La promesa dels agents d'IA aplicats a la ciència de dades ha seduït moltes organitzacions. Un professional dedica hores a tasques recurrents que combinen manipulació de dades, consultes a bases de dades, decisions metodològiques i presentació de resultats; totes semblen ideals per delegar en assistents automàtics. Tanmateix, l'experiència acumulada en entorns reals suggereix que l'automatització no és tan senzilla com guardar un guió genèric. La pregunta no és si la IA pot ajudar, sinó quin tipus d'ajuda és realment efectiva.
En l'ecosistema actual s'ha estès la idea de les 'skills' o fitxers d'habilitat reutilitzables. En lloc d'escriure un prompt des de zero cada vegada, l'equip guarda un document amb recomanacions, exemples i restriccions per a una família de tasques. Aquestes skills poden ser redactades per experts, amb l'avantatge de condensar bones pràctiques, però mantenir-les al dia en múltiples dominis esdevé un coll d'ampolla. Per això han aparegut alternatives de baixa curació: skills generades automàticament per un model de llenguatge. La qüestió és si ofereixen un avantatge real davant del prompt bàsic.
Un estudi recent ha avaluat aquest escenari al llarg de diferents fases del cicle de vida de les dades, des de la preparació inicial fins a la generació d'informes finals. Els resultats conviden a la prudència. Els autors no van trobar una millora fiable en utilitzar les skills completes generades per LLM en comparació amb un prompt sense cap tipus de skill. A més, en eliminar components d'aquestes skills, el rendiment continuava pràcticament igual. Cap variant aconseguia superar de manera significativa la línia base. Fins i tot una skill amb contingut irrellevant per a la tasca produïa resultats similars a les versions completes. Això suggereix que, almenys en configuracions d'un sol ús, el contingut generat no aporta l'orientació esperada.
Per què passa això? Una skill automàtica tendeix a ser genèrica. Pot incloure definicions correctes, però li manca el context específic de l'organització: com estan modelades les dades, quina nomenclatura s'utilitza, quin nivell de detall requereix el negoci. El resultat és un text que consumeix tokens, retrata una metodologia plausible i, tanmateix, no orienta l'execució real. En canvi, un prompt ben dissenyat i específic per a la tasca sol contenir la informació essencial. La conclusió no és que les skills siguin inútils, sinó que la generació automàtica sense criteri no les converteix automàticament en eines de valor.
Per a una empresa que vol aprofitar la IA, la lliçó és clara: la tecnologia s'ha d'integrar de manera crítica, no per moda. A Q2BSTUDIO abordem aquest repte des d'una perspectiva tècnica i de negoci. Ajudem a dissenyar solucions d'intel·ligència artificial que encaixen amb els processos reals, una cosa molt diferent d'instal·lar una skill genèrica. La nostra experiència en desenvolupament d'aplicacions a mida (custom software) ens permet entendre que cada organització té regles de negoci, fonts de dades i requisits de qualitat diferents. L'automatització basada en agents d'IA s'ha de construir sobre aquest coneixement, no sobre un text reutilitzat.
La infraestructura també importa. Moltes empreses recolzen els seus pipelines en cloud AWS/Azure, on les dades resideixen en entorns distribuïts. Un agent que genera una consulta SQL necessita conèixer el catàleg de dades, les polítiques d'accés i les particions de les taules. Aquesta informació no sol estar en una skill genèrica, sinó en una capa de semàntica i governança. Sense ella, el model pot produir respostes tècnicament correctes però inutilitzables per al negoci. Per això a Q2BSTUDIO considerem que el núvol és un habilitador, no una finalitat en si mateixa; la combinació de cloud, dades i IA requereix disseny propi i supervisió constant.
L'anàlisi estadística i els informes són un altre front crític. Un cop l'agent prepara les dades, els resultats solen visualitzar-se en panells de BI/Power BI. Si el model de llenguatge genera càlculs incorrectes o interpretacions esbiaixades, tot el dashboard perd credibilitat. Les organitzacions han d'implementar capes de validació i proves automatitzades sobre el SQL i els resums generats. En els nostres projectes de BI/Power BI treballem perquè la conversa natural amb les dades no substitueixi la verificació humana, sinó que la complementi. L'habilitat no està en el model, sinó en el sistema que l'envolta: orquestració, control de versions, monitorització i criteris d'acceptació.
L'ús d'agents d'IA en producció exigeix a més una mentalitat d'enginyeria. No n'hi ha prou de publicar una skill i esperar resultats. Cal mesurar l'impacte, comparar amb una línia base i decidir quan l'agent pot operar sense supervisió. Aquest enfocament rigorós és el que apliquem a Q2BSTUDIO en construir agents d'IA: definim casos d'ús acotats, entrenem el model amb exemples de l'empresa i creem mètriques per avaluar cada versió. La intel·ligència artificial es converteix així en un avantatge competitiu real, en lloc d'una promesa tecnològica.
No es pot parlar d'agents d'IA sense mencionar la ciberseguretat. Els assistents que accedeixen a bases de dades, APIs i documents interns gestionen informació sensible. Una skill mal curada podria induir el model a ignorar permisos o a filtrar dades. Per això, qualsevol estratègia d'automatització ha d'incloure pentesting, control d'accessos i auditoria contínua. A Q2BSTUDIO integrem la ciberseguretat com una capa transversal en els projectes: des del disseny del prompt fins al desplegament en producció. La confiança no s'improvisa.
Llavors, haurien les empreses d'abandonar les skills generades per LLM? No. Haurien de tractar-les com un primer esborrany, no com una solució final. Una skill generada pot servir per documentar el coneixement inicial d'un procés, però necessita revisió humana, exemples reals i alineació amb l'estratègia de dades. També convé provar variants: en lloc d'una skill gran per àrea funcional, potser és més efectiu un prompt breu i específic per a cada subtasca. Les dades de l'estudi mostren que no hi ha cap fórmula màgica; la millora ve de la iteració.
El futur dels científics de dades i els agents d'IA no passa per substituir el criteri humà, sinó per crear eines que amplifiquin la seva capacitat d'anàlisi. Les habilitats generades per models de llenguatge poden ser útils si es curen i s'adapten al context. Però quan s'utilitzen com una drecera sense validació, el rendiment s'assembla sospitosament al d'un prompt buit. A Q2BSTUDIO fa anys que apliquem aquesta filosofia: tecnologia pragmàtica, orientada a resultats i recolzada per una enginyeria sòlida.
En resum, l'evidència recent és un recordatori valuós. No n'hi ha prou d'etiquetar un contingut com a 'skill' perquè funcioni. Calen dades ben governades, una infraestructura cloud AWS/Azure preparada, panells de BI/Power BI fiables, protecció de la informació i una integració d'aplicacions a mida que respecti la lògica del negoci. Aquest és el camí perquè els agents d'IA millorin la productivitat sense comprometre la qualitat. I en aquest camí, comptar amb un soci tecnològic com Q2BSTUDIO fa la diferència.
