Què és la intel·ligència artificial, amb exemples

La intel·ligència artificial (IA) és un camp de la informàtica que desenvolupa sistemes capaços d’inferir resultats a partir d’informació: reconèixer patrons, fer prediccions, generar contingut o proposar accions. Dit de manera senzilla, permet que un programa interpreti una entrada i produeixi una resposta útil per a una tasca.

Un exemple proper és una comanda escrita per WhatsApp. El client s’expressa a la seva manera; el programa ha d’identificar què demana, en quina quantitat i per a quan. Després hi ha una altra decisió: qui comprova aquestes dades i n’autoritza el registre.

Aquest recorregut ajuda a entendre tant les possibilitats de la IA com els seus límits. Ho expliquem amb un procés que hem implementat a serpixel per a una cooperativa, sense atribuir-hi resultats que no hem mesurat.

Què és la intel·ligència artificial, explicat sense tecnicismes

Pensa en la diferència entre copiar una dada i deduir què vol dir un missatge. Si un formulari té una casella anomenada «quantitat», un programa pot traslladar-ne el contingut al sistema de gestió seguint una regla. Un missatge lliure obliga a resoldre més preguntes: quina part expressa una quantitat, a quin producte es refereix i si falta informació.

La IA pot intervenir en aquesta interpretació. La seva utilitat es comprova contrastant el resultat amb la tasca: ha identificat el producte correcte?, ha respectat la quantitat?, ha detectat una ambigüitat? Que el text de resposta soni natural no respon aquestes preguntes.

La definició de sistema d’IA de l’OCDE preveu resultats com ara prediccions, contingut, recomanacions i decisions. Per això el terme abasta molt més que els assistents amb què conversem.

Exemples d’intel·ligència artificial en el dia a dia

Classificar un correu com a possible correu brossa, recomanar una cançó i generar un resum són tasques diferents. Totes tres poden fer servir IA, però els resultats es comproven de manera diferent: una classificació es pot equivocar, una recomanació pot no interessar-te i un resum pot ometre una condició important.

A la cooperativa, el punt de partida era molt concret: les comandes arribaven per WhatsApp i algú les havia de passar a mà al sistema de gestió. Aquesta còpia introduïa la possibilitat d’oblits i errors de picatge. La relació amb el client continuava necessitant persones; l’entrada repetitiva de dades era una part de la feina que es podia acotar.

Aquest exemple tampoc demostra que un sistema capaç de tramitar comandes sàpiga gestionar tota una empresa. Una capacitat s’avalua en el seu context. Interpretar un producte no implica conèixer els acords comercials de cada client ni poder decidir una excepció.

Aprendre de dades i utilitzar un model són coses diferents

L’aprenentatge automàtic, també anomenat machine learning, és una branca de la IA que obté patrons de dades mitjançant l’entrenament. El resultat d’aquest procés és un model que després s’utilitza amb entrades noves. Google explica aquesta relació entre dades, entrenament i models.

Entrenar i utilitzar no són el mateix. Que un assistent tingui en compte el que acabes d’escriure dins d’una conversa no demostra que estigui modificant el seu model amb aquell missatge. Tampoc significa que conegui el catàleg actualitzat de la teva empresa: aquesta informació s’ha de proporcionar o consultar.

Com funciona en un procés real

Per entendre els agents d’IA per a empreses, convé seguir la comanda des que arriba fins que es registra. El model interpreta; les connexions permeten consultar i escriure; les regles delimiten les accions autoritzades. El funcionament del conjunt importa tant com la resposta que llegeix el client.

En el cas de la cooperativa, l’agent busca el client a Holded, identifica els productes i retorna un resum amb quantitats, preus i data d’entrega. La comanda es registra quan el client confirma. Són passos relacionats, però cadascun compleix una funció.

Del missatge al resum de la comanda

Imagina aquest exemple inventat per explicar el procés, que no reprodueix una conversa del cas: «Per dijous, dues caixes del producte A i una del B».

El missatge conté dos productes, dues quantitats i una referència a una data. Encara hi ha qüestions que cal comprovar: quines referències del catàleg corresponen a A i B, quina unitat de venda representa una caixa i a quin dijous es refereix el client.

El recorregut es pot llegir així:

1. Rebre i interpretar. Separar productes, quantitats i data demanada, mantenint identificats els dubtes.
2. Consultar. Buscar el client i els productes al sistema de gestió per treballar amb els seus registres.
3. Preparar el resum. Retornar els detalls de la comanda de manera que el client els pugui revisar.
4. Demanar confirmació. Esperar que el client accepti aquell resum.
5. Registrar. Crear la comanda de venda després de la confirmació.

La seqüència del cas arriba fins al registre. Els dubtes de l’exemple il·lustratiu mostren què caldria resoldre abans: si dos productes encaixen amb la descripció, escollir-ne un per intuïció pot generar una comanda incorrecta. Una pregunta concreta al client és més útil que una resposta segura sense fonament.

Consultar una dada no és inventar-la

Un model no hauria de decidir el preu d’un producte perquè aquella xifra sembli raonable. El preu ha de provenir de la font que el negoci hagi establert. Passa el mateix amb la identitat del client i les referències del catàleg.

Aquesta separació permet revisar el procés. Davant d’un error, interessa saber si el missatge s’ha interpretat malament, si el catàleg contenia una dada incorrecta o si s’ha registrat una cosa diferent de la confirmada. Dir simplement «ha fallat la IA» no ajuda a trobar el punt que necessita una correcció.

També convé distingir entre escriure «comanda registrada» i rebre la confirmació del programa de gestió que la comanda existeix. La resposta al client ha de correspondre al resultat de l’operació. Aquest és un criteri de disseny per a qualsevol connexió entre una conversa i un sistema de treball.

Quina diferència hi ha entre IA, ChatGPT, automatització i agents

Aquestes paraules descriuen nivells diferents: un camp tecnològic, un producte, una manera d’executar tasques o un sistema que combina diverses peces. Fer-les servir com a sinònims dificulta decidir què necessita realment un procés.

Concepte	Què vol dir	Exemple senzill
Intel·ligència artificial	Camp que inclou sistemes que infereixen resultats a partir d’entrades.	Classificar un missatge segons el tipus de petició.
Aprenentatge automàtic	Tècniques per obtenir models a partir de dades d’entrenament.	Aprendre patrons per classificar missatges.
IA generativa	IA que produeix contingut, com ara text, imatges o àudio.	Redactar un resum perquè el client el revisi.
ChatGPT	Producte d’OpenAI que permet treballar amb models d’IA mitjançant una conversa.	Demanar una explicació o ajuda per redactar.
Automatització	Execució de passos definits amb menys intervenció manual.	Copiar les dades d’un formulari a un altre programa.
Agent d’IA	Sistema que utilitza models i eines per avançar en una tasca dins d’uns permisos.	Interpretar una petició, consultar productes i preparar una comanda.

La IA generativa rep aquest nom perquè genera contingut. Aquesta capacitat no converteix el contingut en una font fiable per si mateixa. Un resum de comanda és útil quan conserva les dades comprovades; que estigui ben escrit no certifica que les quantitats i les referències siguin correctes.

ChatGPT és una aplicació concreta d’OpenAI, no el nom de tota la intel·ligència artificial. La descripció del cas de la cooperativa no identifica quin proveïdor de models utilitza, i no cal atribuir-lo a cap per explicar el procés.

Quan n’hi ha prou amb una automatització

Si l’entrada està estructurada i la regla és clara, pot ser suficient connectar dos programes. Per exemple, traslladar un formulari amb camps obligatoris no exigeix necessàriament interpretar llenguatge lliure. La decisió depèn de quina incertesa hagi de resoldre el sistema.

En canvi, quan un client expressa la comanda amb les seves paraules, un model pot ajudar a extreure’n el significat. La part posterior pot seguir regles fixes. La IA i les automatitzacions entre programes poden conviure dins del mateix recorregut.

En el cas descrit, «no registrar fins que el client confirmi» és una regla del procés. No hauria de quedar a la interpretació lliure del model. Separar aquesta regla de la redacció de missatges permet mantenir un límit clar encara que canviï la manera de conversar.

Què pot fer i quins límits necessita

La IA pot assumir tasques de classificació, extracció de dades, generació d’esborranys o preparació d’accions. L’abast acceptable depèn de les conseqüències de l’error i de les comprovacions disponibles. Revisar un esborrany no té les mateixes conseqüències que corregir una comanda que ja s’ha començat a tramitar.

Una resposta convincent pot ser incorrecta

El perfil de riscos d’IA generativa del NIST recull la generació d’informació falsa expressada amb seguretat, coneguda com a al·lucinació. En una tasca comercial, una descripció o una condició inventada pot confondre el client encara que estigui ben redactada.

Altres errors poden ser menys visibles: ometre una quantitat, confondre dos productes semblants o interpretar una correcció com una comanda addicional. Són exemples de situacions que convé provar; no són incidències que atribuïm a la cooperativa.

També importa quines dades pot consultar el sistema. Per preparar una comanda necessita informació determinada, no pas accés indiscriminat a tots els documents de l’empresa. Definir l’accés i les accions permeses forma part del disseny, igual que decidir què passa quan una consulta falla.

La confirmació i la intervenció humana formen part del procés

En el cas de comandes per WhatsApp implementat per serpixel, no es registra res fins que el client diu que sí. Les converses que l’agent no pot resoldre passen a una persona de l’equip. La facturació i el cobrament continuen en mans de la cooperativa.

Són tres límits diferents: aprovació de la comanda, gestió d’excepcions i responsabilitat sobre els passos posteriors. Mantenir-los separats evita confondre «l’agent recull la comanda» amb «l’agent s’encarrega de tot».

La confirmació tampoc elimina els errors per si sola. El resum ha de permetre revisar les dades, i el registre ha de respectar allò que s’ha acceptat. Per valorar el procés convé comprovar totes dues coses, a més de verificar que una negativa del client atura el registre.

El cas inclou un interruptor d’aturada documentat i una tornada clara al procés manual. L’equip pot aturar l’agent i continuar atenent. Aquesta possibilitat forma part del funcionament previst, no és una improvisació per a quan ja hi ha un problema.

Per on començar en una empresa

El primer pas útil és escollir una tasca concreta i descriure com es fa avui. «Aplicar IA a l’empresa» no defineix una prova. «Preparar la comanda que arriba per missatge perquè el client la confirmi» sí que permet identificar una entrada, un resultat i una condició per continuar.

Delimita la tasca i qui decideix

Recull exemples representatius i demana a l’equip que assenyali quins són senzills, quins necessiten context i quins requereixen parlar amb el client. Aquesta revisió permet trobar la capa repetitiva i les decisions que necessiten criteri.

Després documenta quatre coses: quina informació entra, quina font conté les dades vàlides, què pot fer el sistema i en quines situacions intervé una persona. Si l’equip no es pot posar d’acord sobre una regla, convé aclarir-la abans de traslladar-la a un programa.

També cal assignar qui atén les excepcions. Una conversa marcada per revisar encara necessita que algú la rebi, entengui què falta i la continuï. L’objectiu és que l’equip disposi de més temps per resoldre aquestes situacions i cuidar la relació amb el client.

Prova el procés complet abans de canviar-lo

En el cas de la cooperativa, abans de cada canvi de l’agent s’executa una bateria de proves amb converses reals anonimitzades. Això permet contrastar el comportament amb material del procés, a més de revisar una demostració preparada.

Per a una implantació nova, aquestes són preguntes útils per definir les proves:

• Identifica correctament els productes, les quantitats i les dates?
• Demana aclariments quan falta una dada necessària?
• Conserva les correccions del client en el resum final?
• Espera la confirmació abans de registrar?
• Deriva a l’equip allò que queda fora del seu abast?
• Permet recuperar la feina manual si una connexió falla?

No n’hi ha prou de comptar les respostes correctes. Convé distingir quins errors es produeixen i quines conseqüències tindrien. Una frase poc elegant i un producte incorrecte no mereixen la mateixa valoració. Compara també el temps de revisió i les correccions amb el procés anterior, fent servir observacions pròpies i un període definit.

La utilitat de la IA es decideix aquí: en una feina concreta, amb dades comprovables, permisos clars i persones que poden intervenir. Si vols revisar un procés repetitiu del teu equip amb serpixel, parlem-ne en una trucada de 30 minuts?