En el món del desenvolupament de programari impulsat per intel·ligència artificial, hi ha una temptació recurrent: enviar tot el contingut disponible al model perquè \'entengui\' i processi. No obstant, l'experiència demostra que aquesta aproximació no només incrementa costos i latència, sinó que sovint genera resultats imprecisos o directament erronis. Un exemple clar el trobem en la generació automàtica d'apunts a partir de documents acadèmics: quin sentit té transformar un PDF amb diagrames en un text pla on les imatges desapareixen? La resposta és cap. Per això, el principi que subjau a una arquitectura eficient és simple però poderós: el LLM no necessitava el diagrama, només un número de seient.
Aquest concepte neix d'un projecte pràctic que busca convertir diapositives i documents en apunts d'estudi útils sense perdre les il·lustracions originals. En lloc d'enviar cada imatge codificada en base64 al model —cosa que dispara la mida de l'entrada i el cost—, s'extreuen els diagrames localment i es reemplacen per marcadors estables com \'{{IMG_001}}\'. El model rep el text amb aquests marcadors, els reubica en l'estructura generada, i després un sistema de postprocessat restaura les imatges originals al lloc correcte. És a dir, separem responsabilitats: el LLM s'encarrega de la reorganització i el raonament semàntic; el programari tradicional gestiona els fitxers, les imatges i la fiabilitat.
Aquesta filosofia de disseny té implicacions profundes per a qualsevol empresa que desenvolupi solucions basades en IA. A Q2BSTUDIO, som ferms defensors que els sistemes intel·ligents no han de ser caixes negres que ho intentin tot. El nostre enfocament consisteix a integrar models de llenguatge com a components dins d'arquitectures de programari robustes, on cada capa té una funció clara. Per exemple, en construir aplicacions a mida, combinem la capacitat d'anàlisi de la IA amb processos d'extracció, filtratge i postprocessat que garanteixen resultats predictibles. El mateix passa en projectes d'IA, on els agents intel·ligents es recolzen en sistemes de gestió de dades que saben exactament quina informació ha d'arribar al model i quina ha de romandre al costat local.
Una de les lliçons més valuoses d'aquest projecte és que no tot allò que brilla és útil per al LLM. En els PDFs d'una classe universitària abunden els logotips, fons de diapositiva, vores decoratives i altres elements visuals que no aporten valor acadèmic. Per això, abans d'assignar un marcador, s'apliquen filtres basats en dimensions, relació d'aspecte, mida de fitxer, entropia i duplicats. Així es descarten imatges irrellevants i es redueix el soroll. Però la decisió final no és automàtica: l'usuari pot revisar una galeria i incloure manualment aquelles figures que el filtre va considerar de baixa qualitat però que resulten clau per a l'examen. És un equilibri entre automatització i control humà.
Un altre aspecte crític és la tolerància a fallades. Els models de llenguatge, per la seva naturalesa probabilística, no sempre compleixen les instruccions al peu de la lletra. Poden ometre un marcador o desplaçar-lo incorrectament. Per mitigar-ho, s'emmagatzema el context textual proper a cada imatge extreta (paraules clau com \'transició\', \'estat\', \'autòmat\') i, si el marcador desapareix, el sistema escaneja els paràgrafs generats i l'insereix al lloc amb major coincidència lèxica. Aquest mecanisme de suport transforma un possible fracàs en una experiència fluida per a l'usuari.
Els avantatges d'aquest enfocament van més enllà de la generació d'apunts. Reduir la quantitat de dades enviades al model disminueix el cost per consulta i millora la privadesa, ja que les imatges originals mai abandonen l'entorn local. Per a empreses que gestionen informació sensible, com documentació tècnica interna o materials de formació, això suposa un pas endavant en ciberseguretat. A Q2BSTUDIO oferim serveis de ciberseguretat i també ajudem a migrar infraestructures al núvol amb cloud AWS/Azure, garantint que les dades sensibles romanguin protegides. A més, en preservar els diagrames originals, s'evita la \'brossa d'IA\' —imatges regenerades que mai són exactament iguals— i es manté la fidelitat acadèmica o tècnica.
En l'àmbit del Business Intelligence, aquesta mentalitat de separació també és clau. Una solució de BI / Power BI no hauria d'enviar datasets complets a un model de llenguatge per generar informes. L'intel·ligent és preprocessar les dades, extreure mètriques rellevants i deixar que la IA redacti conclusions contextualitzades. Exactament el mateix patró: extreure, marcar, processar, recompondre. I en el camp dels agents IA, la capacitat de decidir quina informació delegar al model i quina mantenir en fluxos deterministes marca la diferència entre un assistent útil i un que divaga.
Des d'una perspectiva tècnica, el disseny d'aquest tipus de sistemes s'alinea amb els principis de l'enginyeria de programari tradicional: modularitat, separació de responsabilitats i gestió d'excepcions. La IA no és un monòlit que ho resolgui tot; és un component més que s'integra amb bases de dades, lògica de negoci i capes de presentació. A Q2BSTUDIO apliquem aquesta filosofia en cada projecte, ja sigui desenvolupant automatització de processos o implementant solucions d'IA que realment aportin valor mesurable.
En definitiva, la millor enginyeria d'intel·ligència artificial no consisteix a demanar al model que faci absolutament tot. Consisteix a assignar-li la feina adequada i envoltar-lo de programari fiable, avorrit i predictible. El diagrama no necessitava ser vist pel LLM; necessitava un número de seient. I la resta del sistema s'encarrega de la resta. Aquesta és la diferència entre una demo impressionant i un producte real que funciona en producció.
