En els darrers anys, la intel·ligència artificial generativa ha transformat la manera com desenvolupem programari. Agents autònoms capaços d'escriure codi, executar proves i desplegar canvis han demostrat un potencial enorme. Tot i això, coordinar el treball de múltiples agents continua sent un repte tècnic i operatiu. La majoria de solucions actuals recorren a orquestradors centralitzats —Temporal, Airflow, RabbitMQ— que afegeixen complexitat, costos i punts únics de fallada. Però existeix una alternativa més elegant i minimalista: utilitzar les etiquetes del teu gestor d'incidències com una màquina d'estats distribuïda.
La idea és tan senzilla com poderosa: cada tasca es representa mitjançant una incidència (issue) a GitHub, GitLab o Jira. L'estat d'aquesta tasca es codifica en una etiqueta: ai-backend, ai-review, ai-qe. Cada agent d'IA vigila les incidències que porten la seva etiqueta. Quan en troba una, pren el context, executa la seva feina i, en finalitzar, canvia l'etiqueta per indicar el següent pas. No hi ha crides directes entre agents, ni cues de missatges, ni bases de dades externes. El mateix issue tracker actua com a cua, registre d'auditoria i mecanisme de sincronització.
Aquest enfocament encaixa perfectament amb la filosofia de desenvolupament d'aplicacions a mida que promovem a Q2BSTUDIO. Quan construïm solucions de programari per als nostres clients, busquem arquitectures que siguin simples, mantenibles i que aprofitin la infraestructura existent. Un pipeline basat en etiquetes compleix aquests requisits: no requereix noves plataformes, els desenvolupadors ja coneixen el gestor d'incidències, i tot l'historial queda documentat de manera natural als comentaris de cada issue.
El cicle de vida d'un agent és un bucle infinit de sis fases: observar, adquirir, pensar, treballar, verificar i transferir. Cada agent es configura mitjançant un prompt del sistema que defineix la seva identitat, les seves habilitats, els seus límits i les regles de transició. Per exemple, un agent backend sap que mai no ha de modificar fitxers de frontend; un agent de revisió sap que no ha d'escriure codi d'implementació. Aquestes fronteres clares eviten la dispersió de context i garanteixen que cada agent es mantingui a la seva àrea de responsabilitat.
Un dels aspectes més atractius d'aquesta arquitectura és la seva tolerància a fallades. Si un agent cau, l'etiqueta roman a la incidència. Quan l'es recupera, repren el treball exactament on el va deixar. No hi ha estat volàtil a perdre. A més, els humans poden intervenir en qualsevol moment sense trencar el flux: n'hi ha prou amb canviar o eliminar una etiqueta. Això converteix el sistema en un veritable human-in-the-loop, on persones i agents col·laboren al mateix tauler Kanban.
A Q2BSTUDIO apliquem aquests principis en diversos fronts. D'una banda, utilitzem agents d'IA per automatitzar tasques repetitives en els nostres projectes d'automatització de processos. De l'altra, quan despleguem solucions al núvol AWS o Azure, els agents poden gestionar infraestructura com a codi, monitoritzar estats i reaccionar a esdeveniments sense intervenció manual. La ciberseguretat també se'n beneficia: un agent de revisió pot detectar vulnerabilitats comunes, mentre que un agent de compliment verifica que els canvis respectin les polítiques de seguretat abans de passar a producció.
La combinació amb intel·ligència artificial i business intelligence resulta especialment potent. Imaginem un pipeline on un agent de BI genera informes de Power BI a partir de noves dades, un altre agent valida la qualitat d'aquestes dades i un tercer desplega el dashboard actualitzat. Tot orquestrat exclusivament amb etiquetes. Sense orquestradors, sense infraestructura addicional, sense punts cecs.
Aquesta aproximació també facilita l'experimentació. Es pot provar un nou agent simplement afegint una etiqueta i un prompt. Si no funciona bé, es retira l'etiqueta i el flux torna a l'estat anterior. No cal reescriure pipelines complexos. És una forma àgil d'integrar capacitats d'IA en entorns de producció reals.
Per als equips que ja treballen amb metodologies àgils i gestors d'incidències, la corba d'aprenentatge és pràcticament nul·la. Els desenvolupadors entenen de seguida el concepte 'etiqueta = estat'. I els responsables de producte poden veure el progrés en temps real sense necessitat d'eines addicionals. Tot és al mateix lloc: tasques, converses, decisions de disseny i resultats de proves.
És clar, no és una solució universal. Funciona millor quan els agents tenen responsabilitats clares i les transicions són lineals o amb poques bifurcacions. Per a fluxos molt complexos amb moltes ramificacions, pot ser necessari complementar amb algun mecanisme de condicions. Però en la majoria dels casos, la simplicitat que aporta supera amb escreix les limitacions.
A Q2BSTUDIO hem vist com aquesta arquitectura redueix els temps de desenvolupament, disminueix els errors de coordinació i permet escalar l'ús d'agents d'IA sense augmentar la complexitat operativa. Creiem que és un pas natural cap a sistemes de programari més autònoms, on la intel·ligència artificial no només ajuda a escriure codi, sinó que també participa activament en la gestió del cicle de vida del desenvolupament.
Si el teu equip està explorant com integrar agents d'IA en els seus fluxos de treball, t'invitem a considerar aquesta aproximació lleugera. No necessites un orquestrador nou. Només necessites les etiquetes que ja tens i la voluntat de deixar que els agents parlin a través d'elles. El resultat és un pipeline que es gestiona sol, amb total visibilitat i amb la capacitat que els humans intervinguin quan sigui necessari.
