La intel·ligència artificial generativa ha revolucionat la forma en què les empreses automaticen processos, però la seva adopció en sectors regulats com banca, salut o assegurances ha topat amb un problema fonamental: la manca de traçabilitat determinista. Els bucles d’agents tradicionals —aquells que segueixen el patró ReAct (Raonar i Actuar) popularitzat per frameworks com LangChain o AutoGPT— generen trajectòries impredictibles. Davant la mateixa entrada, el sistema pot produir decisions diferents. Això, que resulta creatiu per a un assistent literari, és inacceptable quan una entitat financera ha de justificar davant un regulador per què va denegar un crèdit. La solució no passa per models més grans, sinó per un canvi arquitectònic profund: les màquines d’estat com a orquestració determinista.
Per entendre el salt, convé recordar com funciona un bucle d’agent típic: rep un prompt, el model de llenguatge produeix un raonament intermedi, selecciona una eina, executa una acció i repeteix el cicle fins a assolir un objectiu. Aquest procés és inherentment estocàstic. La cadena de pensament, la seqüència de crides a eines i l’estat intermedi varien en cada execució. En un context no regulat, aquesta variabilitat és fins i tot desitjable. No obstant això, quan la normativa exigeix que cada decisió sigui reproduïble i auditable, el bucle d’agent es converteix en un llast. No importa com de bé es registrin els logs: la trajectòria no és reconstruïble de forma exacta.
Aquí entra l’orquestració determinista. En lloc de deixar que el model improvís els passos, l’enginyer defineix explícitament un conjunt finit d’estats, les transicions permeses entre ells i les condicions que s’han de complir perquè una transició s’activi. L’LLM no decideix què fer a continuació; produeix entrades per a una funció de transició que només permet els camins predefinits. Cada pas persisteix l’estat complet, la resposta del model i la transició executada, cosa que permet una reproducció bit a exacta de la trajectòria. Aquest patró no és nou: les màquines d’estat porten dècades a l’enginyeria de programari, però la seva combinació amb models de llenguatge és la resposta que exigeixen els organismes reguladors.
La indústria ha començat a moure’s. LangGraph, DSPy o Haystack ofereixen primitives per construir aquests fluxos deterministes. Però el rellevant no és el framework, sinó la disciplina arquitectònica. Una implementació robusta exigeix tres pràctiques: sortida estructurada a cada crida a l’LLM (JSON amb esquema fix, no text lliure), persistència d’estat amb esquemes versionats (per reconstruir trajectòries encara que el model de dades evolucioni) i condicions de transició implementades com a codi, no com a instruccions en llenguatge natural. Si la confiança ha de superar 0,85, s’escriu un llindar numèric, no un prompt que demani 'anar amb compte'.
A Q2BSTUDIO fa temps que apliquem aquest enfocament en projectes d’intel·ligència artificial per a sectors crítics. La nostra experiència en el desenvolupament de aplicacions a mida ens ha mostrat que l’orquestració determinista no és només una moda tècnica, sinó un requisit de governança. Quan un banc necessita explicar per què un algorisme de scoring va rebutjar una sol·licitud, no n’hi ha prou amb mostrar el prompt; cal mostrar la trajectòria completa, des de l’entrada fins a la decisió, i demostrar que és reproduïble. Això només s’aconsegueix amb màquines d’estat.
Quines implicacions té això per a una empresa que vol adoptar agents d’IA sense posar en risc el compliment normatiu? La primera és que l’equip d’enginyeria s’ha de reorganitzar. No es tracta d’adoptar la darrera eina del mercat, sinó d’establir una disciplina de disseny explícit d’estats i transicions. La segona és que la ciberseguretat i el núvol hi juguen un paper clau: les trajectòries persistides s’han de protegir contra accessos no autoritzats i emmagatzemar-se de forma fiable. A Q2BSTUDIO oferim serveis de ciberseguretat i cloud AWS/Azure que s’integren naturalment amb aquest tipus d’arquitectures. A més, la capa d’intel·ligència de negoci (BI) es beneficia de la traçabilitat: amb Power BI és possible construir dashboards que monitoritzin en temps real la cadència de transicions, els llindars de confiança superats o les derivacions a revisió humana. Així, l’orquestració determinista no només cobreix l’auditoria, sinó que habilita una millora contínua basada en dades.
Un cas concret és la validació d’informes ESG (ambientals, socials i de governança). Les normatives com els UK Sustainability Disclosure Requirements exigeixen que cada classificació de risc climàtic estigui recolzada per una trajectòria auditable. Un bucle d’agent no pot garantir-ho; una màquina d’estat sí. En els nostres projectes, hem implementat fluxos que creuen indicadors d’abast 1, 2 i 3 amb llindars de proveniència i confiança, i que només activen una transició si l’atribució és estable. Això evita que una anomalia passatgera a les dades generi una decisió errònia.
El cost de la transició és real. Els equips que ja tenen agents en producció necessiten revisar cada flux i, en molts casos, reescriure’l. Però el benefici s’acumula amb el temps: cada decisió esdevé inspeccionable, cada trajectòria reproduïble i cada desafiament regulatorio defensable. Les empreses que comencin ara a construir amb orquestració determinista tindran un avantatge estructural quan la pressió normativa s’intensifiqui, com ja està passant a la Unió Europea amb la Llei d’IA o al Regne Unit amb les directrius de la PRA.
En definitiva, els bucles d’agents van ser el primer pas per portar els LLM a producció. Les màquines d’estat són el segon pas, el que exigeix maduresa enginyeril i visió regulatòria. A Q2BSTUDIO combinem ambdues: sabem dissenyar sistemes d’agents intel·ligents amb la traçabilitat que exigeix la indústria regulada, recolzant-nos en núvol, ciberseguretat, BI i, per descomptat, IA. Qui faci el salt ara no només complirà amb els auditors, sinó que construirà una base tecnològica sòlida per als propers anys.
