirii cercetătorilor în popularizarea științei, pornind de la o prezentare a sa în cadrul FameLab.[16] Importanța acestui model constă în eliminarea unei verigi: cercetătorul nu mai așteaptă invitația unei redacții, ci își construiește propriul canal și propriul public.

Această autonomie schimbă și statutul jurnalistului. El nu mai este singurul traducător al științei, dar poate deveni verificator, curator și moderator al unui spațiu saturat de conținut. În mediul online, competența jurnalistică se mută parțial de la „a avea acces la sursă” la „a ordona sursele, a verifica contextul și a arăta publicului diferența dintre probă, opinie, ipoteză și reclamă”.

Capitolul II. Între cunoaștere și zgomot

II.1. De la public receptor la public participant

Multă vreme, comunicarea științifică a fost organizată pe presupunerea că publicului îi lipsește cunoașterea, iar soluția este furnizarea de informație. Acest model, util în anumite situații, este insuficient pentru teme în care valorile, experiențele, riscurile și interesele sociale sunt puternice. Oamenii nu evaluează informația numai după conținut, ci și după încrederea în sursă, identitate, experiență și context. Comunicarea eficientă cere, prin urmare, și ascultare.

Raportul National Academies subliniază că oamenii de știință au nu doar datoria de a vorbi despre activitatea lor, ci și de a asculta publicul, iar angajamentul în două sensuri poate clarifica ce probleme sunt considerate relevante de comunități.[17] În Europa, această orientare este vizibilă și în politica recentă. Comisia Europeană arăta în 2026 că încrederea în știință rămâne ridicată, dar nu poate fi considerată garantată, iar cetățenii se așteaptă ca oamenii de știință să petreacă mai mult timp explicându-și activitatea publicului.[18]

Pentru mass-media, trecerea la dialog nu înseamnă abandonarea standardelor profesionale și nici transformarea adevărului factual în vot de popularitate. Înseamnă includerea întrebărilor publicului, explicarea incertitudinii și recunoașterea diferenței dintre dezacord științific legitim și falsă controversă. Un jurnalist bun nu pune pe același plan o concluzie susținută de un corp masiv de dovezi și o afirmație izolată doar pentru a crea aparența de „echilibru”.

II.2. Câștiguri și riscuri: lumina și umbra popularizării

Primul câștig este accesul. Radioul a depășit distanța; televiziunea a depășit limitele explicației exclusiv verbale; online-ul depășește ora și frontiera. Al doilea câștig este vizualizarea. Grafica, animația, filmarea de laborator și imaginile satelitare pot face inteligibile fenomene inaccesibile simțurilor. Al treilea este viteza: rezultatele, conferințele și reacțiile experților pot ajunge la public în timp real. Al patrulea este arhivarea: conținutul poate fi revăzut, citat și integrat în educație.

Mai există însă un câștig mai greu de măsurat: constituirea culturii științifice. Promovarea științei nu înseamnă doar anunțarea unor descoperiri. Înseamnă formarea unei deprinderi publice de a întreba „care este dovada?”, „cine a verificat?”, „ce limitări are studiul?”, „este o corelație sau o cauzalitate?”, „rezultatul a fost reprodus?”. Mass-media poate contribui la această alfabetizare dacă prezintă nu doar concluzia spectaculoasă, ci și mecanismul prin care știința ajunge la concluzie.

În această logică, istoria „Universității Radio” capătă o actualitate surprinzătoare. Scopul ei nu era să transforme ascultătorul în specialist, ci să-l apropie de structura cunoașterii și de oamenii care o produc. Aceeași misiune poate fi recunoscută astăzi în transmisiunile academice, în documentarul științific și în canalul video al unui cercetător. Tehnologia se schimbă; nevoia de mediere inteligentă rămâne.

Riscurile: când vizibilitatea amenință rigoarea

Cel mai vizibil risc este simplificarea excesivă. Un rezultat cu multe condiții și limite poate deveni un titlu categoric. „Poate contribui” se transformă în „produce”; „asociat cu” devine „cauzează”; un studiu preliminar devine „descoperire revoluționară”. În televiziune și mai ales în video online, presiunea pentru claritate vizuală poate încuraja concluzia rapidă. Dar știința este adesea tocmai disciplina nuanței.

Al doilea risc este senzaționalizarea. Cercetarea medicală, inteligența artificială, clima, energia, spațiul și genetica sunt teme cu mare potențial emoțional. Titlul alarmist sau promisiunea miraculoasă poate crește audiența, dar erodează încrederea când realitatea nu confirmă mesajul. Studiile asupra comunicării științifice în social media arată că afectul poate influența puternic angajamentul publicului; tocmai de aceea emoția trebuie folosită responsabil, nu ca substitut pentru dovadă.[19]

Al treilea risc este dezinformarea. În mediul online, un material fals poate avea aceeași calitate vizuală ca unul corect. Un vorbitor fără competență poate adopta decorul, grafica și vocabularul expertului. Inteligența artificială generativă adaugă o problemă suplimentară: poate produce texte, voci, imagini și secvențe video plauzibile, reducând costul falsificării. Pentru public, devine esențială verificarea originii, a autorului, a instituției și a datelor invocate.

Al patrulea risc este algoritmizarea vizibilității. Platforma nu ordonează conținutul după valoarea epistemică, ci după criterii de relevanță, interes și probabilitate de interacțiune. Adevărul științific nu primește automat prioritate. O explicație corectă, lentă și prudentă poate pierde competiția cu o afirmație spectaculoasă și simplă. De aici apare o nouă obligație pentru comunicator: să păstreze rigoarea, dar să învețe limbajul mediului – ritm, imagine, structură narativă – fără a prelua logica distorsionantă a viralității.

II.3. Jurnalistul de știință – între dovadă și spectacol

În epoca în care cercetătorul poate vorbi direct publicului, s-ar putea crede că jurnalistul de știință devine inutil. Se întâmplă contrariul. Cu cât cresc sursele, cu atât crește nevoia de verificare și ordonare. Jurnalistul nu concurează cu cercetătorul pe competență disciplinară; rolul său este să pună rezultatul într-un context public: ce este nou, ce știm deja, cine finanțează cercetarea, ce metodă a fost folosită, ce spun alți specialiști, ce limite există și ce consecințe reale poate avea.

Pentru o practică responsabilă, pot fi formulate câteva reguli minimale. Sursa primară trebuie identificată înaintea comunicatului de presă. Titlul nu trebuie să depășească forța dovezii. Incertitudinea trebuie explicată, nu ascunsă. Conflictul de interese și finanțarea sunt informații relevante. Expertiza trebuie verificată pe domeniul exact al subiectului, nu pe prestigiul general al persoanei. Preprintul trebuie diferențiat de articolul evaluat de colegi. Corelația trebuie separată de cauzalitate. Iar imaginea – fie ea filmare, animație sau ilustrație generată – trebuie etichetată atunci când nu reprezintă direct fenomenul descris.

Jurnalismul științific are și o funcție democratică. Deciziile despre sănătate, energie, climă, securitate tehnologică, agricultură sau inteligență artificială au consecințe colective. Cetățeanul nu poate participa informat dacă rezultatele științifice sunt fie inaccesibile, fie deformate. În acest sens, promovarea științei nu este ornament cultural, ci infrastructură civică.

Capitolul III. România și Europa – cunoașterea fără frontiere

III.1. Trei medii, trei logici – o lectură comparativă

Mediu Forță principală Relația cu publicul Risc dominant Exemple
Radio Voce, explicație, acces la distanță Autoritate instituțională; ritm oral Lipsa imaginii; dependența de selecția redacțională „Universitatea Radio”; Radio Sorbonne; Funkkolleg
Televiziune Imagine, demonstrație, documentar Vizualizare și ritual de program Spectacularizare; compresia nuanțelor „Teleenciclopedia”; BBC/Open University; „Quark”
Online video Acces permanent, live, arhivă, interacțiune Participare, căutare, distribuție globală Algoritmi, fragmentare, dezinformare, confuzie între popularitate și validitate Academia Română online; ESA; CERN; creatori independenți

Tabelul arată că evoluția mediilor nu poate fi descrisă simplu ca progres liniar. Fiecare etapă rezolvă o limită și introduce o vulnerabilitate nouă. Radioul deschide accesul, dar păstrează o comunicare în principal unidirecțională. Televiziunea face vizibil ceea ce vocea nu poate arăta, dar poate confunda forța imaginii cu forța argumentului. Online-ul democratizează producția și răspunsul publicului, dar transferă o parte din selecție către algoritmi și către mecanisme comerciale ale atenției.

III.2. România – de la patrimoniu la strategie

România dispune de o tradiție autentică de mediatizare a cunoașterii. „Universitatea Radio” arată că ideea educației prin mass-media a fost formulată instituțional încă din perioada interbelică. „Teleenciclopedia” demonstrează că televiziunea poate construi continuitate culturală pe termen de decenii. Emisiuni și platforme contemporane precum „Știința 360”, transmisiunile video ale Academiei Române și activitatea unor cercetători-comunicatori arată că există public și resurse profesionale pentru o nouă etapă.[20]

Problema nu este absența exemplelor, ci lipsa unei strategii integrate. Promovarea științei românești ar putea fi gândită pe trei niveluri. Primul este instituțional: institutele, universitățile și academiile trebuie să producă materiale clare, verificabile și reutilizabile de presă. Al doilea este jurnalistic: redacțiile trebuie să păstreze sau să reconstruiască expertiza tematică și relația cu surse independente. Al treilea este educațional-digital: conținutul video de calitate trebuie adaptat platformelor fără a fi redus la simpla reclamă instituțională.

În această strategie, arhivele au un rol major. România deține patrimoniu radiofonic și televizat care poate fi recontextualizat online. O conferință a lui Dimitrie Gusti, un fragment dintr-o veche emisiune științifică, o explicație contemporană a unui cercetător și o animație modernă pot fi puse în dialog. Astfel, istoria științei nu mai este un capitol separat de comunicarea prezentului, ci devine resursă pentru alfabetizarea științifică.

Pentru publicul tânăr, forma este decisivă, dar nu suficientă. Video-ul scurt poate deschide poarta, însă nu poate înlocui explicația lungă. O strategie matură folosește formate în trepte: clipul atrage, materialul de câteva minute explică, interviul sau conferința aprofundează, iar sursa primară permite verificarea. În felul acesta, platforma nu devine capăt de drum, ci începutul unui traseu către cunoaștere.

Un program național de comunicare publică a științei ar trebui să creeze punți stabile între redacțiile serviciilor publice de radio și televiziune, Academia Română, universități, institute de cercetare și comunitatea comunicatorilor independenți. Nu este necesară uniformizarea mesajului, ci construirea unei rețele de acces la experți și la surse primare. În situații de criză – sănătate publică, dezastre, energie, securitate cibernetică – această infrastructură ar reduce timpul pierdut pentru identificarea competenței reale și ar limita spațiul ocupat de pseudoexpertiză.

O asemenea strategie trebuie să includă și formarea. Cercetătorul are nevoie de exercițiul explicației pentru public, iar jurnalistul are nevoie de alfabetizare metodologică: cum se citește un articol științific, ce înseamnă evaluarea inter pares, cum se interpretează un interval de încredere, ce diferență există între studiu observațional și experiment, ce este un preprint și ce înseamnă retragerea unei lucrări. În mediul video, ambii trebuie să înțeleagă și mecanismele imaginii: montajul, grafica, sursa ilustrației și riscul ca vizualul să sugereze mai multă certitudine decât există în date.

În sfârșit, succesul nu ar trebui evaluat exclusiv prin audiență. Numărul de vizualizări este un indicator de distribuție, nu de înțelegere. O comunicare științifică matură urmărește dacă publicul ajunge la surse, dacă poate distinge consensul de controversă, dacă revine la conținut și dacă dobândește instrumente de verificare. În acest sens, criteriul cel mai important nu este cât de repede circulă informația, ci cât de bine rezistă ea după ce a circulat.

III.3. Europa – aceeași misiune, alte modele

Comparațiile europene confirmă această evoluție: Radio Sorbonne și Funkkolleg au folosit radioul pentru extinderea educației; BBC și Open University au legat televiziunea de învățământul la distanță; RAI a făcut din popularizarea științei un format recognoscibil și durabil; ESA și CERN folosesc astăzi video-ul online pentru a transforma instituția de cercetare într-un actor media direct. În fiecare etapă, tehnologia a schimbat forma întâlnirii dintre știință și societate.

Concluzii

Istoria relației dintre mass-media și știință poate fi citită ca o istorie a apropierii. Radioul a apropiat vocea savantului de casa ascultătorului. Televiziunea a apropiat imaginea experimentului, a naturii și a tehnologiei de ochiul publicului. Mediul online video apropie instituția și cercetătorul de cetățean în timp real și îi oferă acestuia posibilitatea de a răspunde. Dar apropierea tehnică nu garantează înțelegerea.

Cazul românesc este relevant tocmai pentru continuitatea sa. „Universitatea Radio” din 1930 arată o intuiție timpurie: mass-media poate fi catedră fără a fi universitate în sens formal. „Teleenciclopedia” arată că imaginea poate susține un proiect educativ de foarte lungă durată. Mediul online demonstrează astăzi că aceeași misiune poate trece dincolo de grila de programe și de frontiera națională. România nu pornește, așadar, de la zero; are o genealogie a comunicării publice a cunoașterii care merită recuperată și actualizată.

Miza prezentului este însă mai grea decât cea a epocii radioului. Nu mai avem penurie de informație, ci exces. Nu mai avem o singură catedră la microfon, ci mii de ecrane care vorbesc simultan. În această abundență, criteriul central devine discernământul. Promovarea științei nu trebuie măsurată numai în audiențe, vizualizări sau distribuiri, ci în capacitatea de a lăsa publicului o întrebare mai bună, o sursă verificabilă și o înțelegere mai corectă a modului în care funcționează cunoașterea.

De aceea, alianța dintre cercetător, jurnalist și instituția media rămâne esențială. Cercetătorul aduce competența și contactul cu dovada. Jurnalistul aduce întrebarea, verificarea și contextul. Mediul aduce accesul și forma. Când una dintre aceste componente lipsește, comunicarea se dezechilibrează. Când funcționează împreună, mass-media nu doar „promovează” știința: contribuie la cultura științifică a societății.

 

Bibliografie

  1. Bibliografie clasică

Bucchi, Massimiano; Trench, Brian (eds.), Routledge Handbook of Public Communication of Science and Technology, 3rd ed., Routledge, 2021, 344 p.

Bucchi, Massimiano; Trench, Brian, Science Communication: The Basics, Routledge, 2025, 160 p.

Coman, Mihai, Introducere în sistemul mass-media, ed. a III-a revăzută și adăugită, Polirom, Iași, 2007, 360 p.

Fischer, Olivia; Jeitziner, Loris T.; Wulff, Dirk U., “Affect in science communication: a data-driven analysis of TED Talks on YouTube”, Humanities and Social Sciences Communications, 11, 80 (2024).

Hara, Noriko, “Theoretical framework for technology-mediated public engagement with science”, Humanities and Social Sciences Communications, 13 (2026).

National Academies of Sciences, Engineering, and Medicine, Communicating Science Effectively: A Research Agenda, National Academies Press, Washington, D.C., 2017, 152 p., DOI: 10.17226/23674.

Petcu, Marian, Istoria jurnalismului din România în date. Enciclopedie cronologică, Polirom, Iași, 2012, 1416 p.

Sava, Mircea, „Public Understanding of Science: Science PR and Popular Culture”, Revista Română de Jurnalism și Comunicare, vol. 6, nr. 1, 2011, pp. 5–13.

Sava, Mircea, Știință și comunicare. De la popularizare la comunicarea publică a științei, Editura Universității din București, București, 2016, 210 p.

Sălcudean, Minodora, „Jurnalism științific. Cum a schimbat pandemia de Covid-19 raportul dintre jurnalism și știință?”, Revista Transilvania, nr. 5/2022, pp. 12–20, DOI: 10.51391/trva.2022.05.03.

  1. Surse digitale

Academia Română, „Conferința Dacia și lumea romană”, 24 septembrie 2026, anunț și transmisie online, accesat la 4 octombrie 2026, 09:00.

CERN, „Inspire and educate” și resursele Education & Outreach, accesat la 4 octombrie 2026, 08:45.

European Commission, Directorate-General for Research and Innovation, „Initiating a European community of practice on trust in science”, 19 februarie 2026, accesat la 4 octombrie 2026, 09:35.

European Commission, EU Grants: Horizon Europe Social Media Guide, version 1.0, 1 October 2023.

European Space Agency, ESA Web TV / Science video collections, accesat la 4 octombrie 2026, 08:30.

Hessischer Rundfunk, „hr-Chronik 1960 bis 1969”, secțiunea Funkkolleg, accesat la 3 octombrie 2026, 09:00.

The Open University Digital Archive, „The OU Story: The first 10 years 1969–1979”, accesat la 3 octombrie 2026, 10:40.

RAI Teche, „Programmi TV per la salute 1975–1982”, secțiunea „Quark”; RadioCorriereTV, interviu cu Piero Angela, accesat la 3 octombrie 2026, 11:10.

Radio France, „La RDF ou Radiodiffusion Française”, secțiunea Radio Sorbonne, accesat la 3 octombrie 2026, 08:35.

Radio România Cultural, „Hai să ne folosim și de cercetători în popularizarea științei!”, 28 octombrie 2021, accesat la 4 octombrie 2026, 09:20.

Radio România Cultural, „Școala la microfon: Universitatea Radio – cea mai longevivă emisiune a radioului public”, accesat la 2 octombrie 2026, 19:05.

Societatea Română de Radiodifuziune / Arhiva Radio România, documente privind „Universitatea Radio” și prelegerea lui Dimitrie Gusti, accesat la 2 octombrie 2026, 18:40.

Televiziunea Română, „Teleenciclopedia”, TVR 1, istoric și prezentare, accesat la 3 octombrie 2026, 10:15.

Note

[1] Massimiano Bucchi și Brian Trench (eds.), Routledge Handbook of Public Communication of Science and Technology, ed. a III-a, Routledge, 2021. Bucchi este profesor la Universitatea din Trento, Italia, specialist în Știință, Tehnologie și Societate și director al masterului SCICOMM; Trench este cercetător irlandez și fost jurnalist de știință, fost cadru universitar la Dublin City University și una dintre figurile importante ale rețelei PCST. Accesat la 2 octombrie 2026, 18:20.

[2] European Commission, EU Grants: Horizon Europe Social Media Guide, v. 1.0, 1 octombrie 2023, secțiunea „Communicating vs disseminating”. Accesat la 2 octombrie 2026, 18:30.

[3] National Academies of Sciences, Engineering, and Medicine, Communicating Science Effectively: A Research Agenda, Washington, D.C., National Academies Press, 2017, cap. 4, DOI 10.17226/23674. Instituția reunește academiile naționale americane și produce rapoarte de sinteză bazate pe expertiză multidisciplinară.

[4] Societatea Română de Radiodifuziune / Arhiva Radio România, documente privind inaugurarea „Universității Radio” la 3 martie 1930 prin prelegerea lui Dimitrie Gusti „Menirea radiofoniei românești”. Accesat la 2 octombrie 2026, 18:40.

[5] Radio România Cultural, „Școala la microfon: Universitatea Radio – cea mai longevivă emisiune a radioului public”, material documentar privind programul și personalitățile invitate. Accesat la 2 octombrie 2026, 19:05.

[6] Radio France, „La RDF ou Radiodiffusion Française”: Radio Sorbonne începe la 1 decembrie 1947; Université Radiophonique Internationale este creată în 1949. Accesat la 3 octombrie 2026, 08:35.

[7] Hessischer Rundfunk, „hr-Chronik 1960 bis 1969”: 5 mai 1966 – debutul „Funkkolleg”, realizat împreună cu Universitatea din Frankfurt și Ministerul Culturii din Hessa. Accesat la 3 octombrie 2026, 09:00.

[8] Televiziunea Română, „Teleenciclopedia”, TVR 1: debut la 22 mai 1965; program cu teme de natură, tehnologie, sănătate, artă și alte domenii. Accesat la 3 octombrie 2026, 10:15.

[9] The Open University Digital Archive, „The OU Story: The first 10 years 1969–1979”: primul program oficial OU la BBC2, „Open Forum”, 3 ianuarie 1971; în același an funcționa și cursul fundamental de știință S100. Accesat la 3 octombrie 2026, 10:40.

[10] RAI Teche, „Programmi TV per la salute 1975–1982”, secțiunea „Quark viaggi nel mondo della scienza” (1981); RadioCorriereTV, interviu cu Piero Angela despre geneza formatului „Quark”. Accesat la 3 octombrie 2026, 11:10.

[11] Noriko Hara, „Theoretical framework for technology-mediated public engagement with science”, Humanities and Social Sciences Communications, vol. 13, art. 1091, 2026, DOI 10.1057/s41599-026-07466-8. Hara este profesoară de Information Science la Luddy School of Informatics, Computing & Engineering, Indiana University Bloomington, SUA; cercetarea ei privește informatica socială, comunitățile online, schimbul de cunoaștere și participarea publicului la știință în medii digitale. Accesat la 3 octombrie 2026, 16:20.

[12] Olivia Fischer, Loris T. Jeitziner și Dirk U. Wulff, „Affect in science communication: a data-driven analysis of TED Talks on YouTube”, Humanities and Social Sciences Communications, 11, art. 80, 2024, DOI 10.1057/s41599-023-02247-z. Afiliările declarate de articol: University of Zurich, Elveția (Fischer); University of Applied Sciences and Arts Northwestern Switzerland și University of Basel, Elveția (Jeitziner); University of Basel și Max Planck Institute for Human Development, Berlin, Germania (Wulff). Accesat la 3 octombrie 2026, 16:45.

[13] European Space Agency, ESA Web TV și colecțiile video tematice „Science”. Accesat la 4 octombrie 2026, 08:30.

[14] CERN, „Inspire and educate”, resursele de Education & Outreach și materialele publice de comunicare. Accesat la 4 octombrie 2026, 08:45.

[15] Academia Română, „Conferința Dacia și lumea romană”, 24 septembrie 2026; anunțul precizează transmiterea în direct pe canalul YouTube al Academiei Române. Accesat la 4 octombrie 2026, 09:00.

[16] Radio România Cultural, „Știința 360 – Hai să ne folosim și de cercetători în popularizarea științei!”, 28 octombrie 2021, material care pornește de la prezentarea fizicianului Cristian Presură la FameLab. Accesat la 4 octombrie 2026, 09:20.

[17] National Academies of Sciences, Engineering, and Medicine, Communicating Science Effectively: A Research Agenda, 2017, cap. 3: accent pe comunicare și ascultare în relația dintre oamenii de știință și public.

[18] European Commission, Directorate-General for Research and Innovation, „Initiating a European community of practice on trust in science”, 19 februarie 2026. Materialul arată că încrederea în știință rămâne ridicată în Europa, dar nu poate fi considerată garantată, iar cetățenii așteaptă mai multă explicare publică din partea cercetătorilor. Accesat la 4 octombrie 2026, 09:35.

[19] Fischer, Jeitziner și Wulff, op. cit., 2024, privind relația dintre caracteristicile afective ale prezentării și angajamentul publicului în mediul YouTube.

[20] Radio România Cultural, „Știința 360”, arhiva emisiunii și prezentarea formatului. Pagina descrie emisiunea drept magazin tehnico-științific și îl include între colaboratori pe fizicianul Cristian Presură. Accesat la 4 octombrie 2026, 09:50.

1 2 3 4 5 … 47