Disseny de Sistemes Agenètics: De tasques simples a fluxos intel·ligents.
Introducció
En un context on les empreses busquen automatitzar tasques repetitives, reduir errors humans i augmentar la precisió dels seus processos, els agents basats en llenguatge natural emergeixen com una solució estratègica.
Aquests sistemes, capaços d’entendre instruccions, consultar eines i prendre decisions, ja no són patrimoni exclusiu dels grans laboratoris d’IA. Avui es poden aplicar de manera pràctica i escalable en empreses.
Aquest post no és una guia tècnica. Està pensat com una introducció pràctica —per a equips no tècnics— que vulguin entendre com aplicar agents a tasques reals.
Què és un agent intel·ligent?
Un agent és un sistema que pot rebre una instrucció en llenguatge natural, entendre què ha de fer i executar una o diverses accions per oferir una resposta útil. És com un assistent virtual que, en lloc de respondre només amb text, pot interactuar amb eines, consultar dades, fer càlculs o seguir regles empresarials.
Un agent esdevé realment útil quan l’integrem en fluxos de treball específics: per exemple, quan ajuda a planificar els torns del personal segons la càrrega de feina setmanal, o quan analitza automàticament informes d’inspecció per detectar incompliments o anomalies. També pot revisar documents tècnics cercant-hi errors habituals o comprovar si la previsió meteorològica afecta el calendari d’una obra.
Eines: les habilitats de l’agent
Els agents funcionen amb l’ajuda d’eines, que podem entendre com a funcions o habilitats específiques que l’agent té disponibles.
In the context of a construction company, useful tools might include:
Automatic calculation of sloped lengths from basic dimensions (e.g., for rooftops).
Structural verification: determining whether a slab can support a certain load.
Validation against local building codes.
Estimation of materials and costs.
L’agent no necessita saber com es fa tot des de zero: simplement se li ensenya a “cridar” aquestes eines en el moment adequat. La intel·ligència rau en saber quan i com utilitzar-les, segons la consulta de l’usuari.
Exemples pràctics: Càlcul automàtic
Una empresa constructora necessita calcular ràpidament la longitud del costat inclinat d’una teulada. En lloc de fer-ho a mà o cercar una calculadora, un agent pot fer-ho de manera immediata: l’usuari introdueix la base i l’alçada, i el sistema respon amb el valor calculat.
Aquest tipus d’automatització estalvia temps, redueix errors i permet delegar tasques bàsiques al sistema.
Exemples pràctics: Verificació de càrrega màxima en una llosa
En aquest cas, l’agent ajuda a validar si una llosa pot suportar el pes d’una maquinària específica. Només cal que l’usuari indiqui el pes total, i l’agent el compara automàticament amb els paràmetres estructurals definits per l’equip d’enginyeria.
Si el pes supera el límit, l’agent no només ho notifica, sinó que també suggereix mesures correctives com reforçar la llosa, distribuir el pes o consultar l’enginyer estructural.
Aquest tipus de solució és especialment útil a peu d’obra, on cal prendre decisions ràpides amb base tècnica sòlida.
De tasques aïllades a fluxos complexos: fluxos intel·ligents
En molts casos, les tasques dins una empresa no es resolen amb una sola acció. Requereixen una seqüència de passos, decisions intermèdies i validacions . Per a aquests escenaris més complexos, utilitzem fluxos estructurats que representem com a grafs de decisió, on cada pas de l’agent segueix una lògica clarament definida.
A AlamedaDev fem servir tecnologies com LangGraph i eines pròpies , que ens permeten modelar aquests fluxos com a grafs dirigits, on cada node representa una acció per exemple: verificar, calcular, consultar), i les transicions entre nodes depenen del resultat obtingut a cada pas.
Este enfoque se basa en fundamentos de la teoría de grafos, ampliamente utilizada en disciplinas como redes, logística y optimización. Aplicado al desarrollo de agentes:
Representa una etapa del procés: pot ser una eina, una consulta al model de llenguatge, una verificació tècnica o una decisió basada en regles.
Defineix el camí a seguir segons les dades d’entrada o els resultats obtinguts.
Descriu com es comporta l’agent en diferents escenaris, permetent personalitzar fluxos de treball complexos sense escriure lògica condicional manualment.
El paper de l’orquestrador
En aquest esquema, una peça clau és l’orquestrador, que actua com a controlador del sistema: no executa tasques directament, però sí decideix quin node s’ha d’executar a continuació segons l’estat actual del procés. Coordina el recorregut de l’agent pel graf, avalua condicions, manté el context i garanteix que l’execució flueixi de manera coherent.
Això permet construir agents que raonen pas a pas, gestionen bifurcacions lògiques i responen de manera diferent segons les dades que reben.
Exemple real: agent de seguiment de lliuraments en una empresa de materials de construcció.
Imagina una empresa que distribueix materials pesants (ciment, acer, aïllants, prefabricats) a obres en diferents ciutats. Un dels problemes operatius més freqüents és assegurar que cada lliurament arribi a temps, en condicions i amb la documentació adequada.
Per resoldre-ho, es va implementar un agent intel·ligent de seguiment logístic , que actua com un “assistent virtual de supervisió” amb capacitats reals de decisió.
Quines tasques realitza aquest agent?
Revisa l’estat de la comanda al sistema (ja ha estat carregada? ja ha sortit? està en ruta?).
Consulta la ubicació GPS del camió en temps real.
Creua la informació amb la previsió meteorològica i detecta possibles retards per pluja, talls o trànsit.
Comprova que el conductor hagi completat el checklist de seguretat abans de sortir.
Envia alertes proactives si hi ha desviacions del pla (per exemple, més de 15 minuts de retard).
Genera automàticament un informe per al client amb l’estat actualitzat, ETA (hora estimada d’arribada) i observacions rellevants.
Cada pas del flux està definit com un node en un graf intel·ligent. L’agent recorre aquests nodes de manera dinàmica:
Si el camió no ha sortit → espera.
Si el temps és advers → ajusta l’ETA.
Si hi ha desviació en la ruta → consulta alternatives.
Si tot està en ordre → continua fins al tancament del lliurament.
L’orquestrador del sistema decideix què fer en cada moment, quines fonts consultar i quan escalar a un humà (per exemple, si detecta una anomalia que no pot resoldre automàticament).
Per què és útil aquest agent?
Redueix el temps de resposta de l’equip logístic.
Millora l’experiència del client amb informació proactiva i clara.
Disminueix errors per manca de coordinació entre sistemes.
Augmenta la traçabilitat, perquè tot el procés queda registrat.
Aquest tipus d’agent no respon preguntes puntuals com un xatbot. Actua sobre sistemes reals, pren decisions i automatitza processos que abans requerien diverses persones consultant correus, GPS, el temps i sistemes ERP.
Com poden les empreses implementar sistemes agenètics?
Un cop dissenyat i provat l’agent, el següent pas és integrar-lo a l’entorn operatiu de l’empresa. Aquesta és l’etapa on l’agent deixa de ser un prototip aïllat i es converteix en part activa del flux de treball dia.
Segons la nostra experiència, aquesta integració és on es genera més valor, però també on cal prendre decisions tècniques importants.
Significa que l’agent:
Accedeix a dades reals de l’empresa: comandes, usuaris, sensors, plànols, informes.
Pot executar accions reals: actualitzar estats, generar documents, enviar alertes.
Es comunica amb persones o sistemes.
Amb quins sistemes es pot connectar?
APIs internes o externes (p. ex. per consultar comandes, meteorologia, inventari).
Bases de dades (SQL, NoSQL o vectorials com Weaviate o Pinecone).
Sistemes ERP, CRM o BIM emprats a obra o a oficina.
Sensors o dispositius IoT per recollir dades de l’entorn (temperatura, pes, posició).
Interfícies d’usuari: xats interns, panells web, assistents en mòbils o tauletes.
Tractament de dades privades i compliment normatiu
Quan s’integra un agent intel·ligent en sistemes reals, un dels aspectes més sensibles és el tractament de dades privades o confidencials. Això pot incloure informació de personal, documentació tècnica, plànols, contractes, registres financers, entre altres.
Per complir amb la normativa vigent i protegir la informació, cal seguir un procediment clar i estructurat.
1 - Avaluació del tipus de dades gestionades, avanç de desplegar l'agent, haurem d'identificar.
Quines dades utilitzarà l’agent?
Quin nivell de sensibilitat tenen (públiques, internes, confidencials, protegides per llei)?
Estan subjectes a regulacions com el RGPD, LOPD, HIPAA?
Això permet definir els controls tècnics i legals necessaris.
2 - Control d’accés
Aplicació del principi de mínim privilegi.
Configuració de rols i permisos.
Auditoria i revocació d’accés segons el context.
3 - Seguretat de les dades en trànsit i en repòs
Xifrat de comunicacions entre l’agent i altres sistemes.
Xifrat en repòs per a dades temporals o resultats.
Mecanismes d’expiració, tokenització o anonimització si cal.
4 - Registre i traçabilitat de decisions
Cada acció ha de quedar registrada de manera segura.
Les decisions han de basar-se en regles documentades.
Si s’utilitza un model de llenguatge, cal saber quines dades s’envien i com s’utilitzen.
Existeixen eines que facilitin aquest procés?
Sí. Tot i que el tractament segur de dades pot semblar complex, hi ha frameworks, serveis al núvol i solucions locals que automatitzen moltes d’aquestes tasques. Aquestes eines permeten que els agents treballin dins d’un marc segur i normatiu sense haver de construir-ho tot des de zero.
I si vull implementar agents a la meva empresa?
Si has identificat processos que es podrien automatitzar, el més important és passar del concepte a una solució concreta. No cal desenvolupar un sistema complex des del principi: n’hi ha prou amb començar per un cas clar i validar-lo en un entorn controlat.
En molts projectes, el primer pas és dissenyar un MVP funcional per comprovar si l’agent resol bé un problema real: validar la capacitat d’una llosa, automatitzar un informe tècnic o integrar normativa local en un flux d’aprovació. Si el resultat és positiu, aquest flux pot escalar-se, integrar-se amb altres sistemes o fins i tot convertir-se en un producte.
A diferència de solucions fragmentades, a AlamedaDev abordem tant el disseny de la intel·ligència de l’agent com el desenvolupament que el suporta i l’integra. Això ens permet lliurar sistemes complets, connectats amb la infraestructura del client i preparats per operar en entorns reals.
A Alamedadev ,ja hem desenvolupat solucions basades en agents en sectors com les telecomunicacions, la salut, el transport i la Fintech. També treballem en indústries on es requereixtraçabilitat, control i compliment normatiu, com la construcció i l’energia. I quan el projecte ho requereix, desenvolupem agents amb o sense dependre de frameworks externs, per garantir un major control i adaptabilitat.