Els exercicis tabletop (TTX) s'han convertit en un pilar de la formació en ciberseguretat dins de l'educació informàtica. Aquestes dinàmiques permeten que els estudiants, organitzats en equips, enfrontin incidents simulats on han de coordinar accions, comunicar-se eficaçment i prendre decisions sota pressió. No obstant això, l'avaluació del seu rendiment planteja desafiaments significatius a causa de la naturalesa oberta i no lineal de les solucions. Els instructors solen basar-se en rúbriques subjectives o en observacions manuals, cosa que retarda la retroalimentació i limita l'escalabilitat dels programes formatius.
Investigacions recents, com la publicada a arXiv (2607.19209), han proposat dos mètodes automatitzats per avaluar equips en TTX: el clustering i els models de llenguatge de gran escala (LLM). El primer agrupa els equips segons les seves estratègies i patrons de comportament, permetent als instructors oferir retroalimentació personalitzada a cada grup sense necessitat de revisar cada equip individualment. Aquest enfocament va demostrar ser vàlid i fiable, amb baixos requeriments computacionals. D'altra banda, els LLM com GPT-4o i GPT-5.2 es van utilitzar per puntuar la comunicació dels equips basant-se en rúbriques estandarditzades. Mentre que GPT-4o va mostrar discrepàncies freqüents amb les notes dels instructors, GPT-5.2 va aconseguir un error considerablement menor, acostant-se més a l'avaluació humana.
Aquests mètodes s'han integrat a INJECT, una plataforma de codi obert per a TTX, cosa que facilita la seva adopció en entorns educatius. La possibilitat d'automatitzar l'avaluació no només accelera el procés, sinó que també proporciona dades objectives que poden ser analitzades amb eines de Business Intelligence. Aquí és on empreses com Q2BSTUDIO entren en joc. Amb experiència en el desenvolupament de aplicacions a mida i solucions cloud, Q2BSTUDIO pot ajudar a construir plataformes TTX personalitzades que integrin clustering i LLM de forma eficient.
La infraestructura tecnològica és clau per escalar aquest tipus d'avaluacions. L'ús de serveis cloud com AWS o Azure permet gestionar grans volums de dades generats pels equips durant els exercicis, garantint disponibilitat i rendiment. A més, la implementació d'agents de IA pot enriquir l'experiència: agents autònoms que monitoritzin la comunicació en temps real, detectin desviacions en l'estratègia o fins i tot simulin rols dins de l'escenari. La intel·ligència artificial no només millora la precisió de l'avaluació, sinó que també obre la porta a la retroalimentació adaptativa, ajustant la dificultat de l'exercici segons el rendiment de l'equip.
Un altre aspecte rellevant és l'anàlisi dels resultats mitjançant quadres de comandament basats en Power BI. Visualitzar mètriques com el temps de resposta, la freqüència de comunicació o l'efectivitat de les decisions preses permet als instructors identificar patrons i àrees de millora tant a nivell individual com grupal. Q2BSTUDIO, amb la seva experiència en BI i desenvolupament de programari, pot dissenyar dashboards personalitzats que integrin les dades dels TTX i facilitin la presa de decisions pedagògiques.
El futur de l'avaluació en exercicis tabletop passa per la combinació de mètodes quantitatius (clustering) i qualitatius (LLM), recolzats en una infraestructura cloud robusta i en la capacitat dels agents IA per adaptar-se dinàmicament. Les empreses de desenvolupament tecnològic, com Q2BSTUDIO, estan en una posició privilegiada per crear solucions clau en mà que no només automatitzin l'avaluació, sinó que transformin l'experiència educativa. La col·laboració entre investigadors i desenvolupadors és essencial per tancar la bretxa entre la teoria i la pràctica, permetent que els estudiants rebin una retroalimentació immediata i rellevant que realment potenciï el seu aprenentatge en ciberseguretat.
