L'elucidació estructural a partir de dades de Ressonància Magnètica Nuclear (RMN) tradicionalment s'ha abordat com un problema de modelatge: entrenar xarxes neuronals per mapejar espectres a estructures moleculars. Tanmateix, investigacions recents demostren que replantejar aquesta tasca com un problema de cerca agèntica, guiat per models de llenguatge de gran escala (LLM), ofereix resultats superiors sense necessitat d'entrenament específic. Aquest enfocament no només transforma l'espectroscòpia, sinó que estableix un paradigma replicable en el desenvolupament de programari empresarial: en lloc de construir sistemes monolítics, s'orquestren agents autònoms que interactuen amb eines especialitzades, validacions i bases de coneixement.
En l'àmbit de la RMN, el sistema agèntic utilitza un LLM congelat (sense fine-tuning) que, mitjançant instruccions pas a pas pròpies del raonament d'un químic, consulta taules de desplaçament químic, executa eines de processament i valida hipòtesis. Sobre el conjunt de dades Alberts, l'assoliment d'un 71% de precisió top-1, superant el 66% d'estudiants de postgrau. En els conjunts van Bramer i AstraZeneca, arriba al 80% i 20% respectivament, superant models de deep learning entrenats amb milers d'espectres simulats. Aquest resultat evidencia que la clau no està en modelar la transformació directa, sinó en estructurar el descobriment com una cerca restringida per coneixement expert.
Aquesta filosofia té un correlat directe en la indústria del programari. A Q2BSTUDIO, desenvolupem solucions d'IA agèntica que, en lloc de dependre de models tancats, despleguen agents que interactuen amb APIs, bases de dades i sistemes legacy. Així com l'agent de RMN consulta taules i eines, els nostres agents de negoci poden accedir a fonts de dades heterogènies, aplicar regles de validació i realitzar tasques complexes de forma autònoma. Aquesta arquitectura és ideal per a aplicacions a mida que requereixen integració amb múltiples plataformes i un alt grau de personalització.
L'analogia s'estén a altres serveis que oferim. En ciberseguretat, per exemple, un agent d'IA pot orquestrar escanejos, correlacionar esdeveniments i executar respostes automàtiques, superant solucions basades únicament en models de detecció. De la mateixa manera, en entorns cloud (AWS/Azure), els agents poden gestionar infraestructura, optimitzar costos i aplicar polítiques de seguretat sense intervenció humana. Fins i tot en Business Intelligence (Power BI), un agent pot explorar dades, generar informes i respondre preguntes en llenguatge natural, combinant processament estadístic amb coneixement del domini.
L'èxit de l'enfocament agèntic en RMN es basa en tres pilars que traslladem a cada projecte: primer, un entorn curat amb eines específiques (taules, scripts, validadors); segon, un LLM que actua com a motor de raonament però no com a caixa negra; i tercer, instruccions que reflecteixen el procés cognitiu d'un expert. En els nostres desenvolupaments d'automatització, apliquem el mateix principi: dissenyem fluxos de treball on els agents utilitzen eines d'integració contínua, validació de dades i notificacions, tot orquestrat per un LLM que decideix els següents passos.
Per a les empreses que busquen transformació digital, aquest model ofereix avantatges tangibles: reducció de costos d'entrenament, actualització dinàmica (afegir noves eines o dades s'incorpora sense reciclar models), i transparència (cada decisió pot ser traçada al prompt i a l'eina consultada). Q2BSTUDIO implementa aquestes arquitectures en sectors com logística, salut i finances, on la precisió i l'adaptabilitat són crítiques.
El futur de la IA no està en models cada cop més grans, sinó en sistemes que saben quan i com utilitzar eines especialitzades. L'elucidació de RMN és només un exemple de com el canvi de paradigma, de modelatge a cerca agèntica, pot generar avenços significatius. Convidem les organitzacions a explorar aquest enfocament amb nosaltres, ja sigui per a anàlisi espectroscòpica, automatització de processos o qualsevol altre repte on la intel·ligència artificial hagi de dialogar amb el coneixement expert.
