El punt de partida

Tot va començar amb una necessitat molt concreta: anar més enllà de les eines d’IA que ja utilitzava i integrar-les de manera real en la meva forma de treballar.

Feia anys que utilitzava eines com ChatGPT per resoldre dubtes puntuals o GitHub Copilot per autocompletar codi. Funcionaven bé per al que estaven pensades, però buscava alguna cosa més: un assistent que conegués la meva manera de treballar, els projectes en què estic, les eines que utilitzo i fins i tot el to amb què em comunico amb un client.

No busco un chatbot amb qui parlar. Busco un sistema que treballi amb mi cada dia.

El que hi ha ara

Avui tinc dos agents d’IA operatius: Lupe i Gizmo, que s’executen en ordinadors diferents. Tots dos estan connectats a un canal compartit, el Team Hub, on poden comunicar-se entre ells i amb mi.

Cadascun té accés a eines reals: terminal, navegador, repositoris, gestió del correu i l’API del portafolis que utilitzo per al meu web personal.

Lupe es centra principalment en la part editorial i de gestió: redactar i revisar continguts, preparar fitxes de projectes, triar correus, organitzar informació i coordinar tasques.

Gizmo assumeix el rol més tècnic: treballa amb codi, repositoris, servidors i altres tasques relacionades amb desenvolupament i sistemes. Els desplegaments, però, continuen sota la meva responsabilitat.

Quan una tasca afecta diferents àrees, Lupe i Gizmo poden coordinar-se a través del canal compartit, cadascun aportant el context i les eines pròpies del seu rol.

Què delego i què no

Una de les primeres coses que vaig aprendre és que no tot s’ha de delegar a un agent d’IA. Hi ha tasques que encaixen molt bé en aquest tipus de sistema i d’altres que continuen necessitant criteri i supervisió humana.

Funcionen especialment bé les tasques que tenen instruccions clares i un resultat verificable. Per exemple, revisar una llista de correus i classificar els que són brossa, actualitzar el contingut d’un projecte al portafolis a partir d’un text que jo he aprovat o comprovar que un servidor respon correctament.

En aquests casos, l’agent pot seguir un flux definit i jo puc comprovar el resultat abans que una acció tingui conseqüències importants.

Les coses es compliquen quan el context és llarg o ambigu. Un agent d’IA no té la mateixa memòria ni la mateixa comprensió acumulada que una persona. Si una tasca requereix entendre mesos de context o parteix d’una instrucció massa oberta, com ara «millora això», el resultat acostuma a ser més superficial.

També hi ha limitacions en les decisions creatives. Els textos generats necessiten revisió abans de publicar-se i, quan treballo en català, l’ortografia i determinades expressions encara requereixen una atenció especial.

El model de confiança

Una de les parts més importants del sistema ha estat definir fins on pot arribar cada agent i quines accions necessiten la meva aprovació.

No dono a un agent llibertat per actuar directament sobre producció sense supervisió. Qualsevol acció que impliqui modificar un servidor en producció, enviar un correu a un client o publicar contingut al web passa per una revisió abans d’executar-se.

El sistema funciona per capes de confiança.

Hi ha tasques que els agents poden fer de manera autònoma, com llegir informació, classificar correus, consultar dades o generar llistats.

N’hi ha d’altres que poden preparar o executar, però que necessiten la meva aprovació, com actualitzar contingut, generar imatges o crear esborranys.

Finalment, hi ha accions en què l’agent només prepara la informació o proposa els passos que cal seguir i soc jo qui pren la decisió final, especialment quan es tracta d’enviar correus, fer desplegaments, modificar producció o aplicar canvis importants de configuració.

Pot semblar un procés més lent, però en la pràctica passa just el contrari. L’agent prepara la feina, jo reviso el resultat i el temps total és molt menor que si hagués de fer tot el procés manualment.

Entre agents

Una de les parts més interessants del sistema actual és la comunicació entre Lupe i Gizmo.

No són dues eines aïllades ni el mateix agent amb dos noms. Són dues instàncies independents, cadascuna amb la seva pròpia sessió, memòria, eines i accés a equips diferents.

El Team Hub actua com a punt de comunicació entre elles. A través d’aquest canal poden compartir context, demanar-se ajuda, dividir una tasca o aportar perspectives diferents davant d’un mateix problema.

Si una tasca editorial necessita una acció tècnica, Lupe pot demanar la intervenció de Gizmo a través del canal compartit. De la mateixa manera, Gizmo pot consultar amb Lupe quan necessita context sobre continguts, projectes o gestió.

Cada agent manté el seu rol, però pot recórrer a l’altre quan la tasca ho requereix. Això permet que la col·laboració no depengui d’un únic agent que intenti fer-ho tot, sinó de diferents agents especialitzats que treballen dins d’un mateix sistema.

El que vindrà

Crec que d’aquí a uns anys tenir agents d’IA integrats en el flux de treball serà tan habitual com utilitzar avui un editor de codi, un sistema de control de versions o eines d’automatització.

Per això, el meu objectiu no és simplement utilitzar les eines que van apareixent, sinó entendre com integrar-les, definir-ne els límits i aprendre en quines situacions aporten valor real.

Si hi ha una cosa que he après durant aquest procés és que el valor d’un agent d’IA no depèn només del model que utilitza. Depèn del context que té, de les eines a les quals pot accedir, dels límits que li defineixes i de com s’integra en el flux de treball.

La diferència no és tenir una IA que respongui preguntes, sinó construir un sistema en què la IA pugui participar de manera útil, controlada i verificable en el treball diari.