Categoria: Experiments

  • IA com a tutor d’anglès 🔵🔵

    De sempre m’ha costat la comunicació oral en anglès i, en canvi, no tinc problema amb l’anglès escrit. Quan vaig començar la carrera de Físiques, una de les sorpreses va ser descobrir que la majoria dels llibres que havia de consultar eren en anglès. Per sort, era la llengua estrangera que havia estudiat al batxillerat.

    Més endavant, quan vaig entrar en el món de la informàtica, va passar exactament el mateix amb manuals de programació i documentació tècnica.

    Per tant, llegir anglès mai no ha estat el gran problema.

    Però una cosa és llegir tranquil·lament un text i una altra que algú se’t planti al davant i comenci a parlar.

    Aquí les coses canvien.

    I el meu principal problema no és saber què vull dir, sinó entendre prou ràpidament què em diuen.

    No pretenc parlar anglès com un nadiu

    Actualment, hi ha moltes aplicacions, algunes basades en intel·ligència artificial, destinades a aprendre o practicar idiomes.

    N’he provat alguna, però no m’han acabat de convèncer.

    Algunes porten la conversa cap als temes que elles han decidit i jo acabo parlant en anglès de coses de les quals probablement tampoc parlaria en català.

    I després hi ha un tipus de publicitat que em provoca una certa al·lèrgia: aquella que promet que en unes quantes setmanes parlarem anglès gairebé com un nadiu, que ja es veu és un engany.

    Jo vull una cosa molt més modesta i, alhora, molt concreta: poder viatjar i defensar-me amb tranquil·litat en anglès.

    Entendre què em diuen en un hotel, comprar alguna cosa, preguntar en una estació, mantenir una conversa senzilla en un restaurant o resoldre algun petit problema durant un viatge.

    I vaig pensar: per què no explicar exactament això a ChatGPT i convertir-lo en el meu tutor particular?

    Podria haver utilitzat qualsevol altra IA generalista. L’important no és quina, sinó la possibilitat d’explicar-li què necessito practicar i com vull fer-ho.

    Us explico dos sistemes que faig servir.

    Experiment 1. Converses de viatge fetes a mida.

    El primer és molt senzill.

    Li vaig demanar que em proposés situacions quotidianes que em pogués trobar viatjant.

    Un dia arribo a un hotel. Un altre compro alguna cosa en una botiga. Un altre soc en un restaurant, en una estació o visitant un museu.

    ChatGPT interpreta l’altre personatge i jo he de respondre en anglès.

    Ho fem per escrit perquè així tinc uns segons per ordenar mentalment la frase. No pretenc fer veure que estic parlant realment amb algú: en aquesta fase m’interessa sobretot aprendre a construir respostes senzilles amb certa naturalitat.

    Les converses són curtes, normalment de cinc o sis intercanvis.

    Però hi ha una condició: jo també hi he de posar de la meva part.

    Imaginem que estic mirant un plànol pel carrer i algú em pregunta:

    «Can I help you?»

    Si responc:

    «No, thanks.»

    S’ha acabat l’exercici.

    En canvi, puc aprofitar la situació:

    «Yes, please. I’m trying to find the train station. Is it far from here?»

    I ja tenim conversa.

    Quan acabem, revisa les meves respostes i em mostra què hauria pogut dir d’una manera més natural.

    Però també li vaig posar una condició important: no vull que em corregeixi com si m’estigués preparant per a un examen de Cambridge.

    Si la frase és comprensible i raonablement natural, ja em serveix. El meu objectiu no és parlar un anglès perfecte. És comunicar-me.

    I això és precisament un dels avantatges de tenir un tutor fet a mida: pots decidir què significa per a tu «fer-ho bé».

    Experiment 2. Entrenar l’oïda.

    Però continuava tenint el meu principal problema: entendre l’anglès parlat.

    Llegir una frase com:

    «Here’s your key card.»

    No em presenta cap dificultat.

    Sentir-la pronunciada ràpidament per algú és una altra història.

    Per tant, necessitava practicar sense veure el text.

    I aquí l’experiment es va complicar una mica més.

    Vaig explicar a ChatGPT què volia: un sistema que agafés una sèrie de frases escrites i les convertís en àudio, utilitzant diferents veus.

    Inicialment, vam començar a preparar un petit programa en Python. En algun moment del procés —no recordo exactament per què— vam acabar fent-lo d’una altra manera, però el resultat és el que m’interessava: tenir una petita eina d’entrenament adaptada exactament al que jo necessitava.

    Ara el funcionament és molt simple.

    Jo escric:

    «Continuem.»

    I ChatGPT em prepara unes quantes frases relacionades amb situacions de viatge.

    Les carrego al programa sense llegir-les abans i les escolto.

    Després explico què ha passat:

    «Aquesta l’he entès a la primera.»

    «Aquesta a la segona.»

    «Aquesta paraula no l’he entesa.»

    «Aquesta no l’he entesa fins que he llegit el text.»

    I aquí apareix una de les coses que trobo més interessants de l’experiment.

    El «tutor» recorda on m’entrebanco

    Si detectem que una expressió em costa, torna a aparèixer més endavant.

    Per exemple, hi ha expressions angleses molt senzilles que, llegides, no plantegen cap problema, però que oralment poden sonar molt diferents del que esperem.

    També vaig descobrir una altra cosa: el context m’ajuda molt a entendre.

    Si sento una frase aïllada, el meu cervell pot buscar significats completament equivocats. En canvi, si abans sento una frase que em situa:

    «You’re at the supermarket…»

    Ja sé quin tipus de vocabulari és probable que aparegui després.

    Ho vaig comentar amb ChatGPT i vam modificar els exercicis: a partir d’aquell moment, cada pràctica començaria situant-me en un context.

    No era una característica prevista des del principi.

    Va aparèixer perquè, fent l’experiment, vaig descobrir què necessitava i ho vam canviar.

    Un curs que no estava dissenyat abans de començar

    Això és probablement el que més m’interessa de tota aquesta experiència.

    No vaig buscar a Internet:

    «Quin és el millor curs d’anglès per a una persona que llegeix bé, té prou vocabulari, no necessita escriure millor, vol utilitzar l’anglès principalment per viatjar i té sobretot problemes per entendre’l quan el parlen?»

    Vaig explicar el meu cas.

    I vam anar construint el sistema.

    Primer les converses.

    Després les correccions.

    També l’entrenament auditiu.

    Més tard vam descobrir que necessitava context abans de sentir les frases.

    I demà potser descobrirem una altra cosa i tornarem a modificar-lo.

    Aquesta és, per mi, una de les grans possibilitats de la IA aplicada a l’aprenentatge.

    Un curs tradicional està dissenyat abans que tu hi arribis. Tu t’has d’adaptar al curs.

    Amb la IA podem intentar fer just el contrari: que sigui el curs el que s’adapti a nosaltres.

    I això no serveix només per aprendre anglès.

    Pot servir per refrescar matemàtiques, entendre fotografia, aprendre història, iniciar-se en programació, millorar l’escriptura o aprofundir en qualsevol tema que ens interessi.

    No substitueix l’esforç d’aprendre. En el meu cas, ChatGPT no aprendrà anglès per mi.

    Però sí que pot decidir amb mi què practiquem avui, a quin nivell, durant quant de temps i què convé repetir demà.

    I això s’assembla bastant a tenir un tutor particular.

    Amb un avantatge addicional:

    No s’impacienta encara que li preguntis deu vegades el mateix.

  • Què és un agent d’IA? Alguns exemples per perdre-li la por 🔵🔵

    Sé que, per a molts dels que utilitzeu la IA com una finestra de conversa, això dels «agents» pot semblar un pas reservat als experts. Una d’aquelles coses que sonen interessants, però que ja queden fora del vostre abast.

    Però permeteu-me explicar-vos un parell d’exemples. Potser descobrireu que començar és més senzill del que sembla.

    Abans, una idea per situar-nos: un agent és un sistema d’IA que pot utilitzar eines i encadenar accions per assolir un objectiu que li hem encarregat, amb un cert marge per decidir com fer-ho.

    Nosaltres indiquem què volem i posem els límits. El sistema s’ocupa dels passos necessaris.

    1. Encarregar tasques amb fitxers del nostre ordinador

    Les aplicacions d’IA no ofereixen totes les mateixes eines. Les possibilitats depenen de l’aplicació, de la versió, del pla que fem servir i dels permisos que li donem.

    Per tant, escriure el nom d’una carpeta en una conversa qualsevol no significa que la IA hi pugui entrar. Cal utilitzar una funció que permeti treballar amb fitxers locals i donar-li l’accés corresponent.

    Si voleu experimentar, us proposo començar amb una carpeta de proves i còpies de fitxers. Així podreu veure què fa i comprovar-ne els resultats amb tranquil·litat.

    Primera prova: trobar fotografies duplicades

    Vaig crear a l’escriptori del meu Mac una carpeta anomenada Prova_duplicats. Hi vaig copiar un munt de fotografies de plats i vaig duplicar-ne tres o quatre, canviant el nom de les còpies.

    La gràcia era comprovar si trobaria els duplicats encara que tinguessin noms diferents.

    Vaig obrir una conversa en una funció de treball amb accés als fitxers de l’ordinador i li vaig donar aquest encàrrec:

    Examina la carpeta Prova_duplicats de l’escriptori i totes les seves subcarpetes.

    Busca fitxers que siguin duplicats exactes pel contingut, encara que tinguin noms diferents. No et limitis a comparar-ne el nom o la mida.

    No esborris, moguis ni modifiquis res.

    Presenta una llista agrupada dels duplicats, amb el nom, la carpeta i la mida de cada fitxer. Indica també si hi ha algun fitxer que no has pogut comprovar.

    Em va demanar permís per accedir-hi i, en pocs segons, vaig tenir el llistat. En aquest cas, vaig utilitzar el Work de ChatGPT, però cada model té les seves alternatives.

    Fixeu-vos en el canvi: jo havia explicat el resultat que volia obtenir i havia deixat clar què podia i que no podia fer. L’eina havia executat la feina.

    En aquest cas buscàvem còpies exactes. Trobar dues fotografies semblants, o una mateixa fotografia retallada o comprimida, seria un encàrrec diferent.

    Un apunt sobre els menús: les opcions i els noms poden canviar d’una versió a una altra. Si no trobeu com fer-ho, podeu començar preguntant a la mateixa IA: «Com puc donar-te accés a una carpeta de proves amb l’aplicació que utilitzo?».

    Teniu un tutor a mà. Expliqueu-li quina aplicació feu servir i què us apareix a la pantalla perquè us pugui orientar millor.

    Segona prova: llegir tiquets i sumar imports

    Després vaig afegir a la mateixa carpeta alguns tiquets de restaurants en format imatge.

    Alguns fitxers portaven la paraula «tiquet» al nom. A d’altres els vaig posar noms gens significatius, per comprovar si els identificava pel contingut.

    L’encàrrec es pot formular així:

    Revisa els fitxers de la carpeta Prova_duplicats i de totes les seves subcarpetes. Identifica quins contenen tiquets de restaurants, encara que el nom del fitxer no ho indiqui.

    Fes una taula amb el nom del fitxer, l’import total i l’import de l’IVA que apareix al tiquet.

    Calcula la suma dels imports totals i, separadament, la suma dels imports d’IVA identificats.

    Si detectes còpies exactes d’un mateix tiquet, compta’l una sola vegada i explica quins fitxers has exclòs.

    No esborris, moguis ni modifiquis res.

    En aquella mateixa conversa no em va tornar a demanar permís. Això descriu el que em va passar a mi: els avisos poden variar segons els permisos concedits i l’acció que se li demani.

    Els tiquets provenien de restaurants diferents i tenien formats diferents. Tot i això, l’eina els va identificar i em va preparar el llistat.

    Un detall em va cridar especialment l’atenció: un dels tiquets deia «IVA inclòs», però no en desglossava l’import. En la meva prova, la IA va posar-hi una xifra calculada i un asterisc explicatiu.

    D’entrada em va semblar una meravella. Però aquest detall també ens dona una lliçó: una dada llegida i una dada deduïda no són el mateix.

    Podria haver afegit a l’encàrrec «no omplis dades amb suposicions», però no ho vaig fer.

    Són proves senzilles, així i tot, ja permeten veure les possibilitats: revisar documents, extreure’n dades, comparar-les i preparar un resultat sense haver de guiar cada pas.

    I també mostren el nostre paper: definir bé l’encàrrec i revisar el que ens retorna.

    Podeu repetir l’experiment amb una carpeta plena de factures, encara que siguin totes les de la llum del darrer any. És important practicar per agafar confiança.

  • Endreçant el nostre ordinador 🔵🔵

    Fins ara, molts heu utilitzat la intel·ligència artificial per fer preguntes, redactar textos o demanar consell. Aquesta vegada vull mostrar una cosa més pràctica: endreçar una carpeta de l’ordinador.

    Una feina petita, quotidiana i una mica avorrida. Ideal per a un experiment.

    He fet la prova el setembre de 2026 amb Work de ChatGPT, treballant en local des de l’aplicació d’escriptori. Aquesta modalitat permet actuar sobre els fitxers de l’ordinador amb els permisos corresponents.

    Nota: Les opcions disponibles poden variar segons el compte, la configuració i la versió de l’aplicació, que canvia sovint.

    Una carpeta amb una mica de tot

    Per a l’experiment vaig preparar una carpeta anomenada Practica01, amb una quinzena de fitxers: fotografies en JPG, tiquets de restaurant també en JPG i alguns PDF.’s

    La gràcia era separar les fotografies dels tiquets. Com que tots dos podien tenir la mateixa extensió, classificar-los només pel format no era suficient: calia distingir què contenien.

    Aquesta és la petició que li vaig fer:

    Organitza els fitxers de la carpeta Practica01 del meu Mac al meu ordinador.

    Crea dins d’aquesta carpeta, 3 subcarpetes: Fotos, PDF i Tiquets.

    A la carpeta Fotos, no hi guardis tiquets, encara que estiguin en format JPG.

    Mou cada fitxer a la subcarpeta corresponent segons el seu tipus.

    Treballa només dins de Practica01.

    Conserva els noms i el contingut dels fitxers, no esborris res i no sobreescriguis cap fitxer existent.

    Quan acabis, comprova que tots els fitxers continuen presents i crea un document de text anomenat resum.txt amb la llista dels fitxers i la seva nova ubicació.

    Fes els canvis pertinents.

    Si et falta accés a la carpeta, indica’m quin accés necessites.

    Abans d’endreçar, alguns permisos

    L’agent es va posar a treballar, però primer em va demanar algunes coses:

    • La ruta concreta de Practica01, que jo no li havia indicat.
    • Accés a les carpetes que necessitava.
    • Accés a Descàrregues, que no li vaig donar.
    • Accés a Dropbox, perquè la carpeta de la prova era allà.

    Aquesta part també forma part de l’aprenentatge. Dir-li el nom d’una carpeta no sempre és suficient perquè la localitzi, i convé llegir els permisos que demana. En el meu cas, denegar l’accés a «descàrregues» no va impedir completar la feina. De fet, no hi havia cap fitxer que necessités a «descàrregues».

    La carpeta, endreçada

    Un cop resolts els accessos, en qüestió de segons tenia els fitxers distribuïts a les carpetes corresponents i el document resum.txt amb la relació dels canvis.

    És cert que la prova era petita: una quinzena de fitxers. Però serveix per veure una aplicació molt concreta d’aquestes eines. Li havia explicat què volia amb paraules i havia executat la feina directament a l’ordinador.

    A més, l’experiment tenia aquell petit repte que el feia més interessant: separar els tiquets de les fotografies, tot i compartir format.

    Si ho voleu provar, comenceu amb una carpeta petita i còpies dels fitxers. Indiqueu-ne la ubicació exacta i reviseu el resultat. Així podreu veure com funciona amb una feina fàcil de comprovar.

    Per a aquesta primera prova, el resultat va ser el que esperava. I veure la carpeta endreçada sense haver d’anar movent els fitxers un per un… una meravella.

  • Creació d’un skill al Mac 🔵🔵🔵

    Exemple didàctic de creació de Skill

    Les aplicacions i les interfícies d’IA evolucionen tan ràpidament que un tutorial del tipus «fes clic aquí, després allà…» pot quedar antiquat en poques setmanes.

    Per això no pretenc que el que segueix sigui un manual universal. És simplement l’experiment que vaig fer amb ChatGPT i Codex en un Mac al setembre de 2026 i a partir del qual, es pot entendre el concepte de Skill.

    Si mai voleu fer una cosa semblant i no sabeu per on començar, podeu demanar a la mateixa IA que us faci de tutor i us guiï pas a pas.

    Si els pròxims passos ens veieu massa complicats, quedeu-vos només amb el concepte:

    Crearé un fitxer de text pla i simplificat al meu ordinador amb nom SKILL.md i penjant de l’estructura:

    ~/.codex/ -> skills -> restaurants-post -> SKILL.md

    i salteu directament al seu contingut, unes línies més avall.

    Però aquí mostro ara, com crear el Skill manualment.

    Des del Terminal de Mac, vaig comprovar primer que existia la carpeta de Codex:

    ls ~/.codex

    Dins d’aquesta carpeta hi ha una subcarpeta destinada als Skills. Vaig comprovar-ne el contingut amb:

    ls ~/.codex/skills

    En el meu cas estava buida. Per tant, vaig crear-hi una carpeta per al nou Skill:

    mkdir ~/.codex/skills/restaurant-post

    El resultat que buscava era molt simple:

    ~/.codex/

    └── skills/

        └── restaurant-post/

            └── SKILL.md

    Només faltava crear el fitxer SKILL.md, que és on guardaríem les instruccions. Ho vaig fer amb l’editor de text nano:

    nano ~/.codex/skills/restaurant-post/SKILL.md

    I dins hi vaig escriure una primera versió deliberadament senzilla i així mateix en català:

    Contingut del fitxer SKILL.md

    name: restaurant-post
    description: Revisa i millora esborranys de posts sobre restaurants mantenint la veu i les opinions de l’autor.
    —
    # Restaurant Post
    Utilitza aquest skill quan l’usuari demani revisar o millorar
    un post sobre un restaurant.
    ## Directrius
    – Escriu en català.
    – Conserva les opinions i la informació que proporciona l’autor.
    – Millora la fluïdesa i elimina repeticions innecessàries.
    – Mantén un estil personal, formal però no rígid.
    – Es pot utilitzar un toc puntual d’ironia.
    – No converteixis el text en una ressenya promocional.
    – No afegeixis elogis, dades o opinions que l’autor no hagi proporcionat.
    – Respecta tant com sigui possible l’estructura original del text.

    Pot sorprendre que una cosa amb un nom tan tècnic com Skill pugui començar amb un simple fitxer de text. Però precisament aquesta és la idea que m’interessava comprovar: no estem creant un nou model d’IA ni programant un agent. Estem deixant preparades unes instruccions perquè l’assistent les pugui reutilitzar quan siguin necessàries.

    El fitxer té dues parts que val la pena observar. Al començament hi ha el nom (name) de la Skill i una descripció (description) breu del que fa. A continuació venen les instruccions pròpiament dites: les regles que vull que segueixi quan revisi una crònica.

    En el meu cas són poques perquè vaig preferir començar amb un Skill bàsic i anar-lo refinant després. No cal intentar preveure-ho tot a la primera.

    Comprovem si el Skill funciona

    El SKILL.md ja està creat. Ara arriba la part interessant: comprovar si Codex reconeix el nostre Skill i és capaç d’utilitzar-lo.

    Com que l’hem creat mentre Codex estava obert, el primer que vaig fer va ser sortir completament de l’aplicació (⌘Q) i tornar-la a obrir.

    Un cop dins, vaig preguntar, per assegurar-me de si l’havia creat bé:

    Quins Skills tens disponibles?

    I a més dels que ja incorporava el sistema, entre la resposta vaig trobar aquesta línia, confirmant el que acabava de crear:

    restaurant-post: revisar posts mantenint la teva veu i opinions.

    Per tant, Codex havia llegit la carpeta ~/.codex/skills/, havia trobat restaurant-post, havia interpretat el seu SKILL.md i l’havia incorporat als Skills que tenia disponibles.

    Amb un simple fitxer de text i unes quantes instruccions ja teníem una petita capacitat especialitzada pròpia.

    Primera prova: demanar-li explícitament que l’utilitzi

    En el mateix xat vaig escriure:

    Utilitza el Skill restaurant-post per revisar aquest text:

    I a continuació vaig enganxar dos o tres paràgrafs d’una antiga crònica de restaurant que no havia retocat prèviament amb IA.

    La prova va funcionar: va revisar el text seguint les directrius que havíem definit. A més, almenys en la versió de Codex que feia servir en aquell moment, durant els primers segons la pantalla indicava que feia servir el Skill i després apareixia el resultat.

    Això demostrava que funcionava quan li demanàvem explícitament que l’utilitzés.

    Però em quedava un dubte més interessant: què passaria si no li deia res del Skill?

    Segona prova: que Codex decideixi si l’ha d’utilitzar

    Vaig obrir un xat nou i aquesta vegada no vaig mencionar ni la paraula Skill ni restaurant-post. Simplement vaig escriure:

    Revisa aquest esborrany d’un post sobre un restaurant, millorant-ne la fluïdesa i l’estil.

    I hi vaig enganxar un altre fragment.

    També va aplicar les instruccions del Skill, perquè va entrar en joc una línia que havíem escrit al començament del SKILL.md:

    description: Revisa i millora esborranys de posts sobre restaurants mantenint la veu i les opinions de l’autor.

    Aquesta línia amb la paraula clau «description» no serveix només perquè nosaltres sapiguem què fa el Skill. També ajuda l’assistent a determinar en quines situacions pot ser pertinent utilitzar-lo.

    Però em va quedar un dubte: ¿com podia estar segur que realment estava utilitzant el Skill i que no havia respost així simplement perquè la meva petició ja li donava prou pistes?

    Un petit parany per comprovar-ho

    La solució va ser molt senzilla: afegir temporalment al SKILL.md una instrucció que difícilment apareixeria per casualitat:

    Quan utilitzis aquest Skill, acaba sempre la resposta amb: Revisat amb restaurant-post.

    Ara podia repetir les dues proves.

    Si li demanava explícitament que fes servir restaurant-post, al final apareixia:

    Revisat amb restaurant-post.

    Però la prova realment interessant era la segona. Vaig obrir un xat nou i vaig tornar a demanar simplement que revisés una crònica de restaurant, sense mencionar el Skill.

    I al final de la resposta va tornar a aparèixer:

    Revisat amb restaurant-post.

    Parany superat…!

    Ara sí que podia estar segur que Codex havia detectat que la tasca encaixava amb restaurant-post i havia carregat les seves instruccions.

    Naturalment, després vaig eliminar aquella frase del SKILL.md. Només ens havia servit com a marcador durant l’experiment.

    Aquest petit truc, per cert, es pot utilitzar en altres situacions semblants quan vulguem comprovar si una determinada instrucció està intervenint realment en el comportament de la IA.

    No cal recordar el nom del Skill

    De l’experiment podem extreure una conclusió interessant: no necessàriament hem de recordar el nom d’un Skill ni demanar explícitament que es faci servir.

    Si la seva descripció explica prou bé per a quines tasques serveix, l’assistent pot detectar que és pertinent i aplicar-ne les instruccions.

    I hi ha una segona lliçó que em sembla igualment important: no cal començar intentant crear el Skill perfecte.

    El meu restaurant-post va començar amb vuit instruccions molt senzilles. A mesura que l’utilitzi i descobreixi coses que fa d’una manera diferent de com jo voldria, podré modificar el SKILL.md i anar-lo refinant.

    És molt més fàcil començar amb poc i millorar-lo amb l’experiència que intentar imaginar des del primer dia totes les instruccions que necessitarem.

    Una nota per als usuaris de Mac poc amics del Terminal

    Sé que hi ha molts usuaris de Mac als quals veure una finestra de Terminal ja els provoca una certa inquietud. Als que venim del món Unix ens passa més aviat el contrari, però això ja és una altra història.

    En qualsevol cas, no cal utilitzar sempre el Terminal per accedir al Skill.

    El nostre SKILL.md està dins de .codex, una carpeta que habitualment no veiem al Finder perquè, en els sistemes Unix, els noms que comencen per un punt corresponen normalment a fitxers o carpetes ocults.

    Per arribar-hi des del Finder:

    1. Obriu Finder.
    2. Premeu ⌘ + Shift + G (Anar a la carpeta…).
    3. Escriviu:
      ~/.codex/skills/
    4. Premeu Return.

    Allà trobareu la carpeta restaurant-post i, dins, el nostre SKILL.md.

    Com que és simplement un fitxer de text, el podem obrir i modificar amb qualsevol editor de text pla, sense necessitat de tornar a utilitzar editors antediluvians com: nano.

    I això només és el principi

    L’exemple de restaurant-post és deliberadament senzill. No pretén mostrar tot el que pot arribar a fer un Skill, sinó explicar-ne la idea essencial.

    En lloc de repetir una vegada i una altra al prompt com vull que la IA faci una determinada tasca, puc deixar aquestes instruccions preparades perquè les reutilitzi quan les necessiti.

    En el meu cas ha estat revisar cròniques de restaurants. Però podria ser preparar sempre un determinat tipus de document, analitzar dades seguint uns criteris concrets, aplicar les normes d’estil d’una empresa o executar procediments molt més complexos.

    I quan entrem en el món dels agents, els Skills encara cobren més sentit: l’agent pot disposar de diferents habilitats especialitzades i recórrer a cadascuna quan la tasca ho requereix.


    Com resum, ens podem quedar amb el concepte:

    Un prompt explica a la IA què volem ara; un Skill deixa preparat com volem que faci una determinada mena de feina cada vegada que la necessitem.

  • Un agent preparant un viatge: fins on pot arribar? 🔵🔵🔵

    Fa mesos que sentim una promesa sobre els agents d’IA: podran ajudar-nos a resoldre tasques quotidianes que requereixen consultar diverses webs i prendre decisions pel camí. Preparar un viatge sembla una bona prova. Cal trobar trens, comparar hotels, comprovar preus i condicions i, sobretot, saber quan s’ha d’aturar.

    La capacitat de fer-ho depèn de les eines a què tingui accés el model i, en alguns casos, del pla que utilitzem. Fins i tot sense poder interactuar amb els cercadors, la IA ens pot ajudar a definir criteris i organitzar una cerca. Però en aquesta prova volia anar més enllà: consultar dades reals i veure fins on podia avançar un agent sense fer cap reserva.

    Vaig fer l’experiment amb ChatGPT Work i l’opció: navegador al núvol, ja que la de navegador local, no permetia seguir.

    Aquest va ser el prompt:

    Vull fer una demostració real de com un agent prepara un viatge. Consulta webs i dades reals amb el navegador al núvol; no inventis hotels, horaris, preus ni disponibilitat.

    Busca un viatge per a dos adults:

    • Anada el divendres 6 de novembre de 2026, preferentment al matí, amb AVE des de Camp de Tarragona fins a Madrid Atocha.
    • Tornada el diumenge 8 de novembre de 2026, preferentment a la tarda.
    • Dues nits en una habitació doble amb bany privat, en un hotel cèntric i accessible des d’Atocha.
    • No tinc pressupost fixat: compara tres combinacions de tren i hotel i indica el cost total per a dues persones.

    Comença comprovant que pots interactuar amb els cercadors de tren i hotel. Si funciona, continua la cerca i mostra’m resultats verificats, amb enllaços, condicions i moment de consulta.

    Després que esculli una opció, avança tant com sigui possible sense confirmar cap reserva, efectuar pagaments ni assumir obligacions. Atura’t si necessites dades personals. Aquesta demostració no autoritza cap compra ni reserva, encara que sigui amb pagament posterior.

    Si trobes un bloqueig, explica en quin pas es produeix i què has pogut verificar. No substitueixis els resultats per una simulació.

    La cerca

    L’agent va interactuar amb Renfe i Booking.com. Per a l’anada del 6 de novembre va trobar un AVE directe de 08:00 a 10:37, de Camp de Tarragona a Madrid Puerta de Atocha-Almudena Grandes, a 44,05 € per persona amb tarifa Bàsic. Per a la tornada del dia 8, un AVE directe de 17:27 a 20:26, anunciat a 45,10 € per persona amb la mateixa tarifa.

    Després va comparar tres hotels per a dues nits, en una habitació per a dos adults amb bany privat. A la consulta del 28 de setembre de 2026, els resultats eren aquests:

    HotelSituació respecte d’AtochaPreu mostrat per dues nits, sense IVATotal aproximat amb els trens i l’IVA de l’hotel
    Hotel SanchoUns 10 minuts a peu345 €558 €
    URBANSEA Atocha 113Menys de 10 minuts a peu385 €602 €
    Hotel MediodíaDavant de l’estació460 €684 €

    L’agent també va consultar les condicions. El Sancho oferia cancel·lació gratuïta abans del 5 de novembre, però indicava un prepagament de la primera nit prop de l’arribada. L’URBANSEA permetia cancel·lar gratuïtament abans del 4 de novembre i pagar durant l’estada. La tarifa vista del Mediodía era no reemborsable i requeria pagar abans de l’arribada. Els esmorzars no entraven en els càlculs.

    Aquí apareix un detall essencial de l’experiment: els imports de la darrera columna eren estimacions, no preus finals confirmats. Booking mostrava els preus inicials sense el 10% d’IVA i Renfe donava un error quan l’agent intentava afegir la tornada després d’haver seleccionat l’anada. Tot i que podia veure el preu de cada tren, no podia confirmar un únic total de cistella per als bitllets.

    Vaig escollir l’opció 2

    Vaig respondre simplement «2» i l’agent va continuar amb l’URBANSEA. A Booking va seleccionar l’habitació i va avançar fins a la pantalla «Les teves dades». Allà ja apareixia un import concret: 423 € per les dues nits, IVA inclòs. La pantalla indicava que no calia pagar aquell dia, que la cancel·lació era gratuïta abans del 4 de novembre i que, a partir de les 00:00 d’aquell dia, cancel·lar costaria 199 €.

    En sumar aquest import de l’hotel als preus visibles dels dos trens per a dues persones, el resultat era 601,30 €. Continuava sent una suma informativa: Renfe encara no havia confirmat el total conjunt dels bitllets. L’agent va tornar a provar de seleccionar la tornada i va rebre el mateix error: «Cal informar prèviament el tren d’anada», malgrat que l’anada constava seleccionada.

    A Booking, el pas següent exigia nom, cognoms, correu electrònic i telèfon. L’agent es va aturar allà, tal com li havia demanat. No va introduir dades personals, ni va confirmar una reserva, ni va efectuar cap pagament. Tampoc no havia quedat bloquejada l’habitació: el preu i la disponibilitat podien canviar.

    Què m’ha ensenyat la prova?

    L’agent va fer una part considerable de la feina: va consultar cercadors reals, va comparar opcions, va llegir condicions i va avançar fins al formulari de dades de l’hotel. També va identificar un error de Renfe i va distingir entre un preu confirmat en pantalla i una estimació feta sumant imports. Aquesta distinció és imprescindible quan es treballa amb diners.

    Jo, en canvi, havia definit l’hotel amb uns criteris força amplis. «Cèntric, accessible des d’Atocha i amb bany privat» deixa moltes coses obertes: la mida de l’habitació, el tipus de llit, l’esmorzar o fins i tot la distribució del bany. Abans d’escollir una de les tres opcions, hauria pogut precisar millor què considerava important. L’agent pot comparar allò que li demanem; no sempre pot endevinar les nostres preferències.

    Per a mi, l’experiment s’acaba aquí. Només volia veure com funcionava aquesta mena de cerca. El resultat és útil, però també mostra el límit amb claredat: preparar un viatge no és el mateix que reservar-lo, i un agent fiable ha de saber explicar exactament fins on ha arribat.