Novetats Quinzenals 15-Nov-2026

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:

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.

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.

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.

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.