Gairebé totes les empreses amb què parlem ja han fet la seva prova amb intel·ligència artificial. Un xatbot, un assistent per a l'equip de vendes, un pilot per classificar factures. Va funcionar a la demo, va impressionar a la reunió i després es va quedar aquí.
La conclusió que se'n sol treure és «la IA encara no està madura per a nosaltres». Gairebé mai no és això.
Fa temps que els models són prou bons per al 90 % dels casos d'ús empresarials. El que falla és a la capa del voltant: on viu el sistema, amb quines dades treballa, qui respon quan s'equivoca i com es paga. Cinc problemes que no són d'intel·ligència artificial, sinó d'enginyeria i d'organització.
Anem un per un.
1. El projecte comença per «primer migrem»
És l'error número u.
El teu software actual funciona i dona diners. Té deu anys de regles de negoci a dins, integracions amb comptabilitat, permisos que algú va configurar amb criteri i clients que ja el saben fer servir. I arriba un projecte d'IA que té com a primer pas substituir-lo.
Cap projecte que comença per «primer migrem» no arriba a producció. Es queda sense pressupost, sense paciència o sense el patrocinador que l'impulsava, perquè abans de lliurar el primer valor cal reconstruir una cosa que ja funcionava.
El que fan els que sí que hi arriben: posen la capa d'IA a sobre del que ja existeix. L'agent s'invoca des del software actual mitjançant la seva API, o s'incrusta com un widget dins del producte, sense treure l'usuari d'on ja estava treballant. No es migra res. Si l'experiment no funciona, s'apaga i no ha trencat res.
A més, això canvia la conversa interna: ja no cal convèncer ningú de llençar el seu sistema, només de provar una cosa al costat.
2. Les dades que farien útil el projecte no poden sortir de l'empresa
El segon bloqueig apareix tan bon punt el projecte deixa de ser una joguina.
Un assistent que no pot llegir les teves dades no serveix de res. Però tan bon punt parles de connectar-lo al teu ERP, al teu CRM o al teu historial de clients, apareix la pregunta legítima: això surt d'aquí? On va? Qui ho veu?
I moltes vegades la resposta honesta és que sí que surt, que va a servidors de tercers, i que ni el departament legal ni un client amb dades sensibles ho acceptaran. En sectors regulats —salut, legal, financer, industrial amb secret de procés— això no es resol amb una clàusula en un contracte. Hi ha dades que senzillament no poden abandonar la teva infraestructura.
El que fan els que sí que hi arriben: decideixen des del principi on s'executa. Hi ha tres nivells, i convé triar-lo conscientment en lloc de descobrir-ho tard:
API d'un proveïdor extern
El més ràpid de muntar. Vàlid per a dades poc sensibles, amb un acord de tractament de dades en regla i garanties que no s'entrena amb la teva informació.
Model al teu propi núvol
El procés s'executa dins del teu compte al núvol, amb els teus recursos i els teus permisos. Les dades no surten del teu perímetre.
Model self-hosted a la teva pròpia GPU
Ni tan sols els prompts surten. És el més car i el més lent de muntar, i de vegades és l'única opció viable.
La pregunta no és quin és millor, sinó quin correspon a la sensibilitat de cada procés. Una empresa raonable acaba tenint-los tots tres alhora.
3. El pilot no té responsable ni procés al darrere
Un pilot d'IA sol néixer d'una persona amb curiositat. Funciona mentre aquesta persona l'empeny. Tan bon punt canvia de projecte o se'n va de l'empresa, s'apaga.
El fons del problema és més gran que la IA, i és aquest: el coneixement de com treballa la teva empresa viu al cap de la gent. Com es qualifica un lead, què revisa un sènior abans d'enviar una proposta, què no es fa mai amb un client de determinat tipus. Res d'això no està escrit. Cadascú ho fa a la seva manera i en surten resultats diferents.
Quan intentes automatitzar un procés que ningú no ha definit, el que automatitzes és la versió que feia la persona que hi havia aquell dia.
El que fan els que sí que hi arriben: converteixen el procés en un artefacte abans d'automatitzar-lo. No un PDF que ningú no obre, sinó una definició executable: quin agent fa què, amb quines instruccions, sobre quin coneixement, amb quins permisos i què lliura. Una cosa que es publica, es versiona i s'actualitza, de manera que el «com treballem» deixa de dependre que una persona concreta continuï a l'empresa.
Aquest és, per cert, el benefici més subestimat d'aquests projectes. No és l'estalvi d'hores. És que el coneixement es queda.
4. El model de preu no aguanta l'èxit
Aquest és el que mata més pilots en la fase d'escalat, i gairebé ningú no el veu venir.
Un pilot amb deu usuaris surt barat. Quan funciona i el vols posar a les mans de cent cinquanta persones, descobreixes que pagues per usuari, tant si hi ha activitat com si no. El projecte que era rendible amb deu deixa de ser-ho amb cent cinquanta, precisament per haver funcionat.
I hi ha una segona capa: si l'eina és bona, la fa servir gent que no la necessita cada dia. Pagues llicències completes per consums mínims.
El que fan els que sí que hi arriben: cobren per ús real, no per usuari. I separen el que es paga per infraestructura del que es paga per servei, de manera que puguis veure cada cosa i optimitzar cada cosa. Si el teu proveïdor t'ho factura tot junt, no pots saber on se't van els diners, i per tant no els pots reduir.
Una prova ràpida abans de signar: demana que t'expliquin què passa amb la teva factura si demà multipliques per deu l'ús. Si la resposta és un salt de tram, no és pagament per ús.
5. No hi ha traçabilitat, així que no hi ha responsabilitat
Mentre el pilot és un experiment, ningú no pregunta res. Tan bon punt toca alguna cosa que importa —un pressupost, una resposta a un client, un assentament comptable— apareix la pregunta que ho atura tot:
Si això s'equivoca, qui en respon i com ho demostrem?
«Ho va decidir el model» no és una pista d'auditoria. No serveix davant d'un client, ni davant d'un auditor, ni davant de l'Agència Espanyola de Protecció de Dades. I ara que l'AI Act europeu entra progressivament en aplicació, això deixa de ser una bona pràctica per convertir-se en una obligació segons el nivell de risc del sistema.
El que fan els que sí que hi arriben: dissenyen tres coses des del primer dia.
Modes d'autonomia graduables
No és tot o res. Un agent que redacta un esborrany intern pot anar sol; un que emet una factura, no. El raonable és un espectre: execució autònoma, aprovació del pla, aprovació de cada tasca, aprovació de cada pas. I que s'ajusti per agent i per encàrrec, no globalment.
Límits explícits
L'agent només pot tocar el que és a la seva llista blanca d'eines i dades. Això no és només bona higiene: protegeix contra instruccions amagades dins d'un document que l'agent processa, un vector d'atac real i poc conegut. I un sostre de consum, perquè un bucle no es converteixi en una factura.
Registre complet
Qui va demanar què, quan, amb quina informació, quines eines es van invocar i quin resultat en va sortir. Si no pots reconstruir una decisió sis mesos després, no la pots defensar.
Com és un projecte que sí que hi arriba
Si ho ajuntem tot, el patró és força consistent:
- 1
Comença per un procés concret i mesurable. No «implantar IA a l'empresa», sinó «classificar i extreure dades de les factures de proveïdor, que avui ens porta dotze hores setmanals». Si no pots dir quant costa avui, no podràs demostrar que ha millorat.
- 2
Es munta a sobre del que ja existeix. Sense migracions prèvies.
- 3
Decideix on viuen les dades abans d'escriure una línia. I ho decideix el negoci amb l'assessorament tècnic, no a l'inrevés.
- 4
Defineix el procés abans d'automatitzar-lo. Encara que sigui la primera vegada que algú l'escriu.
- 5
Neix amb permisos, límits i registre. No s'afegeixen després, perquè després és quan ja hi ha hagut un incident.
- 6
Es paga pel que es fa servir. Perquè funcionar bé no el faci inviable.
Cap d'aquests punts no és especialment sofisticat. Per això crida l'atenció que s'apliquin tan poc: la conversa sobre IA a les empreses continua girant al voltant de quin model és millor, quan la diferència entre un projecte que hi arriba i un que no hi arriba gairebé mai no és aquí.
D'on surt aquest criteri
Convé que sàpigues des d'on escrivim això. A Namastech fa anys que implantem automatitzacions i projectes d'intel·ligència artificial a empreses, i hem vist de prop els cinc problemes d'aquí dalt. Alguns, en projectes propis.
D'aquí va néixer Softngeeks, la nostra plataforma d'IA per a empreses, construïda precisament sobre aquests principis: la capa agèntica es munta a sobre del software que ja tens sense migrar res, tot s'executa al teu propi núvol i amb les teves dades, els processos s'empaqueten i es versionen en lloc de viure al cap d'algú, cada agent té el seu mode d'autonomia i el seu registre complet d'accions, i es paga per ús real en lloc de per usuari.
No cal que facis servir Softngeeks per aplicar el que explica aquest article. Però sí que creiem que qualsevol plataforma que triïs hauria de respondre bé aquestes cinc preguntes, i moltes de les que hi ha avui al mercat no ho fan.
Preguntes freqüents
Per on començo si la meva empresa no té equip tècnic?
Per una diagnosi de processos, no per una eina. Identificar dues o tres tasques repetitives, mesurables i de baix risc, i avaluar quina té més bona relació entre esforç i impacte. L'eina es tria després, quan ja saps què ha de resoldre. És precisament la feina d'una consultoria tecnològica i d'IA.
Puc fer servir IA amb dades de clients sense incomplir el RGPD?
Sí, si el tractament té una base legal, hi ha un acord de tractament amb el proveïdor, el proveïdor no entrena amb les teves dades i no hi ha transferències internacionals fora de l'Espai Econòmic Europeu sense garanties. Quan la sensibilitat és alta, executar el model a la teva pròpia infraestructura elimina de soca-rel bona part del problema.
Quant es triga a veure'n el retorn?
Si el projecte està ben acotat, setmanes i no mesos. Els projectes que triguen un any a donar resultats solen ser projectes mal acotats des del principi.
Val la pena un model propi en lloc de fer servir una API?
Només si hi ha una raó concreta: dades que no poden sortir, un volum que fa que l'API surti més cara que la infraestructura, o un requisit regulatori. Com a decisió per defecte, no.
Hi ha ajuts públics per a projectes d'IA?
Hi ha hagut línies estatals que financen tant l'assessorament estratègic en IA com la implantació de solucions, i les convocatòries s'obren i es tanquen. Convé consultar l'estat dels ajuts a la digitalització abans de planificar un projecte comptant amb una subvenció.
Quina diferència hi ha entre un agent i un xatbot?
Un xatbot respon. Un agent executa: consulta sistemes, invoca eines, encadena passos i produeix un resultat. Aquesta diferència és també la que explica per què un agent necessita permisos, límits i registre, i un xatbot gairebé no.
Tens un pilot d'IA aturat?
Analitzem per què no avança i què caldria per portar-lo a producció, o t'ajudem a dissenyar-lo bé des del principi. Primera sessió de diagnosi sense compromís.
Parlar amb el nostre equip d'IA