Managementul în era AI și a reglementării tehnologiei

IT & C - Descarcă PDFFurduescu, Bogdan – Alexandru; Petcu, Ioana (2025), Managementul în era AI și a reglementării tehnologiei, IT & C, 5:1, 22-35, https://www.internetmobile.ro/managementul-in-era-ai-si-a-reglementarii-tehnologiei/

 

Management in the Era of AI and Technology Regulation

Abstract

The rapid spread of artificial intelligence (AI) in organizational decision-making, product development, and customer-centric services is transforming management practices and corporate strategy. Governments and international bodies have responded with a patchwork of regulatory frameworks, guidance, and executive actions designed to balance innovation with safety, rights protection, and market stability. This article reviews current and near-term regulatory developments (with a focus on major initiatives in the EU and the United States), examines how managers need to adapt governance, risk, and operations to an AI-driven environment, and highlights significant drawbacks, from algorithmic harm and oversight to concentration of power and regulatory fragmentation. It concludes with practical managerial recommendations and a selected bibliography for further reading.

Keywords: AI governance, risk management, EU AI law, organizational strategy; algorithmic harm

Rezumat

Răspândirea rapidă a inteligenței artificiale (AI) în procesul decizional organizațional, dezvoltarea de produse și serviciile centrate pe client transformă practicile de management și strategia corporativă. Guvernele și organismele internaționale au răspuns cu un mozaic de cadre de reglementare, îndrumări și acțiuni executive concepute pentru a echilibra inovația cu siguranța, protejarea drepturilor și stabilitatea pieței. Acest articol analizează evoluțiile actuale și pe termen scurt în materie de reglementare (cu accent pe inițiativele majore din UE și Statele Unite), examinează modul în care managerii trebuie să adapteze guvernanța, riscul și operațiunile la un mediu bazat pe AI și evidențiază dezavantajele semnificative, de la daunele și supravegherea algoritmică până la concentrarea puterii și fragmentarea reglementărilor. Se încheie cu recomandări manageriale practice și o bibliografie selectată pentru lecturi suplimentare.

Cuvinte cheie: guvernanța IA, managementul riscurilor, legislația UE privind IA, strategie organizațională, daune algoritmice 

 

IT & C, Volumul 5, Numărul 1, Martie 2026, pp. 22-35
ISSN 2821 – 8469, ISSN – L 2821 – 8469
URL: https://www.internetmobile.ro/managementul-in-era-ai-si-a-reglementarii-tehnologiei/
© 2026 Alexandru FURDUESCU, Ioana PETCU. Responsabilitatea conținutului, interpretărilor și opiniilor exprimate revine exclusiv autorilor.

 

Managementul în era AI și a reglementării tehnologiei

Dr. Mgt. Bogdan – Alexandru FURDUESCU[1], Dr. Ec. Ioana PETCU[2]
bogdan.furduescu@ici.ro, ioana.petcu@ici.ro

[1] Institutul Național de Cercetare– Dezvoltare în Informatică – ICI București.

[2] Institutul Național de Cercetare– Dezvoltare în Informatică – ICI București.

 

Introducere

Sistemele de inteligență artificială – în special modelele generative și sistemele avansate de asistență decizională – remodelează modul în care organizațiile creează valoare, gestionează oamenii și interacționează cu clienții. Aceleași capabilități care stimulează creșterea productivității introduc și riscuri noi, uneori opace: prejudecăți și discriminare, erori sistemice, încălcări ale confidențialității și noi moduri de supraveghere și control. În paralel, factorii de decizie politică se mișcă rapid: Uniunea Europeană a adoptat o lege cuprinzătoare privind inteligența artificială; Statele Unite au ordine executive avansate și îndrumări privind riscurile; iar organizațiile internaționale precum OCDE au actualizat principiile pentru o AI de încredere. Prin urmare, managerii trebuie să opereze la intersecția dintre tehnologie, drept și etică — regândind strategia, conformitatea și designul organizațional în moduri care să fie robuste atât la constrângerile actuale, cât și la schimbările viitoare.

1. Peisajul de reglementare: evoluții și traiectorii actuale

Peisajul de reglementare din jurul inteligenței artificiale este încă tânăr, puțin dezordonat și foarte revelator despre modul în care societățile gândesc despre putere.

Reglementarea se îndepărtează în prezent de vechea idee de „neutralitate tehnologică” către o guvernanță bazată pe risc. Intuiția predominantă este simplă: nu toate sistemele de AI sunt create egale. Un sistem de recomandare muzicală nu este un sistem de poliție predictivă, iar a susține contrariul creează daune. Uniunea Europeană a cristalizat această logică cel mai clar, propunând obligații pe niveluri bazate pe risc, cu controale stricte pentru sistemele care ating drepturile fundamentale și o supraveghere mai ușoară pentru aplicațiile cu risc scăzut. Alte regiuni reflectă această abordare în forme mai puțin stricte, combinând ghiduri, principii etice și reguli specifice sectorului, mai degrabă decât legi cuprinzătoare.

O a doua tendință vizibilă este trecerea de la etica abstractă la responsabilitatea aplicabilă. Cadrele etice timpurii ale AI erau bogate în valori, dar sărace în consecințe. Eforturile actuale de reglementare necesită din ce în ce mai mult documentație, auditabilitate, supraveghere umană și trasabilitate pe tot parcursul ciclului de viață al AI. Aceasta semnalează o schimbare culturală: responsabilitatea este redistribuită de la utilizatorii finali înapoi la dezvoltatori, implementatori și instituții care beneficiază de automatizare.

Privind în perspectivă, traiectoriile indică spre ecosisteme de reglementare, mai degrabă decât spre legi unice. Legislația formală va fi completată de standarde tehnice, scheme de certificare, evaluări ale impactului și coordonare internațională. Reglementarea AI devine mai puțin despre înăbușirea inovației și mai mult despre direcționarea acesteia – integrarea drepturilor omului, a transparenței și a rezilienței societale în arhitectura sistemelor inteligente.

Pe scurt, reglementarea nu mai pune întrebarea dacă AI ar trebui să existe. Ci întreabă în ce condiții inteligența – artificială sau de altă natură – merită încredere publică.

1.1. Europa: un model de reglementare cuprinzător, bazat pe risc

Europa s-a poziționat ca un laborator pentru o abordare cuprinzătoare, bazată pe riscuri, a reglementării AI, iar această alegere spune la fel de multe despre cultura politică europeană, pe cât spune despre tehnologie.

În centrul modelului european se află o distincție simplă, dar puternică: sistemele AI sunt reglementate nu prin ceea ce sunt, ci prin ceea ce fac și riscurile pe care le creează. Aplicațiile care amenință drepturile fundamentale, procesele democratice sau siguranța personală – cum ar fi supravegherea biometrică în masă sau scorul social – sunt tratate ca inacceptabile sau strict restricționate. Sistemele utilizate în domenii sensibile, cum ar fi asistența medicală, ocuparea forței de muncă, creditul sau aplicarea legii, se confruntă cu obligații stricte privind transparența, supravegherea umană, calitatea datelor și responsabilitatea. Utilizările cu risc scăzut și cele cu scop general sunt în mare parte lăsate libere, semnalând că inovația nu este inamicul – puterea necontrolată este.

Ceea ce face ca abordarea europeană să fie distinctă este ambiția sa sistemică. În loc să se bazeze pe coduri de etică voluntare sau pe reguli sectoriale fragmentate, Europa construiește un cadru juridic unificat care integrează guvernanța AI cu pilonii existenți, cum ar fi protecția datelor, drepturile consumatorilor și dreptul concurenței. Scopul este coerența: AI nu ar trebui să devină o lacună care slăbește protecțiile deja obținute în era digitală.

Privind în perspectivă, modelul european va influența probabil standardele globale, nu pentru că este cel mai rapid sau cel mai permisiv, ci pentru că tratează AI ca pe o infrastructură socială, mai degrabă decât ca pe un simplu produs. Din această perspectivă, încrederea nu este generată doar de inteligența tehnică, ci de limite impuse – concepute pentru a se asigura că AI rămâne un instrument în cadrul autorității umane, nu un substitut pentru aceasta.

1.2. Statele Unite ale Americii: guvernanță prin îndrumare și acțiune executivă

SUA au ales o cale semnificativ diferită, favorizând guvernarea prin îndrumare și acțiune executivă, mai degrabă decât prin reglementări statutare cuprinzătoare. Această abordare reflectă o preferință americană de lungă durată pentru o politică ce pune inovația pe primul loc și scepticismul față de legile tehnologice generale și centralizate.

În loc de o singură lege unificată privind AI, peisajul american este modelat de ordine executive, linii directoare ale agențiilor și reguli specifice sectorului. Agențiile federale, cum ar fi Institutul Național de Standarde și Tehnologie (NIST), joacă un rol central prin emiterea de cadre, în special cadrul de gestionare a riscurilor în domeniul AI, care sunt riguroase din punct de vedere tehnic, dar în mare parte voluntare. Aceste instrumente își propun să modeleze cele mai bune practici, mai degrabă decât să impună constrângeri legale stricte, bazându-se pe stimulente de piață, presiunea reputațională și legile existente pentru a direcționa comportamentul.

Acțiunea executivă a devenit principala pârghie pentru coordonare. Directivele prezidențiale stabilesc priorități pentru siguranță, securitate națională, drepturi civile și utilizarea AI de către guvern, instruind în același timp agențiile să integreze supravegherea AI în mandatele lor. Acest lucru permite un răspuns rapid la schimbările tehnologice, dar creează și fragmentare și incertitudine, deoarece politicile se pot schimba odată cu administrațiile și le lipsesc permanența legislației.

În esență, modelul american tratează guvernanța AI ca pe un proces adaptiv, mai degrabă decât ca pe o structură juridică fixă. Punctele sale forte rezidă în flexibilitate și viteză; punctele slabe sunt protecția inegală și aplicabilitatea limitată. Pariul de bază este că inovația, ghidată mai degrabă decât constrânsă, se va autocorecta mai repede decât poate ține pasul legea, un pariu al cărui rezultat va modela nu doar tehnologia americană, ci și normele globale din jurul inteligenței artificiale.

1.3. Norme internaționale și coordonare

La nivel internațional, guvernanța AI se desfășoară într-un spațiu în care tehnologia se mișcă mai repede decât suveranitatea. Niciun stat individual nu poate reglementa IA în mod izolat, însă nu există o autoritate globală cu puterea de a impune reguli obligatorii. Ceea ce apare în schimb este o rețea de norme, principii și eforturi de coordonare imperfecte, dar din ce în ce mai influente.

Organizațiile internaționale precum OCDE, UNESCO și Națiunile Unite s-au concentrat pe stabilirea normelor, mai degrabă decât pe aplicarea lor. Cadrele lor pun accent pe valori comune: drepturile omului, transparența, responsabilitatea, incluziunea și sustenabilitatea. Aceste instrumente funcționează ca puncte de referință morale și politice, modelând politicile naționale și comportamentul corporativ chiar și atunci când le lipsește forța juridică. În acest sens, normele călătoresc acolo unde legile nu pot.

O a doua dinamică este coordonarea tehnică și bazată pe standarde. Organisme precum ISO și IEEE lucrează la interoperabilitate, repere de siguranță și standarde de guvernanță care armonizează discret practicile transfrontaliere. Aceste standarde devin adesea reguli de facto, încorporate în cerințele de achiziții și schemele de certificare, influențând modul în care sistemele de AI sunt construite la nivel mondial.

Privind în perspectivă, coordonarea internațională va rămâne probabil fragmentată, dar cumulativă. În loc de un tratat global unic privind AI, asistăm la o aliniere stratificată, categorii comune de risc, definiții convergente și recunoaștere reciprocă a garanțiilor. Provocarea este geopolitică: cooperarea trebuie să persiste în mijlocul competiției strategice. Promisiunea este la fel de mare. Fără coordonare, AI devine o cursă; odată cu ea, AI poate deveni un proiect uman comun, mai degrabă decât o competiție de putere cu sumă nulă.

2. Implicații manageriale: ce trebuie să schimbe liderii?

Pentru lideri, ascensiunea AI este mai puțin o modernizare tehnică și mai mult o reorientare managerială. Ceea ce trebuie schimbat în primul rând este mentalitatea. AI nu poate fi tratată ca un instrument de eficiență plug-and-play; este un sistem decizional care redistribuie puterea, responsabilitatea și riscul în întreaga organizație.

Managerii trebuie să treacă de la supravegherea bazată pe intuiție la leadership-ul bazat pe dovezi. Aceasta înseamnă înțelegerea, cel puțin conceptuală, a modului în care sunt antrenate sistemele de AI, unde se află limitele lor și cum se propagă erorile. Delegarea „chestiunilor legate de AI” în întregime echipelor tehnice nu mai este viabilă atunci când deciziile algoritmice afectează angajarea, stabilirea prețurilor, siguranța sau reputația. Alfabetizarea, nu abilitățile de codare, devine noua bază executivă.

Structurile organizaționale au nevoie și ele de ajustări. AI introduce riscuri interfuncționale care nu se încadrează perfect în departamentele IT, juridic sau de resurse umane. Liderii trebuie să permită responsabilitatea comună, aducând în dialog continuu specialiști în tehnologie, etică, ofițeri de conformitate și experți în domeniu. Guvernanța devine un proces continuu, nu o aprobare unică.

În cele din urmă, leadership-ul trebuie să-și revendice dimensiunea umană. Pe măsură ce automatizarea se extinde, sensul, încrederea și judecata devin resurse rare. Liderii eficienți vor folosi AI pentru a amplifica punctele forte umane – creativitatea, empatia, raționamentul moral – în loc să le externalizeze. În era AI, un management bun se rezumă mai puțin la controlul sistemelor și mai mult la proiectarea condițiilor în care oamenii și mașinile pot lucra împreună fără a pierde din vedere rațiunea de a exista a organizației.

2.1. Guvernanță, responsabilitate și consiliul de administrație

AI a urcat discret pe scara organizațională și se află acum, implicit, în sala de consiliu. Acest lucru schimbă ceea ce înseamnă guvernanța și responsabilitatea la cel mai înalt nivel decizional.

Consiliile de administrație nu mai pot trata AI ca pe un activ tehnic delegat în jos. Sistemele algoritmice modelează strategia, expunerea la risc, conformitatea și încrederea publică, preocupări clasice la nivel de consiliu. Drept urmare, guvernanța trece de la întrebarea dacă AI îmbunătățește eficiența la întrebarea cum schimbă responsabilitatea. Atunci când deciziile sunt automatizate sau asistate de AI, responsabilitatea nu dispare; este concentrată. Consiliile de administrație trebuie să se asigure că există linii clare de responsabilitate pentru rezultatele AI, inclusiv eșecuri, prejudecăți și consecințe neintenționate.

Responsabilitatea necesită, de asemenea, vizibilitate. Membrii consiliului de administrație nu trebuie să înțeleagă arhitecturile modelelor, dar ar trebui să insiste asupra transparenței: ce date sunt utilizate, unde este implementat sistemul, ce riscuri au fost identificate și cum sunt monitorizate aceste riscuri în timp. Riscul AI ar trebui să fie alături de riscul financiar, juridic și reputațional în ciclurile de raportare regulate, nu ca o informare tehnică ocazională.

În cele din urmă, sala de consiliu devine locul în care valorile sunt operaționalizate. Deciziile privind viteza versus prudența, inovația versus restricția, automatizarea versus judecata umană sunt alegeri de guvernanță, nu detalii inginerești. În acest sens, guvernanța eficientă a inteligenței artificiale este un test al maturității instituționale: dacă conducerea poate integra tehnologii puternice în strategie fără a abandona responsabilitatea etică sau supravegherea umană.

2.2. Managementul riscurilor și controalele ciclului de viață

AI schimbă forma riscului: acesta nu mai este episodic sau static, ci continuu și în evoluție. Prin urmare, managementul riscului trebuie să se extindă pe întregul ciclu de viață al AI, de la proiectare la implementare și utilizare pe termen lung.

Controalele tradiționale se concentrează pe verificările pre-lansare: testare, validare, aprobare. Cu AI, acest lucru este necesar, dar nu suficient. Modelele învață, se mișcă și interacționează cu medii în schimbare. Distribuțiile datelor se schimbă, comportamentul utilizatorilor se adaptează și apar bucle de feedback. Prin urmare, managementul eficient al riscului devine un proces viu, combinând monitorizarea tehnică cu supravegherea organizațională. Performanța, părtinirea, securitatea și conformitatea trebuie reevaluate nu o dată, ci în mod repetat.

Controalele ciclului de viață necesită, de asemenea, disciplină în etapele incipiente. Alegerile privind sursele de date, practicile de etichetare și obiectivele de optimizare codifică în tăcere riscurile viitoare. Mecanismele de guvernanță – cum ar fi evaluările de impact, cerințele de documentație și garanțiile „human-in-the-loop” – acționează ca sisteme de avertizare timpurie, făcând presupunerile vizibile înainte ca acestea să se solidifice în fapte operaționale.

La un nivel mai profund, gândirea pe ciclul de viață reformula responsabilitatea. Riscul nu este ceva ce poate fi „transmis” de la dezvoltatori la utilizatori sau de la furnizori la clienți. Este partajat, cumulativ și temporal. Organizațiile care tratează riscul AI ca pe un obstacol unic vor fi surprinse de comportamentul său; cele care îl gestionează ca pe o relație continuă sunt mult mai predispuse să păstreze controlul asupra sistemelor care învață, se adaptează și uneori se comportă greșit.

2.3. Talent, procese și design organizațional

Inteligența artificială remodelează discret organizațiile cu mult înainte ca acestea să apară în organigramă. Provocarea nu constă doar în găsirea talentelor potrivite, ci și în reproiectarea modului în care interacționează oamenii, procesele și autoritatea.

Când vine vorba de talente, deficitul nu mai este doar tehnic. Organizațiile au nevoie de profiluri hibride, de persoane care pot face tranziția între știința datelor, expertiza în domeniu, etică și strategie. La fel de importantă este perfecționarea personalului existent. Atunci când AI este percepută ca fiind „deținută de specialiști”, aceasta creează dependență și puncte moarte. Atunci când este înțeleasă pe scară largă, devine guvernabilă.

Procesele trebuie să evolueze de la liniare la iterative și bazate pe feedback. Sistemele de AI se îmbunătățesc – sau se degradează – în timp, ceea ce înseamnă că fluxurile de lucru trebuie să permită testarea, monitorizarea, recalibrarea și escaladarea. Lanțurile statice de aprobare dau loc unor bucle continue de revizuire, unde judecata umană poate interveni atunci când modelele se comportă neașteptat sau contextul se schimbă.

Designul organizațional este locul unde multe eforturi eșuează discret. AI intervine în mai multe funcții, dar majoritatea organizațiilor rămân izolate. Designul eficient introduce o responsabilitate clară, nu compartimente izolate: o responsabilitate definită pentru sistemele de inteligență artificială, asociată cu consilii interfuncționale sau grupuri de conducere care descoperă din timp riscurile și compromisurile. Autoritatea devine distribuită, dar coordonată.

În cele din urmă, organizațiile care prosperă în era inteligenței artificiale nu sunt cele mai automatizate, ci cele mai adaptive. Ele proiectează pentru a învăța alături de mașinile lor, fără a confunda capacitatea tehnică cu înțelepciunea organizațională.

2.4. Achiziții și managementul furnizorilor

Achizițiile de AI nu mai sunt o simplă tranzacție; sunt un angajament strategic și etic. Organizațiile nu pot trata furnizorii de AI doar ca simpli furnizori de software; ei sunt parteneri ale căror sisteme au impact asupra riscului, conformității și încrederii publice.

Achizițiile eficiente încep cu diligența necesară. Liderii trebuie să înțeleagă nu doar funcționalitatea și performanța, ci și modul în care modelele sunt instruite, testate și monitorizate. Problemele legate de părtinire, proveniența datelor, securitatea și suportul pe durata ciclului de viață sunt centrale, nu periferice. Contractele au nevoie din ce în ce mai mult de prevederi explicite privind transparența, drepturile de audit și remedierea în caz de defecțiuni sau daune neintenționate.

Managementul furnizorilor evoluează într-o relație continuă. Sistemele de AI sunt dinamice: actualizările, recalificarea sau integrarea cu alte platforme pot introduce noi riscuri. Organizațiile trebuie să mențină o supraveghere continuă, inclusiv monitorizarea performanței, revizuirile de conformitate și alinierea cu standardele interne de guvernanță și etică.

În practică, achizițiile și managementul furnizorilor devin mecanisme pentru integrarea practicilor responsabile de AI în ecosistem. Alegerea furnizorului potrivit nu este doar o decizie tehnică, este un angajament de a menține încrederea, responsabilitatea și reziliența organizațională într-o eră în care AI modelează atât operațiunile interne, cât și reputația externă.

3. Aspecte negative și riscuri cu care trebuie să se confrunte managerii

Managerii care intră în era AI se confruntă cu un nou peisaj de riscuri – tehnice, etice și strategice – care nu pot fi ignorate. Spre deosebire de pericolele operaționale tradiționale, AI introduce provocări dinamice, opace și uneori sistemice.

Unul dintre cele mai imediate riscuri este părtinirea algoritmică. Deciziile care afectează angajarea, creditarea, asistența medicală sau tratamentul clienților pot codifica în mod neintenționat discriminarea, expunând organizațiile la consecințe reputaționale, juridice și etice. În mod similar, erorile de model sau comportamentele neașteptate – de la predicții eronate la defecțiuni catastrofale ale sistemului – se pot propaga rapid, în special în domenii cu miză mare.

Securitatea și confidențialitatea datelor sunt o altă preocupare critică. Sistemele AI depind de seturi mari de date, care conțin adesea informații personale sensibile. Încălcările, utilizarea necorespunzătoare sau nerespectarea reglementărilor precum GDPR pot duce la sancțiuni financiare și reputaționale severe.

Managerii trebuie să abordeze, de asemenea, riscurile strategice și organizaționale. Dependența excesivă de AI poate eroda judecata umană, poate reduce implicarea forței de muncă sau poate genera rezistență din partea angajaților precauți în ceea ce privește automatizarea. Ritmul schimbărilor tehnologice poate depăși cadrele de guvernanță existente, lăsând liderii vulnerabili la lacune de reglementare sau critici publice.

În cele din urmă, există dimensiunea reputațională și societală. Deciziile slabe legate de inteligența artificială – cum ar fi moderarea conținutului controversat sau luarea deciziilor opace în interacțiunile cu clienții – pot provoca reacții negative ale publicului și pot eroda încrederea părților interesate.

Pe scurt, inteligența artificială amplifică atât oportunitățile, cât și riscurile. Managerii trebuie să abordeze aceste dezavantaje în mod proactiv, integrând supravegherea continuă, reflecția etică și colaborarea interfuncțională în procesul decizional pentru a se asigura că inteligența artificială servește obiectivelor organizaționale fără a compromite valorile umane.

3.1. Daune algoritmice: prejudecăți, discriminare și erori opace

Daunele algoritmice apar atunci când sistemele de inteligență artificială produc rezultate nedrepte, discriminatorii sau imprevizibile. Părtinirea poate apărea din date de antrenament distorsionate, seturi de date incomplete sau presupuneri eronate, ceea ce duce la un tratament inegal în angajare, creditare, asistență medicală sau alte domenii decizionale. Modelele opace – adesea numite „cutii negre” – îngreunează înțelegerea de către manageri sau utilizatori a modului în care se iau deciziile, complicând responsabilitatea și corectarea erorilor. Astfel de daune se pot propaga în cadrul organizațiilor și al societății, creând riscuri reputaționale, juridice și etice. Atenuarea necesită audit proactiv, măsuri de transparență și integrarea corectitudinii și explicabilității pe tot parcursul ciclului de viață al inteligenței artificiale.

3.2. Concentrarea puterii și dependența de furnizori

Concentrarea puterii și dependența de un furnizor reprezintă o preocupare tot mai mare în peisajul inteligenței artificiale. Un număr mic de companii mari de tehnologie domină platformele avansate de inteligență artificială, infrastructura cloud și dezvoltarea de modele. Organizațiile care se bazează în mare măsură pe acești furnizori riscă să devină dependente de sisteme proprietare, ceea ce poate limita flexibilitatea, crește costurile și crea vulnerabilități strategice. De asemenea, dependența de un furnizor restricționează interoperabilitatea și poate încetini inovația, deoarece trecerea la soluții alternative poate fi costisitoare sau complexă din punct de vedere tehnic. Gestionarea acestui risc necesită achiziții atente, diversificarea furnizorilor și garanții contractuale pentru a menține controlul asupra sistemelor critice de inteligență artificială.

3.3. Supravegherea, erodarea confidențialității și impactul asupra locului de muncă

Supravegherea, erodarea confidențialității și impactul asupra locului de muncă au devenit preocupări presante pe măsură ce instrumentele de monitorizare bazate pe inteligență artificială se răspândesc. Sistemele care urmăresc performanța, comportamentul sau comunicările angajaților pot îmbunătăți eficiența și responsabilitatea, dar riscă și să submineze încrederea, autonomia și moralul. Monitorizarea excesivă poate crea stres, poate reduce implicarea și poate ridica provocări etice sau juridice legate de confidențialitate. Managerii trebuie să echilibreze beneficiile operaționale cu respectul pentru drepturile individuale, implementând politici clare, transparență, mecanisme de consimțământ și limite privind colectarea datelor pentru a se asigura că inteligența artificială la locul de muncă sporește productivitatea fără a compromite demnitatea umană.

3.4. Riscuri sistemice și emergente, inclusiv dezinformare și deficiențe de siguranță

Riscurile sistemice și emergente apar din natura complexă și interconectată a sistemelor de inteligență artificială, unde erorile sau comportamentele neintenționate se pot propaga rapid și imprevizibil. Modelele generative, de exemplu, pot amplifica dezinformarea, pot manipula opinia publică sau pot produce conținut dăunător la scară largă. Sistemele autonome – de la roboți industriali la vehicule autonome – prezintă riscuri de siguranță care se pot propaga în cascadă prin organizații sau chiar în infrastructura publică. Spre deosebire de erorile izolate, aceste riscuri sunt dinamice și dependente de context, apărând adesea doar în implementări din lumea reală. Atenuarea lor necesită monitorizare continuă, planificare de scenarii, supraveghere umană și procese rezistente care pot detecta și răspunde la defecțiuni înainte ca acestea să escaladeze.

3.5. Fragmentarea reglementărilor și complexitatea conformității

Fragmentarea reglementărilor și complexitatea conformității reprezintă o provocare cheie pentru organizațiile care operează în era AI. Diferite țări și regiuni adoptă abordări foarte variate: Europa aplică reguli stricte, bazate pe risc; SUA se bazează pe îndrumări, standarde și măsuri de aplicare a legii; multe alte regiuni au o supraveghere minimă sau emergentă. Acest lucru creează un mozaic de obligații care poate fi dificil de gestionat, în special pentru organizațiile multinaționale. Conformitatea necesită monitorizarea continuă a evoluțiilor juridice, politici interne flexibile și coordonare între departamente pentru a se asigura că sistemele de AI îndeplinesc cerințe diverse, atenuând în același timp riscurile juridice, etice și operaționale.

4. Evoluții viitoare pe care managerii ar trebui să le anticipeze

Dezvoltările viitoare pe care managerii ar trebui să le anticipeze vor remodela fundamental strategia, operațiunile și designul organizațional. AI evoluează către sisteme mai autonome, contextuale și predictive, capabile să ia decizii complexe în timp real în medii dinamice. Managerii se vor confrunta cu o presiune tot mai mare pentru a integra colaborarea om-mașină în fluxurile de lucru, echilibrând automatizarea cu judecata umană și supravegherea etică.

Datele vor continua să crească exponențial, necesitând o guvernanță avansată a datelor, garanții de confidențialitate și monitorizare a ciclului de viață pentru a menține încrederea și conformitatea cu reglementările. AI generativă și adaptivă va transforma rolurile creative, analitice și operaționale, necesitând recalificare, fluxuri hibride de talente și fluență interfuncțională în etică, strategie și tehnologie.

Pe planul reglementărilor, standardele globale sunt susceptibile să conveargă treptat, dar fragmentarea și tensiunile geopolitice vor persista, făcând ca previziunea reglementărilor și cadrele flexibile de conformitate să fie esențiale. Managerii trebuie, de asemenea, să anticipeze riscurile sistemice, inclusiv eșecurile algoritmice, provocările de securitate emergente și impactul societal al dezinformării bazate pe AI, cultivând în același timp reziliență și structuri de guvernanță adaptive.

În esență, orizontul AI promite oportunități fără precedent, alături de o complexitate fără precedent, cerând managerilor să cultive viziunea strategică, discernământul etic și agilitatea operațională pentru a naviga într-o lume în care tehnologia și valorile umane sunt profund împletite.

5. Recomandări practice pentru manageri

Recomandările practice pentru managerii din era AI depășesc simpla adoptare a instrumentelor – ele necesită o reorientare strategică, etică și organizațională. În primul rând, managerii trebuie să cultive alfabetizarea AI în cadrul conducerii și al echipelor, asigurându-se că factorii de decizie înțeleg atât capacitățile, cât și limitele sistemelor AI, precum și implicațiile etice și de reglementare ale implementării acestora.

În al doilea rând, ar trebui să implementeze cadre de guvernanță robuste: să stabilească o responsabilitate clară pentru riscurile AI, să integreze supravegherea umană în ciclul de viață al AI și să integreze auditul și monitorizarea continuă pe tot parcursul ciclului de viață al AI. Luarea deciziilor trebuie să ia în considerare părtinirea, corectitudinea, siguranța și confidențialitatea în fiecare etapă.

În al treilea rând, designul și procesele organizaționale trebuie să evolueze. Colaborarea interfuncțională între tehnologi, eticieni, experți juridici și experți în domeniu este esențială pentru a anticipa riscurile emergente, a gestiona dependențele de furnizori și a menține agilitatea într-un peisaj tehnologic în rapidă schimbare.

În al patrulea rând, managerii ar trebui să acorde prioritate achizițiilor etice și managementului furnizorilor, selectând parteneri care oferă transparență, garanții de conformitate și asistență pe durata ciclului de viață, evitând în același timp blocarea strategică sau dependența excesivă de un singur furnizor.

În cele din urmă, cultivarea unei culturi a rezilienței și a învățării adaptive este esențială. Sistemele de inteligență artificială sunt dinamice, iar riscurile sunt în continuă evoluție. Organizațiile trebuie să anticipeze eșecurile, să integreze planificarea scenariilor și să promoveze bucle de feedback care să permită oamenilor și mașinilor să evolueze împreună și eficient. Pe scurt, succesul în era inteligenței artificiale necesită ca managerii să acționeze simultan ca strategi, eticieni și arhitecți ai unor organizații rezistente, centrate pe om.

Concluzii

Era AI marchează un punct de inflexiune profund în relația dintre tehnologie și societate. Inteligența artificială nu mai este un instrument periferic, este o forță omniprezentă care modelează deciziile, fluxurile de lucru și experiența umană în toate domeniile. Potențialul său transformator este extraordinar: îmbunătățirea asistenței medicale, avansarea descoperirilor științifice, sporirea creativității și permiterea unor eficiențe fără precedent. Cu toate acestea, aceste posibilități vin la pachet cu responsabilități profunde. Prejudecățile algoritmice, eșecurile sistemelor emergente, riscurile de supraveghere, concentrarea puterii și fragmentarea reglementărilor ilustrează faptul că progresul tehnologic fără o guvernanță deliberată poate amplifica inegalitățile, poate eroda încrederea și poate submina acțiunea umană.

Umanismul digital oferă un cadru călăuzitor: insistă asupra faptului că progresul tehnologic trebuie să fie aliniat cu demnitatea umană, echitatea socială, responsabilitatea etică și responsabilitatea globală. Managerii, consiliile de administrație și factorii de decizie politică sunt chemați să integreze aceste principii în strategie, design organizațional și supraveghere operațională, cultivând instituții adaptive, transparente și rezistente care pot naviga prin riscurile și oportunitățile dinamice ale AI.

Privind în perspectivă, orizontul AI este atât interesant, cât și exigent. Sistemele vor deveni mai autonome, predictive și integrate în viața de zi cu zi, ridicând noi întrebări etice, operaționale și societale. Succesul va necesita previziune, învățare continuă și un angajament față de inovația centrată pe om. În această eră, măsura progresului nu este doar sofisticarea algoritmilor, ci măsura în care AI servește drept instrument pentru prosperitatea umană colectivă, amplificând creativitatea, echitatea și acțiunea, mai degrabă decât înlocuindu-le sau constrângându-le.

Prin urmare, era AI prezintă o alegere: tehnologia poate fi fie o forță emancipatoare, fie un vector de risc. Umanismul digital ne amintește că diferența nu constă în mașinile în sine, ci în valorile, guvernarea și înțelepciunea pe care le încorporăm în ele. Viitorul umanității va fi definit nu de inteligența pe care o creăm, ci de cât de atent, etic și incluziv o aplicăm.

Bibliografie

Regulation (EU) 2024/1689 – Artificial Intelligence Act (Official Journal, July 12, 2024).

White House Executive Order on Safe, Secure, and Trustworthy AI (2023) and follow-up actions (2024–2025).

National Institute of Standards and Technology (NIST), AI Risk Management Framework (AI RMF), January 26, 2023.

OECD, Recommendation on Artificial Intelligence (2019, updated 2024).

European Commission communications on AI strategy and industrial policy (2024–2025), January 18, 2024.

Era AI și a umanismului digital

IT & C - Descarcă PDFFurduescu, Bogdan – Alexandru; Petcu, Ioana (2025), Era AI și a umanismului digital, IT & C, 5:1, 70-79, https://www.internetmobile.ro/era-ai-si-a-umanismului-digital/

 

The Era of AI and Digital Humanism

Abstract

Artificial intelligence (AI) has moved from a specialized scientific endeavor to a pervasive force shaping every field of human endeavor. This article explores the defining characteristics of the AI era, tracing how AI has evolved from narrow algorithmic systems to complex socio-technical ecosystems. We review the current state of work in key sectors – health, finance, education, labor, governance, culture – highlighting both opportunities and risks. Central to this discussion is digital humanism: a framework that places human dignity, values, agency, and social prosperity at the heart of AI design and implementation. The paper argues that ethical AI cannot be an afterthought; it must be embedded in technical practice, institutional policy, and cultural narratives. Finally, we examine future developments, from the integration of AI into everyday life to regulatory frameworks and conclude with ways to align technological innovation with human prosperity.

Keywords: Artificial intelligence, digital humanism, ethical artificial intelligence, socio-technical systems, future of work

Rezumat

Inteligența artificială (AI) a trecut de la o activitate științifică specializată la o forță omniprezentă care modelează fiecare domeniu al activității umane. Acest articol explorează caracteristicile definitorii ale erei AI, urmărind modul în care AI a evoluat de la sisteme algoritmice înguste la ecosisteme socio-tehnice complexe. Analizăm stadiul actual al activității în sectoare cheie – sănătate, finanțe, educație, muncă, guvernare, cultură – evidențiind atât oportunitățile, cât și riscurile. Elementul central al acestei discuții este umanismul digital: un cadru care plasează demnitatea umană, valorile, capacitatea de acțiune și prosperitatea socială în centrul proiectării și implementării AI. Lucrarea susține că AI etică nu poate fi o idee ulterioară; trebuie să fie integrată în practica tehnică, politica instituțională și narațiunile culturale. În cele din urmă, examinăm evoluțiile viitoare, de la integrarea AI în viața de zi cu zi până la cadrele de reglementare și concluzionăm cu modalități de aliniere a inovației tehnologice cu prosperitatea umană.

Cuvinte cheie: inteligența artificială, umanism digital, inteligență artificială etică, sisteme socio-tehnice, viitorul muncii 

 

IT & C, Volumul 5, Numărul 1, Martie 2026, pp. 70-79
ISSN 2821 – 8469, ISSN – L 2821 – 8469
URL: https://www.internetmobile.ro/era-ai-si-a-umanismului-digital/
© 2026 Alexandru FURDUESCU, Ioana PETCU. Responsabilitatea conținutului, interpretărilor și opiniilor exprimate revine exclusiv autorilor.

 

Era AI și a umanismului digital

Dr. Mgt. Bogdan – Alexandru FURDUESCU[1], Dr. Ec. Ioana PETCU[2]
bogdan.furduescu@ici.ro, ioana.petcu@ici.ro

[1] Institutul Național de Cercetare– Dezvoltare în Informatică – ICI București.

[2] Institutul Național de Cercetare– Dezvoltare în Informatică – ICI București.

 

Introducere

AI nu mai este un concept futurist limitat la laboratoarele academice sau la science fiction. A intrat în fluxul sanguin al societății contemporane, optimizând logistica, traducând limbi în timp real, ghidând diagnostice medicale și chiar compunând texte creative și muzică. În esență, AI se referă la sisteme de calcul capabile să îndeplinească sarcini care, în mod istoric, necesitau inteligența umană – percepție, raționament, luare a deciziilor, învățare și înțelegere a limbilor străine. Ceea ce distinge epoca actuală de erele anterioare ale informaticii nu este doar sofisticarea algoritmilor, ci și amploarea și viteza adoptării lor în societate. Sistemele de AI modelează acum consumul de știri, influențează piețele financiare, asistă la pronunțarea sentințelor judiciare și modulează interacțiunile interpersonale prin intermediul motoarelor de recomandări. Această integrare omniprezentă necesită însă o reflecție profundă: tehnologia nu este neutră. Algoritmii care alimentează sistemele de inteligență artificială codifică presupuneri, priorități și alegeri. Cine proiectează aceste sisteme? Ale cui valori se reflectă în obiectivele lor? Ce structuri societale beneficiază de implementarea lor? Domeniul umanismului digital apare ca un răspuns la aceste întrebări. Acesta pledează pentru o abordare în care dezvoltarea tehnologică nu numai că respectă demnitatea, autonomia și drepturile umane, dar promovează activ bunăstarea umană, accesul echitabil și bogăția culturală. În acest articol, explorăm contururile erei AI și articulăm ce înseamnă umanismul digital în practică. Cartografiem peisajul actual, identificăm provocările cheie și conturăm posibilitățile viitoare în care AI poate fie amplifica capacitățile umane, fie exacerba inegalitățile și vulnerabilitățile existente. Scopul nostru este de a oferi atât profunzime analitică, cât și perspective strategice pentru cercetători, practicieni și lideri politici care navighează în acest moment transformator.

1. Peisajul actual al AI

Peisajul actual al AI este definit mai puțin de inteligență și mai mult de accelerare. Sistemele nu mai sunt curiozități experimentale; ele sunt încorporate în munca de zi cu zi, modelând în liniște deciziile, limbajul și pacea. Adevărata schimbare nu este că mașinile pot gândi, ci că oamenii gândesc acum împreună cu mașinile, uneori gânditor, alteori reflexiv. Acest lucru creează un moment tensionat. AI amplifică productivitatea și perspicacitatea, dar comprimă și timpul, atenția și responsabilitatea. Provocarea nu mai este accesul la instrumente puternice, ci dezvoltarea judecății, a reținerii și a clarității în utilizarea lor. În acest peisaj, leadership-ul se măsoară prin cât de bine rămânem umani – deliberați, etici și alerți – în timp ce suntem înconjurați de sisteme din ce în ce mai capabile. Tehnologia este impresionantă. Momentul, însă, este filosofic.

1.1. De la modele restrânse la sisteme socio-tehnice

Primele cercetări în domeniul inteligenței artificiale au fost dominate de raționamentul simbolic, sisteme bazate pe reguli concepute pentru a imita gândirea logică. În ultimul deceniu, domeniul s-a orientat dramatic către învățarea automată bazată pe date, în special către rețelele neuronale profunde care învață tipare din seturi masive de date. Aceste modele alimentează asistenții vocali, recunoașterea imaginilor, traducerea limbilor și motoarele de recomandări.

Ceea ce este crucial de înțeles este că sistemele de inteligență artificială nu sunt bucăți izolate de cod; sunt sisteme socio-tehnice: configurații de algoritmi, persoane, instituții, infrastructură și fluxuri de date. De exemplu, o inteligență artificială din domeniul sănătății concepută pentru a detecta tumorile în imaginile cu raze X depinde de practicile de colectare a datelor, procesele de instruire, supravegherea reglementară, fluxurile de lucru clinice, încrederea medicilor și cadrele de consimțământ al pacienților. Eficacitatea și amprenta etică a inteligenței artificiale nu pot fi înțelese fără a implica această ecologie mai largă.

1.2. Transformarea economică

AI remodelează piețele muncii și structurile economice. Automatizarea a promis să stimuleze productivitatea, dar introduce și perturbări. Sarcinile de rutină și repetitive din producție, logistică și administrație sunt din ce în ce mai automatizate. În sectoarele creative, modelele generative produc text, audio și imagini la scară largă. Aceste schimbări generează câștiguri de eficiență și servicii noi, dar ridică și îngrijorări cu privire la pierderile de locuri de muncă, presiunile salariale și căile de recalificare. Dezbaterea despre viitorul muncii se concentrează asupra faptului dacă inteligența artificială va genera o creștere netă a locurilor de muncă sau va reduce oportunitățile în anumite sectoare. Optimiștii indică noi roluri pentru știința datelor, etica inteligenței artificiale și interacțiunea om-mașină; scepticii avertizează asupra creșterii inegalităților dacă piețele muncii nu se adaptează. Politicile pentru învățarea pe tot parcursul vieții, plasele de siguranță socială și accesul echitabil la tehnologie devin componente esențiale ale unei agende a științelor umaniste digitale.

1.3. AI în sănătate și educație

Promisiunea AI în domeniul sănătății este profundă. Modelele predictive pot identifica pacienții cu risc ridicat, pot optimiza lanțurile de aprovizionare și pot ajuta la descoperirea de medicamente. Cu toate acestea, precizia tehnică în sine nu garantează rezultate echitabile. Prejudecățile de date – care reflectă inegalitățile istorice – pot duce la recomandări disparate de sănătate între grupurile demografice. Umanismul digital insistă pe echitate, transparență și design participativ, asigurându-se că AI în domeniul sănătății sprijină medicii și pacienții fără a consolida prejudecățile sistemice.

În educație, platformele de învățare adaptivă personalizează conținutul; sistemele inteligente de tutorat oferă feedback; iar automatizarea administrativă eliberează educatorii pentru sarcini centrate pe om. Cu toate acestea, accesul inegal la infrastructura digitală creează un decalaj digital. Elevii din comunitățile subdeservite se pot confrunta cu obstacole mai mari, nu din cauza lipsei de potențial, ci din cauza inegalităților structurale. Integrarea echității în tehnologia educațională este un imperativ moral și practic.

1.4. Guvernanță și politici publice

Guvernele din întreaga lume se luptă să decidă cum să reglementeze AI. Legea Uniunii Europene privind AI se numără printre primele încercări cuprinzătoare de a clasifica sistemele de IA în funcție de risc și de a impune obligații dezvoltatorilor și implementatorilor. Alte țări dezvoltă strategii care combină sprijinul pentru inovare cu garanții etice. Umanismul digital influențează aceste eforturi, concentrându-se pe drepturile omului, responsabilitate și participarea publicului la elaborarea politicilor. AI perturbă, de asemenea, procesele democratice. Curarea algoritmică a conținutului pe rețelele de socializare poate amplifica polarizarea prin favorizarea conținutului senzațional. Umaniștii digitali pledează pentru transparență în guvernanța platformelor, influența utilizatorilor în personalizarea algoritmică și mecanisme de protejare a integrității informațiilor.

1.5. Expresie culturală și creativă

Inteligența artificială generativă a transformat peisajul creativ. Modele precum cele care produc imagini, muzică și narațiuni pot ajuta artiștii și democratiza instrumentele creative. Cu toate acestea, apar întrebări cu privire la autorat, proprietate intelectuală și valoare culturală. Diminuează o pictură generată de inteligența artificială rolul intenționalității umane? Cum atribuim produsele culturale care reies din antrenarea pe diverse corpusuri de artă umană? Aceste dezbateri ating epistemologia, estetica și etica, iar umanismul digital oferă o perspectivă care onorează creativitatea umană, valorificând în același timp augmentarea computațională.

2. Provocări etice și impactul social

Provocările etice și impactul social apar atunci când AI încetează să mai fie un instrument și începe să devină o influență. Algoritmii nu doar execută sarcini; ei modelează oportunitățile, vizibilitatea și încrederea, adesea invizibil. Părtinirea, opacitatea și accesul inegal nu sunt erori tehnice, ci reflecții ale valorilor umane scalate la viteza mașinilor. Dintr-o perspectivă socială, cel mai profund impact este subtil: responsabilitatea devine neclară. Atunci când deciziile sunt automatizate, devine mai ușor să te supui rezultatelor decât să le pui la îndoială. Sarcina etică, așadar, nu este de a face mașinile morale, ci de a-i trage la răspundere pe oameni – conștienți de momentul în care să se bazeze pe sisteme și când să le întrerupă. În acest spațiu, etica nu este un manual de reguli; este o practică a atenției conștiente. Societățile care se descurcă cel mai bine vor fi cele care încetinesc suficient de mult pentru a se întreba nu numai că putem, ci ar trebui să o facem, cine suportă consecințele.

2.1. Părtinire, echitate și dreptate

Sistemele de AI reflectă datele pe baza cărora sunt antrenate. Atunci când seturile de date codifică prejudecăți societale – fie că este vorba de activități de poliție, angajare, creditare sau diagnosticare medicală – modelele rezultate pot perpetua discriminarea. AI etică necesită mecanisme pentru detectarea, atenuarea și compensarea prejudecăților. Aceasta implică echipe de dezvoltare diverse, audit robust, metrici de evaluare conștiente de context și monitorizare continuă post-implementare. Echitatea nu este doar o proprietate tehnică; este profund legată de normele sociale și de cadrele legale. Diferite comunități pot avea noțiuni distincte de echitate, iar sistemele de IA trebuie să fie receptive la aceste nuanțe contextuale.

2.2. Confidențialitate și supraveghere

Sistemele de inteligență artificială se bazează pe date, adesea personale și sensibile. Proliferarea senzorilor, a tehnologiilor de urmărire și a dispozitivelor interconectate ridică preocupări legate de confidențialitate. Capitalismul de supraveghere, unde datele sunt tranzacționate pentru profit, poate eroda autonomia și acțiunea. Umanismul digital pledează pentru o guvernanță a datelor bazată pe principii, tehnologii care sporesc confidențialitatea, consimțământul informat și garanții de reglementare care protejează indivizii de supravegherea nejustificată.

2.3. Responsabilitate și transparență

Opacitatea algoritmică – problema „cutiei negre” – reprezintă un obstacol în calea încrederii și a responsabilității. Atunci când deciziile care afectează locurile de muncă, împrumuturile sau rezultatele juridice sunt luate de modele inscrutabile, persoanele afectate rămân fără drept de atac. AI explicabilă (XAI) și documentația riguroasă (cum ar fi fișele model și fișele de date) sunt instrumente tehnice pentru creșterea transparenței. Însă responsabilitatea necesită și responsabilități instituționale clare, căi de atac legale și supraveghere participativă.

2.4. Autonomia și agenția umană

Influența inteligenței artificiale asupra arhitecturilor alegerilor – ceea ce utilizatorii văd, cumpără, votează sau cred – poate modela subtil comportamentul. Algoritmii de personalizare curăță fluxurile de conținut care pot întări camerele de ecou sau pot diminua expunerea la diverse puncte de vedere. Păstrarea autonomiei umane înseamnă proiectarea de sisteme care sporesc alegerea, mai degrabă decât să o constrângă. Umanismul digital vede tehnologia ca un mediu pentru emancipare. Agenția nu implică doar a avea alegeri, ci și înțelegerea mecanismelor care modelează aceste alegeri.

2.5. Amprenta ecologică

Antrenarea modelelor de AI la scară largă consumă resurse semnificative de energie și de calcul. Pe măsură ce cererea de modele din ce în ce mai mari crește, crește și impactul centrelor de date asupra mediului. AI durabilă implică optimizarea algoritmilor pentru eficiență, trecerea la surse de energie regenerabilă și ponderarea costurilor de mediu alături de îmbunătățirile performanței. De asemenea, necesită constrângeri culturale: întrebarea dacă scalabilitatea este întotdeauna egală cu valoarea, prioritizarea inteligenței „suficient de bună” față de inteligența maximă și conceperea de stimulente care recompensează eficiența mai degrabă decât excesul. În acest sens, sustenabilitatea devine nu doar o provocare inginerească, ci o alegere de conducere cu privire la câtă inteligență avem cu adevărat nevoie și la ce cost pentru planetă.

3. Viitorul AI și al umanismului

Viitorul inteligenței artificiale și al umanismului sunt inseparabile. Pe măsură ce mașinile devin mai capabile, întrebarea definitorie nu mai este ce poate face AI, ci ce alegem să protejăm, să cultivăm și să elevăm în noi înșine. Inteligența devine din ce în ce mai abundentă; sensul, judecata și cine nu o avea. Un viitor umanist nu respinge IA, o pune în slujba demnității umane, a creativității și a prosperității colective. Aceasta înseamnă proiectarea de sisteme care susțin autonomia, mai degrabă decât să o înlocuiască, amplifică înțelegerea, mai degrabă decât să o limiteze, și fac loc reflecției într-o lume optimizată pentru viteză. În acest viitor, progresul este măsurat mai puțin prin puterea de calcul și mai mult prin faptul că tehnologia ne ajută să devenim mai înțelepți, mai echitabili și mai prezenți. AI va modela civilizația în ambele cazuri. Umanismul determină dacă o face cu un suflet.

3.1. Colaborarea om-mașină

În loc să ne gândim la AI ca la un înlocuitor pentru munca umană, ne putem imagina inteligență colaborativă în care oamenii și mașinile își amplifică reciproc punctele forte. În medicină, medicii înarmați cu informații despre IA pot pune diagnostice mai bune; în știință, cercetătorii pot explora seturi complexe de date cu parteneri de calcul; în artele creative, artiștii pot prototipa idei cu instrumente generative. Această colaborare nu este despre automatizare versus locuri de muncă, ci despre augmentare – îmbunătățirea capacității umane–, păstrând în același timp sensul și demnitatea în muncă și în viață.

3.2. Alfabetizarea AI și implicarea publicului

Viitorul umanist al AI necesită o alfabetizare extinsă în domeniul AI. Cetățenii au nevoie de instrumente pentru a înțelege, critica și influența sistemele de AI care le afectează viața. Inițiativele educaționale ar trebui să demitizeze AI, să încurajeze gândirea critică și să permită participarea publică informată la guvernare și proiectare. Implicarea publică include, de asemenea, voci diverse în organismele de standardizare, comitetele de etică și instituțiile de reglementare. Fără o reprezentare largă, guvernanța AI riscă să reflecte interese înguste, mai degrabă decât valori colective.

3.3. Ecosisteme de reglementare

Următorul deceniu va fi probabil martorul unor ecosisteme de reglementare mai sofisticate, combinând o legislație puternică, autoreglementarea industrială și cooperarea internațională. Componentele cheie pot include dreptul la explicații, regimurile de protecție a datelor, evaluările impactului pentru sistemele cu risc ridicat și colaborarea transfrontalieră în ceea ce privește standardele. Reglementarea nu ar trebui să înăbușe inovația, ci mai degrabă să o ghideze spre rezultate benefice din punct de vedere social. Structurile de stimulare – cum ar fi finanțarea cercetării etice în domeniul inteligenței artificiale, trusturile de date de interes public și cadrele de certificare – pot alinia inovația cu prioritățile societale.

3.4. AI întrupată și situată

AI a viitorului va fi mai integrată și mai conștientă de context. Robotica, edge computing și integrarea Internetului Lucrurilor (IoT – Internet of Things) sugerează o lume în care sistemele de AI interacționează strâns cu mediile fizice. Întrebările etice se înmulțesc atunci când vehiculele autonome navighează pe străzi comune, roboții asistă persoanele în vârstă sau infrastructura inteligentă guvernează spațiile publice. Proiectarea pentru inteligența situată necesită sensibilitate la valorile umane în context: siguranță, accesibilitate, incluziune, norme culturale și structuri de guvernanță locală.

3.5. AI și inegalitatea globală

Beneficiile AI nu sunt distribuite uniform. Națiunile bogate și corporațiile puternice au adesea resursele necesare pentru a dezvolta și implementa sisteme avansate, în timp ce regiunile cu resurse insuficiente sunt lăsate în urmă. Această decalaj tehnologic riscă să adâncească inegalitatea globală. Cooperarea internațională, schimbul de cunoștințe și consolidarea capacităților sunt esențiale pentru a se asigura că AI promovează, nu marginalizează, comunitățile din întreaga lume. Umanismul digital include un angajament față de echitatea globală, argumentând că accesul la tehnologii benefice este o chestiune de justiție, nu de caritate.

4. Un cadru umanist digital

Umanismul digital combină valorile umaniste cu rigoarea tehnică a ingineriei IA. Se bazează pe principii precum:

  • Respect pentru demnitatea umană – tehnologia ar trebui să protejeze și să sporească valoarea inerentă a fiecărei persoane;
  • Echitate și dreptate – sistemele ar trebui să fie concepute pentru a evita consolidarea inegalităților structurale;
  • Transparență și responsabilitate – deciziile influențate de IA ar trebui să fie explicabile și contestabile;
  • Agenție și autonomie – indivizii ar trebui să păstreze controlul asupra tehnologiei care le modelează viața;
  • Sustenabilitate – dezvoltarea ar trebui să ia în considerare impactul asupra mediului și viabilitatea pe termen lung;
  • Guvernanță participativă – diverse părți interesate ar trebui să co-creeze standarde, politici și sisteme.

Aceste principii nu sunt idealuri abstracte, ci ghiduri operaționale. Ele informează alegerile privind guvernanța datelor, evaluarea modelelor, designul interfeței cu utilizatorul, stimulentele pentru afaceri și politicile publice. De asemenea, oferă un limbaj comun pentru colaborarea interdisciplinară între tehnologi, eticieni, factori de decizie politică și societatea civilă.

Concluzii

Trăim într-o eră în care inteligența artificială nu este o frontieră îndepărtată, ci un agent activ care modelează societatea. Puterea transformatoare a AI oferă oportunități fără precedent: vindecarea bolilor, personalizarea educației, sporirea creativității și extinderea înțelegerii umane. Cu toate acestea, această putere vine la pachet cu responsabilități profunde. Fără un efort conștient și colectiv, IA poate replica și amplifica inegalitățile existente, poate eroda confidențialitatea, poate diminua capacitatea de acțiune și poate centraliza puterea. Umanismul digital prezintă o viziune care plasează valorile umane în centrul progresului tehnologic. Ne îndeamnă să proiectăm, să implementăm și să guvernăm sistemele de AI în moduri care respectă demnitatea umană, promovează dreptatea și susțin planeta. Acesta nu este un vis al rezistenței tehnofobe sau al optimismului naiv; este o foaie de parcurs pragmatică care recunoaște complexitatea, celebrează diversitatea umană și îmbrățișează potențialul colaborării om-mașină. Pe măsură ce AI continuă să evolueze, alegerile pe care le facem acum – cu privire la norme, legi, standarde, educație și stimulente – vor modela traiectorii timp de decenii. Era AI, dacă este ghidată de principii umaniste, poate deveni o eră a înfloririi colective în care tehnologia servește drept partener în eliberarea umană, mai degrabă decât drept instrument de coerciție.

Bibliografie

Bostrom, N. (2014) – „Superintelligence: Paths, Dangers, Strategies”, Oxford University Press.

Crawford, K. (2021) – „Atlas of AI: Power, Politics, and the Planetary Costs of Artificial Intelligence”, Yale University Press.

Eubanks, V. (2018) – „Automating Inequality: How High-Tech Tools Profile, Police, and Punish the Poor”, St. Martin’s Press.

European Commission (2021) – „Proposal for a Regulation Laying Down Harmonized Rules on Artificial Intelligence (Artificial Intelligence Act)”.

Petcu, I  & all, (2025) Guvernanța datelor medicale bazată pe inteligență artificială: Riscurile și provocările datificației – Jurnalul românesc de securitate cibernetică ROCYS, 2025, Spring, Vol 7, nr. 1

Floridi, L. (2013) – „The Ethics of Information”, Oxford University Press.

O’Neil, C. (2016) – „Weapons of Math Destruction: How Big Data Increases Inequality and Threatens Democracy”, Crown.

Radu, A. F., Petcu, I (2025) Sinergia Malița – Diplomație, Matematică și Inteligență Artificială –  Sesiune de comunicări științifice, Academia Română:  Ziua Cercetătorului și Proiectantului – Mari personalităţi ale cercetării românești, Sub egida Anului Internațional pentru Știință și tehnologie cuantică

Petcu, I. , Georgescu, A. (2025) – Etica și Inteligența Artificială în contextul securității cibernetice – Sesiune de comunicări științifice, Academia Română: România în cursa globală a cunoașterii: competitivitatea în știinţă și tehnologie. Rolul inteligenţei artificiale şi tehnologiei cuantice în competitivitatea prin informaţii, octombrie 2025

Russell, S. and Norvig, P. (2023) – „Artificial Intelligence: A Modern Approach”, 4th edition, Pearson.

 

Pledoarie pentru Python

IT & C - Descarcă PDFSfetcu, Nicolae (2025), Pledoarie pentru Python, IT & C, 5:1, 52-58, DOI: 10.58679/IT39214, https://www.internetmobile.ro/pledoarie-pentru-python/

 

A Plea for Python

Abstract

Python has become one of the most popular and widely used programming languages in the world, renowned for its readability, community support, and diverse application domains. Its simplicity and approachable learning curve appeal to beginners, while its extensive capabilities and libraries appeal to experienced professionals. Python 3 is the latest major release of the language, offering developers enhanced features, cleaner syntax, and modern programming paradigms that continue to shape the technological landscape.

Keywords: Python, programming language, programming, Python version, Python syntax, Python library, Python usage

Rezumat

Python a devenit unul dintre cele mai populare și utilizate limbaje de programare din lume, celebru pentru lizibilitatea, suportul comunității și diversele domenii de aplicație. Simplitatea și curba de învățare abordabilă atrag începătorii, în timp ce capabilitățile și bibliotecile sale extinse atrag profesioniștii experimentați. Python 3 este cea mai recentă versiune majoră a acestui limbaj, oferind dezvoltatorilor funcții îmbunătățite, sintaxă mai curată și paradigme de programare moderne care continuă să modeleze peisajul tehnologic.

Cuvinte cheie:  Python, limbaj de programare, programare, versiunea Python, sintaxa Python, biblioteca Python, utilizarea Python

 

IT & C, Volumul 5, Numărul 1, Martie 2026, pp. 52-58
ISSN 2821 – 8469, ISSN – L 2821 – 8469, DOI: 10.58679/IT39214
URL: https://www.internetmobile.ro/pledoarie-pentru-python/
© 2026 Nicolae SFETCU. Responsabilitatea conținutului, interpretărilor și opiniilor exprimate revine exclusiv autorilor.

 

Pledoarie pentru Python

Nicolae SFETCU
nicolae@sfetcu.com[1]

[1] Cercetător – Divizia de Istoria Științei (DIS)/Comitetul Român de Istoria și Filosofia Științei și Tehnicii (CRIFST) al Academiei Române, ORCID: 0000-0002-0162-9973, Web of Science Researcher ID V-1416-2017

 

1. O scurtă istorie a lui Python

Python a fost conceput la sfârșitul anilor 1980 de Guido van Rossum la Institutul Național de Cercetare pentru Matematică și Informatică (CWI) din Țările de Jos. Prima lansare publică a avut loc în 1991. Van Rossum și-a propus să creeze un limbaj cu o sintaxă mai simplă, mai accesibilă, influențată de limbaje precum ABC, oferind în același timp multă putere pentru sarcinile avansate de inginerie software.

Conceput inițial pentru a încuraja lizibilitatea și a reduce complexitatea codului, Python a îmbrățișat claritatea și simplitatea în centrul său. De-a lungul timpului, limbajul a evoluat prin diverse versiuni. La începutul anilor 2000, Python se răspândise cu mult dincolo de mediile de cercetare academică. Atunci, creatorul limbajului a început să lucreze la ceea ce avea să devină Python 3 – o versiune menită să îmbunătățească unele dintre defectele de design care s-au strecurat de-a lungul timpului, în special ciudățeniile de compatibilitate inversă din Python 2.

2. Tranziția de la Python 2 la Python 3

2.1 Nevoia de Python 3

Python 2.7, ultima versiune majoră a Python 2, a fost retrasă la 1 ianuarie 2020. Până în acel moment, dezvoltatorii au ezitat adesea să facă upgrade la proiecte mari și complexe, deoarece Python 3 a introdus mai multe modificări profunde. Cu toate acestea, Python 3 a fost conceput pentru a rezolva multe probleme vechi, pentru a rafina coerența limbajului și pentru a încorpora caracteristici moderne. Astăzi, Python 3 este versiunea recomandată, primind toate actualizările de caracteristici noi, remedieri de erori și corecții de securitate.

2.2 Diferențele cheie

1. Suport Unicode

Una dintre cele mai semnificative îmbunătățiri este utilizarea implicită a Unicode de către Python 3 pentru șiruri. Spre deosebire de Python 2, care a separat șirurile în str bazate pe ASCII și tipuri Unicode bazate pe Unicode, tipul str al lui Python 3 este Unicode în mod implicit, făcând mai ușor să lucrezi cu text internațional și diverse codificări de caractere.

2. Funcția de imprimare

În Python 2, print era o declarație (de exemplu, print „Hello World”). Python 3 l-a transformat într-o funcție care necesită paranteze (de exemplu, print(„Hello World”)). Această mică schimbare deschide calea pentru o sintaxă mai consistentă și un comportament asemănător unei funcții.

3. Diviziunea întregului

În Python 2, împărțirea a două numere întregi ar urma implicit la împărțirea etajului (trunchiindu-se spre infinit negativ), potențial surprinzându-i pe noii veniți care se așteaptă la rezultate în virgulă mobilă. În Python 3, operatorul / produce diviziunea în virgulă mobilă în mod implicit, în timp ce // este folosit pentru divizarea nivelului – creând un cod mai clar și mai explicit.

4. Reorganizarea bibliotecii

Unele module au fost redenumite sau reorganizate, necesitând actualizări ale declarațiilor de import. De exemplu, unele biblioteci din modulele Tkinter sau urllib ale Python 2 au fost consolidate sau redenumite în Python 3 pentru a clarifica utilizarea lor.

5. Eliminarea caracteristicilor redundante

Python 3 a eliminat funcțiile învechite sau utilizate rar, cum ar fi clasele de stil vechi din Python 2. Acest lucru ajută la eficientizarea limbajului și la unificarea dezvoltării bazate pe clase.

3. Sintaxa Python 3 și caracteristicile cheie

3.1 Lizibilitate și simplitate

Lizibilitatea codului Python este una dintre caracteristicile semnăturii sale. Indentarea servește ca parte a sintaxei, asigurând că blocurile de cod sunt clare vizual. În plus, sintaxa lui Python evită constructele verbose, concentrându-se pe expresii simple. Această alegere de design face adesea codul Python concis și ușor de citit în comparație cu alte limbi.

3.2 Tastare dinamică

Python este scris dinamic, ceea ce înseamnă că tipurile de variabile sunt determinate în timpul execuției, mai degrabă decât declarate în avans. Acest lucru îi ajută pe dezvoltatori să prototipeze rapid, dar necesită și o analiză atentă a utilizării tipului pentru a preveni erorile de rulare. Practicile moderne Python încorporează adesea indicii de tip (PEP 484) pentru a îmbunătăți lizibilitatea și a reduce erorile în proiecte mai mari. De exemplu:

def greet(name: str) -> str:
    return f"Hello, {name}!"

Deși aceste sugestii de tip nu impun scrierea strictă în același mod ca limbajele tip static, ele oferă îndrumări utile dezvoltatorilor și instrumentelor precum linters sau IDE-uri.

3.3 Bibliotecă standard puternică

Unul dintre cele mai mari avantaje ale lui Python este biblioteca sa standard cuprinzătoare, adesea numită „baterii incluse”. Acesta acoperă o gamă largă de cazuri de utilizare, de la manipularea datelor la manipularea fișierelor, rețele la multiprocesare și multe altele. Această acoperire extinsă permite dezvoltatorilor să creeze aplicații puternice și complexe fără a se baza pe prea multe dependențe externe.

3.4 Ecosistem bogat de biblioteci și cadre

Dincolo de biblioteca standard, Python 3 beneficiază de un ecosistem înfloritor menținut pe Python Package Index (PyPI). Indiferent dacă trebuie să construiți o aplicație web, să analizați date sau să prototipați un model de învățare automată, există o bibliotecă sau un cadru Python gata să vă ajute. Opțiunile populare includ:

  • Cadre web: Django, Flask, FastAPI, Pyramid
  • Analiza și vizualizarea datelor: NumPy, panda, Matplotlib, seaborn
  • Învățare automată și IA: TensorFlow, PyTorch, scikit-learn
  • Automatizare și scriptare: solicitări, supă frumoasă, seleniu

3.5 Suport multiplatformă

Python 3 rulează pe aproape toate sistemele de operare majore, inclusiv Windows, macOS și Linux. Această compatibilitate între platforme, combinată cu capacitatea de a se integra cu ușurință cu alte limbaje precum C sau C++, face din Python o alegere extrem de portabilă pentru echipele de dezvoltare.

3.6 Modelul comunitar și de dezvoltare

Python Software Foundation (PSF) este organizația non-profit din spatele dezvoltării Python. Sponsorizarea și modelul său condus de comunitate asigură transparența și luarea deciziilor democratice. Propunerile de modificare sau de noi funcții apar în Propunerile de îmbunătățire Python (PEP). Acest model de guvernare deschisă oferă o foaie de parcurs stabilă și robustă pentru viitorul limbii.

4. Cazuri de utilizare comune ale lui Python 3

4.1 Știința datelor și analitica

Python 3 este un element de bază în știința datelor și analitica. Bibliotecile sale eficiente, cum ar fi NumPy și panda, gestionează seturi de date mari, în timp ce bibliotecile de vizualizare a datelor, cum ar fi Matplotlib sau Plotly, transformă rezultatele în diagrame convingătoare. Notebook-urile Jupyter, cuplate cu Python, permit oamenilor de știință să exploreze și să vizualizeze datele în mod interactiv într-un mediu bazat pe web, favorizând colaborarea și reproductibilitatea.

4.2 Învățare automată și inteligență artificială

Cercetarea AI modernă a adoptat Python ca limbaj principal datorită cadrelor precum TensorFlow, PyTorch și scikit-learn. Aceste biblioteci oferă algoritmi pre-construiți și calcul accelerat de GPU pentru antrenarea rapidă a modelelor complexe, de la rețele neuronale la arbori de decizie. În combinație cu sintaxa curată a lui Python, oamenii de știință de date se pot concentra pe proiectarea modelului și pe iterație, mai degrabă decât pe detalii de codare de nivel scăzut.

4.3 Dezvoltare Web

Python alimentează multe site-uri web și servicii populare prin cadre precum Django și Flask. Django, un cadru cu funcții complete, se ocupă de sarcini precum gestionarea bazelor de date, autentificarea utilizatorilor și crearea de șabloane. Flask, pe de altă parte, este o alternativă ușoară care oferă mai multă flexibilitate pentru aplicații mai mici sau mai specializate. Având în vedere ecosistemul robust al lui Python 3, dezvoltatorii pot integra stocarea în cache, securitatea și gestionarea API-ului RESTful cu relativă ușurință.

4.4 Automatizare și scriptare

Natura interpretativă a lui Python, combinată cu sintaxa sa curată, îl face ideal pentru scriptare și automatizare. Utilizatorii pot scrie scripturi mici pentru a automatiza sarcini precum operațiuni cu fișiere, scraping web, transformări de date sau întreținere a sistemului. Datorită gestionării Unicode îmbunătățite de Python 3, aceste scripturi pot procesa în mod fiabil fișierele în diferite limbi sau codificări, asigurând automatizări precise și care pot fi întreținute.

4.5 Calcul științific

Python 3 este profund integrat în calculul științific. Cercetătorii din domenii variind de la fizică la genomică se bazează pe biblioteci științifice pentru modelare avansată, simulare și analiza datelor. Instrumente precum SciPy oferă module specializate pentru statistici, procesare a semnalului, procesare a imaginilor și multe altele. Capacitatea limbajului de a interfața cu bibliotecile C/C++ contribuie, de asemenea, la scenarii de calcul de înaltă performanță.

5. De ce Python 3 rămâne popular

1. Simplitate pentru începători

Curba blândă de învățare a lui Python îl deosebește de alte limbaje, făcându-l o recomandare de top pentru programatorii începători. Accentul său pe lizibilitate și mai puține distrageri sintactice permite achiziționarea și aplicarea mai rapidă a conceptului.

2. Amploarea bibliotecilor

A avea mii de biblioteci ușor disponibile înseamnă timp de dezvoltare redus. De la seturi de instrumente sofisticate pentru știința datelor la cadre web avansate, ecosistemul Python se adresează unei game largi de nevoi software.

3. Comunitate activă

Python se mândrește cu o comunitate puternică, globală. Nenumărate tutoriale, forumuri online și întâlniri locale ajută utilizatorii să rezolve problemele și să învețe unii de la alții. Această coloană vertebrală a comunității face din Python o alegere de limbă durabilă atât pentru persoane fizice, cât și pentru companii.

4. Viabilitatea pe termen lung

Fiind una dintre limbile cu cea mai rapidă creștere, Python rămâne relevant și modern. Acesta vede o utilizare pe scară largă în mediul academic, cercetare, startup-uri și întreprinderi mari. Actualizările continue ale Python Software Foundation asigură că limbajul rămâne la curent cu tehnologiile emergente.

5. Sintaxă curată și productivitate

Codul Python necesită adesea mai puține linii pentru a îndeplini sarcini decât limbaje precum C++ sau Java. Această concizie nu numai că îmbunătățește productivitatea, dar reduce probabilitatea anumitor categorii de erori.

6. Concluzie

Proeminența lui Python 3 și ecosistemul expansiv îl fac un limbaj de bază în aproape fiecare colț al dezvoltării software. De la începătorii care își scriu primele programe până la giganții din industrie care alimentează aplicații bazate pe date, Python 3 atinge un echilibru impresionant de lizibilitate, versatilitate și performanță. Pe măsură ce versiuni și funcții mai noi continuă să fie lansate, Python 3 rămâne pregătit să răspundă nevoilor în evoluție ale dezvoltatorilor în domenii precum știința datelor, inteligența artificială, dezvoltarea web și nu numai.

Indiferent dacă automatizezi o sarcină simplă sau construiești o aplicație la scară largă, Python 3 îți poate servi drept aliat puternic. Natura sa open-source, comunitatea primitoare și multitudinea de resurse asigură că nou-veniții găsesc un sprijin amplu, în timp ce experții continuă să depășească limitele a ceea ce este posibil cu acest limbaj iubit.

Bibliografie

  • DataCamp. „Introduction to Python Course | DataCamp”, 2025. https://www.datacamp.com/courses/intro-to-python-for-data-science.
  • Harrington, Andrew N. „Hands-on Python 3 Tutorial — Hands-on Python Tutorial for Python 3”, 2019. http://anh.cs.luc.edu/python/hands-on/3.1/handsonHtml/index.html.
  • Python Land. „Welcome To The Python Tutorial”. Python Land, 12 noiembrie 2024. https://python.land/python-tutorial.
  • Python.org. „Documentation”, 2025. https://docs.python.org/3/.
  • ———. „Python.Org”. Python.org, 15 ianuarie 2025. https://www.python.org/.
  • ———. „The Python Tutorial”. Python documentation, 2025. https://docs.python.org/3/tutorial/index.html.
  • Regebro, Lennart. „Supporting Python 3: An in-Depth Guide”, 2023. http://python3porting.com/.
  • SwaroopCH.com. „A Byte of Python”. Notion, 2025. https://python.swaroopch.com/.
  • Wikibooks. „Subject:Python Programming Language”, 2025. https://en.wikibooks.org/wiki/Subject:Python_programming_language.

Criptografia cuantică în telecomunicații: principii, arhitecturi, standardizare și perspective

IT & C - Descarcă PDFSfetcu, Nicolae (2025), Criptografia cuantică în telecomunicații: principii, arhitecturi, standardizare și perspective, IT & C, 5:1, 36-51, DOI: 10.58679/IT37811, https://www.internetmobile.ro/criptografia-cuantica-in-telecomunicatii-principii-arhitecturi-standardizare-si-perspective/

 

Quantum cryptography in telecommunications: principles, architectures, standardization and perspectives

Abstract

Quantum cryptography (in practice, almost always Quantum Key Distribution – QKD) is a family of technologies that allow the establishment of secret keys between two entities connected by a quantum channel (usually photons in optical fiber or free space) and an authenticated classical channel. The relevance for telecommunications derives from two converging trends: (1) increasing security requirements on transport infrastructures (fiber/WDM, metropolitan networks, backhaul, etc.) and (2) the medium-term risk that certain classical cryptographic schemes will be affected by quantum computing. The essay summarizes the fundamentals of QKD, the main protocols and security models, the integration architectures in telecom networks, the implementation challenges and the standardization directions (ETSI/ITU-T), discussing the complementarity with post-quantum cryptography (PQC) recently standardized by NIST.

Keywords: quantum cryptography, telecommunications, communications, quantum key distribution, QKD, BB84, E91, QKDN networks, ETSI, ITU-T, PQC

Rezumat

Criptografia cuantică (în practică, aproape întotdeauna distribuția cuantică de chei – QKD, Quantum Key Distribution) reprezintă o familie de tehnologii care permit stabilirea de chei secrete între două entități conectate printr-un canal cuantic (de regulă fotoni în fibră optică sau în spațiu liber) și un canal clasic autenticat. Relevanța pentru telecomunicații derivă din două tendințe convergente: (1) creșterea cerințelor de securitate pe infrastructuri de transport (fibră/WDM, rețele metropolitane, backhaul etc.) și (2) riscul pe termen mediu ca anumite scheme criptografice clasice să fie afectate de calculul cuantic. Eseul sintetizează fundamentele QKD, principalele protocoale și modele de securitate, arhitecturile de integrare în rețele telecom, provocările de implementare și direcțiile de standardizare (ETSI/ITU-T), discutând complementaritatea cu criptografia post-cuantică (PQC) standardizată recent de NIST

Cuvinte cheie:  criptografia cuantică, telecomunicații, comunicații, distribuția cuantică a cheilor, QKD, BB84, E91, rețele QKDN, ETSI, ITU-T, PQC

 

IT & C, Volumul 5, Numărul 1, Martie 2026, pp. 36-51
ISSN 2821 – 8469, ISSN – L 2821 – 8469, DOI: 10.58679/IT37811
URL: https://www.internetmobile.ro/criptografia-cuantica-in-telecomunicatii-principii-arhitecturi-standardizare-si-perspective/
© 2026 Nicolae SFETCU. Responsabilitatea conținutului, interpretărilor și opiniilor exprimate revine exclusiv autorilor.

 

Criptografia cuantică în telecomunicații: principii, arhitecturi, standardizare și perspective

Nicolae SFETCU
nicolae@sfetcu.com[1]

[1] Cercetător – Divizia de Istoria Științei (DIS)/Comitetul Român de Istoria și Filosofia Științei și Tehnicii (CRIFST) al Academiei Române, ORCID: 0000-0002-0162-9973, Web of Science Researcher ID V-1416-2017

 

Introducere: de ce „cuantic” în telecom?

Criptografia cuantică utilizează principiile cuantice pentru a asigura confidențialitatea informației și distribuția sigură a cheilor de criptare. Ideea fundamentală, propusă la începutul anilor 1980, este că prin trimiterea de qubiți (fotonii fiind cei mai utilizați) între doi participanți, se poate realiza un schimb de cheie de criptare imposibil de interceptat fără a fi observat. Orice tentativă de a măsura qubiții în tranzit va perturba inevitabil starea lor (conform principiului incertitudinii și teoremei non-clonării), alertând astfel destinatarii asupra prezenței unui intrus (Dam 2019). Acest nivel de securitate nu se bazează pe ipoteze computaționale (ca la criptografia clasică, unde spargerea e practic imposibilă din cauza complexității calculului), ci pe legile fizicii – făcând criptografia cuantică teoretic inatacabilă atâta timp cât acele legi sunt valabile.

Nucleul aplicativ al criptografiei cuantice este Quantum Key Distribution (QKD) – o soluție pentru stabilirea unei chei secrete între doi participanți (de tip Alice și Bob) prin trimiterea de stări cuantice. Ideea-cheie: dacă un adversar (Eve) măsoară sau interceptează, introduce erori/statistici anormale, detectabile în faza de verificare. QKD este, în esență, un mecanism de distribuție a cheii, nu un înlocuitor complet pentru criptosisteme: după stabilirea cheii, criptarea mesajelor se face adesea prin metode clasice (de ex. criptografie simetrică), iar canalul clasic folosit în protocol trebuie autentificat pentru a evita atacuri de tip man-in-the-middle. Sunt discutate și limitele practice (pierderi în fibră, distanță, rate de cheie), precum și direcții precum repetoare cuantice și arhitecturi de rețea.

Lumina polarizată este transmisă printr-un canal cuantic nesigur și detectată de Bob în timp ce Eve încearcă să intercepteze comunicarea. Credit: Andy Spencer/Wikimedia Commons, licența CC BY-SA 3.0

O componentă teoretică relevantă pentru criptografia cuantică este introducerea modelelor în care adversarul are memorie cuantică limitată sau „zgomotoasă”, ceea ce permite realizarea unor primitive care altfel ar fi imposibile. (Konig et al. 2012) Criptografia bazată pe poziție se folosește acolo unde locația unui participant este folosită drept „credențial” – o idee atractivă conceptual, dar dificilă în ipoteze realiste, deoarece adversari distribuiți pot coopera (Kent et al. 2011).

În telecomunicații, criptografia este mai mult decât un set de algoritmi: este o componentă de inginerie de sistem (management de chei, interoperabilitate, SLA, operațiuni, monitorizare și reziliență). În acest context, criptografia cuantică este atractivă deoarece poate oferi securitate informațional-teoretică pentru distribuția cheilor, în sensul că detectarea interceptării se bazează pe legi fizice (de ex. imposibilitatea copierii perfecte a unei stări cuantice necunoscute). Totuși, un punct adesea înțeles greșit este că QKD nu „criptează direct” traficul; ea livrează chei care alimentează criptografie clasică simetrică (de ex. AES sau one-time pad, în funcție de rata de chei și cerințe). În consecință, QKD se integrează natural în ecosisteme telecom ca subsistem de furnizare/întărire a cheilor și ca element pentru servicii end-to-end, nu ca înlocuitor complet al criptografiei clasice. ITU-T poziționează explicit QKD în relație cu servicii criptografice end-to-end împreună cu criptografie non-cuantică. (ITU-T 2019)

Fundamente: canal cuantic + canal clasic autenticat

În schema canonică QKD, două părți (Alice și Bob) folosesc:

  1. un canal cuantic (fibră/spațiu liber) pe care se transmit stări cuantice (de obicei fotoni) și
  2. un canal clasic public, dar autenticat, pentru reconciliere, estimare a erorilor și amplificare a confidențialității.

Protocolul BB84 (Bennett–Brassard) rămâne referința istorică a abordării „prepare-and-measure”. (Bennett și Brassard 2014) O linie majoră de dezvoltare este E91 (Ekert), care folosește corelații de entanglement și testarea inegalităților Bell pentru a detecta interceptarea. (Ekert 1991)

Din punct de vedere al securității, rezultate precum demonstrația Shor–Preskill au legat riguros securitatea BB84 de cadre de corecție a erorilor și purificare a entanglementului. (Shor și Preskill 2000)

Protocoale și familii relevante pentru rețele telecom

Cea mai cunoscută aplicație a criptografiei cuantice este Distribuția Cuantică a Cheilor (QKD) – un protocol prin care doi interlocutori, convențional numiți Alice și Bob, își pot stabili un șir secret de biți (o cheie simetrică) folosind un canal cuantic și un canal clasic autentic. (Renner și Wolf 2023)

În QKD, orice tentativă de interceptare implică, în general, o măsurare a stărilor cuantice transmise (adesea fotoni), ceea ce introduce anomalii detectabile; dacă erorile depășesc un prag, protocolul este abandonat, iar dacă sunt sub prag, se poate obține o cheie cu garanții informațional-teoretice. QKD distribuie doar cheia, nu și mesajul: cheia rezultată poate fi folosită ulterior cu scheme precum one-time pad (asociat frecvent cu QKD) sau cu algoritmi simetrici precum AES. (Scarani et al. 2009)

Sunt folosite de obicei două familii majore de protocoale: (1) pregătește-și-măsoară (ex. BB84), unde emițătorul pregătește stări neortogonale și receptorul măsoară în baze aleatorii, iar compatibilitatea statistică a rezultatelor indică absența interferenței (Gisin et al. 2002); și (2) protocoale bazate pe inseparabilitate (ex. E91), care exploatează corelațiile cuantice ale perechilor inseparate (Ekert 1991). Pentru obținerea unei chei finale utilizabile, se apelează la post-procesarea clasică: reconcilierea informației (corecție de erori pe canal public) și amplificarea confidențialității (reducerea informației potențial deținute de adversar, de regulă prin funcții hash universale).

În planul securității practice, se pot evidenția atacuri (de tip interceptare-retrimitere, man-in-the-middle fără autentificare, divizarea numărului de fotoni, atacuri cal Troian), precum și condiții din demonstrații de securitate (inclusiv necesitatea unui canal clasic autentificat și ipoteze despre integritatea dispozitivelor). (Huang et al. 2007)

Există limite de implementare (imperfecțiuni, pierderi de canal, decoerență, costuri), iar unele instituții recomandă, din motive practice, criptografia post-cuantică ca alternativă sau complement. (Takeoka et al. 2014)

QKD cu variabile discrete (DV-QKD) și „stări capcană”

Implementările comerciale timpurii au folosit fotoni slabi (pulsuri coerente) în fibră. Acest lucru introduce vulnerabilități la atacuri de tip divizarea numărului de fotoni. O soluție esențială pentru practicabilitate este starea capcană QKD, care folosește intensități variabile pentru a detecta atacurile pe multi-foton, făcând multe implementări „cu hardware similar” compatibile cu ipoteze de securitate mai realiste. (Lo et al. 2005)

QKD „independent de dispozitivul de măsurare” (MDI-QKD)

O parte semnificativă a riscurilor reale vine din imperfecțiuni ale detectorilor (canal lateral). MDI-QKD mută măsurarea într-un nod potențial de neîncredere (releu) și, în modelul teoretic, elimină atacurile pe detector ca clasă (cu prețul complexității și al ratei). (Lo et al. 2012) Relevanța telecom este evidentă în scenarii de rețea metropolitană în topologie „stea” și multi-utilizator; există demonstrații în teren ale rețelelor MDI-QKD pe arii metropolitane. (Tang et al. 2016)

QKD twin-field (TF-QKD) și depășirea barierei rată–distanță

În fibre, pierderea crește exponențial cu distanța, iar amplificarea clasică nu se aplică deoarece măsurarea distruge starea cuantică. QKD twin-field (Lucamarini și colab.) a propus un mod de a obține o scalare mai favorabilă a ratei-cheie cu distanța (ca repetor) fără repetori cuantici complet funcționali. (Lucamarini et al. 2018) Progresul experimental a inclus demonstrații de ordinul sutelor până la ~1000 km în fibre (în condiții controlate/laborator), arătând potențialul pentru legături mai lungi decât DV-QKD clasic. (Liu et al. 2023)

QKD cu variabile continue (CV-QKD)

CV-QKD codifică informația în cuadraturi ale câmpului electromagnetic și folosește detecție coerentă (homodină/heterodină), ceea ce o face, în principiu, mai compatibilă cu anumite lanțuri telecom. Literatura de sinteză indică tranziția treptată de la demonstrații de laborator la prototipuri și implementări „in-field”, cu accent pe modelarea zgomotului și analiza finită a cheilor. (Zhang et al. 2024)

Protocolul BB84 (1984)

Este primul și cel mai simplu protocol QKD, propus de Charles Bennett și Gilles Brassard în 1984 (Dam 2019). Alice generează un șir de biți aleatori și îi codifică în fotoni trimiși către Bob, alegând la întâmplare una din două baze de polarizare: baza rectilinie (|, —) pentru biții 0/1 sau baza diagonală (\, /) pentru 0/1. De exemplu, un bit “0” va fi trimis fie ca foton polarizat vertical (|) dacă baza aleasă e rectilinie, fie ca polarizat la 45° dacă baza e diagonală. Bob, la recepție, măsoară fiecare foton în una din cele două baze, alese aleator. După transmitere, Bob comunică public baza folosită la fiecare măsurătoare (dar nu și rezultatul obținut). Alice îi spune în ce cazuri baza aleasă de el coincide cu baza în care a trimis fotonul; acele cazuri (unde baza a fost “corectă”) sunt păstrate – acolo bitul măsurat de Bob ar trebui să corespundă cu cel trimis de Alice – în timp ce cazurile cu baze diferite sunt aruncate. Astfel, se obține un șir de biți comun între Alice și Bob. În continuare, ei folosesc o parte din acești biți pentru a estima rata de eroare pe canal (comparând o mostră prin canalul clasic autentic). Dacă rata de erori depășește un prag, se suspectează prezența unui ascultător clandestin (Eve) care a introdus perturbări măsurând fotonii, și cheia este abandonată. Dacă rata e mică, erorile pot fi corectate prin algoritmi de reconciliere pe canalul public, iar apoi cheia se purifică prin amplificarea confidențialității (se reduc informațiile potențial câștigate de un spion, de exemplu comprimând cheia folosind o funcție hash comună aleator aleasă). Cheia finală rezultată este teoretic sigură. BB84 și-a dovedit robustețea în numeroase experimente și este folosit în primele sisteme comerciale de QKD.

O simulare interactivă a unei implementări optice a protocolului de distribuție a cheilor cuantice BB84 în Laboratorul Virtual de către Quantum Flytrap,[9] disponibilă online. În această configurație optică, biții sunt codificați folosind stările de polarizare ortogonale ale fotonilor. Alice și Bob își selectează bazele de măsurare rotind polarizările cu 0 sau 45 de grade folosind rotatoare Faraday. Detectoarele cu un singur foton măsoară ieșirea după ce fotonii trec printr-un divizor de fascicul polarizant, care separă polarizările. Credit: Pmigdal/Wikimedia Commons, licența CC BY-SA 4.0

Simplitatea sa conceptuală (protocol prepare-and-measure, nu necesită surse de inseparabilitate) îl face ușor de implementat. Provocarea practică principală o reprezintă ratele de erori și pierderile – fotonii se pot pierde în canalul de fibră sau atmosferă, iar detectorii au eficiență limitată și erori de numărare. În plus, dacă sursa lui Alice emite din greșeală mai mulți fotoni pe impuls (fenomen probabil la diode laser intense), securitatea se reduce (un spion ar putea extrage informație din fotonii suplimentari fără perturbare). Multe îmbunătățiri (ex: scheme stări capcană) s-au dezvoltat pentru a atenua aceste probleme (Dam 2019).

Protocolul E91 (1991)

Propus de Artur Ekert, acest protocol folosește perechi inseparate de fotoni în locul celor preparați individual (Dam 2019). O sursă centrală generează perechi de fotoni inseparați (de exemplu în starea Bell 1/√2 (|00⟩+|11⟩) și trimite câte unul către Alice și Bob. Fiecare, la rândul său, măsoară fotonul primit într-una din trei baze posibile (orientări diferite de polarizor, de exemplu 0°, 45°, 90° pentru Alice și 45°, 90°, 135° pentru Bob). Similar ca la BB84, alegerea bazelor este aleatorie și după măsurare cei doi comunică public ce baze au folosit, păstrând doar evenimentele în care alegerile lor de bază au fost compatibile. Datorită inseparabilității, rezultatele măsurătorilor lui Alice și Bob sunt perfect corelate (sau anticorelate) atunci când bazele coincid. Prezența unui ascultător ar introduce decoerență și ar degrada aceste corelații; securitatea protocolului E91 se leagă de încălcarea inegalităților Bell – dacă corelațiile observate de Alice și Bob ating anumite limite, se demonstrează că nu pot fi explicate prin variabile locale ascunse, deci nu a existat o interceptare nedetectată. E91 este elegant din punct de vedere teoretic și leagă direct securitatea de un principiu fundamental (inseparabilitate și non-localitate), însă practic este mai dificil de implementat deoarece necesită o sursă stabilă de fotoni inseparați și măsurători mai complexe.

Pe lângă BB84 și E91, există și alte protocoale QKD (BBM92 – varianta inseparabilității a BB84, SARG04 – o modificare a BB84 mai robustă la unele atacuri, protocolul continuu-variabil CV-QKD care folosește proprietăți analogice ale undelor luminoase, etc.). Dar toate împărtășesc ideea centrală: folosirea cuantelor de lumină pentru a distribui chei secrete cu securitate garantată fizic. Datorită acestor protocoale, criptografia cuantică oferă avantajul unic al detectării imediate a interceptării: orice „atingere” neautorizată a canalului cuantic este trădată de erori sau de scăderea corelațiilor cuantice (Dam 2019). În contrast, într-un schimb de chei clasic (bazat pe RSA, de exemplu), un atacator pasiv poate copia toate mesajele criptate fără știrea nimănui și le poate decripta ulterior, dacă reușește să spargă algoritmul.

Arhitecturi de integrare în rețele de telecomunicații (QKDN)

Principalul beneficiu al criptografiei cuantice (în special al QKD) este securitatea necondiționată teoretică. Protocolul BB84 a fost demonstrat a fi securizat informațional – chiar și un adversar cu putere de calcul nelimitată (chiar și un computer cuantic) nu poate obține cheia fără a introduce perturbări detectabile (Dam 2019). Acest nivel de securitate e foarte atractiv pentru guverne, armată, bănci, sau oricine are nevoie de protejarea comunicațiilor pe termen lung împotriva oricărei breșe viitoare. Un alt avantaj este fiabilitatea pe termen lung: un mesaj criptat prin one-time pad cu o cheie distribuită cu QKD nu poate fi stocat și decriptat ulterior nici măcar de un adversar cu calculator cuantic, deoarece cheia nu a fost niciodată transmisă clasic și nu există un algoritm de criptanaliză de tipul Shor care să spargă principiile fizice (spre deosebire de RSA sau ECC, care pot fi compromise odată ce computerele cuantice devin suficient de puternice) (Dam 2019). În plus, criptografia cuantică oferă și generatori cuantici de numere aleatorii (QRNG) – dispozitive care folosesc procese fizice cuantice fundamental aleatorii (de exemplu, momentul dezintegrării radioactive sau scindarea unui foton pe un divizor de flux) pentru a genera numere aleatorii adevărate, esențiale în chei criptografice puternice.

Implementări practice: QKD a trecut din laborator în lumea reală în ultimele două decenii. Există sisteme comerciale de QKD vândute de companii precum ID Quantique (Elveția) sau QuantumCTek (China), folosite de exemplu de bănci pentru a lega două centre de date cu canal securizat. S-au construit rețele metropolitane de fibre optice cu QKD: SECOQC în Viena (~2008), rețeaua din Beijing (China a investit masiv – au o rețea QKD de 2000 km între Beijing și Shanghai cu noduri intermediare și repetori de încredere, operatională din 2016) (Dam 2019). Un moment istoric a fost în 2017 demonstrarea QKD prin satelit: satelitul chinezesc “Micius” a realizat legături QKD cu stații de la sol la distanțe de peste 1200 km, și chiar a permis distribuirea cheilor între doi observatori de pe continente diferite prin intermediul satelitului (Austria și China) (Dam 2019). Aceasta deschide calea unei rețele globale de comunicare cuantică, în care sateliții acționează ca noduri de distribuție a cheilor la scară mondială. Recent, și agenții din Europa (ESA) sau Canada/Japonia testează legături QKD satelitare. Tehnologia a progresat și în viteză: inițial ratele de biți QKD erau de ordinul kb/s pe zeci de km; astăzi protocoalele CV-QKD au atins Mb/s pe distanțe moderate, iar noile scheme cu repetori cuantici promiși (bazate pe memorii cuantice inseparate) ar putea extinde distanța la mii de km fără satelit.

Legături punct-la-punct și rețele cu „noduri de încredere”

Modelul de implementare cel mai răspândit în practică este: QKD pe segmente relativ scurte + noduri de încredere care „decriptează/recriptează” chei între hop-uri (trust model operațional). ITU-T descrie rețele de distribuție cuantică de chei (QKDN) și aspecte de proiectare/operare/mentenanță. (ITU-T 2019)

Management de chei și interfețe (la nivel de telecom)

Într-o rețea telecom, cheia nu este utilă dacă nu este livrată, contabilizată și consumată controlat. ETSI a standardizat o perspectivă orientată pe interoperabilitate și securitate operațională, incluzând roluri precum Key Management Entity (KME) și Secure Application Entity (SAE) și o interfață tip API pentru livrarea cheilor în aplicații. (ETSI 2019)

Arhitecturi „releu de neîncredere” și evoluția către modele mai puternice

MDI-QKD și, în perspectivă, QKD independentă de dispozitiv (DI-QKD) urmăresc reducerea ipotezelor despre dispozitive (adică exact punctul sensibil în implementări). Există dovezi și demonstrații că DI-QKD poate fi securizată prin violarea inegalităților Bell, dar rămâne mai dificilă tehnologic (rate, eficiențe, chei finite). (Masanes et al. 2011)

Standardizare și inițiative de infrastructură

ETSI ISG QKD și documente asociate

ETSI operează un grup dedicat QKD pentru interfețe, cerințe de securitate, caracterizare optică și interoperabilitate, vizând integrarea robustă în rețele de telecomunicații. (Dahmen-Lhuissier 2026) Un exemplu concret de livrabil orientat pe integrare este specificația ETSI pentru API-ul de livrare a cheilor în rețea. (ETSI 2019)

ITU-T Y.3800: rețele care suportă QKD

ITU-T a publicat recomandări pentru o vedere de ansamblu asupra rețelelor care suportă QKD (QKDN), incluzând considerații de proiectare și operare. (ITU-T 2019)

EuroQCI și testbed-uri (OPENQKD)

Uniunea Europeană promovează o infrastructură pan-europeană de comunicații cuantice (EuroQCI) cu scopul de a furniza comunicații sigure la nivelul UE. (European Commission 2026a) În paralel, inițiative de tip testbed (ex. OPENQKD) urmăresc demonstrarea integrării și a cazurilor de utilizare în rețele și sectoare critice; proiectul este documentat inclusiv prin CORDIS (platforma oficială UE pentru R&D). (European Commission 2026b)

QKD în fibră și în spațiu liber: constrângeri fizice și opțiuni de acoperire

Fibră optică (metropolitan, regional, backbone)

În fibra telecom, pierderile și zgomotele impun limitări dure asupra distanței și ratei. Progrese precum TF-QKD încearcă să împingă limitele fără repetori cuantici maturi. (Lucamarini et al. 2018) Pentru integrarea practică, contează compatibilitatea cu infrastructuri existente (de ex. coexistență cu canale clasice), precum și stabilitatea fazei și sincronizarea în rețele reale.

Sateliți și legături spațiu–sol

Pentru distanțe foarte mari, sateliții reduc efectul pierderilor deoarece mare parte a traseului este în spațiu (nu în mediu absorbant). Experimentul „Micius” a demonstrat QKD satelit–sol în Nature și distribuție de entanglement pe ~1200 km în Science, marcând un prag simbolic pentru comunicații cuantice globale. (Liao et al. 2017)

Provocări deschise și direcții viitoare

Deși QKD oferă securitate teoretică impecabilă, în practică există numeroase provocări care limitează utilizarea pe scară largă:

Distanță și atenuare

Fotonii se pierd în fibră (aprox. 0,2 dB/km în fibra optică standard la 1550 nm) și sunt limitați și de curbura Pământului pentru liniile terestre. Fără dispozitive cuantice intermediare, distanța maximă directă de QKD prin fibră este de ordinul ~100 km înainte ca rata de erori să devină prea mare din cauza pierderilor. În lipsa unui repetor cuantic (care ar amplifica sau reface starea fără a o măsura – încă imposibil cu tehnologia actuală din cauza non-clonării), rețelele actuale recurg la noduri de încredere unde cheia este decriptată și re-criptată; aceste noduri însă devin verigi slabe din perspectiva securității (trebuie securizate fizic). Repetorii cuantici (bazați pe memorii cuantice inseparate) sunt în dezvoltare experimentală, dar n-au ajuns încă la maturitate.

Vulnerabilități ale implementării (atacuri pe canal lateral)

Deși principiul e sigur, echipamentele reale pot avea imperfecțiuni. Au fost demonstrate atacuri pe QKD exploatând, de exemplu, scurgeri de informație prin intensitatea pulsului, prin momentul de detectare sau prin „orbirea” detectorilor lui Bob cu un laser puternic pentru a forța un anumit comportament (atacul „blinding”). Aceste atacuri nu încalcă teoria, ci profită de detalii de implementare. Soluția constă în protocoale mai robuste (ex: măsuri de calibrare permanentă, detectarea stării de funcționare a detectorilor, etc.) și în standardizarea dispozitivelor QKD. Comunitatea lucrează activ la securitatea la nivel de sistem, nu doar la nivel teoretic, pentru a preveni astfel de breșe.

Integrarea cu infrastructura existentă

QKD necesită conexiuni optice dedicate sau linii de vedere pentru lasere, și echipament specializat (surse de fotoni individuali sau perechi inseparate, modulatoare, detectoare ultrasensibile). Acestea sunt costisitoare și necesită mentenanță. Pentru a fi adoptată pe scară largă, criptografia cuantică trebuie să devină mai accesibilă tehnologic și să se integreze cu rețelele de telecomunicații convenționale. Un pas în direcția asta este folosirea multiplexării pe aceleași fibre (trimiterea fotonilor cuantici la lungimi de undă diferite de cele ale traficului de date convențional). De asemenea, standardizarea este în curs – organisme precum ETSI și IEEE lucrează la standarde pentru QKD, iar Agenția Națională de Securitate (NSA) din SUA investighează utilizarea QKD în medii guvernamentale (Dam 2019).

Securitate reală: între „securitate necondiționată” și ingineria vulnerabilităților

Un mesaj esențial pentru telecom este că securitatea QKD este teoretică sub anumite ipoteze, în timp ce sistemele reale sunt sisteme fizice: lasere, modulatoare, detectoare, firmware, timing, calibrare. Un exemplu celebru este atacul de tip „detector blinding” demonstrat pe sisteme comerciale, care arată cum un adversar poate exploata comportamentul detectorilor pentru a compromite cheia fără a induce erori detectabile în parametrii standard. (Lydersen et al. 2010)

De aici rezultă o direcție majoră în standardizare: metodologii de securitate de implementare, evaluarea canalelor laterale și cerințe de testare/certificare. ETSI subliniază explicit nevoia de a atenua canale laterale și atacuri active, tocmai pentru a face QKD „implementabil” în telecom. (ETSI 2026)

Direcții viitoare

  1. Scalare și cost: echipamente fotonice, stabilizare, sincronizare, operare.
  2. Distanță fără noduri de încredere: repetorii cuantici sunt încă în dezvoltare; TF-QKD și arhitecturi MDI reduc unele ipoteze, dar cresc complexitatea. (Lucamarini et al. 2018)
  3. Securitate de implementare: „hackingul cuantic” rămâne un risc practic; standardele și certificarea vor decide credibilitatea comercială. (Lydersen et al. 2010)
  4. Interoperabilitate telecom-grade: management de chei, SLA, integrare cu TLS/IPsec și orchestrare de rețea (SDN/NFV) – domeniu unde ETSI/ITU-T sunt determinante. (ETSI 2019)

Complementaritate cu criptografia post-cuantică (PQC)

Un aspect conceptual este că, deși QKD oferă soluția ideală la amenințarea calculatoarelor cuantice asupra criptografiei clasice, implementarea sa este complexă. În ciuda atractivității teoretice a QKD, unele instituții guvernamentale au recomandat orientarea către criptografie post-cuantică în detrimentul distribuirii cuantice de chei, invocând constrângeri de infrastructură, cost, scalabilitate și riscuri de implementare. Concluzia de ansamblu este una echilibrată: criptografia cuantică oferă mecanisme cu potențial de securitate foarte ridicată (în special pentru distribuția de chei), dar impactul ei practic depinde decisiv de ipoteze operaționale, de calitatea implementării și de fezabilitatea infrastructurii.

În criptografia post-cuantică (PQC) – algoritmi clasici (pe bază de teoria numerelor, rețele, coduri etc.) rezistenți cunoscuților algoritmi cuantici – este o alternativă pur software, deci mult mai ușor de distribuit. Deja standarde PQC au fost selectate (de ex. Kyber pentru schimb de chei, Dilithium pentru semnături digitale, în 2022). Unii experți consideră că PQC va rezolva în mare parte problema securității, limitând aplicațiile criptografiei cuantice la nișe unde securitatea absolută e esențială. Alții argumentează că QKD plus one-time-pad oferă siguranță informațională reală, dincolo de modelul computațional, deci merită folosit măcar pentru infrastructuri critice. Probabil ambele vor coexista: PQC va securiza internetul public, în timp ce legături guvernamentale, militare sau financiare foarte sensibile pot folosi și QKD ca strat suplimentar de securitate.

Spre deosebire de QKD (care schimbă mecanismul de distribuire a cheilor), PQC păstrează paradigma software/algoritmică, dar folosește probleme matematice considerate rezistente la atacuri cu calculatoare cuantice. NIST a publicat standarde finale (FIPS) pentru primele scheme PQC (ex. ML-KEM/Kyber, ML-DSA/Dilithium, SLH-DSA/SPHINCS+) și încurajează tranziția. (NIST 2017)

În arhitecturi telecom realiste, un model pragmatic este hibridizarea:

  • QKD pentru generare/refresh de chei simetrice în zone unde există infrastructură cuantică disponibilă și justificare economică;
  • PQC pentru compatibilitate largă (endpoints numeroase, fără echipamente optice speciale) și, frecvent, pentru autentificare/semnături în canalul clasic al QKD (în funcție de modelul de amenințare).

ITU-T discută tocmai rolul QKDN în servicii criptografice end-to-end împreună cu criptografie non-cuantică. (ITU 2023)

Concluzii

În concluzie, criptografia cuantică reprezintă prima aplicație practică a tehnologiilor cuantice în domeniul securității informatice. Deja demonstrează posibilitatea realizării de comunicații absolut sigure, însă pentru generalizare mai are de depășit provocări de ordin tehnic (distanță, rată de biți, standardizare) și economic (costuri, scalabilitate).

Criptografia cuantică, în forma sa dominantă QKD, oferă telecomunicațiilor o cale alternativă de distribuție a cheilor, fundamentată fizic, cu promisiunea unei securități robuste în fața adversarilor foarte puternici. În practică, valoarea ei depinde de arhitectură (de încredere vs de neîncredere), de ingineria implementării (canale laterale), de standardizare (ETSI/ITU-T) și de integrarea cu criptografia clasică, inclusiv cu PQC. Cel mai realist traseu pe termen scurt și mediu este unul hibrid, în care QKD completează, nu înlocuiește, soluțiile criptografice clasice, acolo unde infrastructura și modelul de risc o justifică.

Bibliografie

  • Bennett, Charles H., și Gilles Brassard. 2014. „Quantum cryptography: Public key distribution and coin tossing”. Theoretical Computer Science 560 (decembrie): 7-11. https://doi.org/10.1016/j.tcs.2014.05.025.
  • Dahmen-Lhuissier, Sabine. 2026. „Industry Specification Group (ISG) on Quantum Key Distribution (QKD)”. ETSI. https://www.etsi.org/committee/qkd.
  • Dam, Samudrapom. 2019. „What Is Quantum Cryptography?” AZoQuantum, iulie 10. https://www.azoquantum.com/Article.aspx?ArticleID=117.
  • Ekert, Artur K. 1991. „Quantum cryptography based on Bell’s theorem”. Physical Review Letters 67 (6): 661-63. https://doi.org/10.1103/PhysRevLett.67.661.
  • ETSI. 2019. „Quantum Key Distribution (QKD); Protocol and data format of REST-based key delivery API”. https://www.etsi.org/deliver/etsi_gs/QKD/001_099/014/01.01.01_60/gs_qkd014v010101p.pdf.
  • ETSI. 2026. „Quantum Key Distribution (QKD)”. ETSI. https://www.etsi.org/technologies/quantum-key-distribution?utm_source=chatgpt.com.
  • European Commission. 2026a. „European Quantum Communication Infrastructure – EuroQCI | Shaping Europe’s Digital Future”. https://digital-strategy.ec.europa.eu/en/policies/european-quantum-communication-infrastructure-euroqci.
  • European Commission. 2026b. „Open European Quantum Key Distribution Testbed | OPENQKD | Project | Fact Sheet | H2020”. CORDIS | European Commission. https://cordis.europa.eu/project/id/857156.
  • Gisin, Nicolas, Grégoire Ribordy, Wolfgang Tittel, și Hugo Zbinden. 2002. „Quantum cryptography”. Reviews of Modern Physics 74 (1): 145-95. https://doi.org/10.1103/RevModPhys.74.145.
  • Huang, Dazu, Zhigang Chen, Ying Guo, și Moon Ho Lee. 2007. „Quantum Secure Direct Communication Based on Chaos with Authentication”. Journal of the Physical Society of Japan 76 (12): 124001. https://doi.org/10.1143/JPSJ.76.124001.
  • ITU. 2023. „ITU-T Y.3800 series – Quantum key distribution networks – Role in end-to-end cryptographic services with non-quantum cryptography”. https://www.itu.int/rec/dologin_pub.asp?id=T-REC-Y.Sup79-202311-I%21%21PDF-E&lang=e&type=items.
  • ITU-T. 2019. „Overview on networks supporting quantum key distribution”. https://www.itu.int/rec/dologin_pub.asp?id=T-REC-Y.3800-201910-I%21%21PDF-E&lang=e&type=items.
  • Kent, Adrian, William J. Munro, și Timothy P. Spiller. 2011. „Quantum tagging: Authenticating location via quantum information and relativistic signaling constraints”. Physical Review A 84 (1): 012326. https://doi.org/10.1103/PhysRevA.84.012326.
  • Konig, Robert, Stephanie Wehner, și Jürg Wullschleger. 2012. „Unconditional Security From Noisy Quantum Storage”. IEEE Transactions on Information Theory 58 (3): 1962-84. https://doi.org/10.1109/TIT.2011.2177772.
  • Liao, Sheng-Kai, Wen-Qi Cai, Wei-Yue Liu, et al. 2017. „Satellite-to-Ground Quantum Key Distribution”. Nature 549 (7670): 43-47. https://doi.org/10.1038/nature23655.
  • Liu, Yang, Wei-Jun Zhang, Cong Jiang, et al. 2023. „Experimental Twin-Field Quantum Key Distribution over 1000 km Fiber Distance”. Physical Review Letters 130 (21): 210801. https://doi.org/10.1103/PhysRevLett.130.210801.
  • Lo, Hoi-Kwong, Marcos Curty, și Bing Qi. 2012. „Measurement-Device-Independent Quantum Key Distribution”. Physical Review Letters 108 (13): 130503. https://doi.org/10.1103/PhysRevLett.108.130503.
  • Lo, Hoi-Kwong, Xiongfeng Ma, și Kai Chen. 2005. „Decoy State Quantum Key Distribution”. Physical Review Letters 94 (23): 230504. https://doi.org/10.1103/PhysRevLett.94.230504.
  • Lucamarini, Marco, Zhiliang Yuan, James F. Dynes, și Andrew J. Shields. 2018. „Overcoming the rate-distance barrier of quantum key distribution without using quantum repeaters”. Nature 557 (7705): 400-403. https://doi.org/10.1038/s41586-018-0066-6.
  • Lydersen, Lars, Carlos Wiechers, Christoffer Wittmann, Dominique Elser, Johannes Skaar, și Vadim Makarov. 2010. „Hacking commercial quantum cryptography systems by tailored bright illumination”. Nature Photonics 4 (10): 686-89. https://doi.org/10.1038/NPHOTON.2010.214.
  • Masanes, Lluís, Stefano Pironio, și Antonio Acín. 2011. „Secure Device-Independent Quantum Key Distribution with Causally Independent Measurement Devices”. Nature Communications 2 (1): 238. https://doi.org/10.1038/ncomms1244.
  • NIST. 2017. „PQC Standardization Process – Post-Quantum Cryptography | CSRC | CSRC”. CSRC | NIST, ianuarie 3. https://csrc.nist.gov/projects/post-quantum-cryptography/post-quantum-cryptography-standardization.
  • Renner, Renato, și Ramona Wolf. 2023. „Quantum Advantage in Cryptography”. AIAA Journal 61 (5): 1895-910. https://doi.org/10.2514/1.J062267.
  • Scarani, Valerio, Helle Bechmann-Pasquinucci, Nicolas J. Cerf, Miloslav Dušek, Norbert Lütkenhaus, și Momtchil Peev. 2009. „The security of practical quantum key distribution”. Reviews of Modern Physics 81 (3): 1301-50. https://doi.org/10.1103/RevModPhys.81.1301.
  • Shor, Peter W., și John Preskill. 2000. „Simple Proof of Security of the BB84 Quantum Key Distribution Protocol”. Physical Review Letters 85 (2): 441-44. https://doi.org/10.1103/PhysRevLett.85.441.
  • Takeoka, Masahiro, Saikat Guha, și Mark M. Wilde. 2014. „Fundamental Rate-Loss Tradeoff for Optical Quantum Key Distribution”. Nature Communications 5 (1): 5235. https://doi.org/10.1038/ncomms6235.
  • Tang, Yan-Lin, Hua-Lei Yin, Qi Zhao, et al. 2016. „Measurement-Device-Independent Quantum Key Distribution over Untrustful Metropolitan Network”. Physical Review X 6 (1): 011024. https://doi.org/10.1103/PhysRevX.6.011024.
  • Zhang, Yichen, Yiming Bian, Zhengyu Li, Song Yu, și Hong Guo. 2024. „Continuous-variable quantum key distribution system: A review and perspective”. https://arxiv.org/pdf/2310.04831v2.

1 … 6 7 8 9 10 11 12 … 47