Què és un sistema d'IA agèntic

Tothom parla d'«agents d'IA» ara mateix. Cada proveïdor en té un. Cada pitch deck en menciona algun. I si li preguntes a tres enginyers diferents què és exactament un sistema d'IA agèntic, obtindràs tres respostes diferents.

El problema no és el terme en si, és el que genera: emprenedors que estan construint alguna cosa i ho anomenen agent quan no ho és, o emprenedors que eviten els agents del tot perquè el concepte els sembla més complex del que el seu problema requereix.

Tots dos errors són cars.

Comença pel comportament, no per la definició.

Una crida d'IA estàndard rep un input, el passa per un model i retorna un output. Un pas. Fi.

Un sistema agèntic fa una cosa diferent: rep un objectiu, el descompon en passos, decideix què fer en cada un, utilitza eines per actuar sobre el món i ajusta el seu comportament en funció del que troba, tot sense que una persona dirigeixi cada moviment.

Un dels errors més freqüents és assumir que «agent» significa IA totalment autònoma prenent decisions sense supervisió humana. La majoria dels sistemes agèntics en producció estan en algun punt intermedi de l'espectre.

Una seqüència de crides a un LLM encadenades, on cada output alimenta el següent. Sense presa de decisions real, sense eines. Sovint s'etiqueta com a agent quan no ho és.

Exemple: un sistema que extreu clàusules clau d'un contracte, després classifica el risc, després genera un informe.

El model pot cridar eines externes, cerca, APIs, bases de dades, per completar una tasca. Decideix quina eina utilitzar i quan.

Exemple: un agent d'atenció al client que consulta l'historial de comandes, comprova l'estat de l'enviament i redacta una resposta.

El model planifica, executa, avalua els resultats i s'ajusta. Pot reintentar passos fallits, gestionar outputs inesperats i recuperar-se d'errors.

Exemple: un agent de recerca que cerca en múltiples fonts, avalua la rellevància, sintetitza els resultats i assenyala contradiccions.

Diversos agents especialitzats col·laboren: un orquestra, altres executen. Cada un gestiona un domini o tipus de tasca específic.

Exemple: un sistema de monitorització de compliance on un agent analitza trucades, un altre les contrasta amb documents de política i un tercer genera informes per a revisió.

Tres confusions freqüents entre emprenedors:

L'automatització segueix regles fixes: si X llavors Y, sempre. Es trenca quan l'input no encaixa amb el format esperat. Un agent gestiona la variabilitat, entèn el context, maneja els casos extrems i pren decisions de criteri. És la diferència entre un diagrama de flux i algú que pensa.

Una crida a un LLM és una inferència puntual. Ràpida, barata, sense estat. Un agent orquestra múltiples crides, eines i decisions al llarg del temps. Més potent per a tasques complexes, però també més car, més lent i més difícil de depurar. No facis servir un martell per cargolar un cargol.

Aquesta és la part que importa. Cinc senyals clars.

Si completar la tasca implica obtenir dades de fonts externes, CRMs, APIs, bases de dades, documents, i les fonts concretes depenen del context, necessites un agent. Un pipeline fix no pot decidir on buscar. Un agent sí.

Pregunta't: El meu sistema necessita anar a buscar informació, o sempre treballa amb informació que ja té?

Si diferents inputs requereixen legítimament seqüències de passos diferents, uns simples, d'altres complexos, un flux fix o es trencarà o serà innecessàriament lent per als casos simples. Un agent enruta dinàmicament.

Pregunta't: Totes les tasques tenen la mateixa estructura, o els casos extrems requereixen un tractament diferent?

Quan completar una tasca requereix tocar el teu CRM, el teu repositori de documents, el teu calendari i el teu correu, i coordinar el que retorna cadascun, aquesta lògica de coordinació pertany a un agent, no a codi d'integració personalitzat que es trenca cada cop que canvia un sistema.

Pregunta't: Quantes integracions toca aquesta tasca? Si en són més de dues, l'arquitectura agèntica comença a tenir sentit.

Els sistemes d'IA en producció fallen. Els models al·lucinen. Les APIs cauen. Els documents estan mal formats. Un agent pot detectar què ha sortit malament i decidir què fer: reintentar, usar un fallback, escalar a revisió humana. Una crida simple al LLM simplement retorna una resposta incorrecta.

Pregunta't: Què passa quan el model s'equivoca? Si la resposta és «es trenca», necessites més que una inferència.

Si l'usuari inicia alguna cosa i el sistema necessita treballar-hi, recopilant informació, prenent decisions, produint un resultat, durant segons o minuts sense que l'usuari intervingui a cada pas, això és un flux agèntic. No un intercanvi de chatbot.

Pregunta't: L'usuari espera una resposta o espera un resultat?

Concret, sense ser un cas d'estudi formal.

Un equip de compliance d'una empresa de serveis financers necessita monitoritzar trucades de vendes per detectar incompliments de política.

Un humà revisa les transcripcions manualment. O un model bàsic de NLP marca paraules clau, però perd el context, genera falsos positius i no pot explicar per què ha marcat alguna cosa.

1. La gravació de la trucada dispara el flux de treball. 2. L'Agent 1 transcriu i segmenta la trucada per interlocutor i tema. 3. L'Agent 2 recupera les polítiques de compliance rellevants per al producte que s'ha discutit. 4. L'Agent 3 creua la transcripció amb la política, no per paraules clau, sinó per raonament contextual. 5. L'Agent 4 genera un informe estructurat: què s'ha dit, quina política aplica, quin és el nivell de risc, quina acció es recomana. 6. Si el risc supera un llindar, escala a un revisor humà amb tot el context ja preparat.

El que fa que això sigui agèntic: obté informació externa (polítiques) basant-se en el contingut de la trucada, pren decisions a cada pas segons el que troba, gestiona la variabilitat (diferents productes, diferents polítiques, diferents nivells de risc) i produeix un output accionable, no només una classificació.

Aquesta és l'arquitectura darrere de l'agent d'anàlisi de trucades i compliance que vam construir per a un client real de contact center. No és una demo, és un sistema en producció.

Una checklist pràctica per portar a la teva propera reunió d'equip.

Els sistemes d'IA agèntics no són chatbots més avançats. Són un patró arquitectònic diferent per a una classe de problema diferent, tasques que requereixen acció, presa de decisions al llarg de múltiples passos i gestió robusta d'un món variable.

La pregunta no és si els agents són impressionants. Ho són. La pregunta és si el teu producte té un problema per al qual els agents són l'eina adequada. La majoria de productes en etapa primerenca tenen un o dos fluxos de treball on la resposta és clarament sí, i molts altres llocs on els enfocaments més simples funcionen millor.

Fer aquesta distinció bé des del principi és la diferència entre llançar alguna cosa en 6 setmanes i passar 6 mesos en una arquitectura que no necessitava ser tan complexa.