Quan treballem amb models de llenguatge com ChatGPT, Claude o Gemini, sovint les idees generades acaben sonant molt similars. Tant si necessitem un nom per a un pòdcast, una xarxa Wi-Fi o una startup, els LLM tendeixen a produir llistes previsibles i poc originals. No obstant això, existeix una tècnica de prompting en dues etapes, avalada per un estudi de la Wharton School, que permet extreure fins a 100 idees veritablement diverses i úniques. El mètode és senzill però requereix disciplina: primer, demanem a l’assistent que generi una gran quantitat de conceptes sense cap filtre de qualitat; després, li sol·licitem que revisi la llista per maximitzar la diversitat, eliminant redundàncies i substituint-les per enfocaments completament diferents.
La primera etapa se centra en la quantitat bruta. El prompt ha d’indicar explícitament que es volen 100 idees, numerades, sense explicacions ni descripcions. Es permet incloure allò obvi, el dolent, l’estrany i fragments mig cuits. La meta és saturar l’espai de possibilitats, obligant el model a explorar combinacions poc habituals. Per exemple, si l’objectiu és trobar un nom per a una cafeteria, les primeres respostes solen ser previsibles: “El Gra Diari”, “Despertar amb Cafè”, “Central Perk”, etc. Però en arribar als últims trenta o quaranta noms, apareixen conceptes més arriscats com “Soroll Càlid”, “Objecte Matutí” o “Sucre Prestat”. L’estudi de Wharton confirma que les idees més interessants solen aparèixer al final de la llista, quan el model es veu forçat a abandonar els camins més transitats.
Un cop tenim el llistat inicial de 100 idees, arriba la segona etapa: la diversificació. Indiquem a l’assistent que revisi la llista i, cada cop que trobi dues o més idees basades en el mateix concepte subjacent, es quedi amb la millor i substitueixi les altres amb noves propostes que abordin angles completament diferents. L’objectiu és que cap idea comparteixi la mateixa base conceptual, encara que la redacció sigui diferent. Si a la nostra llista apareixen “Cafè del Matí”, “Tassa Matinera” i “Alba amb Cafè”, clarament les tres apunten al mateix concepte de matí. L’assistent ha de conservar la més potent i substituir les altres per idees que explorin, per exemple, el concepte d’“espai públic”, “temps aturat” o “trobada casual”. Després d’aquesta segona passada, la llista esdevé autènticament diversa: noms com “Sala d’Estar Pública”, “Hora Blava”, “Localhost” o “Sucre Prestat” ofereixen perspectives molt diferents sobre què pot representar una cafeteria.
Opcionalment, es pot afegir una tercera etapa per filtrar per qualitat: demanar al model que seleccioni les 10 idees més interessants de la llista diversificada. Però recomano revisar personalment les 100 idees finals, perquè sovint les gemmes amagades es troben en aparences estranyes que l’algoritme podria descartar prematurament. Aquest procés no només funciona per a noms de marca; és igualment eficaç per generar característiques de producte, estratègies de màrqueting, noms de funcions tècniques o enfocaments de resolució de problemes.
En l’àmbit empresarial i tecnològic, la capacitat d’obtenir idees divergents és crucial. Una empresa de desenvolupament de programari, per exemple, pot aplicar aquesta tècnica per explorar possibles arquitectures, noms de serveis interns o funcionalitats innovadores. A Q2BSTUDIO, companyia especialitzada en desenvolupament d’aplicacions a mida, utilitzem mètodes de prompting avançats per potenciar la creativitat als nostres equips. En combinar aquesta tècnica amb l’experiència en intel·ligència artificial, aconseguim que els models generin propostes que escapen dels patrons habituals i aportin veritable diferenciació competitiva.
La generació d’idees diverses té un impacte directe en àrees com la ciberseguretat, on trobar noms d’amenaces, protocols o eines de defensa amb perspectives originals pot marcar la diferència. També en el núvol, en dissenyar serveis a AWS o Azure, la capacitat de pensar en combinacions inusuals de recursos ajuda a optimitzar costos i rendiment. Q2BSTUDIO integra serveis cloud AWS i Azure en els seus projectes, i aplica tècniques de brainstorming assistit per IA per identificar patrons d’arquitectura que cap competidor ha considerat. En l’àmbit de Business Intelligence, amb Power BI, la generació de mètriques i visualitzacions alternatives pot revelar insights ocults a les dades. Finalment, els agents d’IA es beneficien enormement d’aquesta diversitat: un agent entrenat per generar idees variades pot ajudar equips de producte a explorar camins que d’altra manera passarien desapercebuts.
El mètode de dues etapes no és una recepta màgica, però sí una forma estructurada de trencar la inèrcia creativa dels models. En forçar la quantitat primer i després la diversitat, obliguem el LLM a sortir de les seves zones de confort semàntiques. En lloc de rebre deu variacions de la mateixa idea, obtenim cent camins diferents per avaluar, combinar i refinar. És especialment útil quan es necessita un nom per a un nou producte, un eslògan, una campanya o fins i tot una estructura de dades. La clau és no conformar-se amb les primeres deu suggerències i aplicar la segona etapa amb rigor.
En un món on l’originalitat és cada cop més valorada, aquesta tècnica ofereix un avantatge tangible. Les empreses que dominen l’art del prompting no només obtenen millors respostes, sinó que també acceleren els cicles d’innovació. Q2BSTUDIO, amb el seu enfocament en desenvolupament de programari personalitzat, agents d’IA, ciberseguretat i núvol, demostra que la combinació de tecnologia i creativitat ben dirigida pot transformar idees genèriques en solucions úniques. La propera vegada que necessitis idees, recorda: demana cent, després diversifica, i després tria amb criteri. El resultat serà una cartera de conceptes que realment es diferenciïn de tot allò altre.
