RAG pe nomenclatorul arhivistic: ștergerea ca obligație

Într-un biblioraft de la arhivă stă o listă de documente care nu mai există. Se numește proces-verbal de selecționare, are un număr, o dată și semnăturile unei comisii, iar rolul ei e să ateste că niște hârtii au fost distruse legal.

Peste doi ani, cineva cere una dintre acele hârtii. Sistemul intern caută și nu găsește nimic. Răspunsul pe care îl dă — „nu am găsit documentul” — e fals, deși nicio parte din el nu e o minciună.

Documentul nu lipsește. A fost eliminat, la o dată știută, în baza unei decizii aprobate. Diferența dintre „nu găsesc” și „a fost eliminat legal la data D” nu e o nuanță de politețe: prima formulare sugerează dezordine, a doua descrie conformitate.

Restul seriei a lucrat pe corpusuri în care problema era regăsirea sau interpretarea. O arhivă guvernată de nomenclator, cu termene de păstrare atribuite pe categorii de document, răstoarnă premisa. Aici, pentru o parte din documente, răspunsul corect e că nu mai trebuie să existe — iar păstrarea lor peste termen devine ea însăși o problemă.

Vechimea nu descrie documentul, îl condamnă

Nomenclatorul arhivistic e un tabel care atribuie fiecărei categorii de document un termen de păstrare și un regim de selecționare. Nu e o convenție internă: legea cere ca documentele să se grupeze anual în unități arhivistice potrivit problematicii și termenelor din nomenclator, iar nomenclatorul însuși se aprobă de Arhivele Naționale sau de serviciile lor județene.

Ce atribuie, de fapt, nomenclatorul

Fiecare intrare leagă un tip de document de un număr de ani și de o hotărâre finală: se păstrează permanent sau se elimină la expirare. Termenul nu descrie documentul — îl clasifică într-un regim de sfârșit.

Consecința pentru arhitectură e că vârsta încetează să fie o metadată descriptivă. Devine intrarea într-un predicat care spune dacă documentul mai are drept de existență. Un sistem care tratează data ca pe un simplu câmp de sortare a ratat exact funcția pe care o are câmpul respectiv.

De ce termenul nu se poate citi din document

Nicăieri în factura din 2021 nu scrie cât se păstrează. Termenul stă în nomenclator, iar nomenclatorul stă în alt document, aprobat extern, revizuit periodic și structurat pe compartimente, nu pe fișiere.

Deci calculul cere trei lucruri simultan: tipul documentului așa cum îl numește nomenclatorul, anul de constituire a unității arhivistice și versiunea de nomenclator în vigoare atunci. Doar al doilea element se poate extrage din corpus.

Infrastructura de reindexare descrisă la prospețime, ștergeri și reindexare se refolosește integral, pornită însă de altceva. Un conținut modificat declanșează reindexarea. O dată care trece nu modifică nimic în fișier și, cu toate astea, schimbă ce are voie sistemul să facă cu el.

Ce grupează legea, ce indexează pipeline-ul

Legea nu vorbește despre fișiere, ci despre unități arhivistice: grupări anuale de documente, constituite pe problematică și pe termen de păstrare, depuse la depozitul de arhivă în al doilea an de la constituire. Termenul se atribuie grupării, nu paginii.

Un pipeline de retrieval lucrează invers. Sparge documentul în fragmente, iar fragmentul devine unitatea pe care o regăsește, o citează și, la nevoie, o șterge. Între cele două granularități nu există corespondență automată: un dosar de 300 de pagini produce mii de chunk-uri, iar o eliminare corectă trebuie să le atingă pe toate.

De aici rezultă o regulă de proiectare care se ia o singură dată și se plătește ani întregi: fiecare fragment indexat păstrează identificatorul unității arhivistice din care provine. Fără acea legătură, o decizie de eliminare luată în vocabularul arhivei nu se poate traduce într-o operație pe index. Restul mecanicii de ingestie e la pregătirea documentelor pentru o bază de cunoștințe. Diferența pe arhivă e un singur câmp în plus, obligatoriu de la primul document încărcat.

Aceeași hârtie are mai multe date de expirare

Un stat de salarii din 2021 se află simultan sub regimul arhivistic, sub cel financiar-contabil, sub cel fiscal și sub GDPR. Cele patru nu se acordă între ele, iar ideea că termenul cel mai lung câștigă automat e o simplificare care se rupe în ambele direcții.

Ce s-a schimbat și când

Forma anterioară a legii contabilității prevedea 10 ani pentru registrele obligatorii și documentele justificative, cu excepția statelor de salarii, păstrate 50 de ani. Legea nr. 195/2022 a introdus, de la 1 ianuarie 2023, o excepție de 5 ani pentru statele de salarii acoperite de declarațiile depuse la ANAF. Legea nr. 36/2023, în vigoare din 15 ianuarie 2023, a rescris articolul: 5 ani calculați de la data de 1 iulie a anului următor celui în care s-a încheiat exercițiul financiar, inclusiv pentru statele de salarii.

Trei reguli succesive în treisprezece luni, cu trei moduri diferite de a calcula începutul termenului. Iar sursele publice nu s-au sincronizat: pagini de referință profesională și copii oficiale ale legii încă reproduc textul cu 10 și 50 de ani, în timp ce alertele fiscale ale marilor firme de consultanță și portalurile de arhivare descriu forma nouă.

Divergența nu e o eroare de documentare. Arhivele Naționale au susținut public că intenția legiuitorului viza documentele financiar-contabile, nu dosarele de personal, care rămân relevante 50 de ani pentru stabilirea și recalcularea pensiilor.

De ce „cel mai lung termen” nu e o regulă

Un termen mai lung pare prudent doar dacă singurul risc e să nu ai documentul. GDPR taie în sens invers: articolul 5 alineatul (1) litera (e) cere ca datele personale să fie păstrate într-o formă care permite identificarea persoanelor nu mai mult decât e necesar pentru scopul prelucrării, iar considerentul 39 cere termene explicite de ștergere sau de revizuire periodică.

Păstrarea peste termen nu e un exces de zel. E o prelucrare fără temei. Temeiul și regimul general sunt tratate la RAG și GDPR; particularitatea arhivei e că limitarea stocării încetează să fie o politică scrisă și devine o condiție de filtrare la interogare.

Pentru documentele financiar-contabile, granița cu RAG pentru finanțe și raportare e curată: acolo întrebarea e ce cifră poate produce sistemul, aici e cât timp mai are voie să existe hârtia din spatele cifrei.

Un eveniment din alt corpus oprește ceasul

Un proces în curs nu schimbă nimic în conținutul unui document, dar îi schimbă complet statutul. Regulamentul recunoaște explicit situația: dreptul la ștergere nu se aplică atunci când prelucrarea e necesară pentru constatarea, exercitarea sau apărarea unui drept în instanță, la fel cum nu se aplică atunci când o obligație legală impune păstrarea.

Ce ridică suspendarea și ce o coboară

Practica de conformitate numește mecanismul suspendare de retenție: la declanșarea unui litigiu, a unei investigații sau a unui control, ștergerea se oprește pentru datele legate de caz și se reia după soluționare. Suspendarea acoperă doar ce se leagă rezonabil de speță, nu întregul fond.

Asta transformă starea unui document într-o funcție de evenimente care nu se află în corpusul lui. Dosarul de litigiu stă în alt sistem. Notificarea de control stă în corespondența cu autoritățile. Cererea de acces stă în registrul de solicitări.

De ce starea nu se poate îngheța la ingestie

Un pipeline care calculează data eliminării o dată, la indexare, produce un număr care se demodează în tăcere. Termenul rămâne același, dar predicatul se schimbă de fiecare dată când apare sau dispare o suspendare în alt corpus.

Răspunsul practic e să tratezi eliminabilitatea ca pe o interogare compusă, rezolvată la momentul întrebării: termenul din nomenclator, plus starea suspendărilor active pe entitatea la care se referă documentul. Compunerea peste surse cu regimuri de acces diferite e chiar problema tratată la RAG agentic și multi-hop, cu o miză schimbată: un pas ratat nu produce un răspuns incomplet, ci unul greșit în sens juridic.

Delimitarea față de RAG pe dosarul de litigiu merită spusă explicit. Acolo, întrebarea e care versiune a unui înscris e proba. Aici, întrebarea e dacă înscrisul mai are dreptul să existe — iar litigiul intervine doar ca eveniment care blochează ștergerea.

Cine deține evenimentul are alte drepturi decât cine întreabă

Corpusul care declanșează suspendarea e aproape întotdeauna mai restrictiv decât arhiva pe care o blochează. Dosarul de litigiu se vede de juridic, controlul fiscal de financiar, cererea de acces de responsabilul cu protecția datelor. Arhivarul care propune eliminarea nu are acces la niciunul.

Deci motorul de retenție trebuie să traverseze o graniță de permisiuni fără să o spargă. Semnalul care ajunge în arhivă e minimal și binar: unitatea arhivistică X e blocată până la o dată sau până la o notificare, fără motiv, fără părți, fără număr de dosar. Cine are nevoie de context îl cere din corpusul-sursă, cu drepturile lui.

Modelul de permisiuni din controlul accesului în RAG se aplică integral, cu o precizare proprie corpusului: aici filtrul nu ascunde un conținut, ci publică un fapt derivat dintr-un conținut ascuns. Existența blocajului e informație operațională; ce l-a produs nu e.

Ștergerea nu e o operațiune, e o propagare

Un document scos din folderul sursă poate rămâne perfect regăsibil. Ștergerea reușită înseamnă că a dispărut din toate suprafețele derivate din el, iar acelea sunt mai multe decât presupune oricine nu le-a numărat.

Unde trăiește, de fapt, un document

Sursa brută. Textul extras. Chunk-urile. Vectorii din indexul de similaritate. Cache-urile de căutare și de răspuns. Copiile de siguranță. Șase suprafețe, fiecare cu propriul ciclu de invalidare și cu propriul mod de a reînvia conținutul la următoarea resincronizare.

Practica recomandată e să atribui identificatori stabili la ingestie și să propagi ștergerea ca eveniment de tip tombstone, tocmai ca un conector care resincronizează sursa să nu reintroducă ce tocmai ai eliminat. Marcarea ca inactiv nu e echivalentă: un studiu recent al memoriei agenților observă că tratamentul dominant al uitării e decăderea, nu ștergerea, iar o înregistrare depunctată rămâne prezentă și regăsibilă la interogarea potrivită.

Vectorul rămas nu e o referință, e conținut

Ipoteza comodă e că un embedding e o amprentă ireversibilă, deci un vector orfan nu contează. Cercetarea de inversare a embeddings-urilor a demolat-o: din vector și acces de tip cutie neagră la encoder se poate reconstrui text cu fidelitate ridicată, iar metodele recente funcționează fără să antreneze un model dedicat fiecărui encoder.

Un vector rămas după ștergerea sursei e, prin urmare, o copie a documentului într-un alt format. Cine are voie să vadă ce e subiectul de la controlul accesului în RAG. Pe un document eliminat, întrebarea se simplifică brutal: nimeni nu mai are voie, indiferent de rol.

Raportul de anul acesta al Comitetului European pentru Protecția Datelor, adoptat în februarie 2026 pe baza răspunsurilor a 764 de operatori din 32 de jurisdicții, semnalează exact aceste două goluri: proceduri absente pentru ștergerea din copiile de siguranță și tehnici de anonimizare atât de slabe încât echivalează cu pseudonimizarea, folosite ca substitut al ștergerii definitive. Modul în care ai tăiat documentele contează și aici — vezi strategiile de chunking — fiindcă unitatea de ștergere nu poate fi mai mare decât unitatea de indexare.

Răspunsul vine din urmă, nu din document

Când sistemul afirmă corect că un document nu mai există, informația nu vine din document. Vine dintr-un act care consemnează dispariția lui.

Legea e neechivocă: comisia de selecționare analizează fiecare unitate arhivistică, hotărârea se consemnează într-un proces-verbal, iar documentele se scot din evidență și se pot elimina numai în baza proceselor-verbale aprobate. Scoaterea din evidența arhivei cere aprobarea conducerii și avizul Arhivelor Naționale.

Ce trebuie să conțină o urmă utilă

Un tombstone tehnic reține că un identificator a fost șters. Nu ajunge. Urma utilă pe acest corpus reține tipul documentului, unitatea arhivistică, perioada acoperită, numărul și data procesului-verbal, plus temeiul care a permis eliminarea.

Cu asta, sistemul poate răspunde ceva ce niciun index nu poate produce singur: că documentul a existat, că a fost eliminat la o dată anume și în baza cărei decizii. Disciplina de trasabilitate din RAG pentru conformitate și audit intern se mută aici pe o acțiune ireversibilă, unde nu mai există documentul la care să te întorci dacă urma e incompletă.

Ultimele două rânduri sunt motivul pentru care registrul de eliminări nu e opțional. Fără el, o pierdere reală și o eliminare corectă arată identic din interiorul sistemului, iar diferența dintre ele e diferența dintre o abatere și o conformitate documentată.

Merită pusă alături de corpusul vecin. Pe documentația SSM, lipsa unei înregistrări e chiar fapta sancționabilă. Pe arhivă, lipsa poate fi exact invers: dovada că obligația a fost îndeplinită. Același semnal tehnic — un document care nu se regăsește — susține două concluzii juridice opuse, iar ce le separă nu stă în index, ci în registrul de eliminări. Un al treilea corpus cu registru propriu, rapoartele de exercițiu de la procedurile de urgență, ajunge tot aici după închidere: ce servește azi ca set de evaluare intră mâine sub termen de păstrare.

Există o tensiune reală cu regimul datelor personale, și merită numită. Literatura de ștergere certificată cere ca starea sistemului după ștergere să fie indistinctibilă de una în care datele nu au existat niciodată; arhivistica cere fix opusul, o urmă care atestă eliminarea. Împăcarea practică e ca urma să descrie unitatea arhivistică și decizia, nu persoanele din documentele eliminate.

Selecționarea e un eveniment anual, nu un proiect

Comisia de selecționare se întrunește anual sau ori de câte ori e necesar. Documentele ajung în depozitul de arhivă în al doilea an de la constituire. Ritmul ăsta e dat de lege și nu se negociază cu nicio arhitectură, ceea ce e o veste bună: sistemul nu trebuie să lucreze continuu, ci să livreze bine în câteva momente fixe.

Coloana a treia e cea care nu se poate muta. Selecționarea rămâne o judecată despre valoarea practică sau istorică a unei grupări de documente, iar acea judecată nu se derivă din similaritate.

Ce câștigi din cadență e o a șasea stare, absentă din majoritatea implementărilor: unitate ajunsă la termen, dar neselecționată încă. Nu mai e activă în sens deplin, fiindcă nu ar mai trebui să existe. Nu e nici eliminată, fiindcă nu există proces-verbal. Un sistem care nu o distinge fie răspunde din ea ca și cum nimic nu s-ar fi întâmplat, fie o ascunde și pierde exact lista pe care comisia o va cere la următoarea întrunire.

Ce măsori, eșalonat pe șase luni

Primele măsurători utile nu spun nimic despre calitatea răspunsurilor. Spun dacă sistemul are dreptul să răspundă.

Săptămâna 1 — acoperirea nomenclatorului. Ce procent din corpusul indexat are un tip de document recunoscut în nomenclator și un termen atribuit. Restul e materia primă a tuturor erorilor de mai târziu. Măsoară și câte tipuri de fișiere reale nu au nicio intrare corespunzătoare în nomenclator — de obicei sunt mai multe decât se aștepta cineva.

Luna 1 — propagarea ștergerii. Iei un lot de documente eliminate legal și verifici, pe rând, fiecare dintre cele șase suprafețe. Metricile sunt două: câte suprafețe mai conțin urme ale conținutului și cât durează de la decizia de eliminare până la dispariția din răspunsuri. A doua se degradează liniștit, fiindcă nimeni nu o urmărește.

Luna 6 — calitatea absenței. Din răspunsurile care declară că un document nu mai există, câte au putut cita procesul-verbal. Din documentele aflate sub suspendare, câte au fost totuși propuse spre eliminare de raportările automate. Și, în oglindă, câte documente peste termen au rămas regăsibile — încălcarea tăcută, cea care nu produce reclamații interne.

Ce se măsoară în mod obișnuit la un asemenea sistem e tratat separat, la evaluarea unui sistem RAG; modul de a livra rezultatul, la ce înseamnă un răspuns bun. Orice răspuns despre un document vechi poartă, ca element fix, regimul de retenție pe care s-a făcut calculul și data de la care curge termenul.

Numerele de inventar și cele de proces-verbal nu au vecini semantici, deci ies din index doar dacă rămâne o cale lexicală — motivul pentru care căutarea hibridă și rerankingul nu sunt opționale pe arhivă. Iar dacă inventarul e deja un tabel bine ținut, când NU folosești RAG arată unde e pragul: sub un anumit volum, un registru cu căutare simplă acoperă aproape toate întrebările de retenție.

Pilotul se face pe un singur compartiment și un singur an de arhivă, cu inventarul pe hârtie alături. După o lună știi două lucruri: câte documente ar fi trebuit deja eliminate și câte dintre cele eliminate mai răspund la întrebări.

Întrebări frecvente

Poate sistemul să decidă singur ce se elimină?

Nu. Selecționarea e atribuția unei comisii numite prin decizia conducerii unității, care analizează fiecare unitate arhivistică și consemnează hotărârea într-un proces-verbal, aprobat mai departe de structurile Arhivelor Naționale. Sistemul produce lista candidaților, cu temeiul fiecăruia, și semnalează ce nu se poate propune fiindcă e sub suspendare.

Cât timp păstrez statele de salarii?

Sursele accesibile azi nu spun același lucru, iar asta e chiar constrângerea de proiectare. Textul anterior prevedea 50 de ani, o modificare din 2022 a introdus o excepție de 5 ani, iar forma din 2023 prevede 5 ani calculați de la 1 iulie a anului următor exercițiului financiar. Modelul de date leagă termenul de versiunea de lege aplicabilă la data creării, nu de tipul documentului — altfel sistemul dă un răspuns corect pentru anul greșit.

Ce fac cu copiile de siguranță?

Ca pe o suprafață separată, cu propria procedură. Raportul european pe ștergere din februarie 2026 arată că jumătate dintre autoritățile participante au semnalat lipsa unor proceduri de ștergere din backup și a unor mecanisme care să împiedice reapariția datelor la restaurare. Minimul practic e ca restaurarea să treacă printr-un filtru care reaplică registrul de eliminări.

E suficient să marchez documentul ca inactiv?

Nu, dacă vorbim de o eliminare legală. Depunctarea lasă conținutul prezent și regăsibil la o interogare suficient de apropiată semantic. Ștergerea trebuie să atingă chunk-urile, vectorii, cache-urile și copiile derivate, iar rezultatul se verifică cu interogări construite special ca să scoată documentul înapoi.

Merge același tipar și în afara arhivei clasice?

Se transferă oriunde retenția e limitată în ambele sensuri: jurnale de acces, înregistrări video, date de recrutare. Termenele și autoritatea care le stabilește diferă complet, deci nomenclatorul se rescrie pentru fiecare regim.

Cele mai multe proiecte de retrieval pornesc de la întrebarea ce poate găsi sistemul. Pe o arhivă, întrebarea utilă e complementară: ce nu mai are voie să găsească, și dacă poate explica de ce. Un sistem care confundă o eliminare legală cu o pierdere raportează dezordine acolo unde există conformitate, iar unul care mai răspunde din documente expirate produce o încălcare pe care nimeni nu o reclamă, fiindcă nimeni nu o vede.

Dacă ai deja un sistem, verificarea durează un sfert de oră. Alege trei categorii din nomenclator și cere-i termenul aplicat fiecăreia, cu sursa lui. Apoi cere-i un document eliminat anul trecut. Când prima întrebare nu primește o versiune de lege și a doua nu primește un număr de proces-verbal, ai deja lista de lucru pentru prima lună.

Ai termene amestecate pe un fond de arhivă și nu știi ce parte se poate automatiza fără să pierzi urma eliminărilor? Trimite un mesaj.

Articolele care ating aceeași zonă de reglementare stau sub eticheta conformitate și audit. Fiecare corpus tratat până acum are locul lui în Cazuri de utilizare enterprise; pentru cum se livrează efectiv un asemenea proiect, AI și RAG.