Calitate înaintea cantității: cum se definește, se verifică și se măsoară calificarea lead-urilor cu inteligență artificială în B2B

Rezumat

Studiul descrie metoda prin care se definește, se verifică și se măsoară calificarea lead-urilor într-un sistem care folosește inteligența artificială pentru identificarea și filtrarea potențialilor clienți pe piața business-to-business din România. Întrebarea de la care pornește este ce diferență produce un astfel de sistem față de prospectarea clasică și cum poate fi măsurată această diferență fără a confunda volumul de contacte cu rezultatul comercial. Contextul internațional arată că modelele predictive de scorare sunt promovate ca succesoare ale celor tradiționale, dar impactul lor asupra vânzărilor este puțin documentat, că efectele inteligenței artificiale asupra productivității sunt inegale și că dezvăluirea folosirii ei are un cost comercial, devenit între timp și obligație legală. Metoda are cinci etape. Studiul nu raportează rezultate de client și propune un protocol de 90 de zile, cu grup de comparație.

1. Întrebarea de cercetare și unitatea de analiză

În tradiția metodologică a studiului de caz formulată de Robert K. Yin, un studiu pornește de la o întrebare de tip „cum” sau „de ce” și își delimitează clar unitatea de analiză [1]. Întrebarea acestui studiu este următoarea: ce diferență produce un sistem bazat pe inteligență artificială de identificare și calificare a lead-urilor față de prospectarea clasică, făcută manual de vânzători, și cum se poate măsura onest această diferență, în lead-uri calificate, în costul și în timpul necesar pentru o întâlnire, fără a confunda volumul cu rezultatul?

Un sistem automat poate produce rapid liste lungi de contacte, mesaje trimise și răspunsuri. Aceste cifre descriu activitatea sistemului. Studiul tratează drept rezultat doar lead-ul care îndeplinește o definiție operațională stabilită dinainte, întâlnirea efectiv ținută cu un astfel de lead și oportunitatea comercială care urmează.

Unitatea de analiză este metoda de lucru, nu un client anume. Studiul este un studiu de metodă: descrie procedura aplicată de autor prin EKO GROUP, o raportează la cercetarea internațională disponibilă și propune un protocol de măsurare. Nu conține date de client, campanii, rezultate măsurate sau estimări de rentabilitate. Perioada de referință pentru sursele consultate este 2011-2026, iar verificarea surselor a fost făcută la 18 octombrie 2026.

EKO GROUP este activ pe piață din 2014, potrivit autorului [2]. Ecosistemul de servicii descris de autor include platforma de publicații EkoPress.ro [3] și o aplicație bazată pe inteligență artificială pentru identificarea și calificarea lead-urilor B2B [4]. Datele despre companie sunt autodeclarate și nu au fost verificate independent.

Studiul nr. 5 din această serie a tratat social selling-ul pe LinkedIn, regulile platformei și cadrul GDPR; acele aspecte nu sunt reluate aici. Termenul lead desemnează o persoană dintr-o companie, identificată ca potențial cumpărător; lead calificat este definit operațional în secțiunea 4.2.

2. Contextul internațional

Foto: Kindel Media / Pexels

2.1. Scorarea lead-urilor: tradițională și predictivă

Cea mai cuprinzătoare sinteză identificată pentru acest studiu este recenzia sistematică publicată de Wu, Andreev și Benyoucef în Information Technology and Management [5]. Autorii definesc scorarea lead-urilor (lead scoring) drept un mod de a măsura calitatea lead-urilor și notează că ea poate atenua conflictele dintre echipele de vânzări și cele de marketing [5]. Recenzia distinge două clase de modele: tradiționale, construite pe experiența vânzătorilor și a marketerilor, și predictive, construite prin tehnici de data mining și machine learning [5].

Recenzia a inclus 44 de studii și a identificat 14 metrici prin care poate fi descris impactul scorării asupra performanței de vânzări [5]. Autorii arată că modelele predictive sunt așteptate să le înlocuiască pe cele tradiționale, în ciuda costului relativ de implementare și de întreținere [5]. Aceeași recenzie constată însă că se știe puțin despre impactul acestor modele asupra performanței de vânzări [5]. Constatările sunt preluate din rezumatul autorilor, citit într-o copie arhivată, deoarece pagina editurii a refuzat accesul automat.

Pentru metodă, rezultă două lucruri: un model predictiv nu este prin el însuși o dovadă de performanță, iar metricile raportate trebuie alese dinainte, fiindcă nici literatura nu folosește una singură.

2.2. Frontiera zimțată a sarcinilor

Un experiment de teren preînregistrat, realizat de Dell'Acqua și colaboratorii cu 758 de consultanți ai Boston Consulting Group și publicat ca document de lucru al Harvard Business School, a comparat lucrătorii cu și fără acces la inteligență artificială [6]. Pentru 18 sarcini aflate în interiorul a ceea ce autorii numesc „frontiera” capacităților tehnologiei, participanții cu acces la inteligență artificială au finalizat în medie cu 12,2% mai multe sarcini, cu 25,1% mai repede și cu o calitate semnificativ mai bună [6]. Pentru o sarcină managerială complexă, aleasă în afara frontierei, cei care au folosit inteligența artificială au avut cu 19% mai puține șanse să ajungă la soluția corectă decât cei fără acces [6].

Autorii numesc această limită „frontieră tehnologică zimțată”: sarcini aparent asemănătoare pot fi de o parte sau de alta a ei [6]. În calificarea lead-urilor, filtrarea după criterii explicite și redactarea unei prime versiuni de mesaj par să se afle în interiorul frontierei; aprecierea dacă un interlocutor are o nevoie reală și autoritatea de a decide implică judecată pe informație incompletă și poate fi în afara ei. Studiul nu afirmă că această împărțire a fost testată în prospectarea B2B; o folosește ca ipoteză de lucru pentru a decide unde intervine omul.

2.3. Câștiguri de productivitate inegale

Studiul lui Brynjolfsson, Li și Raymond, publicat ca document de lucru NBER, a analizat introducerea unui asistent bazat pe inteligență artificială generativă într-o echipă de suport pentru clienți [7]. Potrivit rezumatului, accesul la instrument a crescut productivitatea, măsurată în cazuri rezolvate pe oră, cu 14% în medie, cu o îmbunătățire de 34% pentru lucrătorii începători și cu calificare redusă [7].

Contextul este suportul pentru clienți, nu vânzarea, iar rezultatul nu se transferă direct. Se poate prelua observația de structură: efectul mediu ascunde diferențe mari între persoane, deci efectul se raportează separat pe niveluri de experiență, acolo unde datele permit.

2.4. Dezvăluirea folosirii inteligenței artificiale

Experimentul de teren al lui Luo, Tong, Fang și Qu, publicat în Marketing Science, a analizat peste 6.200 de clienți ai unei companii, cărora li s-au făcut apeluri de vânzare outbound puternic structurate, alocate aleatoriu fie unui chatbot, fie unor operatori umani [8]. Potrivit rezumatului, chatbotul nedezvăluit a fost la fel de eficient ca lucrătorii pricepuți și de patru ori mai eficient decât cei neexperimentați [8]. Dezvăluirea identității chatbotului înainte de conversație a redus rata de cumpărare cu peste 79,7% [8]. Clienții au devenit mai expeditivi și au perceput botul ca mai puțin competent și mai puțin empatic [8]. Autorii arată că efectul negativ poate fi atenuat prin dezvăluirea mai târzie și că depinde de experiența anterioară a clientului cu inteligența artificială [8]. Rezumatul a fost citit într-o copie arhivată, deoarece pagina editurii a refuzat accesul automat.

Experimentul privește vânzarea către consumatori prin telefon, nu prospectarea B2B, și a fost publicat în 2019. Pentru metodă, el arată o tensiune: dezvăluirea poate avea un cost comercial, iar un sistem optimizat doar pentru rată de răspuns ar putea fi împins spre nedezvăluire.

2.5. Obligația de transparență din AI Act

Tensiunea de mai sus este tranșată, pentru piața europeană, de Regulamentul (UE) 2024/1689 privind inteligența artificială. Art. 50 alin. (1) prevede că furnizorii se asigură că sistemele de inteligență artificială destinate să interacționeze direct cu persoane fizice sunt proiectate astfel încât persoanele în cauză să fie informate că interacționează cu un sistem de inteligență artificială, cu excepția cazului în care acest lucru este evident pentru o persoană rezonabil de bine informată, atentă și avizată [9]. Potrivit art. 113, regulamentul se aplică de la 2 august 2026, cu excepțiile enumerate la lit. a)-c), printre care art. 50 nu se află [9].

Prin urmare, de la această dată, efectul comercial al dezvăluirii documentat de Luo și colaboratorii nu mai poate fi tratat ca variabilă de optimizare acolo unde interacțiunea intră sub incidența art. 50. Studiul citează textul publicat în 2024; eventualele modificări ulterioare trebuie verificate în versiunea consolidată. Citarea are caracter orientativ și nu constituie consultanță juridică. Încadrarea concretă a unui sistem (dacă interacționează direct cu persoane, cine este furnizor, cine este implementator) se stabilește cu un specialist.

2.6. Viteza de răspuns

Un articol publicat în 2011 în Harvard Business Review de Oldroyd, McElheran și Elkington, intitulat „The Short Life of Online Sales Leads”, susține că majoritatea companiilor nu răspund suficient de repede lead-urilor online [10]. Studiul de față nu preia cifre de timp de răspuns din acest articol, deoarece ele nu apar în textul accesibil consultat. Ideea reținută este doar că timpul dintre manifestarea interesului și răspuns trebuie măsurat, nu presupus.

2.7. Lacuna de cercetare

Sursele identificate susțin mecanisme generale, nu efectul unui sistem complet de identificare și calificare în prospectarea B2B din România asupra întâlnirilor. Cifrele furnizorilor de instrumente nu sunt folosite ca dovadă; protocolul din secțiunea 4 urmărește ca fiecare utilizator să își producă propriile date.

3. Metoda EKO pas cu pas

Metoda reflectă practica autorului în proiectele derulate prin EKO GROUP [2] și se sprijină pe aplicația de generare de lead-uri descrisă public de companie. Potrivit ekogroup.ro, aplicația presupune 35 de cereri de conectare pe zi, urmate de un flux automat de șase mesaje, iar pagina afirmă că lead-urile sunt „calificate până la 90%” [4]. Aceeași pagină explică rata prin faptul că nouă din zece lead-uri generate ar corespunde profilului clientului ideal: industria, funcția și interesul demonstrat [4]. Pagina nu publică metodologia de calcul, numitorul sau perioada, iar cifrele sunt autodeclarate. Potrivit autorului, ritmul intern estimat este de 20-70 de lead-uri pe lună pentru un cont, estimare din documente interne, fără metodologie publicată [2]. Studiul nu folosește aceste cifre ca rezultate, ci ca exemplu al motivului pentru care definiția calificării trebuie fixată înainte de orice raportare.

3.1. Definiția operațională a lead-ului calificat

Prima etapă stabilește, în scris și înainte de pornire, ce înseamnă „calificat”. Fără această etapă, același cuvânt poate desemna lucruri diferite: o persoană care corespunde unui profil, o persoană care a răspuns sau o persoană care are o nevoie și un buget.

Metoda separă trei niveluri:

• Potrivirea de profil. Persoana corespunde criteriilor de țintire: industria, funcția, nivelul de decizie, dimensiunea companiei, zona.
• Semnalul de interes. Persoana a răspuns cu conținut, a pus o întrebare sau a acceptat un pas următor.
• Calificarea comercială. Într-o conversație cu un om s-a confirmat existența unei nevoi, a unui orizont de timp și a rolului interlocutorului în decizie.

Doar al treilea nivel este numit în acest studiu „lead calificat”. Primele două sunt etape intermediare și se raportează separat. Distincția este necesară deoarece o rată de calificare calculată la nivelul potrivirii de profil poate fi ridicată chiar și când puține conversații ajung la o întâlnire.

Etapa se încheie cu o fișă de definiții, semnată de responsabilul de vânzări și de cel de marketing. Wu și colaboratorii notează că scorarea poate atenua conflictele dintre cele două funcții [5]; fișa comună este condiția practică pentru acest lucru.

3.2. Identificarea și filtrarea asistate de inteligență artificială

A doua etapă construiește lista de lead-uri. Sistemul filtrează și ordonează persoanele după criteriile din fișa de definiții. Aceasta este zona în care, potrivit ipotezei de lucru din secțiunea 2.2, inteligența artificială poate aduce cel mai mult: aplicarea unor criterii explicite pe un volum mare.

Metoda impune trei reguli: fiecare persoană din listă se justifică prin criteriile fișei, nu printr-un scor opac; excluderile (clienți actuali, concurenți, persoane care au refuzat) se aplică înaintea oricărui contact; un eșantion este verificat manual înainte de pornire.

Pentru regulile de prospectare pe LinkedIn și pentru cadrul de protecție a datelor, metoda trimite la studiul nr. 5 din această serie și la sursele citate acolo [11].

3.3. Scorarea: de la reguli la model

A treia etapă ordonează lead-urile după probabilitatea de a deveni calificate. Metoda pornește de la scorarea tradițională, în sensul lui Wu și colaboratorii [5]: o grilă de puncte stabilită de vânzători, pe criterii explicite (potrivirea funcției, dimensiunea companiei, semnalele de interes).

Trecerea la un model predictiv se face doar când există suficiente lead-uri proprii cu deznodământ cunoscut. Ea se tratează ca schimbare de metodă, cu dată, iar cele două grile rulează o perioadă în paralel, pentru a vedea dacă modelul ordonează lead-urile mai bine decât regulile. Recenzia citată arată că acest tip de comparație lipsește în mare parte din literatură [5]; metoda îl face obligatoriu la nivel de utilizator.

3.4. Omul în buclă

A patra etapă stabilește unde decide omul. Sistemul poate identifica, ordona și redacta prima versiune a mesajelor. Calificarea comercială, adică decizia că o persoană are o nevoie reală și merită o întâlnire, rămâne la un om.

Justificarea are trei componente: în afara frontierei, folosirea inteligenței artificiale a redus probabilitatea unei soluții corecte [6]; efectul diferă după experiența persoanei [7]; există obligația de transparență din secțiunea 2.5 [9].

În practică, din momentul în care o persoană răspunde, conversația este preluată de un om, secvența automată se oprește, iar orice mesaj generat de sistem este revizuit înainte de trimitere. Folosirea inteligenței artificiale este comunicată interlocutorului acolo unde interacțiunea intră sub incidența art. 50 din AI Act [9]. Metoda nu folosește întârzierea dezvăluirii, descrisă de Luo și colaboratorii ca mod de atenuare a efectului negativ [8], ca tehnică de optimizare.

3.5. Viteza de răspuns și calendarul

A cincea etapă fixează timpii. Pentru fiecare lead care manifestă interes se înregistrează momentul semnalului și momentul primului răspuns uman. Metoda nu stabilește un prag de timp pe baza literaturii, din motivul explicat în secțiunea 2.6 [10], ci cere ca timpul să fie măsurat și raportat.

Calendarul acoperă 90 de zile, cu un punct zero, măsurători săptămânale ale activității și lunare ale rezultatelor. Orice ajustare făcută pe parcurs (schimbarea criteriilor, a grilei de scorare, a mesajelor) se notează cu data, pentru a putea fi separată de efectul sistemului.

4. Indicatori recomandați și măsurare

Foto: Tima Miroshnichenko / Pexels

Indicatorii de mai jos sunt propuși ca protocol, nu ca rezultate. Ei formează o pâlnie, iar numitorul fiecărei rate se precizează explicit.

4.1. Indicatorii pâlniei

• Lead-urile identificate. Numărul de persoane intrate în listă după aplicarea criteriilor și a excluderilor. Indicator de activitate.
• Rata de potrivire de profil. Lead-urile care, la verificarea manuală a unui eșantion, corespund tuturor criteriilor de profil, împărțite la lead-urile din eșantion.
• Rata semnalelor de interes. Lead-urile care au răspuns cu conținut sau au acceptat un pas următor, împărțite la lead-urile contactate.
• Lead-urile calificate. Lead-urile care îndeplinesc toate criteriile din secțiunea 4.2. Este indicatorul principal.
• Întâlnirile. Întâlnirile efectiv ținute, nu doar programate, cu lead-uri calificate.
• Oportunitățile. Situațiile în care, după întâlnire, există o cerere de ofertă sau o nevoie formulată, cu data și stadiul fiecăreia.

Ca indicatori de control se urmăresc refuzurile explicite, plângerile și cazurile în care calificarea dată de sistem a fost infirmată de om.

4.2. Criteriile pentru un lead calificat

Un lead este calificat doar dacă îndeplinește toate criteriile fixate la punctul zero. Setul minim propus, adaptabil doar înainte de începerea perioadei:

• persoana corespunde profilului din fișa de definiții;
• persoana are rol de decizie sau influență directă asupra deciziei de cumpărare în domeniul vizat;
• într-o conversație cu un om, persoana a confirmat o nevoie legată de serviciul oferit;
• există un orizont de timp declarat sau acordul pentru o întâlnire.

Criteriile se aplică de o persoană, nu de sistem. O a doua persoană verifică un eșantion, iar proporția cazurilor în care cele două evaluări coincid se raportează ca indicator de fiabilitate a calificării.

4.3. Costul și timpul pe întâlnire

Diferența dintre sistemul asistat de inteligență artificială și prospectarea clasică se exprimă în doi indicatori de eficiență:

• Timpul pe întâlnire. Totalul orelor de lucru ale echipei pentru identificare, scorare, mesaje și conversații în perioada măsurată, împărțit la numărul de întâlniri ținute cu lead-uri calificate. Orele se înregistrează săptămânal, pe activități.
• Costul pe întâlnire. Costul total al perioadei (orele de lucru valorizate la costul intern, plus costul instrumentelor și al serviciilor externe), împărțit la numărul de întâlniri ținute cu lead-uri calificate.

Ambii indicatori se calculează la fel pentru grupul care folosește sistemul și pentru grupul de comparație. Un cost pe lead identificat sau pe mesaj trimis nu este un substitut: el scade odată cu volumul, chiar dacă numărul de întâlniri nu crește.

4.4. Perioada și grupul de comparație

Perioada de măsurare este de 90 de zile. Pentru ca o diferență să poată fi atribuită sistemului, rezultatele se compară cu o referință. Variantele, în ordinea preferinței:

• Împărțirea aleatorie a listei eligibile. Lead-urile care corespund criteriilor se împart aleatoriu în două grupuri. Primul este tratat cu sistemul asistat de inteligență artificială, al doilea prin prospectare clasică, de aceeași echipă, în aceeași perioadă. Se compară lead-urile calificate, întâlnirile, timpul și costul pe întâlnire.
• Împărțirea echipei. O parte a vânzătorilor lucrează cu sistemul, cealaltă fără, pe liste comparabile. Diferențele dintre persoane limitează comparabilitatea; ținând cont de secțiunea 2.3, grupurile se echilibrează după experiență.
• O perioadă de referință. Aceiași indicatori, aceeași echipă, într-o perioadă anterioară de 90 de zile, fără sistem. Varianta este cea mai slabă, deoarece contextul pieței se schimbă.

Fără una dintre aceste referințe, rezultatele pot descrie ce s-a întâmplat, dar nu pot susține că sistemul a produs efectul.

4.5. Validarea scorului

Pentru fiecare lead se păstrează scorul primit la intrarea în listă. La finalul perioadei, lead-urile se împart în grupe după scor, iar pentru fiecare grupă se calculează proporția lead-urilor care au devenit calificate. Dacă proporția nu crește odată cu scorul, scorarea nu ordonează lead-urile după calitate, indiferent cât de sofisticat este modelul. Când rulează în paralel o grilă tradițională și un model predictiv (etapa 3.3), comparația se face pe aceleași lead-uri.

4.6. Raportarea

Raportul final prezintă pentru fiecare indicator numărătorul, numitorul și perioada, nu doar procentul. Rata de calificare se raportează separat pe cele trei niveluri din secțiunea 3.1. Raportul include cifrele nefavorabile și separă faptele măsurate de interpretare.

5. Limitele studiului

Studiul are limite care trebuie spuse deschis.

Lipsa datelor de client. Studiul descrie o metodă și nu demonstrează un efect. Nu conține date măsurate dintr-o implementare reală, deci nu poate susține că metoda produce un anumit număr de lead-uri calificate, întâlniri sau contracte.

Lacuna de cercetare. Recenzia lui Wu și colaboratorii constată că se știe puțin despre impactul modelelor de scorare asupra performanței de vânzări [5]. Nu a fost identificată o sursă peer-reviewed care să măsoare efectul unui sistem complet de identificare și calificare asistat de inteligență artificială în prospectarea B2B.

Transferul rezultatelor. Studiul lui Brynjolfsson și colaboratorii privește suportul pentru clienți [7], cel al lui Dell'Acqua și colaboratorii privește sarcini de consultanță [6], iar cel al lui Luo și colaboratorii privește vânzarea telefonică către consumatori, cu date publicate în 2019 [8]. Niciunul nu privește prospectarea B2B din România. Ele sunt folosite pentru mecanisme și ipoteze de lucru, nu pentru a estima efecte.

Natura surselor. Lucrările lui Brynjolfsson și Dell'Acqua sunt documente de lucru; pentru Wu și Luo s-au folosit rezumatele, din copii arhivate. Din articolul HBR nu s-a preluat nicio cifră.

Cadrul juridic. Studiul citează AI Act și GDPR în mod orientativ și nu constituie consultanță juridică. Textul AI Act citat este cel publicat în 2024; eventualele modificări ulterioare nu au fost analizate. Încadrarea unui sistem concret în art. 50 nu a fost evaluată.

Factori concurenți. Întâlnirile pot apărea din cauze care nu țin de sistem: recomandări, evenimente, alte campanii, ciclul de achiziție al companiilor contactate. Grupul de comparație reduce, dar nu elimină, această incertitudine, iar calificarea implică judecată umană.

Datele autodeclarate. Informațiile despre EKO GROUP, inclusiv cifrele de pe ekogroup.ro și estimarea internă a autorului, nu au fost auditate independent și nu au metodologie publicată. Afirmațiile comerciale neverificabile au fost omise intenționat.

6. Declarație de interese

Autorul acestui studiu, Eduard Petrescu, este fondatorul EKO GROUP, companie care furnizează serviciul de identificare și calificare a lead-urilor B2B cu ajutorul inteligenței artificiale descris în acest studiu, precum și servicii de articole de presă prin platforma EkoPress.ro. Autorul are, prin urmare, un interes comercial direct în percepția publică a acestor servicii. Studiul a fost redactat ca descriere de metodă, cu surse citate, cifre autodeclarate marcate ca atare și limite declarate, pentru ca cititorul să poată verifica fiecare afirmație. Studiul este autopublicat și nu a trecut printr-o evaluare academică independentă.

Note

[1] Yin, R. K., Case Study Research and Applications: Design and Methods, ed. a 6-a, SAGE Publications, 2018. Pagina editurii, accesat la 18.10.2026.

[2] Anul 2014, descrierea practicii de lucru și estimarea internă de 20-70 de lead-uri pe lună pentru un cont: informații furnizate de autor, fără metodologie publicată; reprezintă poziția autorului, nu o sursă independentă, și nu sunt preluate din profilul de mai jos. Profilul autorului, pentru identificare: Eduard Petrescu pe comunitatea-expertilor.ro, accesat la 18.10.2026.

[3] EkoPress.ro, pagina „Despre”, accesat la 18.10.2026. Informații autodeclarate de companie.

[4] EKO GROUP, pagina serviciului de generare de lead-uri B2B, accesat la 18.10.2026. Informații autodeclarate de companie, fără metodologie publicată.

[5] Wu, M., Andreev, P. și Benyoucef, M., „The state of lead scoring models and their impact on sales performance”, Information Technology and Management, 25, 2024, pp. 69-98 (online la 1 februarie 2023), doi:10.1007/s10799-023-00388-w. Pagina editurii refuză accesul automat; rezumatul a fost citit în copia arhivată Wayback Machine, accesat la 18.10.2026.

[6] Dell'Acqua, F., McFowland III, E., Mollick, E., Lifshitz-Assaf, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F. și Lakhani, K. R., „Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality”, Harvard Business School Working Paper 24-013, 2023, pagina HBS, accesat la 18.10.2026 (pagina poate refuza accesul automat; copie arhivată Wayback Machine). Constatări preluate din rezumatul autorilor.

[7] Brynjolfsson, E., Li, D. și Raymond, L. R., „Generative AI at Work”, NBER Working Paper 31161, 2023, pagina NBER, accesat la 18.10.2026. Constatări preluate din rezumatul autorilor.

[8] Luo, X., Tong, S., Fang, Z. și Qu, Z., „Frontiers: Machines vs. Humans: The Impact of Artificial Intelligence Chatbot Disclosure on Customer Purchases”, Marketing Science, 38(6), 2019, pp. 937-947, doi:10.1287/mksc.2019.1192. Pagina editurii refuză accesul automat; rezumatul a fost citit în copia arhivată Wayback Machine, accesat la 18.10.2026.

[9] Regulamentul (UE) 2024/1689 al Parlamentului European și al Consiliului (Regulamentul privind inteligența artificială), art. 50 alin. (1) și art. 113, EUR-Lex, accesat la 18.10.2026. Text publicat în 2024; modificările ulterioare se verifică în versiunea consolidată. Redare orientativă, fără valoare de consultanță juridică.

[10] Oldroyd, J. B., McElheran, K. și Elkington, D., „The Short Life of Online Sales Leads”, Harvard Business Review, martie 2011, HBR, accesat la 18.10.2026. Nu au fost preluate cifre.

[11] Regulamentul (UE) 2016/679 al Parlamentului European și al Consiliului din 27 aprilie 2016 (Regulamentul general privind protecția datelor), art. 6 alin. (1) lit. f), considerentul 47 și art. 21 alin. (2)-(3), EUR-Lex, accesat la 18.10.2026 (copie arhivată: Wayback Machine). Tratat pe larg în studiul nr. 5 din această serie. Redare orientativă, fără valoare de consultanță juridică.

Bibliografie

Brynjolfsson, E., Li, D. și Raymond, L. R. (2023). Generative AI at Work. NBER Working Paper 31161.

Dell'Acqua, F., McFowland III, E., Mollick, E., Lifshitz-Assaf, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F. și Lakhani, K. R. (2023). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality. Harvard Business School Working Paper 24-013.

Luo, X., Tong, S., Fang, Z. și Qu, Z. (2019). Frontiers: Machines vs. Humans: The Impact of Artificial Intelligence Chatbot Disclosure on Customer Purchases. Marketing Science, 38(6), 937-947. doi:10.1287/mksc.2019.1192

Oldroyd, J. B., McElheran, K. și Elkington, D. (2011). The Short Life of Online Sales Leads. Harvard Business Review, martie 2011.

Parlamentul European și Consiliul Uniunii Europene (2016). Regulamentul (UE) 2016/679 privind protecția persoanelor fizice în ceea ce privește prelucrarea datelor cu caracter personal și privind libera circulație a acestor date. Jurnalul Oficial al Uniunii Europene, L 119.

Parlamentul European și Consiliul Uniunii Europene (2024). Regulamentul (UE) 2024/1689 de stabilire a unor norme armonizate privind inteligența artificială. Jurnalul Oficial al Uniunii Europene, seria L.

Wu, M., Andreev, P. și Benyoucef, M. (2024). The state of lead scoring models and their impact on sales performance. Information Technology and Management, 25, 69-98. doi:10.1007/s10799-023-00388-w

Yin, R. K. (2018). Case Study Research and Applications: Design and Methods (ed. a 6-a). SAGE Publications.