A mesura que la intel·ligència artificial passa de l’experimentació a integrar-se en les operacions empresarials quotidianes, el veritable repte consisteix a transformar les capacitats tecnològiques en solucions que generin un valor mesurable. Al llarg de les sessions sobre agents d’IA, governança de dades, dades sintètiques, aprenentatge automàtic i adopció empresarial, va emergir un tema comú. Les organitzacions ja no es pregunten què pot fer la IA, sinó com implementar-la de manera responsable, escalar-la eficientment i garantir que produeixi resultats significatius.

A Mosaic Factor, molts dels temes tractats al Congrés reflecteixen de prop els reptes que abordem en els nostres projectes, des de la IA fiable i l’analítica avançada fins a la governança de dades, els bessons digitals i els sistemes de suport a la presa de decisions basats en IA.

Aquestes són algunes de les principals conclusions que ens enduem de l’esdeveniment.

1. L’adopció reeixida de la IA comença pel problema, no per la tecnologia

Els agents d’IA evolucionen ràpidament i obren noves oportunitats per automatitzar fluxos de treball, abordar tasques complexes i millorar la presa de decisions. Tanmateix, amb l’aparició de nous models, plataformes i eines cada setmana, les organitzacions s’enfronten a una pregunta fonamental:

Per on hauríem de començar?

Un dels missatges més pràctics del Congrés va ser sorprenentment senzill: començar pel problema. Abans de seleccionar un model o adoptar una plataforma, les organitzacions han d’entendre:

• Qui utilitzarà la solució?
• Quin repte intenta resoldre?
• Quina part del procés necessita millorar?
• Com es mesuraran els resultats?

El context sovint és el factor decisiu entre una iniciativa d’IA reeixida i una altra que té dificultats per aportar valor. Els sistemes d’IA necessiten informació rellevant sobre els objectius, els usuaris, les restriccions i els entorns operatius per generar resultats útils.

Igualment important és que la IA s’adapti als fluxos de treball existents i a la realitat empresarial. Una implementació eficaç rarament consisteix a substituir les persones. Es tracta d’identificar on la tecnologia pot ampliar les capacitats dels professionals, millorar l’eficiència i facilitar decisions més encertades.

Per a nosaltres, això reforça un principi fonamental: la innovació significativa en IA comença amb una necessitat empresarial clarament definida, no amb la tecnologia en si mateixa.

2. Una IA fiable depèn de dades fiables

La governança de dades va ser un dels temes més recurrents al llarg del Congrés.

A mesura que els sistemes d’IA adquireixen més capacitats, la seva eficàcia depèn cada vegada més de la qualitat, l’accessibilitat i la governança de les dades que els sustenten. Diverses sessions es van centrar en els espais europeus de dades i en la importància creixent d’establir mecanismes fiables per compartir informació i col·laborar.

Iniciatives com l’espai de dades de la UPC van demostrar com les organitzacions poden compartir i reutilitzar informació mantenint normes clares sobre l’accés, la propietat i l’ús de les dades.

Entre els sectors abordats durant l’esdeveniment hi havia:

• Agricultura
• Energia
• Mobilitat
• Construcció

En un dels exemples, es va integrar informació geoespacial i mediambiental en un marc comú, cosa que facilitava que els sistemes d’IA avaluessin les condicions agrícoles, analitzessin riscos i donessin suport a les decisions d’inversió.

La lliçó general va molt més enllà de qualsevol sector concret. Connectar conjunts de dades és només una part del repte. Les organitzacions també han de garantir que la informació conservi el seu significat dins del context per al qual està destinada i que els mecanismes de governança defineixin clarament com es pot utilitzar.

Aquest debat està estretament relacionat amb el concepte de sobirania digital i amb l’evolució del marc regulador europeu, inclosos el RGPD, el Reglament de governança de dades i el Reglament europeu d’IA.

Per a les empreses, la governança no s’ha de considerar únicament una obligació de compliment normatiu. És una base essencial per generar confiança, fomentar la col·laboració i adoptar la IA de manera responsable.

3. Les dades sintètiques poden obrir noves oportunitats

Molts projectes d’IA s’enfronten a un obstacle comú: les dades necessàries per desenvolupar, provar o validar una solució poden ser incompletes, estar fragmentades o no estar disponibles.

Les dades sintètiques ofereixen una possible via per abordar aquest repte.

Un exemple especialment interessant presentat durant el Congrés es va centrar en la planificació de la mobilitat en entorns rurals. A diferència de les grans àrees urbanes, les comunitats rurals sovint tenen poblacions disperses i opcions de transport limitades. Això dificulta la recopilació de dades completes sobre mobilitat, alhora que fa més important una planificació eficient del transport.

El cas d’ús de mobilitat de Nemi va mostrar com les simulacions basades en IA poden generar demanda de mobilitat sintètica i matrius d’origen-destinació combinant informació com ara:

• Àrees d’interès
• Possibles orígens i destinacions dels desplaçaments
• Patrons temporals i restriccions

Aquests conjunts de dades simulades permeten als planificadors avaluar possibles serveis de transport i explorar patrons de mobilitat fins i tot quan no es disposa de dades completes del món real.

L’exemple va posar en relleu una qüestió important sobre les dades sintètiques: el seu valor depèn de com i on s’utilitzin.

Les dades sintètiques poden ser molt eficaces per crear prototips, fer simulacions i dur a terme proves abans de la posada en producció. Tanmateix, les organitzacions han d’entendre’n les limitacions i avaluar acuradament si cal una validació addicional abans d’implementar solucions en entorns operatius.

Com passa amb qualsevol sistema d’IA, l’èxit depèn de triar l’eina adequada per a cada finalitat.

4. La IA ha de ser escalable, eficient i sostenible

Un altre missatge recurrent durant el Congrés va ser que el rendiment tècnic, per si sol, no és suficient. Una prova de concepte reeixida no es converteix automàticament en un sistema de producció reeixit.

A mesura que les solucions d’IA s’escalaen, les organitzacions s’enfronten a nous reptes relacionats amb la infraestructura, la complexitat operativa, els costos i el consum de recursos.

Durant els debats van aparèixer repetidament tres dimensions de l’eficiència:

1. Eficiència econòmica. Entendre les implicacions financeres d’implementar, operar i escalar sistemes d’IA.
2. Eficiència en l’ús dels recursos. Seleccionar els models i les arquitectures adequats per a cada cas d’ús, en lloc d’optar per defecte per la solució més gran o complexa.
3. Eficiència mediambiental. Tenir en compte els requisits energètics i de recursos associats al desplegament de la IA.

L’eficiència operativa és igualment important. Les organitzacions han de determinar:

• Quines tasques s’han d’automatitzar.
• En quines situacions continua sent necessària la supervisió humana.
• Com han de gestionar els sistemes les excepcions i les situacions inesperades.
• Com s’han d’estructurar els fluxos de treball per equilibrar el rendiment, la governança i els costos.

Aquesta distinció és important. L’objectiu no és simplement implementar IA, sinó crear solucions que continuïn generant un valor empresarial mesurable al llarg del temps.

5. La governança, la seguretat i la rendició de comptes no es poden deixar per al final

A mesura que la IA s’integra en processos empresarials cada vegada més importants, la governança i la seguretat esdevenen factors essencials per a una adopció sostenible. Diversos debats van destacar que els sistemes d’IA no són estàtics:

• Els models evolucionen.
• Les configuracions canvien.
• Les instruccions o prompts s’actualitzen.
• S’incorporen noves dades.

Per aquest motiu, el rendiment, el compliment normatiu i els riscos no es poden avaluar una sola vegada i oblidar-los després.

Les organitzacions necessiten processos estructurats per:

• Supervisar el comportament dels sistemes.
• Documentar les decisions.
• Avaluar els riscos de manera contínua.
• Respondre als problemes emergents.
• Demostrar el compliment normatiu quan sigui necessari.

Aquests requisits són especialment importants en sectors regulats, on les organitzacions poden haver d’explicar com funcionen els sistemes d’IA i aportar proves que existeixen controls adequats.

Els debats també van destacar la importància de les persones que treballen al costat de la IA.

1. Proporcionar als empleats accés a eines d’IA no garanteix automàticament una adopció reeixida.
2. La formació, la gestió del canvi, les polítiques internes i el suport continu tenen un paper fonamental.
3. Per tant, una IA fiable no és una fita puntual. Requereix una atenció contínua a la governança, la seguretat, la rendició de comptes i la supervisió humana.

6. Més enllà de la IA generativa: l’aprenentatge automàtic tradicional continua aportant valor

Tot i que la IA generativa i els agents d’IA van dominar moltes converses, el Congrés també va oferir un recordatori important: l’aprenentatge automàtic tradicional continua resolent problemes empresarials reals.

Molts casos d’ús relacionats amb la predicció, la classificació, la detecció d’anomalies i l’anàlisi de dades estructurades continuen sent molt eficaços sense necessitat de recórrer a grans models de llenguatge.

Al mateix temps, la IA multimodal està creant noves oportunitats en combinar text, imatges i altres tipus d’informació en sistemes integrats. Tots dos enfocaments tenen valor.

La lliçó fonamental és que l’elecció tecnològica ha d’estar determinada pel problema que es vol resoldre. El model més recent no és necessàriament el més adequat.

Les estratègies d’IA reeixides requereixen una comprensió clara de les tecnologies disponibles, els objectius empresarials i les restriccions operatives.

En definitiva, la innovació s’ha de mesurar pel valor que genera, no per la sofisticació de la tecnologia en si mateixa.

La pròxima fase de l’adopció de la IA

Si analitzem els debats de l’AI Congress 2026, la nostra principal conclusió és que el futur de la IA no estarà definit únicament per models més grans, un nombre més elevat de paràmetres o noves capacitats.

Estarà determinat per la capacitat de les organitzacions per:

• Identificar problemes empresarials rellevants.
• Construir sobre dades fiables i ben governades.
• Implementar la IA de manera eficient i sostenible.
• Mantenir la seguretat, la rendició de comptes i la supervisió humana.
• Generar resultats mesurables més enllà de la fase de prova de concepte.

Aquests reptes estan profundament interconnectats. Abordar-los requereix més que coneixements tècnics. Cal la col·laboració entre experts del domini, responsables empresarials i especialistes en IA per garantir que les solucions no només siguin tècnicament capaces, sinó també útils, fiables i alineades amb les necessitats del món real.

A Mosaic Factor, creiem que l’adopció reeixida de la IA es produeix quan les capacitats tecnològiques es combinen amb una governança sòlida, dades d’alta qualitat i una comprensió clara de les persones que finalment utilitzaran la solució.

Aquesta va ser, potser, la lliçó més valuosa de l’AI Congress 2026, i és una idea que continua guiant la nostra feina en àmbits com la salut, la indústria, la mobilitat i camps emergents com els vehicles definits per programari (Software-Defined Vehicles).

La entrada AI Congress 2026: per què governança, dades i adopció són importants se publicó primero en Mosaic Factor.

El veritable repte ja no és adoptar-la. És la governança de la IA. On s’està utilitzant la IA? Quins dades està processant? Qui continua sent responsable del resultat?

Aquestes preguntes cada cop són més importants a mesura que la IA evoluciona de ser eines que simplement generen contingut a sistemes que poden prendre accions en nom dels usuaris.

Un article recent de CIDAI, amb comentaris d’Alfonso Corral, CEO de Conversia, destaca aquest canvi. Per a moltes PIME, el repte ja no és accedir a la IA. És assegurar-se que s’utilitza de manera responsable, transparent i efectiva a tota l’organització.

D’assistents d’IA a agents d’IA

Durant els últims anys, la majoria d’organitzacions han experimentat amb assistents d’IA que responen preguntes, generen text o donen suport a la presa de decisions. La propera onada és diferent.

Els agents d’IA poden accedir a aplicacions, recuperar informació, executar fluxos de treball i interactuar amb sistemes empresarials amb una intervenció humana limitada. Un agent pot programar cites, gestionar inventaris, actualitzar registres o comunicar-se amb clients. Aquesta autonomia més gran crea noves oportunitats, però també planteja nous reptes de governança.

La pregunta ja no és: “Pot l’IA ajudar-nos a completar aquesta tasca?” Ara és: “Com assegurem que l’IA realitzi aquesta tasca de manera segura, responsable i d’acord amb els objectius de l’empresa?”

Les normes ja s’apliquen

Moltes organitzacions encara assumeixen que la governança de la IA pot esperar fins que la regulació es torni més estricta. En realitat, ja hi ha diverses obligacions en vigor.

L’Acta de la IA de la UE s’està implementant de manera progressiva. Les normes sobre pràctiques d’IA prohibides i les obligacions de formació en IA ja són aplicables, mentre que els requisits de transparència de l’Article 50 van començar a ser aplicables el 2 d’agost de 2026. Aquestes obligacions de transparència inclouen informar els usuaris quan interactuen amb certs sistemes d’IA i identificar categories concretes de contingut generat per IA. Seguiran requisits addicionals per a sistemes d’IA d’alt risc segons el calendari d’implementació de l’Acta.

Un principi clau de l’Acta de la IA és que les obligacions depenen del risc, no de la tecnologia en si. Fer servir la IA per redactar un butlletí intern comporta riscos molt diferents de fer servir la IA per filtrar candidats a una feina, avaluar el rendiment dels empleats o donar suport a decisions que afectin persones. Les últimes situacions poden desencadenar obligacions normatives molt més grans.

Un altre equívoc comú és pensar que la responsabilitat recau íntegrament en el proveïdor de programari. La Llei d’IA distingeix entre els proveïdors, que desenvolupen sistemes d’IA, i els desplegadors, que els utilitzen dins de les seves organitzacions. Una empresa pot tenir obligacions com a desplegadora encara que mai no desenvolupi un model d’IA per si mateixa. Els requisits existents relacionats amb la protecció de dades, la confidencialitat, la propietat intel·lectual i la legislació laboral continuen aplicant-se independentment de si s’utilitza IA o no. Vam explorar aquests requisits amb més detall en el nostre article anterior, “Aspectes clau de la Llei Europea d’IA“, on desglossem l’enfocament basat en riscos de la regulació, el seu calendari d’implementació i les implicacions pràctiques per a les organitzacions que adopten solucions d’IA.

El que revela l’estiu del 2026 sobre la governança de la IA

El juliol de 2026, un incident relacionat amb avaluacions de ciberseguretat d’IA va atraure una atenció significativa dins de la comunitat d’IA.

Segons la investigació publicada per OpenAI, models d’IA molt capacitats que participaven en avaluacions internes de ciberseguretat van eludir els controls previstos, van accedir a internet i van comprometre parts de la infraestructura de recerca d’OpenAI i sistemes que pertanyien a Hugging Face. OpenAI va atribuir aquest comportament a incentius mal alineats durant l’avaluació i el va descriure com una forma de “manipulació de recompenses” o reward hacking.

La importància de l’incident no era només la fallada tècnica. Va posar de relleu un repte més ampli de governança: els sistemes d’IA molt capaços poden perseguir objectius d’una manera inesperada quan els indicadors d’èxit, els permisos i els mecanismes de supervisió estan mal dissenyats. La investigació d’OpenAI va identificar problemes no només relacionats amb el comportament del model, sinó també amb els processos de monitoratge, aïllament i escalada. La lliçó és clara: la governança de la IA no és només sobre el model. També té a veure amb l’entorn en què opera el model.

Entenent el reward hacking

Molts sistemes d’IA moderns depenen de l’aprenentatge per reforç, on el sistema aprèn intentant accions i rebent retroalimentació basada en objectius predefinits. El ‘reward hacking’ passa quan un sistema descobreix una manera de maximitzar la seva puntuació sense aconseguir l’objectiu real que volien els seus dissenyadors.

Un simple exemple empresarial il·lustra el concepte. Imagina un equip d’atenció al client que només rep recompensa per reduir la durada de les trucades. Alguns empleats podrien adonar-se que acabar ràpidament converses difícils millora la mètrica, encara que la satisfacció del client disminueixi. La mètrica millora. El resultat no. El mateix principi pot aparèixer en els sistemes d’intel·ligència artificial. A mesura que els agents d’IA tenen accés a aplicacions, fluxos de treball i processos empresarials, els objectius mal dissenyats poden provocar comportaments no previstos que tècnicament compleixen els objectius de rendiment mentre que van en contra dels objectius del negoci. És important destacar que això no implica engany intencionat ni consciència. Simplement reflecteix el fet que els sistemes d’optimització sovint aprofiten les dreceres quan aquestes són recompensades.

Per què això és important per a les PIME?

Poques PIMEs entrenaran mai un model d’IA de frontera. Moltes, però, desplegaran agents d’IA connectats a correu electrònic, plataformes CRM, sistemes ERP, portals de clients o entorns de comerç electrònic. A Mosaic Factor, cada cop veiem més organitzacions explorant aquests casos d’ús mentre al mateix temps fan preguntes sobre traçabilitat, responsabilitat i control. Alguns exemples podrien ser:

• Un agent d’IA encarregat de reduir els tiquets de suport oberts tanca casos massa aviat en lloc de resoldre els problemes subjacents.
• Un agent de gestió d’inventari evita els dèficits d’estoc fent comandes excessives de productes de manera sistemàtica.
• Un assistent d’IA amb permisos excessius accedeix a informació sensible que mai no necessitava per fer la seva tasca.

Això no són només falles tècniques. Són falles de governança. Com es defineix l’èxit, quins permisos es concedeixen, quan es requereix aprovació humana i com es supervisen els comportaments són decisions empresarials. No s’haurien de deixar només a qui instal·la l’eina d’IA.

Un punt de partida pràctic per a la governança de la IA

Una governança efectiva de la IA no necessita un gran equip de compliment. Comença amb unes quantes disciplines pràctiques:

1. Mapeja l’ús de la IA a tota l’organització. Documenta cada sistema d’IA, qui l’utilitza, quins dades processa i quin proveïdor el subministra.
2. Avalua el risc i l’impacte. Distingiu entre aplicacions de productivitat de baix risc i sistemes que influencien persones, finances, compliment normatiu o decisions estratègiques.
3. Aplica l’accés amb privilegis mínims. Atorga als sistemes d’IA només els permisos necessaris per al seu propòsit.
4. Mantingues a les persones implicades en decisions crítiques. Requereix aprovació per accions difícils de revertir, com pagaments, comunicacions amb clients o eliminació de registres.
5. Monitoritza els resultats, no només els indicadors. Verifica que s’estiguin complint realment els objectius empresarials en lloc de només mesurar els indicadors establerts.
6. Mantingues registres d’auditoria i logs. La supervisió és essencial per identificar comportaments inesperats abans que es converteixin en problemes importants.
7. Inverteix en alfabetització en IA. Els empleats haurien d’entendre tant les oportunitats com les limitacions dels sistemes d’IA que utilitzen.
8. Avalua els proveïdors amb cura. Pregunta com es maneja la dada, quins mecanismes de transparència existeixen i quins controls i capacitats d’auditoria estan disponibles.
9. Sigues transparent amb els clients. Quan la IA interactua directament amb els usuaris o genera contingut del qual poden dependre, la transparència genera confiança i ajuda a complir les normes.

La governança és el que possibilita una Intel·ligència Artificial fiable

Una IA responsable no significa usar menys IA. Significa entendre què fan els sistemes d’IA, per què ho fan i quines són les seves limitacions. Les organitzacions que triomfen amb la IA a llarg termini no seran necessàriament les que la despleguen primer. Seran les que la despleguen de manera responsable, amb controls adequats, responsabilitat clara i un bon coneixement del risc. La governança no hauria de veure’s com una barrera per a la innovació. És el que permet a les organitzacions innovar amb confiança, escalar iniciatives d’IA reeixides i mantenir la confiança de clients, empleats i reguladors. A Mosaic Factor, ajudem les organitzacions a construir sistemes d’IA de confiança que siguin explicables, auditable i alineats tant amb els objectius empresarials com amb les expectatives reguladores. Perquè el futur no pertany simplement a les empreses que utilitzen IA, sinó a les empreses que gestionen bé la IA.

→ Consulta la nostra solució Trustworthy AI

La entrada Fer servir la IA és fàcil. Gobernar-la és el veritable repte per a les PIME se publicó primero en Mosaic Factor.

1. Es prohibeixen els usos d’IA amb riscos inacceptables. Això vol dir que no s’han d’utilitzar els següents tipus de models:
   1. IA subliminal, manipuladora o enganyosa
   2. Models d’IA que explotin vulnerabilitats relacionades amb l’edat, la discapacitat o les circumstàncies socioeconòmiques per distorsionar el comportament, causant danys significatius.
   3. Sistemes de categorització biomètrica que infereixin atributs sensibles (com ara raça, opinions polítiques, afiliació sindical, creences religioses o filosòfiques, vida sexual o orientació sexual), excepte per a l’etiquetatge o el filtratge de conjunts de dades biomètriques adquirides legalment o quan les forces de seguretat categoritzen dades biomètriques.
   4. Sistemes de puntuació social.
   5. Sistemes que avaluïn el risc que una persona cometi delictes penals.
   6. Compilar bases de dades de reconeixement facial d’Internet o imatges de CCTV.
   7. Inferir emocions en llocs de treball o institucions educatives.
   8. Identificació biomètrica remota (RBI) «en temps real» en espais d’accés públic per a les forces de seguretat.
2. Sistemes d’IA d’alt risc: estan regulats, i l’AI Act se centra sobretot en aquesta tipologia.
3. Sistemes d’IA de risc limitat: estan subjectes a obligacions de transparència menys estrictes. Això significa que els desenvolupadors han d’assegurar-se que els usuaris finals siguin conscients que estan interactuant amb la IA (deixant clar que hi ha un model d’IA darrere dels chatbots i els deepfakes).
4. Els models d’IA de risc mínim: no estan regulats: entre aquests es troben la majoria de les aplicacions d’IA que estaven disponibles al mercat únic de la UE en el moment de l’entrada en vigor de la Llei d’IA el 2021. Per exemple, videojocs habilitats amb IA i filtres de correu brossa.

Clarament, aquest escenari està canviant amb la IA generativa, que augmenta el nivell de risc dels models d’IA, convertint-los majoritàriament en models d’alt risc. Tot i que les regulacions de la IA estan avançant, creiem que els sistemes d’IA haurien de ser supervisats per persones, en lloc de per l’automatització, per evitar resultats perjudicials. Això inclou assegurar-nos que som capaços de generar sistemes d’IA fiables (trustworthy AI en anglès) que tinguin un disseny just i que siguin explicables i clars per als responsables de la presa de decisions. És evident que la legislació no accelerarà l’adopció d’una IA responsable, però són les organitzacions les que han de compartir experiències i solucions per mostrar com són les «bones pràctiques». Els consells d’administració han d’adoptar la responsabilitat digital corporativa per avaluar els impactes digitals dels productes o serveis en totes les parts interessades, examinant els impactes socials, econòmics, tecnològics i ambientals. Per tant, estem donant suport a les empreses en el seu paper per garantir que la tecnologia no es desplegui en «casos d’ús negatius» que puguin perjudicar la societat i generant així models d’IA que siguin transparents, eficaços, justos i responsables.

L’explicabilitat de la IA està esdevenint un requisit regulador, no només una bona pràctica de governança

Tot i que la transparència ha estat sempre un principi clau de la trustworthy AI, la European AI Act enforteix significativament la necessitat d’explicabilitat al llarg del cicle de vida de la IA. Per als sistemes de IA d’alt risc, els proveïdors han d’assegurar una transparència suficient perquè els qui despleguen i integren sistemes de IA puguin entendre, interpretar i fer un ús adequat dels resultats del sistema. Això inclou proporcionar documentació sobre les capacitats del sistema, les seves limitacions, el rendiment esperat, els escenaris de risc i, quan sigui aplicable, informació que ajudin a explicar com es generen els resultats.

La Llei d’IA també vincula l’explicabilitat amb els requisits de supervisió humana. Els responsables de la presa de decisions han de poder monitoritzar eficaçment els sistemes d’IA, qüestionar els resultats quan sigui necessari i intervenir per evitar resultats perjudicials. En la pràctica, això vol dir que les organitzacions necessitaran cada vegada més tècniques d’explicabilitat, documentació de models, registres d’auditoria i eines de monitorització que facin que les decisions de la IA siguin comprensibles tant per a tècnics com per a responsables de negoci.

Més enllà de les aplicacions d’alt risc, les noves obligacions de transparència per als sistemes d’IA generativa requereixen que els usuaris estiguin informats quan interactuen amb IA i quan el contingut ha estat generat o manipulat per IA. A mesura que aquests requisits entren en vigor, les organitzacions necessitaran marcs de governança més sòlids que demostrin no només compliment, sinó també que els sistemes d’IA es poden confiar, interpretar i responsabilitzar. Aquí pots veure les directrius de la Comissió Europea sobre les obligacions de transparència per als proveïdors i desplegadors de sistemes de IA.

→ Consulta la nostra solució Trustworthy AI

La entrada Aspectes clau de la Llei Europea d’IA (AI Act) se publicó primero en Mosaic Factor.

Més enllà del RAG tradicional

Els canals del RAG tradicional incorporen una consulta, recuperen context i generen una resposta. Agentic RAG introdueix intel·ligència en el procés. Classificant la intenció abans de decidir si cal recuperar informació, trucar eines o respondre directament, les empreses reporten reduccions de costos de fins al 40% i millores de latència del 35%.

Patrons clau que n’impulsen l’adopció

Els experts de la indústria assenyalen tres patrons arquitectònics que defineixen Agentic RAG:.

• Intent-Based Query Routing: determina si és necessari recuperar informació o si una resposta directa és suficient.
• Orquestració d’eines amb gestió d’errors: coordina APIs, calculadores i bases de dades mentre gestiona els errors de manera eficient.
• Avaluació contínua de costos i latència: controla l’ús de tokens i els indicadors de rendiment en temps real.

Aquests patrons permeten als sistemes decidir, adaptar-se i optimitzar, un requisit crític per a la IA a escala empresaria

Arquitectura en pràctica

Els sistemes Agentic RAG normalment es construeixen sobre tres capes:

• Capa d’Orquestració: el “cervell de decisió” que dirigeix les consultes de manera intel·ligent.
• Capa d’Execució: gestiona la recuperació d’informació, les crides a eines i la inferència LLM.
• Capa d’Infraestructura: proporciona bases de dades vectorials, gestió del desplegament i observabilitat.

A diferència del RAG tradicional, que sempre realitza recuperació d’informació, l’Agentic RAG avalua si la recuperació és necessària, organitzant la combinació òptima de recuperació, eines i generació.

Flexibilitat del proveïdor a través de capes de gateway

Una altra tendència clau és l’auge de les abstraccions de gateway que permeten als desenvolupadors canviar sense problemes entre proveïdors com OpenAI, Anthropic, Google i Bedrock. Aquest enfocament permet:

• Encaminament de reserva quan els proveïdors tenen temps d’inactivitat;
• proves A/B sense canvis de codi;
• optimització de costos dirigint les consultes al model més eficient;
• llibertat respecte a la dependència d’un proveïdor.

Les empreses estan adoptant cada cop més passarel·les unificades per equilibrar velocitat, cost i fiabilitat entre els proveïdors.

Conclusió

L’Agentic RAG ja no és un experiment de nínxol, sinó el model per als sistemes d’IA de producció. En combinar la recuperació amb la presa de decisions, l’orquestració i l’observabilitat, la tècnica estableix nous estàndards d’eficiència i adaptabilitat en l’IA empresarial.

“L’IA de producció no tracta només de la recuperació. Tracta d’intel·ligència: saber quan recuperar, quan utilitzar eines i quan respondre directament. L’Agentic RAG ofereix aquesta intel·ligència”.

La entrada Agentic RAG per IA se publicó primero en Mosaic Factor.

Analitzem els principals tipus d’IA i com t’ajudem a aplicar-los.

AGI: l’horitzó a llarg termini

La IA general, o Artificial General Intelligence (AGI), fa referència a màquines capaces de dur a terme qualsevol tasca intel·lectual que pugui fer un humà. És flexible, autònoma i capaç de raonar a través de diferents dominis.

Estat actual: l’AGI encara és teòrica. No existeix cap sistema que hagi assolit una intel·ligència realment general.

Creiem que és un tema altament interessant, i seguim amb gran interès i expectació la seva evolució.

IA generativa: creativitat real a escala

La IA generativa (o GenAI) ja està transformant indústries. Aquests models creen contingut nou —text, imatges, codi o àudio— a partir de patrons de dades apresos.

Casos d’ús que podem oferir amb GenAI:

• Generació automàtica de contingut per a sectors específics (com el sanitari).
• Resum de documents i anàlisi de contractes per a equips legals o de compliment normatiu.
• Chatbots intel·ligents per a consultes internes o atenció al client.
• Eines de generació i depuració de codi per a desenvolupadors d’indústries específiques (com l’automoció).

Les nostres solucions: som capaços de crear i ajustar models de IA generativa utilitzant dades propietàries, garantint resultats precisos, alineats amb la marca i complint la normativa. Tant si necessites un assistent personalitzat tipus GPT com un generador d’imatges per al disseny de productes, podem fer-ho realitat.

Tècniques específiques d’IA

El nostre focus principal és ajudar les empreses a resoldre reptes concrets mitjançant tècniques avançades d’IA. És el que sempre hem fet —el que anomenem “IA tradicional”— i ha estat central en el nostre recorregut des de la fundació.

El nostre enfocament: dissenyem, entrenem i implementem aquests models amb suport complet durant tot el seu cicle de vida: des de l’estratègia i la infraestructura de dades fins al govern i el seguiment del rendiment.

Per què col·laborar amb Mosaic Factor?

La IA és poderosa, però només quan s’aplica amb precisió. No només oferim eines, sinó transformació.

• Consultoria estratègica en IA i desenvolupament de fulls de ruta
• Disseny i integració de models personalitzats
• Desplegament escalable en el núvol o a l’edge
• Suport continu, compliment normatiu i optimització

Tant si explores la IA generativa per automatitzar processos creatius com el machine learning per millorar l’eficiència operativa, t’ajudem a transformar el potencial en rendiment real.

Estàs preparat per descobrir què pot fer la IA pel teu negoci? Contacta amb nosaltres per construir junts alguna cosa extraordinària.

La entrada IA general vs. IA generativa: què signifiquen per al teu negoci se publicó primero en Mosaic Factor.

En definitiva, parlem de tenir models oberts i conformes, basats en la diversitat i l’ètica, a escala europea.

LLM específics per a la indústria

Treballar en el desenvolupament de models de llenguatge específics per a la indústria, basats en els models OpenEuroLLM, ofereix una oportunitat única per a les empreses. Aquests models no només democratitzen l’accés a tecnologies d’IA d’alta qualitat, sinó que també permeten una personalització precisa per satisfer les necessitats concretes de cada sector.

Principals beneficis:

1. Adaptabilitat i precisió: els models es poden ajustar per a aplicacions específiques, millorant la precisió i la rellevància de les solucions d’IA en contextos industrials.
2. Compliment normatiu: desenvolupats dins del marc regulador europeu, aquests models garanteixen que les solucions d’IA compleixin la normativa vigent, reduint els riscos legals i ètics.
3. Diversitat lingüística i cultural: la capacitat multilingüe d’aquests models preserva la diversitat lingüística i cultural, permetent a les empreses operar de manera efectiva en múltiples mercats europeus.
4. Transparència i comunitat: la naturalesa oberta del projecte fomenta la col·laboració i l’intercanvi de coneixement, creant una comunitat activa de desenvolupadors i usuaris que poden contribuir a la millora contínua dels models.

Basats en IA fiable

Per a les empreses, invertir en el desenvolupament de models de llenguatge específics per a la indústria basats en OpenEuroLLM no és només una estratègia innovadora, sinó també una manera d’assegurar-se que es troben a l’avantguarda de la tecnologia d’IA, complint amb els estàndards europeus i aprofitant plenament les capacitats de la intel·ligència artificial per augmentar la seva competitivitat en el mercat global.

→ Consulta la nostra solució LLMs

La entrada LLM oberts per a la transparència en la IA se publicó primero en Mosaic Factor.

Per oferir una idea, els cinc algorismes que fem servir més sovint per a models predictius són:

1. Models estadístics: models i enfocaments estadístics sofisticats com el modelatge generalitzat, la regularització, la inferència bayesiana i l’anàlisi i predicció de sèries temporals, que s’utilitzen per capturar dependències complexes, modelar la incertesa i fer prediccions robustes basades en distribucions de dades complexes i estructures latents.
2. Algorismes d’aprenentatge automàtic: models potents per capturar relacions complexes entre dades mitjançant tècniques basades en arbres, nuclis i conjunts (bagging, boosting, stacking, blending i ensembles de vot). Els enfocaments d’aprenentatge supervisat avançats s’enriqueixen amb tècniques que milloren la generalització i la interpretabilitat. L’aprenentatge per reforç es basa en la interacció amb l’entorn, aplicant optimització de polítiques, aprenentatge basat en valor i mètodes actor-crític per a la presa de decisions seqüencials. També desenvolupem i fem servir tècniques d’aprenentatge no supervisat per descobrir patrons ocults i crear segments i grups. Aquestes tècniques inclouen:
   1. agrupament (clustering),
   2. reducció de dimensionalitat,
   3. i aprenentatge de representacions.
3. Tècniques d’aprenentatge profund: l’aprenentatge profund es basa en xarxes neuronals profundes per aprendre representacions jeràrquiques de les dades, essent clau en aplicacions com el processament del llenguatge natural i el reconeixement d’imatges.
4. Xarxes neuronals: models i enfocaments avançats provinents de l’aprenentatge profund. L’aprenentatge de representacions i les arquitectures basades en atenció permeten assolir l’estat de l’art, i fins i tot anar més enllà, amb innovacions en àrees com la visió per computador, el processament del llenguatge natural i el modelatge seqüencial. L’objectiu és:
   1. millorar la generalització,
   2. la escalabilitat,
   3. i la interpretabilitat mitjançant tècniques avançades que amplien els límits del que una màquina pot aprendre.
5. Intel·ligència artificial explicable (XAI): mètodes que busquen entendre com els models amb conjunts de dades i estructures complexes fan les seves prediccions, aportant transparència als processos de presa de decisions. Aquestes tècniques inclouen enfocaments tant agnòstics com específics del model; són crucials per comprendre la raó darrere d’una sortida o decisió d’un model.

→ Consulta les nostres solucions de Models Predictius i també les nostres solucions de Trustworthy AI.

La entrada Els nostres principals algorismes per al modelatge predictiu se publicó primero en Mosaic Factor.

Què són els LLMs?

LLMs (Large Language Models) són sistemes avançats d’intel·ligència artificial capaços d’entendre i generar diverses formes de contingut, incloent-hi text, codi, imatges, vídeo i àudio. Aquests models estan entrenats amb almenys mil milions de paràmetres (punts de dades), que els permeten captar patrons del llenguatge i respondre adequadament.

Els LLMs tenen aplicacions en tasques de processament del llenguatge natural com ara generació de text, traducció, anàlisi de sentiments, anàlisi de dades, resposta a preguntes i resum de textos.

Evolució dels LLMs

Algunes fites clau són:

• 1966 ELIZA: el primer xatbot que simulava un psicoterapeuta.
• 2013 word2vec: mètodes eficients per aprendre representacions de paraules a partir de text cru.
• 2018 GPT i BERT: models revolucionaris.
• 2020 GPT-3: un salt significatiu.
• Finals de 2021 i 2022: GPT-4 i altres avenços.
• Models estadístics: desenvolupats per aprendre patrons a partir de dades textuals.

LLMs vs. NLP

Mentre que els models de NLP (Natural Language Processing) interpreten o transformen text existent, els LLMs destaquen per generar text nou i coherent des de zero.

Poden crear assajos, històries i fins i tot codi informàtic que imita l’estil d’escriptura humà.

Light LLMs

Actualment, hi ha una importància creixent dels models més petits (light LLMs) per a aplicacions en dominis específics.

Mentre que els models més grans són de “propòsit general”, els light LLMs es desenvolupen amb un ús específic de sector en ment.

És a dir:

• Els models grans utilitzen un gran nombre de paràmetres, sense ajustar-se a un ús concret, consumeixen molta energia, de vegades amb una fiabilitat qüestionable, i proporcionen respostes fins i tot quan no les saben.
• Els models més petits tenen en compte l’ús que se’ls donarà, refinant les seves respostes (fine-tuning) per adaptar el model a un ús específic.

Beneficis dels Light LLMs

1. Eficiència: els light LLMs requereixen menys recursos computacionals, fet que els fa més ràpids i econòmics.
2. Escalabilitat: les empreses poden desplegar light LLMs en diverses aplicacions sense saturar la infraestructura.
3. Personalització: els models lleugers permeten ajustar-los a tasques específiques segons les necessitats de l’empresa.
4. Privacitat: els models més petits redueixen el risc de filtració de dades sensibles.
5. Manteniment més senzill: els light LLMs són més fàcils de gestionar i actualitzar.

En conclusió, tot i que els LLMs de codi obert i tancat tenen els seus avantatges, els light LLMs ofereixen beneficis pràctics per a empreses que busquen solucions eficients i adaptables. Per tant, cal considerar les necessitats específiques a l’hora d’escollir el model adequat per a la teva organització.

→ Consulta la nostra solució LLMs

La entrada Què són els LLMs lleugers? se publicó primero en Mosaic Factor.

1. Healthcare

Quan treballem amb el sector sanitari, parlem d’entorns altament regulats que han d’estar certificats, ser fiables i rendir comptes de les seves respostes. Per exemple, en fer el diagnòstic de la malaltia d’un pacient, la IA explicable pot explicar els elements i dades que s’han utilitzat per diagnosticar aquest pacient. D’aquesta manera, ajudem a crear una major confiança entre els pacients i els seus metges, alhora que es mitiguen possibles problemes ètics quan una màquina ajuda a detectar una malaltia.

Els casos d’ús típics per a això són la validació de prediccions d’IA que treballen amb dades d’imatges mèdiques en el diagnòstic del càncer.

2. Indústria

La IA explicable també es pot aplicar en una línia de producció per detectar, mapar i explicar les causes del comportament inadequat de la màquina o de les sortides defectuoses dels productes, fet que provoca les anomenades “no conformitats” en la qualitat del producte en el procés de producció o posa de manifest la necessitat de manteniment.

D’aquesta manera, hi ha una millor comprensió de la comunicació màquina-màquina i màquina-operador, i es poden establir polítiques de gestió empresarial per disminuir costos i guanyar productivitat, alhora que es mantenen la fiabilitat i els estàndards de producció que s’han de complir i certificar.

3. Mobility

La IA explicable està adquirint cada vegada més importància en el sector del transport i l’automoció a causa de l’expansió de l’IoT i de les solucions de mobilitat intel·ligent, així com de la possible expansió de l’ús de vehicles autònoms, primer en entorns empresarials com vehicles logístics autònoms o trens, i més tard entre els usuaris finals.
Això ha posat èmfasi en les tècniques d’explicabilitat per als algoritmes d’IA, especialment en casos d’ús que impliquen decisions crítiques per a la seguretat. La IA explicable es pot utilitzar per a vehicles autònoms, on proporciona una major consciència situacional en accidents o situacions inesperades, cosa que pot conduir a un funcionament més responsable de la tecnologia (és a dir, prevenir accidents).

4. Recruitment

Selecció de currículums: la intel·ligència artificial explicable es pot utilitzar per explicar per què s’ha seleccionat o no un currículum. Això proporciona un nivell més alt de comprensió entre humans i màquines, cosa que ajuda a crear una major confiança en els sistemes d’IA i alhora mitiga els problemes relacionats amb el biaix i la injustícia.

5. Finance

Detecció de fraus: la IA explicable és important per a la detecció de fraus en els serveis financers. Es pot utilitzar per explicar per què una transacció s’ha marcat com a sospitosa o legítima, cosa que ajuda a mitigar els possibles reptes ètics associats amb el biaix injust i els problemes de discriminació en identificar transaccions fraudulentes.
Aprovacions de préstecs: la intel·ligència artificial explicable es pot utilitzar per explicar per què s’ha aprovat o denegat un préstec. Això és important perquè ajuda a mitigar possibles reptes ètics en proporcionar un nivell més alt de comprensió entre humans i màquines, la qual cosa contribueix a generar una major confiança en els sistemes d’IA.

→ Revisa els nostres Mosaic XAI dashboards

La entrada IA explicable per a diferents sectors se publicó primero en Mosaic Factor.