Testat pe 1.594 de documente oficiale. Nicio informație inventată.

Un consultant de fonduri nu lucrează cu un ghid, ci cu o bibliotecă: ghiduri, corrigendumuri, ordine de modificare, anexe și întrebări frecvente, pentru zeci de apeluri care seamănă între ele. Acolo se strică un asistent AI — dă regula unui apel pentru altul, citează versiunea veche a unui ghid modificat între timp, sau pune o cifră plauzibilă acolo unde documentul tace. Așa că am construit o asemenea bibliotecă și am măsurat.

Biblioteca și întrebările, fixate înainte de rulare

1.594 de documente oficiale din 14 programe — cele opt programe regionale 2021–2027, PEO, PDD, PTJ, PCIDIF, PS și PNRR — descărcate în octombrie 2026 de pe site-urile autorităților de management și ale ministerelor. Cele scanate au fost citite de recunoașterea de text a produsului, ca la orice client.

Apoi 504 întrebări, scrise din textul documentelor de agenți AI, câte unul pe program; niciun consultant nu le-a scris sau văzut. Fiecare are răspunsul corect notat dinainte, cu pagina din care vine. Fiecare cifră a fost verificată automat pe pagina citată, iar fiecare răspuns corect a fost citit a doua oară, în document, de alt agent decât cel care l-a scris. Sunt fapte, condiții de eligibilitate, calcule, liste, anexe, comparații între apeluri numite, unele din programe diferite, și 70 de capcane: întrebări al căror răspuns lipsește din toate documentele. Separat, un set de control de 39 de întrebări, scris de alt agent și nefolosit la nimic până la rulare.

Fiecare întrebare a fost pusă o singură dată, în conversația ei, prin API-ul produsului, ca de un utilizator obișnuit. Răspunsurile au fost notate tot de agenți AI, fiecare lângă răspunsul corect, pe grila de mai jos, iar fiecare notă sub 2 a fost recitită. Grila se aplică pe tot răspunsul: un răspuns corect care adaugă, alături, un fapt absent din documente ia −2, nu 2. Pentru cine citește, faptul acela arată exact ca unul din document.

Cifra unui apel dată pentru alt apel ia 0, nu −2: există în bibliotecă, doar nu unde trebuie. E tot un răspuns greșit.

Rezultatul

471 din 504 răspunsuri corecte — 93%. Pe grilă, 941 din 1.008 puncte. Informații inventate: zero, în toate cele 543 de răspunsuri, setul de control inclus. La niciuna dintre cele 70 de capcane nu a dat o valoare.

Setul de control, separat: 74 din 78 de puncte.

Unde a greșit

33 de răspunsuri au fost greșite sau incomplete. Le-am citit pe toate, împreună cu tot ce a căutat sistemul înainte să răspundă. Cinci erau capcane rămase fără niciun răspuns: după prea multe căutări, ultimul pas nu mai scria concluzia — nicio valoare inventată, dar nici fraza care spune că informația lipsește. În șase, prima frază dădea un total sau un verdict greșit, pe care calculul de dedesubt îl corecta.

Unul a repetat o greșeală a paginii de cunoștințe compilate din documentul citat: un utilaj numit greșit, într-un răspuns cu verdictul corect. A luat 0 și nu −2 după regula de mai sus, pentru că denumirea greșită există în alte documente ale bibliotecii. În rest, fie pasajul care decidea nu ajunsese la model, fie modelul l-a citit greșit sau doar pe jumătate — de exemplu, regula unui apel dată pentru altul din același program.

Ce am schimbat după

Primele două cauze le-am putut repara în produs: când ajunge la limita de căutări, ultimul pas răspunde acum din ce a găsit, iar asistentul gândește implicit mai atent înainte să scrie. Rezultatul de sus e pe versiunea de dinainte. Testul întreg se reface în noiembrie 2026, pe aceleași documente și cu aceleași întrebări, iar rezultatul apare aici, oricum ar ieși.

Patru răspunsuri, așa cum le-a dat

Textul literal produs de sistem, citit înapoi din înregistrarea rulării. Nu e rescris și nu e scurtat decât acolo unde se vede.

Testul firmei întregi: fiecare vede doar ce are voie

Biblioteca e un test de citire. Promisiunea produsului e mai mare: un singur AI peste toată firma — politici, contracte, facturi, e-mail, Slack, Notion, GitHub — în care fiecare om vede doar ce are voie. Așa că am construit o firmă de test completă și am pus 55 de întrebări, scrise tot înainte de rulare, ca patru oameni diferiți: proprietarul, un administrator și doi angajați din echipe diferite.

Pe grilă, 104 din 110. Un singur răspuns a spus ceva greșit: a repetat o pagină de cunoștințe care legase rolul unei persoane de pagina altui om, cu nume asemănător. Am corectat și asta.

O a doua rulare, pe versiunea livrată, s-a oprit după 50 de întrebări și a luat același scor pe ele, cu alte două greșeli: o zi a săptămânii calculată greșit, într-o paranteză pe care nimeni nu o ceruse, și un refuz de a-i arăta proprietarului un salariu din propriul document, pentru că documentul spunea că asistenții trebuie să refuze. Scorul unei rulări variază cu câteva puncte. Cele trei cifre din căsuța de mai sus s-au ținut în fiecare rulare.

Testul s-a făcut pe 8 octombrie 2026, când cine vede o sursă se alegea la conectarea ei: a firmei, a unei echipe sau privată. De atunci, un folder din Drive sau OneDrive îl văd implicit exact cei cărora Drive le dă acces la el. Testul nu a fost refăcut pe regula asta.

Vezi ce știe firma ta — la propriu.

Din documentele conectate, Temiro compilează o hartă vie: surse, concepte, entități și legăturile dintre ele. Asta caută asistentul când întrebi.

Testul de dinainte: un singur ghid

Înaintea bibliotecii, pe 8 octombrie 2026: 25 de întrebări pe un ghid de finanțare public de 69 de pagini — ghidul solicitantului pentru Acțiunea 2.2 din Programul Regiunea Centru 2021–2027, marcat DRAFT 1 (public, descărcabil de oricine). 25 din 25 de răspunsuri corecte, 50 din 50 de puncte, 0 informații inventate — după ce prima rulare din aceeași zi ieșise 41 din 50, pentru că compilatorul de cunoștințe adăuga exemple care nu erau în ghid, iar noi l-am reparat.

Biblioteca i-a luat locul pentru că 25 de întrebări pe un singur document spun mult mai puțin decât 504 pe 1.594.

Metoda, și ce nu dovedește testul

Rularea s-a făcut pe 23–24 octombrie 2026, prin API-ul produsului, într-o bază de date de test cu schema celei de producție, încărcată doar cu biblioteca — nu pe datele vreunui client. Protocolul, scris înainte de primul apel plătit, fiecare întrebare cu răspunsul ei corect, fiecare răspuns, fiecare citare și fiecare notă sunt păstrate și pot fi recitite.

Întrebările și notele sunt ale unor agenți AI, cu verificările de mai sus, nu ale unui consultant, iar agenții sunt Claude, aceeași familie de modele pe care rulează produsul. Un consultant ar fi pus, poate, alte întrebări.

Testul nu dovedește că cifrele din documente sunt în vigoare azi. Biblioteca e o fotografie din octombrie 2026, cu apeluri deschise, închise și în consultare; testul spune ceva despre sistem, nu despre un apel anume.

Și nu dovedește că nu va greși niciodată: a greșit la 33 din 504. Dovedește că, pe 1.594 de documente reale în limba română, pus în fața a 70 de întrebări construite ca să-l facă să inventeze, nu a inventat — și că fiecare răspuns spune din ce document vine, ca să poată fi verificat.

Și măsoară răspunsurile scrise de Temiro. Cine folosește cunoștințele firmei din Claude, ChatGPT sau Cursor primește răspunsul scris de modelul lui, fără verificarea aplicației, iar cifrele de aici nu se aplică acolo.