Categoria: Novetats_quinzenals

  • Novetats Quinzenals 15-Nov-2026

    ▶ La meitat de la població (*) ja utilitza IA generativa cada setman

    La IA generativa ja forma part del dia a dia de moltes persones.
    La trobem als assistents, però també als cercadors, on sovint ens ofereix una resposta abans que obrim cap enllaç. Què hi guanyem, què podem perdre pel camí i com podem mantenir el criteri propi? Mostra més/menys…

    El Reuters Institute for the Study of Journalism ha publicat un estudi sobre l’ús de la intel·ligència artificial en nou països: Argentina, Austràlia, Dinamarca, Finlàndia, França, Japó, Noruega, Regne Unit i Estats Units.

    L’asterisc del títol és important: aquestes dades no es poden extrapolar a escala mundial. A més, les comparacions amb l’any anterior corresponen als sis països que van participar en totes dues edicions.

    Podeu consultar aquí l’estudi complet del Reuters Institute, en anglès.

    De l’experimentació a l’ús habitual

    Les dades mostren un creixement considerable: el 51% de les persones utilitza IA generativa almenys una vegada per setmana, davant del 34% de l’any anterior. L’ús diari també ha augmentat: del 16% el 2025 al 28% el 2026.

    Pel que fa als principals assistents, el percentatge de persones que els fan servir setmanalment és:

    Assistent20252026
    ChatGPT22%34%
    Gemini11%24%
    Microsoft Copilot6%11%
    Claude1%7%

    La IA està deixant de ser una eina reservada als entusiastes de la tecnologia. A més de l’ús dels assistents, també la trobem incorporada als cercadors i altres aplicacions.

    Qui dona la resposta quan preguntem a una IA?

    Durant anys, buscar informació a internet volia dir escriure una pregunta a Google i obtenir una llista d’enllaços.

    Ara, cada vegada més sovint, la resposta ja ens espera al capdamunt de la pantalla, més o menys elaborada i, en alguns casos, amb la possibilitat de continuar preguntant. En el conjunt dels nou països estudiats, el 57% dels enquestats afirma haver trobat respostes o resums d’IA als cercadors durant l’última setmana.

    La pregunta «fas servir IA?» comença a quedar curta. Podem trobar-la incorporada en una cerca sense haver obert expressament cap assistent.

    Amb la llista d’enllaços havíem de triar quines pàgines consultar, encara que ho féssim amb criteris imperfectes. Amb una resposta ja redactada, un sistema ha seleccionat què incloure, què deixar fora i en quin ordre explicar-ho.

    Pel camí, podem perdre’ns arguments de les diferents parts o no adonar-nos que es barregen dades amb previsions. La claredat de la resposta ens ajuda a entendre, però també pot fer que deixem de preguntar massa aviat.

    Què passa amb el periodisme?

    Si utilitzem la IA per informar-nos i llegim el resum d’una notícia sense arribar al mitjà que l’ha investigada, podem perdre de vista el treball que hi ha al darrere i les fonts consultades.

    Val la pena preguntar-nos què queda fora del resum. Qui ha obtingut aquella informació? Com l’ha contrastada? Quins dubtes continuen oberts? Una resposta entenedora no sempre ens permet veure tot aquest procés.

    Estalviar temps sense renunciar al criteri

    Com a lectors, podem incorporar alguns hàbits senzills: demanar les fonts, obrir-les, comprovar-ne la data i buscar una segona perspectiva quan el tema ho mereixi. També podem aprofitar la conversa amb la IA per aprofundir: «En què es basa aquesta afirmació?» o «Quins altres punts de vista hi ha?».

    La IA ens pot estalviar temps i ajudar-nos a comprendre qüestions complexes. El criteri propi, però, necessita alguna cosa més que una resposta ben escrita: necessita curiositat, contrast i disposició a conviure amb allò que encara no sabem.

    ▶ Revolut i la seva experiència en passar d’un model IA car a un de més econòmic

    La indústria de la IA està obsessionada amb les taules de classificació. Però una classificació alta no sempre significa que un model sigui el millor en determinades tasques específiques. Fixeu-vos en l’exemple de Revolut. Mostra més/menys…

    Coneixem Revolut com un dels noms destacats de la banca digital europea, que competeix amb els grans grups bancaris tradicionals. Ara, la seva experiència amb la intel·ligència artificial planteja una paradoxa interessant: una IA més barata pot acabar aportant més productivitat si permet utilitzar-la amb més llibertat.

    Segons la companyia, prioritzar models que executa en infraestructura sota el seu control li ha permès reduir aproximadament un 90% els costos d’inferència, és a dir, de processar les consultes a la IA. Alhora, ha comunicat millores en els temps de treball dels seus enginyers.

    De racionar els tokens a la «barra lliure»

    Revolut havia desplegat Claude Code amb límits de despesa. Els programadors havien de dosificar els tokens disponibles.

    L’abril de 2026 va començar a executar GLM, un model de pesos oberts de l’empresa xinesa Z.ai, en infraestructura sota el seu control. Aquest es va convertir en l’opció habitual per a uns dos mil enginyers.

    L’explicació que dona Revolut sobre els resultats és reveladora. Amb els límits anteriors, els enginyers reservaven la IA per a les tasques més complicades. Amb un accés molt més econòmic, van començar a utilitzar-la també per a feines quotidianes com consultar informació, revisar documentació, etc.

    Aquesta mena de «barra lliure» canviava els hàbits. El cost deixava de ser una pregunta recurrent abans de cada consulta. I això ajuda a entendre que el conjunt del treball es pogués accelerar, tot i que el nou model, sigui inferior a l’anterior.

    La productivitat va més enllà d’escriure codi

    Aquí hi ha, per a mi, la reflexió més interessant del cas: el valor d’una eina depèn tant de les seves capacitats com de les condicions en què la podem utilitzar.

    Un model excel·lent, però amb un pressupost que obliga a racionar-lo, pot deixar moltes petites necessitats sense atendre. Un model més econòmic pot acabar intervenint en moltes més parts del procés i estalviar temps de manera acumulativa.

    També cal revisar com mesurem la productivitat. Escriure codi més de pressa només resol una part del procés. Per a una empresa, és més rellevant que una millora arribi abans als usuaris, amb la qualitat necessària. Accelerar una etapa serveix de poc si la feina queda encallada a la següent.

    El que també ha d’entrar en els comptes

    L’experiència és suggeridora, però convé evitar generalitzacions.

    En primer lloc, cal comprovar la qualitat dels resultats. Si un model resol pitjor una tasca i obliga a dedicar més temps a revisar o corregir el que produeix, una part de l’estalvi es pot perdre. Això s’ha de mesurar amb feina real: el preu, per si sol, no ens diu si un model és prou bo per a una necessitat concreta.

    La supervisió també importa. Revolut descriu un sistema de permisos i aprovacions que exigeix intervenció humana per a determinades operacions. Això és més concret que donar per fet que algú revisarà sempre tot el que faci la IA.

    Finalment, executar els models en infraestructura pròpia o contractada té costos: equipament, manteniment, energia, personal i actualitzacions. Per tant, una reducció del cost de les consultes no equival automàticament a la mateixa reducció en el cost total. La dimensió de l’empresa i l’ús que faci dels recursos poden canviar molt els números.

    Escollir segons el tipus de feina

    El cas de Revolut apunta cap a una manera més madura de prendre decisions sobre IA: escollir models segons la tasca, el cost i les necessitats reals de l’organització.

    La pregunta empresarial que deixa aquesta notícia és ben concreta: quina combinació d’eines ens permet treballar millor, a un cost sostenible i amb prou control?

    La resposta pot incloure un model econòmic per a la feina habitual i altres models per a necessitats específiques. També demana mesurar el procés complet, incloent-hi les revisions i les correccions, per saber si l’estalvi es tradueix en una millora real.

    Diuen que el que és barat surt car. L’experiència de Revolut suggereix que el que és car, racionat, pot sortir més car encara.

    ▶ Medicina: avenços de la IA, sense promeses precipitades

    Durant aquesta primera quinzena de novembre, han continuat arribant notícies sobre IA aplicada a la medicina i la biologia. Són avenços que mereixen seguiment, però cal distingir entre eines de recerca, iniciatives empresarials i millores demostrades en l’atenció als pacients. Mostra més/menys.

    1. Claude participa en la recerca de nous medicaments

    Anthropic ha presentat els primers resultats de les seves col·laboracions amb sis organitzacions de recerca farmacèutica. Claude intervé en projectes relacionats amb determinats càncers, al·lèrgies alimentàries i malalties musculars infantils poc freqüents. La companyia també ha iniciat projectes propis de descobriment de fàrmacs.

    La IA podria accelerar algunes etapes d’un procés llarg i costós, però els resultats encara són preliminars: no s’han traduït en nous medicaments aprovats ni en una eficàcia clínica demostrada.

    Font: informe científic d’Anthropic.

    2. AMIE ajuda a preparar les visites mèdiques

    Google ha destacat un estudi sobre AMIE, el seu sistema de converses mèdiques, realitzat amb el Beth Israel Deaconess Medical Center. Durant visites reals d’atenció primària, l’eina recollia informació dels pacients abans de la consulta i en preparava resums per als professionals.

    Segons Google, va ajudar els metges a preparar-se en el 75% dels casos i va coincidir amb els seus diagnòstics diferencials finals en un 90%. Aquesta concordança no equival a encertar el diagnòstic definitiu en el 90% dels pacients. Encara cal comprovar com es tradueix aquest suport en una millor atenció.

    Fonts: blog de Google i estudi a The Lancet.

    3. Ro vol estudiar els tractaments amb dades de pacients reals

    L’empresa de telemedicina Ro ha anunciat una unitat de recerca que utilitzarà IA per analitzar dades dels seus pacients. Vol estudiar quins tractaments funcionen millor, per a qui i amb quins resultats a llarg termini, amb un interès inicial en els medicaments contra l’obesitat.

    Aquesta recerca podria ajudar a orientar les decisions mèdiques, sempre que es garanteixin la privacitat i el rigor dels estudis. De moment, però, és una iniciativa empresarial, no un avenç clínic demostrat.

    Font: Reuters, 6 de novembre.

    4. Gemini for Healthcare vol reduir la burocràcia sanitària

    Google Cloud ha presentat Gemini for Healthcare, una plataforma per reunir informació d’historials, preparar resums clínics i gestionar documentació, com ara les autoritzacions de tractaments. Està pensada per integrar-se amb les aplicacions sanitàries existents i mantenir la supervisió humana.

    La proposta podria alliberar temps perquè els professionals el dediquessin als pacients. Ara bé, encara és una versió preliminar als Estats Units i calen dades independents que demostrin fins a quin punt redueix la càrrega administrativa.

    Font: anunci oficial de Google sobre Gemini for Healthcare.

    5. AlphaGenome 2 aprofundeix en l’estudi de l’ADN

    Google DeepMind ha presentat AlphaGenome 2, un model que prediu com les variacions de l’ADN afecten diferents tipus de cèl·lules. Segons els resultats anunciats, millora la identificació de variants que alteren l’expressió dels gens i pot fer prediccions sobre tipus cel·lulars no estudiats directament durant l’entrenament.

    Això podria ajudar a comprendre els mecanismes d’algunes malalties i identificar possibles objectius terapèutics. És una eina de recerca, no de diagnòstic clínic, amb accés previst per a investigació no comercial.

    Fonts: IEEE Spectrum («AlphaGenome Decodes DNA’s Hidden Secrets») i The Verge.


    ▶ Quin és el «millor» model d’IA? Antropic ha trencat la baralla?

    Cada cop que veig aquesta pregunta, em recorda aquelles converses de quan érem petits: «Quin és el cotxe o la moto que corre més?». Mostra més/menys.

    És una pregunta que pot estar bé per curiositat, o que té tot el sentit si et dediques a les curses. Però, quan has de triar un vehicle per al dia a dia, probablement et preocupen altres coses: com el consum, si és còmode o quant et costarà mantenir-lo.

    Amb els models d’IA passa una cosa semblant.

    Competeixen en diferents aspectes: qualitat de les respostes, velocitat, cost, integració amb aplicacions i capacitat per executar tasques llargues. I no necessàriament destaquen tots en el mateix.

    Com ja hem comentat amb l’exemple de Revolut, per a moltes empreses un model lleuger i econòmic pot resultar més interessant que el model més avançat del mercat. Sobretot si resol prou bé la feina que li encarreguen.

    A mesura que els agents executin centenars d’operacions, el cost de cada tasca completada i la fiabilitat del resultat tindran cada cop més pes. També comptarà el temps que nosaltres hàgim de dedicar a revisar o corregir la feina.

    Per això, quan veig la cursa d’anuncis d’Anthropic, OpenAI i Google, em pregunto fins a quin punt ens interessa, als usuaris, estar pendents de qui ocupa la primera posició cada setmana.

    Les millores poden ser importants. Però una nova primera posició no significa, automàticament, que ens convingui canviar d’eina.

    Potser hauríem d’afinar la pregunta que encapçala aquest article:

    Quin és el millor model d’IA per fer una determinada tasca, amb el pressupost i les eines que tinc?

    Aquesta setmana en tenim un exemple.

    El 9 de novembre, Anthropic va presentar Claude Fable 5.2 i Claude Mythos 5.2. La mateixa empresa els orienta a treballs tècnics especialment ambiciosos i recomana començar amb Opus 5.5 per a la majoria de tasques habituals de programació i treball amb informació.

    Fable 5.2 encapçala, en el moment d’escriure aquest article, l’índex d’Artificial Analysis, amb 65 punts. És una dada rellevant, però no ens diu per si sola quin model ens convé per revisar un text, preparar una proposta o analitzar un document.

    De fet, Fable i Mythos, són a grans trets el mateix model. Mentre Fable està obert al públic, Mythos és una versió restringida per a organitzacions verificades de ciberseguretat i ciències de la vida.

    I aquí és on volia arribar.

    Si el model que utilitzem resol bé la nostra feina, l’aparició d’un altre amb una puntuació més alta no ens obliga a canviar. Si ens falla, ens limita o ens fa perdre massa temps, aleshores sí que té sentit provar alternatives.

    Tampoc donaria per fet que un model més senzill sempre sortirà més econòmic. Si necessita diversos intents o molta correcció per arribar a un resultat útil, l’estalvi pot desaparèixer.

    Per als que fem servir la IA en el dia a dia, siguem particulars o professionals, la pregunta més útil potser és aquesta:

    Quin model em resol millor la feina, i què em costa arribar a un resultat que pugui donar per bo?

    Perquè, com amb els cotxes, saber quin corre més pot entretenir-nos. Però abans de triar un model pel nostre dia a dia, cal pensar quin ús li donarem i quines limitacions tenim.

  • Resum quinzenal 31-oct-2026

    ▶ IA i medicina: avenços que conviden a l’optimisme

    ▶ La IA eliminarà llocs de treball o en crearà?

    ▶ Riscos en ciberseguretat relacionats amb la IA

    ▶ Agents que compren en el nostre nom



    ▶ IA i medicina: avenços que conviden a l’optimisme

    Una de les aplicacions de la intel·ligència artificial que més esperances desperta és la medicina. Aquest octubre hem conegut exemples que van des del disseny de proteïnes fins al suport al diagnòstic.

    Són notícies prometedores, però convé distingir entre un bon resultat experimental i un tractament que ja pot ajudar els pacients. Entre una cosa i l’altra encara hi ha molta feina.

    Claude i les toxines dels escorpins

    Citrini Research, una firma d’anàlisi d’inversions, es va plantejar una pregunta: podria un equip sense formació en biologia participar en la recerca d’un medicament amb l’ajuda de la IA?

    Per comprovar-ho, va col·laborar amb Anthropic en un experiment orientat a futurs antiverins contra les picades d’escorpí. Van utilitzar una versió interna de Claude, eines científiques especialitzades i laboratoris externs.

    Es van provar 211 dissenys de petites proteïnes, dels quals 17 van demostrar que s’unien a alguna de les toxines estudiades. Són substàncies que poden alterar el funcionament del sistema nerviós.

    El resultat és interessant, però unir-se a una toxina no significa necessàriament bloquejar-ne l’efecte. Encara no s’ha demostrat que aquestes proteïnes neutralitzin les toxines ni que siguin segures i eficaces com a tractament. Per tant, no s’ha creat un antiverí: s’ha avançat en una primera etapa de la recerca. Més informació a: anthropic.com

    La fase principal de disseny informàtic va durar 64 hores. El projecte complet, amb les proves de laboratori, es va allargar uns tres mesos. La IA pot accelerar els càlculs; el laboratori continua necessitant el seu temps.

    OpenAI entra en l’organització del desenvolupament de medicaments

    El 20 d’octubre, OpenAI va anunciar la compra d’Orchestra Bio, una plataforma que ajuda les empreses biofarmacèutiques a coordinar el desenvolupament de medicaments.

    La integrarà amb Rosalind, el seu conjunt de models i eines per a la recerca en biologia i química. L’objectiu és crear agents que ajudin a seguir estudis, coordinar equips i detectar problemes que puguin endarrerir un projecte.

    Aquí la notícia és empresarial i organitzativa. No presenta cap tractament nou, sinó una aposta per agilitzar la feina que permet convertir una descoberta científica en un possible medicament. Caldrà veure quins resultats pràctics aporta. Més informació a: OpenAI

    Microsoft posa a prova el diagnòstic pas a pas

    El 22 d’octubre, Microsoft va anunciar la publicació a Science d’un estudi sobre MAI-DxO, un sistema que funciona com un equip de metges virtuals: proposa diagnòstics, demana informació i revisa les seves conclusions.

    En una prova amb 304 casos complexos publicats al New England Journal of Medicine, va assolir un 83% d’encerts, davant del 36% dels metges participants amb accés a fonts de consulta. En un altre conjunt de casos procedents d’urgències, les xifres van ser del 80% i el 47%, respectivament.

    Són resultats destacables, però obtinguts en una avaluació controlada, basada en casos clínics. No equivalen a demostrar el mateix rendiment atenent pacients en un hospital.

    Microsoft ha anunciat un estudi amb el Beth Israel Deaconess Medical Center, a Boston, per avaluar el sistema amb pacients reals. Aquest serà un pas important per saber fins a quin punt els resultats es traslladen a la pràctica assistencial. Més informació a: Microsoft AI

    Motius per tenir esperança, amb els peus a terra

    Els tres exemples mostren camins diferents: explorar possibles tractaments, organitzar-ne el desenvolupament i ajudar a diagnosticar.

    Hi ha motius per seguir-los amb interès. Però en medicina, un resultat prometedor és el començament de la comprovació. Els titulars poden córrer; les proves han d’anar al seu ritme.



    ▶ La IA eliminarà llocs de treball o en crearà?

    Segur que ho has sentit: «La IA ens prendrà la feina». I també el contrari: «No passa res, la feina només canviarà».

    Entre aquestes dues afirmacions hi ha moltes previsions i força incertesa. Uns temen que les empreses necessitin menys treballadors. Altres confien que la IA impulsi noves activitats i professions.

    Qui té raó? Aquí teniu les dues mirades, amb arguments i alguns matisos, per a poder formar-vos la vostra opinió.

    Dues maneres de mirar el mateix

    Imaginem la Marta. Té 23 anys i acaba de començar a treballar en una gestoria. Una part de la seva feina consisteix a resumir documents, preparar correus i passar dades d’un lloc a un altre. Ara una IA pot fer bona part d’aquestes tasques en segons, tot i que cal revisar-ne els resultats.

    Què passarà amb la Marta? Hi ha dos escenaris possibles.

    La mirada pessimista

    Si la gestoria pot assumir la mateixa feina amb menys persones, potser no renovarà el contracte de la Marta. O potser la mantindrà, però ja no contractarà ningú més.

    La reducció de llocs de treball no sempre arriba amb acomiadaments: també pot arribar amb vacants que deixen de cobrir-se i oportunitats que no s’obren.

    Un estudi de Stanford, actualitzat l’agost de 2026, detecta un senyal preocupant als Estats Units: l’ocupació dels joves de 22 a 25 anys en professions exposades a la IA se situa un 19% per sota del nivell que tindria si hagués seguit l’evolució dels joves en professions menys exposades. La diferència apareix sobretot en la contractació. Els autors, però, adverteixen que això no demostra, per si sol, que la IA en sigui la causa.

    També hi ha advertiments més contundents. El maig de 2025, Dario Amodei, director d’Anthropic, l’empresa de Claude, va alertar que la IA podria eliminar fins a la meitat dels llocs inicials de feina d’oficina en un termini d’un a cinc anys. És una previsió, no un resultat comprovat.

    La mirada optimista

    La mateixa eina podria permetre que la Marta deixés de dedicar hores a passar dades i tingués més temps per atendre clients, revisar documents i resoldre problemes. La gestoria podria oferir més serveis i assumir més feina.

    Des d’aquesta perspectiva, automatitzar tasques no implica necessàriament eliminar professions. També pot facilitar noves activitats i crear necessitats que avui encara no sabem imaginar.

    El Fòrum Econòmic Mundial preveu que, entre 2025 i 2030, es creïn 170 milions de llocs de treball i se’n desplacin 92 milions. El balanç seria positiu, però cal llegir bé la lletra petita: són previsions que inclouen canvis tecnològics, demogràfics, econòmics i ambientals. No són llocs creats o eliminats exclusivament per la IA.

    Per la seva banda, el Budget Lab de Yale, en l’actualització d’octubre de 2026, encara no troba un impacte clarament atribuïble a la IA en el conjunt del mercat laboral nord-americà. Això descriu el present; no garanteix què passarà d’aquí a uns anys.

    I si les dues mirades tenen part de raó?

    Podrien desaparèixer llocs de treball en uns sectors i crear-se’n en d’altres. Fins i tot amb un balanç global positiu, les persones que perdessin la feina no tindrien necessàriament la formació, la ubicació o les oportunitats per ocupar les noves places.

    En el cas de la Marta, les dues opcions són possibles: que la IA li permeti fer una feina més interessant o que redueixi les oportunitats de començar una carrera professional.

    La qüestió, doncs, també és qui hi guanyarà, qui hi perdrà i com es farà la transició.

    Resum en tres punts

    1. La mirada pessimista tem que la IA redueixi la necessitat de treballadors i dificulti especialment l’accés a les primeres feines.
    2. La mirada optimista confia que l’automatització permeti treballar millor, ampliar serveis i crear noves ocupacions.
    3. Les dades encara no tanquen el debat. Hi ha senyals d’alerta en determinats grups, però no una conclusió definitiva sobre el resultat global.

    I tu, cap a quina mirada t’inclines? Jo, com és habitual en mi, continuo envoltat de dubtes. Les certeses, de moment, les deixo per als altres.



    ▶ Ciberseguretat i IA: quan trobar un forat es torna més fàcil

    Em declaro entusiasta de la intel·ligència artificial, però això no m’impedeix veure els riscos que comporta quan s’utilitza amb finalitats malicioses. Un incident recent, ens ofereix un exemple de les seves dues cares: ajudar a protegir els sistemes i facilitar la feina de qui els vol atacar.

    Els intents d’intrusió no són cap novetat. Jo mateix us podria explicar unes quantes batalletes de principis dels noranta, quan era cap de sistemes de la xarxa Unix de la UPF, concretament amb HP-UX. Recordo els atacs i l’angoixa de detectar una intrusió, amb les poques eines que teníem aleshores. Hi ha records professionals que no desperten precisament nostàlgia.

    Ara, la IA pot accelerar la recerca de vulnerabilitats i ajudar a preparar atacs. No es tracta només de provar moltes combinacions —allò que anomenem força bruta—, sinó d’analitzar el funcionament d’un programa i trobar maneres d’aprofitar-ne els errors.

    Què ha passat amb PHP?

    Segurament us sonen aquestes sigles. PHP és un llenguatge que fa funcionar una gran part de les webs, incloses les construïdes amb WordPress i el programari que utilitza la Viquipèdia. El fan servir al voltant del 70% dels llocs web.

    El 21 d’octubre de 2026 es van publicar actualitzacions per corregir dues vulnerabilitats greus. En determinades condicions, podien permetre que algú executés ordres en un servidor sense haver-s’hi identificat i aprofitar per aconseguir que el servidor fes coses que no hauria de fer.

    Un problema conegut que va mostrar una altra dimensió

    Segons la Fundació PHP, el 2024 ja s’havien detectat indicis d’errors al PHP. Però no es va considerar un tema de risc.

    L’agost de 2026, un parell d’investigacions, amb ajuda de la IA, van demostrar l’abast real del risc i van poder desenvolupar i adaptar atacs de prova en qüestió d’hores.

    Aquestes proves s’anomenen exploits: codi o instruccions que aprofiten una vulnerabilitat. Els investigadors els poden fer servir per demostrar que un problema és real, mentre que els atacants, els podrien fer servir per a causar danys.

    La novetat és que la IA pot reduir dramàticament el temps per convertir un error complex en un atac viable.

    La cursa per protegir els servidors

    Els equips implicats van treballar de manera coordinada i sense publicitar-ho, per preparar les correccions abans de publicar els detalls.

    En el cas que expliquem, en una finestra de menys de 20 minuts, posteriors a donar-se a conèixer el «parxe de seguretat», ja es van començar a registrar atacs massius a servidors de tot el món.

    NOTA: Un parxe és una petita actualització que el fabricant d’un programa publica per arreglar un error o tapar un forat de seguretat que s’ha descobert.

    Aquí apareix una dificultat coneguda: quan es publica una correcció, els atacants també poden estudiar-la per entendre què s’ha arreglat i tenen pistes per atacar, els que encara no s’han actualitzat.

    Els intents d’atac, van provocar que diverses administracions europees desconnectessin temporalment serveis web com a precaució. Una desconnexió preventiva no significa necessàriament que s’hagi produït una intrusió: pot ser una manera de guanyar temps per protegir el sistema.

    La IA pot ajudar-los a fer aquesta anàlisi més ràpidament. Per això, deixar passar dies o setmanes abans d’aplicar una actualització crítica pot tenir conseqüències. (Preneu nota per quan us demanen actualitzar l’iPhone)

    Què n’hem d’aprendre?

    La primera lliçó és que la IA serveix tant per defensar com per atacar. En aquest cas va ajudar els investigadors a demostrar el perill i a crear les correccions. Però aquestes capacitats també poden quedar a l’abast de persones amb altres intencions.

    La segona és que la complexitat d’un error ofereix cada vegada menys tranquil·litat. Que avui sigui difícil d’aprofitar no garanteix que demà continuï sent-ho.

    I la tercera és ben pràctica: tenir una web també implica mantenir-la. En un incident com aquest, no n’hi ha prou amb actualitzar WordPress o els seus complements: cal que el PHP del servidor també estigui corregit, una feina que sovint correspon al proveïdor d’allotjament.

    També cal recordar qui manté aquestes peces essencials d’internet. La Fundació PHP ha explicat que disposar de més professionals i finançament és necessari per resoldre problemes d’aquesta profunditat. Trobar errors més de pressa no elimina la feina de decidir com corregir-los i comprovar que la solució funciona.

    Continuo sent entusiasta de la IA. Precisament per això m’interessa explicar també aquests riscos. L’entusiasme és compatible amb tenir els ulls oberts. I, si tenim una web, amb no deixar les actualitzacions per a un altre dia.



    ▶ Agents que compren en el nostre nom

    Caldrà que ens acostumem als agents d’IA: programes capaços d’encadenar tasques, com ara buscar un producte, comparar preus i completar una compra seguint les nostres instruccions. Però no totes les botigues estan disposades a obrir-los la porta.

    Amazon ha bloquejat Muse, l’agent de Meta. També manté un conflicte amb Perplexity per les compres a través de Comet. Amazon defensa que aquestes eines han d’actuar amb transparència i respectar les condicions de la botiga; també qüestiona la qualitat de l’experiència que ofereixen. Per tant, no és un rebuig a tota la IA: A més, Amazon ja desenvolupa les seves pròpies eines de compra.

    Walmart, en canvi, ha anunciat una obertura als agents externs, però amb regles. Els nous perfils, previstos per al novembre, permetran autoritzar cada agent, veure’n les compres per separat i establir un límit de despesa o exigir l’aprovació de cada operació. El client també podrà retirar-li l’accés en qualsevol moment.

    I si l’agent s’equivoca? Walmart assegura que s’hi aplicarà el seu procediment de devolucions, també quan l’agent no actuï com s’esperava. A més, bloquejarà els agents que incompleixin les condicions. Delegar la compra no hauria de significar perdre’n el control.

    El conflicte ja ha arribat als tribunals. Amazon va demandar Perplexity i va obtenir una prohibició cautelar que limitava l’accés dels seus agents. Però el tribunal d’apel·lacions la va anul·lar a l’agost i va retornar el cas al tribunal d’origen. Això aixecava aquella restricció, però no equivalia a donar per resolt tot el litigi.

    Perplexity hi veu un altre motiu: la publicitat. Segons l’empresa, Amazon vol preservar els anuncis, els resultats patrocinats i les ofertes amb què intenta influir en les nostres decisions.

    Cada clic en els resultats patrocinats, aporta benefici a Amazon i els agents, van directe al producte, sense fer altres clics.

    Un agent que segueixi bé l’encàrrec podria comparar opcions i comprar allò que li hem demanat, sense entretenir-se gaire amb els aparadors digitals. Per al comprador, pot ser un avantatge. Per a qui viu també de captar la nostra atenció, potser no tant.

    Ara bé, si cada botiga només acceptés el seu propi agent, perdríem bona part de la gràcia: disposar d’un assistent que compari diferents comerços i treballi segons les nostres preferències.

    Queden, doncs, acords per trobar: qui pot accedir a cada botiga, qui respon dels errors i com es reparteixen els ingressos. Si els proveïdors d’agents cobren comissions per les compres, també caldrà saber si aquestes condicionen les recomanacions.

    Voldrem un agent que ens ajudi a comprar millor. Caldrà veure qui li paga i fins a quin punt això influeix en el que ens proposa.



  • Resum quinzenal 15-oct-2026

    ▶ Quina és la millor IA?

    ▶ OpenAI anuncia nous resultats matemàtics

    ▶ Mistral: una IA europea

    ▶ I si els agents d’IA fan massa bé la seva feina?



    ▶ Quina és la millor IA? Potser no cal començar per aquí.

    Quan algú es decideix a provar la intel·ligència artificial, és fàcil que es pregunti: «Quina he de triar?». I, després de llegir unes quants estudis comparatius, pot acabar amb més dubtes que abans.

    ChatGPT, Claude, Gemini… Cadascun amb versions, modalitats i promeses. I aquesta primera quinzena d’octubre, Mistral ha presentat Large 4 i també Meta, ho ha fet amb Muse Wonder i Muse Wonder Full. Com veieu, l’aparador continua creixent.

    Però per començar no cal estudiar tot el catàleg. Ja tindrem temps de complicar-nos la vida.

    La millor per fer què?

    El model que encapçala una classificació no és necessàriament el que més ens convé. Tampoc triem un cotxe només pels cavalls de potència.

    Ens interessa saber si ens ajuda amb les nostres tasques, quant costa i quantes correccions necessita. Les proves comparatives —els anomenats benchmarks— orienten, però no substitueixen aquesta comprovació.

    Per això, proposaria començar escrivint tres coses concretes en què voldríem ajuda:

    • Entendre una carta administrativa.
    • Contestar un correu sense perdre el nostre to.
    • Practicar una conversa abans d’un viatge.

    Després, podem provar la mateixa tasca amb dos o tres assistents i comparar. Entenem millor la carta? El correu encara sembla nostre? En la conversa, ens deixa participar o ens fa una conferència?

    I compte: una resposta que ens agrada no és necessàriament correcta. Cal comprovar que respecta el text original i verificar les dades noves que hi afegeix.

    No cal seguir tota la cursa

    Podem utilitzar més d’un assistent i canviar amb el temps. Però jo donaria prioritat a aprendre a explicar què necessitem, aportar context i detectar si la resposta falla.

    Canviar d’eina cada setmana ens pot donar molta conversa sobre la IA i poca pràctica amb la IA.

    Per als que comenceu, proposaria aquesta pregunta:

    «En quina petita tasca em podria ajudar avui?»

    És menys espectacular que buscar el millor model del món. Però té un avantatge: permet començar.



    ▶ OpenAI anuncia nous resultats matemàtics i obre un debat que va més enllà de les demostracions

    Fa un mes, un model intern d’OpenAI va ajudar a trobar una suposada solució a un dels problemes matemàtics més complexos: el problema del Premi del Mil·lenni Navier-Stokes. Pel que sembla, el laboratori no ha abaixat el peu des de llavors:


    • OpenAI acaba de publicar més de 700 articles que ofereixen progrés en una varietat de problemes sense resoldre:
    • El treball abasta les matemàtiques pures, la informàtica teòrica, la física matemàtica i altres dominis.
    • Els articles es troben en diferents etapes de verificació. Alguns contenen els resultats principals, mentre que d’altres ofereixen arguments complementaris, conseqüències o proves alternatives.

    OpenAI diu que la «gran majoria» d’aquests resultats van ser generats per un model intern, que va dedicar una mitjana de tres hores de càlcul per arribar a cada resultat. Les troballes es van publicar aquest octubre i encara no han estat verificades per matemàtics externs.

    Una part de les demostracions s’ha formalitzat amb Lean, una eina que permet comprovar informàticament els passos lògics d’una prova. Això ajuda a distingir una demostració verificable d’un text que simplement sembla convincent. Ara bé, encara cal revisar que l’enunciat formalitzat correspon al problema que es vol resoldre, valorar-ne l’originalitat i entendre què aporta.

    És realment un èxit?

    Des del punt de vista de l’evolució de la IA, ho considero un avenç important. Resoldre un problema matemàtic pot consistir a demostrar una conjectura, però també a trobar un contraexemple que mostri que era falsa. Descobrir que una idea no funciona també és avançar.

    Ara bé, convé no traslladar automàticament aquestes capacitats a qualsevol altre àmbit. Les matemàtiques ofereixen una característica especialment útil per a la IA: quan una demostració es formalitza adequadament, podem comprovar-ne la lògica amb molta precisió.

    En medicina, per exemple, una proposta convincent encara ha de passar per experiments, estudis i comprovacions en el món real. La realitat acostuma a posar més condicions que un enunciat.

    Per què una part dels matemàtics ho critica?

    Les objeccions no es poden reduir a «la IA ens ha avançat per l’esquerra».

    L’Association for Human Mathematics ha criticat la iniciativa per considerar que no respecta les normes i les prioritats de la recerca matemàtica. També qüestiona la publicació massiva de centenars de documents i reclama que el progrés científic continuï centrat en la comprensió humana. És la posició d’una associació, no necessàriament la de tota la comunitat.

    Hi ha, a més, una qüestió de fons: construir sobre treballs previs és habitual en ciència. El debat és com es reconeixen aquestes aportacions i com s’explica què ha afegit realment el nou treball.

    El precedent de Navier–Stokes il·lustra la magnitud dels recursos que es poden mobilitzar. Al setembre, OpenAI va anunciar una proposta de solució obtinguda amb milers d’agents d’IA i uns 130.000 milions de tokens de sortida dedicats a aquest problema. Són dades de l’empresa; no equivalen a un cost monetari verificat ni, per si soles, a l’acceptació independent del resultat.

    I com ho veig jo?

    Per la meva formació en Física, puc entendre la dimensió humana d’aquest canvi. Si algú ha dedicat anys a avançar en una teoria, veure com un sistema arriba més lluny en molt poc temps, recolzant-se en part en el camí ja recorregut, ha de ser difícil de pair. Sobretot si el reconeixement acaba concentrat en qui disposa de més recursos de computació.

    Però tampoc voldria que aquesta incomoditat ens fes renunciar a eines que poden ajudar a ampliar el coneixement i, eventualment, contribuir a recerques beneficioses per a tothom.

    El meu dubte és com podem aprofitar aquests avenços reconeixent la feina prèvia, revisant els resultats amb rigor i procurant que les eines arribin també als investigadors.

    Un cop més, em trobo entenent arguments de banda i banda. Potser perquè aquí podem celebrar un avenç i, al mateix temps, qüestionar com s’ha aconseguit i com s’ha presentat.



    ▶ Mistral: una IA europea

    Quan parlem d’intel·ligència artificial, sovint pensem en les grans empreses dels Estats Units o en els models que arriben de la Xina. Però Europa també vol desenvolupar tecnologia pròpia. L’empresa francesa Mistral és una de les protagonistes d’aquesta aspiració, que va més enllà de tenir un assistent que respongui bé: també implica decidir qui desenvolupa la IA, qui la pot executar i quines condicions ens imposa.

    Aquest 6 d’octubre de 2026, Mistral ha presentat una versió preliminar pública de Large 4, el seu nou model de gamma alta, amb la publicació dels pesos prevista per a finals de mes.

    Si encara no heu provat les eines d’aquesta empresa, podeu començar pel seu assistent web i conversar-hi com feu amb altres assistents d’IA. Disposa d’un pla gratuït i de plans de pagament, com el Pro, amb més capacitat d’ús. Ara bé, l’assistent web i el model Large 4 són coses diferents: no hem de donar per fet que qualsevol conversa al web utilitzi aquest darrer model.

    El puc descarregar en local?

    Tornant a la notícia, una de les característiques destacades de Large 4 és l’aposta pels pesos oberts. Ja explico què vol dir això en un altre article d’aquesta web, però, resumint-ho, publicar els pesos permet que altres organitzacions descarreguin el model i l’executin en maquinari propi, segons les condicions de la llicència. Això no comporta necessàriament disposar de totes les dades d’entrenament ni de tots els detalls per reproduir-ne el procés de creació.

    Però tampoc us feu il·lusions de baixar aquest Large 4 i fer-lo córrer al vostre ordinador personal. Parlem d’un model de dimensions enormes, que necessita infraestructura especialitzada i una inversió considerable. Tenir accés als pesos no fa desaparèixer el cost d’executar-lo.

    I com queda respecte dels models més potents, també anomenats models de frontera?

    Segons les avaluacions publicades per Mistral, Large 4 és competitiu amb alguns dels millors models oberts, inclosos els xinesos. Ara bé, no hi ha una classificació única que serveixi per a tot: els resultats canvien segons si avaluem programació, imatges, raonament o altres tasques. A més, cal distingir les proves publicades pel fabricant de les avaluacions independents.

    El valor d’aquesta proposta és disposar d’una alternativa europea capaç de competir i d’ampliar les opcions disponibles.

    Això ens porta a la sobirania tecnològica. L’expressió pot semblar abstracta, però té conseqüències pràctiques: de quin proveïdor depenem, on s’executa el servei i quines alternatives tenim si les condicions canvien. Segons l’empresa, Large 4 s’ha entrenat en centres de dades propis a Europa, que també allotgen aquesta versió preliminar.

    Disposar d’aquestes opcions pot donar més capacitat de decisió a empreses i institucions. No elimina totes les dependències —el maquinari també compta—, però amplia el marge per triar.

    I, un cop més, vull recordar que el millor model per a una tasca no ha de ser necessàriament el capdavanter. Ha de ser aquell que ens la resolgui bé, sense perdre de vista el cost, la privacitat i la seguretat de les dades que hi compartim.

    En llenguatge de carrer: no tothom necessita un Ferrari per circular.



    ▶ I si els agents d’IA fan massa bé la seva feina?

    Quan parlem dels riscos dels agents d’intel·ligència artificial, acostumem a imaginar que s’equivoquen: reserven el dia que no toca, cancel·len un servei que volíem conservar o prenen una decisió sense consultar-nos. Però hi ha una altra possibilitat: que facin exactament allò que els hem demanat i que, tot i així, causin problemes.

    Un agent és un sistema d’IA al qual podem encarregar una tasca i deixar que faci passos per completar-la. Per exemple: «Troba’m taula en aquest restaurant». Pot consultar disponibilitats, tornar-ho a provar més tard i, si té permís, fer la reserva. Tot això ens estalvia temps. La qüestió és quantes vegades ho intentarà i què passarà quan molta gent disposi d’un ajudant igual de persistent.

    Una reserva que es va convertir en centenars de consultes

    Un usuari va demanar al seu agent que li aconseguís taula en un restaurant de Nova York molt sol·licitat. L’agent va consultar la plataforma de reserves Resy dia i nit: segons el registre que va publicar el mateix usuari, feia aproximadament 200 peticions per hora. Resy li va desactivar temporalment el compte i li va cancel·lar les reserves futures. L’agent perseguia l’objectiu que li havien donat, però ho feia d’una manera que el propietari del compte no s’havia imaginat.

    Podem pensar que perdre una reserva no és cap drama. Però el cas mostra una diferència important entre una persona i un agent: una persona es cansarà de mirar si ha quedat una taula lliure; un agent pot comprovar-ho contínuament. Si milers d’agents fan el mateix, la plataforma ha d’afrontar moltes més consultes i qui reserva pel seu compte pot quedar en desavantatge.

    Una cosa semblant comença a passar amb l’atenció al client. Hi ha agents que truquen per negociar factures o donar de baixa subscripcions. Per a l’usuari, delegar una trucada pesada pot ser una bona notícia. Per als serveis que reben aquestes trucades, planteja preguntes noves: com comproven que l’agent té autorització? Quantes vegades pot insistir? Com atenen les persones si augmenta molt el volum de trucades? Segons Business Insider, aquests agents encara representen una part petita de les trucades, però les empreses ja s’estan preparant per gestionar-los.

    I si ho traslladem als bancs?

    Torsten Sløk, economista en cap d’Apollo, ha plantejat un escenari més delicat. Imaginem que milions de persones demanen als seus agents: «Posa els meus diners al compte que em doni més interessos». Cada agent buscaria una oferta millor i podria recomanar o efectuar un trasllat. La decisió seria raonable per a cada client. Però, si molts diners sortissin ràpidament de les mateixes entitats, aquestes podrien perdre una part important dels dipòsits amb què es financen.

    És una hipòtesi, no una crisi bancària que ja s’hagi produït. Tampoc vol dir que buscar un compte amb més rendiment sigui perjudicial. La pregunta de Sløk és què passaria si milions d’agents prenguessin decisions semblants gairebé al mateix temps, a una velocitat que els bancs no estan acostumats a gestionar.

    Aquí hi ha la idea central: allò que beneficia una persona pot crear dificultats si milions de persones ho fan simultàniament. No perquè els agents es rebel·lin, sinó perquè són ràpids, constants i capaços de repetir una tasca tantes vegades com calgui.

    Aprendre a conviure amb agents

    La resposta no sembla que hagi de ser impedir que ens ajudin. Poden estalviar-nos moltes gestions poc agradables. Però caldrà establir límits comprensibles: quantes consultes poden fer a un servei, quines accions requereixen una confirmació humana i com demostren que actuen en nom nostre.

    El cas de la reserva ens deixa una pregunta senzilla que també serveix per a tasques més serioses: quan diem a un agent «aconsegueix-me això», sabem què està disposat a fer per aconseguir-ho?

  • Resum quinzenal 30-set-2026

    ▶ Rebaixem el suflé dels incidents

    ▶ Frenar o no l’evolució de la IA

    ▶ El futur de la IA és un xat o un programa d’oficina?

    ▶ Ja no n’hi ha prou amb ser el model més potent



    ▶Rebaixem el suflé dels incidents que comentàvem en l’anterior resum de la darrera quinzena.

    Cal dir que els que seguim al dia les novetats en el món IA, rebem sovint noves notificacions d’agents que s’«han sortit de camí». que s’afegeixen a les que vam comentar la darrera quinzena.

    Les investigacions sobre els agents d’OpenAI, Anthropic, Meta i Google que van sortir dels seus entorns de prova, assenyalen un element comú: diversos experiments utilitzaven infraestructura proporcionada per l’empresa: Irregular, especialitzada en l’avaluació de sistemes d’IA.

    Els incidents semblen tenir l’origen, almenys parcialment, en deficiències de l’entorn compartit:

    Configuracions de xarxa i sistemes d’aïllament que permetien als agents arribar accidentalment a Internet.

    Això redueix el pes de la interpretació més espectacular i escampada per alguns titulars sensacionalistes, que deixaven anar: «models que decideixen deliberadament “escapar”

    I ens porta a una explicació més convencional

    Una combinació d’agents molt competents + un objectiu obert + una barrera tècnica mal configurada.

    La qüestió continua sent seriosa. Un agent no necessita tenir intencions pròpies per causar un incident; només necessita descobrir que travessar un límit l’ajuda a completar l’encàrrec.

    Però és important distingir aquesta situació d’una rebel·lió deliberada del model. Aquí us deixo el Resum de la investigació

    Per què és important: quan laboratoris diferents pateixen incidents semblants amb el mateix proveïdor d’avaluacions, cal examinar el laboratori virtual on s’han provat.

    És una situació en què un sistema que havia de mantenir un agent dins d’un entorn controlat permet que accedeixi a recursos externs.

    No implica necessàriament que l’agent hagi vulnerat una protecció sofisticada. Pot ser tan senzill com:

    • una connexió que havia d’estar bloquejada;
    • un permís excessiu;
    • una credencial disponible;
    • o una configuració incorrecta de la xarxa.

    Els titulars “la IA s’ha escapat” expliquen malament aquests episodis. Una formulació més precisa seria:

    L’agent va trobar un camí que els responsables de la prova no havien previst ni bloquejat correctament.

    Aquesta distinció ajuda a parlar de riscos reals sense atribuir motivacions humanes als models.

    Concluint:

    La seguretat dels agents no consisteix a aconseguir que mai facin res inesperat. Probablement requerirà construir sistemes on:

    Una equivocació no sigui suficient per provocar el problema.

    Que és una filosofia molt antiga de l’enginyeria. Però ara cal aplicar-ho a sistemes que busquen activament maneres d’aconseguir un objectiu. Perquè un agent molt capaç, pot trobar portes que els dissenyadors del model, no sabien que existien.

    I en el transcurs d’aquesta quinzena, el nombre de «nous incidents», ha crescut. Per tant, el tema continuarà.



    ▶Frenar o no l’evolució de la IA

    Segurament lligat amb l’apartat anterior, aquestes darreres setmanes heu vist titulars sobre els possibles perills futurs de la intel·ligència artificial.

    No és un debat nou, però ha canviat una cosa important: ara alguns dels que demanen aixecar el peu de l’accelerador són precisament els que estan construint els models més avançats.

    I això, com a mínim, mereix una mica d’atenció.

    El manifest que ha encès el debat

    Un dels textos que més soroll ha fet és “We Must Pace the Frontier”, publicat aquest setembre per Dario Amodei, CEO d’Anthropic.

    La traducció del títol ja dona una pista: alguna cosa semblant a hem de moderar el ritme de la frontera.

    El manifest no proposa aturar la IA. De fet, insisteix que continuar desenvolupant-la pot aportar enormes beneficis. El que defensa és que les capacitats dels models estan avançant més ràpidament que la nostra capacitat per entendre’ls, controlar-los i protegir-nos dels seus possibles errors o mals usos.

    I apunta especialment a dos motius.

    El primer és la possibilitat que la IA participi cada vegada més en la construcció de la següent generació d’IA: el que es coneix com a recursive self-improvement i del qual ja parlo més endavant.

    El segon són alguns comportaments preocupants observats en sistemes d’agents, especialment quan disposen de prou autonomia per actuar sobre sistemes informàtics.

    La seva conclusió és que potser convindria guanyar temps.

    No anys de paralització, sinó prou temps perquè la seguretat pugui seguir el ritme de les capacitats.

    La sorpresa va arribar quan Sam Altman, d’OpenAI, i Elon Musk, de xAI, van mostrar ràpidament el seu acord amb bona part del plantejament.

    Quan els competidors demanen frenar

    És una situació curiosa.

    Empreses que competeixen feroçment per disposar del model més potent coincideixen que potser seria convenient que tothom anés una mica més a poc a poc.

    Amodei proposa, entre altres mesures, que els grans laboratoris disposin d’avaluadors externs amb accés continu als seus processos, que s’estableixin estàndards comuns de seguretat i que les empreses puguin coordinar determinades mesures sense topar amb les lleis antimonopoli.

    I aquí comencen els problemes.

    Perquè una cosa és que una empresa decideixi voluntàriament anar més a poc a poc i una altra que diverses empreses competidores acordin conjuntament a quina velocitat avançaran.

    De fet, aquesta possible coordinació ja ha provocat debat sobre els seus límits legals.

    No tothom vol aixecar el peu

    A l’altre costat hi trobem, entre d’altres, Jensen Huang, CEO de Nvidia, que ha rebutjat aquestes visions més alarmistes i considera que frenar el desenvolupament pot perjudicar els Estats Units davant la competència xinesa.

    La Casa Blanca també ha defensat en general una política favorable a mantenir el lideratge nord-americà en IA.

    Per tant, tenim una situació força curiosa: una part dels creadors dels models més avançats demana més prudència, mentre que altres actors tecnològics i polítics consideren que reduir el ritme pot ser encara més perillós.

    I, naturalment, cadascú té també els seus interessos.

    Nvidia ven bona part del maquinari que alimenta aquesta cursa. Els grans laboratoris d’IA volen protegir unes inversions gegantines. Els governs pensen en competitivitat, economia i seguretat nacional. I la Xina difícilment acceptarà quedar-se quieta perquè les empreses nord-americanes decideixin fer-ho.

    La seguretat és una part del debat. Però els diners i la geopolítica també hi són.

    I què passa amb els models oberts?

    Aquí hi ha una qüestió que em sembla especialment interessant.

    El manifest està pensat principalment per als grans laboratoris que desenvolupen models de frontera. Però dedica molta menys atenció a un altre món que està creixent ràpidament: els models de pesos oberts, els anomenats open weights.

    I això pot complicar molt qualsevol intent de posar el fre.

    Un model tancat és relativament controlable. OpenAI, Anthropic o Google poden decidir quan publiquen un model, qui hi té accés, quins filtres hi posen o fins i tot retirar-lo.

    Però quan els pesos d’un model han estat publicats i milers de persones els han descarregat, la situació canvia completament.

    Ja no hi ha un únic interruptor.

    El model pot executar-se en servidors privats, modificar-se, especialitzar-se o circular per països diferents. I una certificació concedida al model original no garanteix necessàriament què farà una versió posterior modificada per algú altre.

    Aquí apareix una contradicció difícil de resoldre.

    Els models oberts tenen un efecte positiu evident: fan més accessible la IA, faciliten la investigació i contribueixen a abaixar-ne el preu.

    Però aquesta mateixa característica els fa molt més difícils de controlar.

    La regulació també pot canviar la competència

    Hi ha encara una altra conseqüència que convé no perdre de vista.

    Complir sistemes complexos de certificació, auditories externes, controls de seguretat i obligacions administratives costa diners.

    Google, OpenAI, Anthropic o Microsoft poden assumir aquest cost.

    Una empresa petita, potser no.

    Per tant, una regulació creada amb la intenció legítima d’augmentar la seguretat podria tenir un efecte secundari inesperat: fer encara més difícil competir amb les empreses que ja dominen el mercat.

    I aquí apareix inevitablement la sospita.

    Alguns crítics interpreten les advertències dels grans laboratoris com una forma de regulatory capture: demanar unes regles tan exigents que només les empreses més grans puguin complir-les.

    No tenim cap manera de saber fins a quin punt aquesta és la motivació real. I probablement seria massa simplista reduir tot el debat a aquesta explicació.

    Però tampoc sembla raonable ignorar-la.

    Potser la pregunta no és «frenar o no frenar»

    Al principi semblava que el debat era senzill:

    Hem de frenar el desenvolupament de la IA o hem de deixar que continuï avançant?

    Però, mirant-ho una mica més de prop, apareixen altres preguntes.

    Qui decideix què és prou perillós per justificar una frenada?

    Qui controla que tothom compleixi les mateixes regles?

    Com es pot fer un acord internacional si els països competeixen per liderar la tecnologia?

    Què fem amb els models oberts que ja circulen?

    I, sobretot, qui podrà continuar desenvolupant IA si complir les normes costa centenars de milions de dòlars?

    Potser el debat important acabarà sent menys «hem de frenar la IA?» i caldrà preguntar-se:

    «Qui tindrà dret a continuar accelerant?»

    I aquí la resposta ja no depèn només de la tecnologia.

    Depèn de la seguretat, de la política, de la geopolítica i, inevitablement, dels diners.

    Molts pros i contres en direccions diferents.

    Per això, almenys jo, encara no tinc gens clar de quin costat posar-me.



    ▶ El futur de la IA és un xat o un programa d’oficina?

    Abans que ningú s’entusiasmi massa, moltes d’aquestes facilitats estan en els plans de pagament.

    La fusió de Claude amb Cowork, Docs, Slides i Design permet explicar un canvi fàcil de veure: aviat potser no obrirem primer el processador de textos. Explicarem què necessitem, i l’agent obrirà les eines i prepararà el document.

    Anthropic ha decidit fusionar Claude Cowork i el xat convencional. L’usuari ja no haurà de decidir si necessita una resposta ràpida o encarregar una feina llarga: Claude determinarà com executar-la i podrà continuar treballant encara que es tanqui l’ordinador.

    Claude podrà consultar fonts connectades, redactar un informe, convertir-ne els punts principals en diapositives i programar la mateixa feina perquè es repeteixi periòdicament. El desplegament comença als plans Pro i Max; les noves eines de creació estan en beta als plans de pagament.

    Per què és important: la diferència entre chatbot, agent i programa d’oficina comença a desaparèixer. Anthropic passa de respondre preguntes a competir directament amb Word, Google Docs i PowerPoint en la producció del treball final.

    I com es pot fer el mateix amb ChatGPT?

    Utilitzant l’opció ChatGPT Work que converteix ChatGPT en un espai de treball capaç d’investigar, crear documents, fulls de càlcul i presentacions, consultar aplicacions connectades i repetir feines automàticament.

    Només cal crear el prompt adequat, que si esteu mancats d’idees, li podeu demanar al mateix ChatGPT Work. Més avall us deixo un exemple, donant-li accés a una carpeta del meu ordinador i em tornarà a demanar permís quan enregistri els resultats.

    ChatGPT Work pot crear i editar fitxers de Word, Excel i PowerPoint, a més de documents, fulls i presentacions natives de Google. També pot reutilitzar una presentació o document anterior com a plantilla.

    Exemple didàctic: Per generalitzar, he demanat crear un fitxer CVS perquè no tothom treballa amb Excel. I com sabeu, un CVS és fàcilment importable des de qualsevol full de càlcul. Aquí teniu un exemple de prompt:

    |Revisa totes les factures de la carpeta del meu Mac [posa la ruta de la teva carpeta] incloses les subcarpetes, i prepara un resum en català per obrir-lo després amb qualsevol full de càlcul
    Crea una taula amb una fila per factura i aquestes columnes:
    • Proveïdor i NIF
    • Data
    • Total a pagar
    • IVA
    • Observacions o dades pendents de revisar
    Extreu només les dades que constin als documents. No inventis informació: deixa en blanc les dades absents i assenyala les que no es puguin llegir amb confiança.
    Comprova que els imports quadrin i detecta possibles factures duplicades. No eliminis cap document ni descartis cap factura sense indicar-ho.
    Desa els resultats en una carpeta nova anomenada “Resum de factures”, al mateix directori, amb:
    Un CSV que contingui totes les factures.
    Un altre CSV amb els totals per proveïdor i per mes.
    Una llista de documents que no hagis pogut processar i de les incidències que cal revisar.
    Utilitza dates en format DD/MM/AAAA i imports amb coma decimal. No modifiquis els fitxers originals.
    En acabar, indica quants documents has revisat, quantes factures has identificat i on has desat els resultats. |
    | — |

    Aquest prompt l’he comprovat i funciona. El podeu ampliar fins on us arribi la imaginació, utilitzant molts més camps i fins i tot indicant formats del full de càlcul final, si en lloc de CSV, ja indiqueu un full concret com Excel o demanar que ho presenti segons una determinada plantilla.

    En tot cas, tampoc és que la «competència» estigui quieta. Just acabada la quinzena, ha aparegut la següent notícia:

    Microsoft vol convertir Copilot en una mena de “sistema operatiu per al treball”. La nova orientació integra xat, programació, agents i les funcions de Word, Excel i PowerPoint dins el mateix Copilot.



    ▶Ja no n’hi ha prou amb ser el model més potent

    No fa ni un any, el llançament d’un nou model d’IA venia gairebé sempre acompanyat d’una bateria de Benchmarks.

    Era una mena de cursa de cavalls: avui un model ocupava el primer lloc i, al cap de poques setmanes, n’apareixia un altre que el superava en programació, matemàtiques, raonament o qualsevol altra prova.

    Els Benchmarks no han desaparegut —ni de bon tros—, però últimament hi ha un altre concepte que apareix cada vegada amb més força en la presentació dels nous models:

    la seva eficiència.

    Ja no es tracta només de dir «el meu model és millor», sinó també «el meu model pot fer aquesta feina utilitzant menys recursos i, per tant, costant menys».

    I aquí apareix el preu dels tokens.

    El token més barat no sempre guanya

    Quan comparem models és fàcil mirar una taula de preus i decidir que un és car i un altre barat.

    Però aquesta comparació pot resultar enganyosa.

    Imaginem un model molt barat que, per completar una tasca, necessita repetir passos, fer més consultes, corregir errors o requerir més intervenció humana.

    Al costat tenim un model més car per token que resol la mateixa feina correctament al primer intent.

    Quin dels dos és realment més barat?

    En aplicacions senzilles, el preu del token continua sent una dada molt útil. Però quan parlem d’agents que treballen durant minuts o hores, utilitzen eines i encadenen moltes operacions, probablement ens interessa més una altra pregunta:

    Quant costa completar correctament tota la feina?

    I aquí entren en joc no només els tokens, sinó també el nombre d’intents, les eines fetes servir, el temps d’execució i, sobretot, les correccions humanes necessàries.

    Dos llançaments gairebé simultanis en aquest setembre – 2026, ens serveixen per veure cap on va aquesta batalla.

    1- Claude Opus 5.5: més potent, però també més barat

    Anthropic acaba de presentar Claude Opus 5.5.

    Naturalment, l’empresa mostra els resultats del model en diferents proves. Però hi ha un detall interessant en la manera de presentar-lo: insisteix especialment en l’eficiència.

    El preu de l’API és de 4 dòlars per milió de tokens d’entrada i 20 dòlars per milió de tokens de sortida, un 20% menys que Opus 5.

    Però Anthropic afirma que, en les càrregues de treball habituals, el cost real pot arribar a ser aproximadament un 40% inferior, perquè el model també necessita menys tokens per completar determinades tasques.

    Aquesta segona dada em sembla més interessant que la primera.

    No ens diuen només:

    Hem abaixat el preu del token.

    El missatge és més aviat:

    Hem abaixat el preu i, a més, necessitareu menys recursos per arribar al resultat.

    En paraules normals: una rebaixa de preus, però presentada també com una millora d’eficiència.

    I les rebaixes sempre són benvingudes pels usuaris. Per a les empreses, en canvi, també poden significar que la competència està pressionant els marges.

    2- I des de la Xina, preus a una altra escala

    Pràcticament al mateix temps, Xiaomi ha presentat MiMo-V2.6-Pro i MiMo-V2.6-Flash, dos models especialment orientats al raonament, la programació i el treball amb agents.

    El Pro supera el bilió de paràmetres totals —1,02 bilions—, encara que només n’activa uns 42.000 milions per token. Flash és considerablement més petit: uns 309.000 milions totals i 15.000 milions actius. Tots dos disposen d’una finestra de context d’un milió de tokens.

    Però fixem-nos en els preus de l’API:

    MiMo-V2.6-Pro

    • Entrada: aproximadament 0,435 $ per milió de tokens.
    • Sortida: aproximadament 0,87 $.

    MiMo-V2.6-Flash

    • Entrada: aproximadament 0,14 $ per milió de tokens.
    • Sortida: aproximadament 0,28 $ per milió de tokens.

    Les diferències amb Claude Opus 5.5 són enormes si ens limitem a comparar el preu dels tokens.

    Però aquí és precisament on hem d’anar amb compte.

    No podem concloure simplement que un model és més econòmic perquè el seu token costa deu, vint o cinquanta vegades menys. Caldria comprovar quants tokens i quants intents necessita cadascun per resoldre la mateixa feina amb un nivell de qualitat comparable.

    Potser aquesta serà la nova cursa

    Durant un temps hem preguntat:

    Quin model obté la puntuació més alta en els Benchmarks?

    Després hem començat a preguntar:

    Quant costa cada milió de tokens?

    I potser la pregunta que anirem fent cada vegada més serà:

    Quant em costa que la IA acabi correctament aquesta feina?

    A mesura que passem de fer preguntes a un xat a encarregar tasques completes a agents, aquesta diferència serà cada vegada més important.

    Els Benchmarks continuaran existint i els preus per token també.

    Però potser la batalla comercial dels pròxims models ja no consistirà només a demostrar qui és més intel·ligent, sinó qui aconsegueix fer més feina útil amb menys recursos.

    I això, per als que acabem pagant la factura, no sembla una mala notícia.

  • Resum quinzenal 15-set-2026

    ▶ El fet que aparegui una marca d’aigua en els textos que ha intervingut IA

    ▶ Els recents incidents protagonitzats per la IA

    ▶ El fet que s’ha parlat d’alentir la IA per augmentar la seguretat

    ▶ L’evolució dels agents

    ▶ Qui decideix els valors d’una IA?

    1-La marca d’aigua als textos generats per IA

    Des del 2 d’agost de 2026, la normativa europea sobre intel·ligència artificial introdueix noves obligacions de transparència per als continguts generats o manipulats per IA. Entre altres coses, els sistemes generatius han de permetre identificar tècnicament que un contingut ha estat creat o modificat mitjançant intel·ligència artificial.

    I Anthropic ha estat una de les primeres empreses a anunciar un sistema d’aquest tipus per als textos produïts amb Claude. El sistema introdueix un patró estadístic en la manera com es genera el text, de manera que copiar-lo i enganxar-lo en un altre document no elimina necessàriament aquesta empremta.

    En principi, sembla una bona idea. Si un text ha estat escrit per una IA, per què no hauríem de poder saber-ho? Però la pregunta té trampa és: què vol dir exactament que un text hagi estat escrit per una IA?

    Una marca diu menys del que sembla

    El problema és que la marca pot dir-nos que hi ha intervingut una IA, però no ens diu com hi ha intervingut.

    Posem un exemple molt proper. Escric habitualment cròniques de restaurants en la meva altra web: www.restaurantscat.cat. Vaig al restaurant, tasto els plats, faig les fotografies, prenc notes mentals, valoro què m’ha agradat i què no i, finalment, escric l’article.

    Imaginem que, un cop acabat, el passo a Claude i li dic:

    «No introdueixis cap idea nova ni canviïs les meves opinions. Elimina repeticions i millora les frases que resultin poc clares.»

    I imaginem ara una altra persona que escriu:

    «Amb aquestes quatre dades del restaurant i aquestes fotos, escriu-me una crítica gastronòmica de 800 paraules.»

    En un cas, la IA ha actuat gairebé com un editor. En l’altre, ha escrit pràcticament tot l’article.

    Però si tots dos textos acaben identificats simplement com a continguts en què ha intervingut una IA, el lector no té cap manera de saber davant de quin dels dos casos es troba.

    I aquí és on la marca, tot i dir una cosa certa, pot acabar transmetent una idea equivocada.

    Si un detector diu «aquest text conté una marca d’IA», és molt fàcil que el lector ho tradueixi mentalment per «aquest text l’ha escrit una IA». I no és el mateix.

    Detectar que una IA ha intervingut en un text no significa demostrar que la IA n’és l’autora.

    Una marca d’aigua pot demostrar intervenció. Però, sense saber en quin grau s’ha produït aquesta intervenció, ens diu molt poc sobre l’autoria real del text.

    2. Demanen alentir el desenvolupament de la IA per donar temps a la seguretat

    (basat en l’article publicat a La Vanguardia el dia 12/09/2026)

    El director executiu i cofundador d’Anthropic, Dario Amodei, reclama frenar el ritme de millora dels models d’intel·ligència artificial perquè les mesures de seguretat puguin avançar al mateix pas que les seves capacitats.

    El ritme al qual avança la IA, empès per una competència ferotge entre les empreses capdavanteres, planteja un risc: que les capacitats dels models millorin més de pressa que els mecanismes necessaris per garantir-ne la seguretat.

    Ens pot servir l’exemple de dos fabricants de cotxes que competeixen per aconseguir motors cada vegada més potents, però que no dediquen prou temps a adaptar els frens i els sistemes de protecció en cas de xoc a les noves prestacions. La potència augmenta, però la seguretat corre el risc de quedar enrere.

    La petició de Dario Amodei va en aquesta línia: alentir el ritme de desenvolupament per donar temps a reforçar els controls i comprovar que funcionen. Continuar avançant, sí, però amb uns frens a l’altura del motor.

    Continuar accelerant sense reforçar els controls podria tenir conseqüències greus en qüestió de mesos. La proposta ha rebut el suport públic de Sam Altman (Open AI) i Elon Musk (Twitter i empreses relacionades), en una coincidència poc habitual entre competidors.

    Dario Amodei posa el focus en el risc d’agents d’IA que actuïn fora del control humà. A partir d’un incident recent i relacionat amb OpenAI i Hugging Face, planteja que un eixam d’agents més potent podria provocar alteracions catastròfiques a internet. També assenyala els perills de l’ús indegut de la IA en l’àmbit biològic. Es tracta d’escenaris de risc que, a parer seu, exigeixen actuar preventivament, encara que els incidents coneguts fins ara hagin tingut conseqüències limitades.

    La proposta inclou obrir els procediments de seguretat a avaluadors externs, amb un nivell d’accés equivalent al dels empleats, i s’insta les altres empreses a adoptar la mateixa mesura i es demana coordinació internacional per establir estàndards de seguretat compartits.

    També dona continuïtat a Pacing the Frontier, una declaració que al juliol van signar 1.386 treballadors d’empreses d’IA, per reclamar mecanismes de supervisió davant d’una recerca automatitzada que podria superar la capacitat humana de controlar-la.

    Alentir, precisa Dario Amodei, no significa aturar l’entrenament dels models ni el progrés tècnic, sinó guanyar temps per protegir-los, ajustar-ne el comportament als objectius humans i verificar de manera independent que les salvaguardes funcionen.

    La qüestió pendent és si aquest consens es traduirà en compromisos efectius: la competència i els interessos econòmics del sector dificulten que les empreses frenin voluntàriament sense garanties que les altres faran el mateix.

    Tot pot quedar resumit en aquestes frases clau:

    «Coordinem-nos perquè la competència no ens obligui a avançar més ràpidament del que considerem segur».

    La velocitat amb què augmenten les capacitats pot estar superant la velocitat amb què aprenem a controlar-les.

    El problema és que TOTS volen frenar la cursa de la IA, però ningú es fia prou de l’altre, per a donar el primer pas. I «frenar la IA», sembla bonic, fins que t’adones que no es tracta d’una simple tecnologia, sinó d’una eina de guerra tecnològica entre EUA i Xina. I sembla que de moment, ningú vol cedir.

    3. El concepte agent, continua evolucionant

    Hem passat de:

    chatbot → tarda només segons per fer una tasca

    agent → minuts o hores per fer una tasca

    agent persistent → dies o setmanes per assolir una tasca

    Quan un agent treballa durant una setmana, necessitem memòria, permisos, control de costos i mecanismes per saber què ha estat fent mentre nosaltres no el miràvem.

    Agent persistent

    Un agent normal pot rebre:

    «Compara aquests tres hotels.»

    Treballa deu minuts, acaba i s’atura.

    Un agent persistent podria rebre:

    «Vull anar a Kyoto el mes vinent. Busca’m un bon hotel per menys de 180 € i avisa’m quan trobis una oportunitat interessant.»

    L’agent persistent conserva l’objectiu mentre va buscant.

    Avui busca, demà torna a comprovar preus, l’endemà detecta una oferta, compara i finalment ens preguntaria:

    «He trobat un a 162 €. Vols que el reservi?»

    No és simplement una IA que treballa més estona, és una IA que manté un objectiu al llarg del temps. I això obre immediatament les preguntes interessants:

    Què recordarà?

    Què podrà fer sense preguntar-me?

    Quant podrà gastar?

    Com sabré què ha fet?

    I això enllaça amb el pagament que en el futur podrà fer

    La notícia que Visa i Mastercard comencen a crear el «DNI dels agents», em sembla molt interessant de cara al futur dels agents personals. Han anunciat una iniciativa conjunta anomenada Know Your Agent.

    L’objectiu és crear un estàndard perquè bancs, botigues, targetes i sistemes de pagament puguin identificar un agent d’IA i comprovar que realment està autoritzat per una persona a fer aquella compra.

    Si li demanem:

    «Compra’m dos bitllets d’avió per a demà, per anar a Londres en la franja horària …»

    L’agent, un cop assolits els requisits que li hem demanat, acaba preguntant:

    «Vull pagar 450 € amb la targeta d’en Ricard»

    La botiga necessita saber:

    Qui ets?

    Realment representes Ricard?

    Té permís aquest agent per gastar 450 €?

    Ricard ha autoritzat aquesta compra concreta?

    Per què és important: els agents no podran entrar seriosament en el comerç simplement perquè siguin capaços de clicar el botó Comprar.

    Necessitaran alguna cosa equivalent a:

    identitat + autorització + límits + traçabilitat.

    I que Visa i Mastercard ja treballin conjuntament en un estàndard és un senyal que l’anomenat «agentic commerce» comença a passar de les demostracions a una infraestructura real.

    4. Qui decideix els valors d’una IA?

    Cal sortir de la falsa idea que:

    «la IA simplement diu el que ha après».

    Perquè NO és així. Algú ha de decidir què farà quan,

    • no estigui segura
    • quines coses rebutjarà, quan advertirà d’un risc
    • si es farà passar per humana
    • o com tractarà una qüestió controvertida.

    Microsoft acaba de publicar les regles que vol donar als seus models, però immediatament apareix una gran pregunta:

    Qui ha d’escriure aquestes regles: Microsoft, els governs, experts independents… o la societat?

    I donar resposta a aquesta pregunta, és un gran repte.

    5. Els incidents de la IA: posem-hi context abans d’espantar-nos.

    El diari El País publicava, el passat juliol, aquest titular:

    «Un nuevo modelo de OpenAI provoca un ataque “sin precedentes” contra otra plataforma de inteligencia artificial».

    Un titular que espanta. I, per a qui no segueix gaire aquest món, és fàcil que evoqui una IA descontrolada que ha decidit atacar pel seu compte. Llegint l’article, apareixen els matisos. Però els matisos no sempre arriben tan lluny com els titulars.

    Intentem explicar-ho sense tecnicismes.

    En el cas d’OpenAI, uns models d’IA, estaven fent proves de ciberseguretat en un entorn que havia d’estar aïllat. A més, treballaven amb menys proteccions que les versions disponibles per al públic. Durant aquelles proves, van trobar escletxes que els van permetre sortir dels límits previstos i accedir a sistemes reals, entre els quals els de Hugging Face, una plataforma que allotja models i dades d’IA.

    Buscaven solucions per superar les proves i van acabar comprometent sistemes aliens. Que l’objectiu fos completar un exercici no fa inofensius els mitjans que van utilitzar. La mateixa OpenAI ho considera un avís seriós sobre les limitacions dels seus controls.

    Aquest setembre hem conegut més detalls d’altres activitats. Segons una informació basada en les troballes de sis grups d’investigadors independents, agents d’OpenAI havien fet servir almenys deu webs addicionals, fins aleshores no divulgades, per comunicar-se sense autorització. I no passen tres dies que apareixen nous incidents.

    En aquests casos, utilitzar una web com a tauler de missatges no equival necessàriament a haver-la piratejat. Segons els investigadors, una possible explicació és que els agents buscaven compartir informació per resoldre preguntes difícils, tot i que només se’ls permetia consultar Internet, no publicar-hi contingut. Cal distingir aquesta interpretació del que s’ha pogut observar.

    El problema es pot entendre amb una idea senzilla: volem eines capaces de buscar alternatives quan una tasca es complica. Però també volem que respectin els límits, encara que això els impedeixi acabar-la.

    Saber resoldre un problema és útil. Saber quan cal aturar-se també.

    Anthropic també ha documentat incidents en què models de Claude van accedir sense autorització a sistemes reals durant proves de ciberseguretat. En aquells casos, una configuració incorrecta havia deixat oberta la connexió a Internet i els models funcionaven sense les proteccions de ciberseguretat habituals de les versions públiques. Els casos tenen diferències, però mostren que el problema no afecta una sola empresa.

    Tot això mereix atenció. Ara bé, aquests incidents no demostren que una IA hagi desenvolupat voluntat pròpia o vulgui fer-nos mal. Mostren que un sistema pot perseguir una tasca de manera inadequada i provocar conseqüències reals si els controls fallen.

    La lliçó és prou concreta: les empreses han de millorar els entorns de prova, limitar els permisos i detectar abans els comportaments perillosos. I els models han de poder assumir que, de vegades, la resposta correcta és «no puc completar aquesta tasca dins dels límits permesos».

    Podem exigir més seguretat i transparència sense convertir cada notícia en una pel·lícula de por. Entendre què ha passat ens ajuda molt més que quedar-nos només amb el titular.

  • Resum quinzenal 31-ago-26

    1. Els agents són la gran tendència

    La IA deixa de limitar-se a respondre preguntes i comença a fer feines..

    Tot i que els usuaris de base, no tècnics continuaran utilitzant el model de xat per fer preguntes i respostes, els agents són la tendència.

    A la secció «Articles d’interès» d’aquesta web, teniu un article que explica que són els agents, però vull deixar aquí un exemple didàctic:

    Amb el xat pregunto:

    «Quines visites em recomanes fer a París en 3 dies?»

    El xat et respon amb una llista d’itineraris, museus, restaurants recomanats, horaris orientatius… Però aquí s’acaba la seva feina:

    Amb un agent:

    Li dones el mateix objectiu, però formulat com una tasca a completar: «Reserva’m 3 dies a París amb entrades al Louvre i la Torre Eiffel, i fes-me reserva a un parell de restaurants ben valorats a prop de cada zona que visitem.»

    I l’agent, en comptes de només respondre amb text, actua: obre navegadors, connecta a serveis de reserves, entra a les webs oficials, compara horaris disponibles, omple formularis, completa les compres i confirma les reserves. Al final no tenim una llista de suggeriments, sinó entrades i reserves reals fetes.

    En tot cas i pensant en el món d’empresa, la tendència actual és que un mateix model, pugui activar diversos agents:

    Es tracta de

    divisió del problema + interacció i ajuda mútua entre els agents.

    És una altra manera d’augmentar la capacitat d’una IA sense haver de construir immediatament un model més gran.


    2. Els models oberts xinesos ja competeixen de tu a tu

    Fa un any molta gent només coneixia ChatGPT, Claude i pocs models més.

    Si no teniu clar en concepte de sistemes oberts, a la secció «Articles d’interès» hi teniu un article explicatiu.

    Ara sentim parlat de:

    • DeepSeek
    • Qwen
    • GLM
    • Hy4 (Tencent)
    • etc…

    Això explica molt bé que:

    Ja no hi ha tres empreses occidentals dominant la IA.

    És un canvi molt important, però cal que tingueu clar el concepte de model obert, i també les seves variants. Ho trobareu explicat a l’article corresponent a la secció «Articles d’interès».

    DeepSeek, Qwen, GLM i altres models xinesos ja no són simplement experiments de laboratori o projectes subvencionats. Comença a aparèixer un mercat comercial considerable al seu voltant, encara molt menor que el d’OpenAI o Anthropic. Reuters.


    3. La IA ja ajuda a construir IA

    La «destil·lació» és una tècnica legítima i molt utilitzada en IA (per exemple, per fer models més petits i eficients).

    La destil·lació és una tècnica d’entrenament en què un model «estudiant» (normalment més petit) aprèn a imitar les respostes d’un model «mestre» (normalment més gran i potent), en comptes d’aprendre només de dades originals. El mestre genera respostes a moltes preguntes, i l’estudiant s’entrena per reproduir aquest comportament — així n’hereta bona part de la capacitat, però amb molt menys cost de còmput.

    Però això genera un debat si es fa sense autorització sobre els sistemes d’altres companyies, cosa que aixeca qüestions de propietat intel·lectual i seguretat nacional.

    Des del llançament de DeepSeek R1 el gener de 2025, empreses com OpenAI han advertit als legisladors nord-americans que la startup xinesa DeepSeek estaria intentant replicar els seus models i usar-los per entrenar els propis.

    El febrer de 2026 Anthropic també va acusar tres empreses xineses d’IA (DeepSeek, Moonshot AI i MiniMax) de campanyes coordinades per extreure informació del seu model Claude, inundant-lo amb grans volums de prompts especialment dissenyats per entrenar models propis.

    És important remarcar que són al·legacions, no fets judicialment provats.

    També i parlant d’aquest passat agost, i ara en sentit positiu, és interessant la tasca d’Anthropic. Els creadors de Claude han estat, investigant en els seus models.

    • com evitar adulació
    • com evitar trampes
    • com reentrenar altres models

    Molt fàcil d’explicar en una frase:

    «La IA ja ajuda els investigadors a millorar la següent generació de IA.»


    4. Els agents necessiten control i permisos

    Aquestes darreres setmanes ha aparegut molta literatura al voltant d’aquest tema i algunes notícies amb titulars aparentment alarmant, que de fet, busquen cridar l’atenció.

    És una bona oportunitat per recordar una idea molt senzilla:

    Un agent és com donar unes claus a algú.

    Però no totes les claus obren totes les portes.


    5. El futur potser no serà escollir un model

    Aquestes darreres setmanes han anat apareixent noms com.

    OpenRouter.

    Stripe.

    Snowflake.

    Ramp.

    etc…

    Per entendre que fan aquests productes, ho resumirem amb l’exemple OpenRouter:

    OpenRouter és una capa (un «proxy») que es situa entre la teva aplicació i els diferents proveïdors de models d’IA (OpenAI, Anthropic, Google, Meta, etc.).

    En comptes de connectar-te directament a cada empresa amb una API i una clau diferents, envies una única petició a OpenRouter, indiques quin model vols i la reenvia al proveïdor disponible per a aquest model. El catàleg és molt ampli.

    Per què és important:

    • Un sol punt d’accés: un compte, un saldo de crèdit, un format de petició i un únic lloc on veure què has gastat en cada model que has fet servir, en lloc de gestionar factures i claus per separat amb cada empresa.
    • Fiabilitat: si un proveïdor cau o satura, OpenRouter pot redirigir automàticament la petició cap a un altre proveïdor disponible.
    • Flexibilitat de cost/qualitat: permet triar entre optimitzar per preu, per latència o per qualitat segons la tasca, cosa molt útil quan estàs prototipant i encara no saps quin model et convé més.

    En resum: per a algú que vol experimentar amb molts models d’IA diferents sense haver de gestionar deu contractes i deu integracions diferents, OpenRouter simplifica molt les coses — és com un «endoll universal» per accedir a l’ecosistema de models.

    Tots apunten al mateix:

    Potser nosaltres no decidirem si volem GPT, Claude o Gemini.

    Un sistema ho decidirà automàticament.

    Aquesta és una idea molt potent i molt poc explicada als mitjans.


    6. Els models petits cada vegada fan més coses.

    No tot consisteix a fabricar monstres gegants.

    Podem mencionar alguns exemples:

    • Faraday
    • Parse

    I és una tendència molt interessant:

    perquè no sempre guanya el model més gran.

    Resumim que fa cada un:

    Faraday

    Faraday és un agent científic.

    Li dones un article de recerca i intenta reproduir els experiments descrits, gairebé com ho faria un investigador: formula hipòtesis, escriu codi, executa proves, analitza els resultats i torna a provar si cal.

    La gràcia és que parteix d’un model relativament petit (27.000 milions de paràmetres), però en aquesta tasca específica arriba a competir amb models molt més grans.

    Idea clau: no sap fer «de tot»; està entrenat per ser molt bo fent recerca científica.

    Parse

    Parse és un model especialitzat a llegir documents complicats.

    No respon preguntes. El que fa és convertir PDFs, formularis, factures o informes en informació ben estructurada perquè un altre model d’IA la pugui entendre.

    Per exemple, és capaç de distingir correctament:

    • taules,
    • columnes,
    • formularis,
    • imatges,
    • peus de foto,
    • l’ordre de lectura d’una pàgina.

    Sense aquest pas, un LLM podria interpretar malament un document.

    Idea clau: és una mena de «traductor» entre els documents humans i els models d’IA.

    Conclusió

    Fa un any la tendència era construir models cada vegada més grans.

    Ara també apareix una altra estratègia:

    Construir models petits, molt especialitzats, que facin una sola feina però la facin extraordinàriament bé.

    És una mica com comparar:

    • un metge de capçalera, que sap una mica de tot (ChatGPT, Claude, Gemini…), amb
    • un radiòleg (Parse) o un investigador biomèdic (Faraday), que saben moltíssim d’una feina concreta.

    Crec que aquesta és una tendència que veurem cada vegada més, especialment en el món dels agents, on diversos models especialitzats poden col·laborar per resoldre una mateixa tasca.