Aquesta setmana no hem vist simplement nous models d’intel·ligència artificial. Hem vist una cosa probablement més important: la IA comença a sortir de la finestra del xat per actuar en el món digital. Des de fa més d’un any, el sector intenta convertir els agents en la nova gran onada de la intel·ligència artificial. Fins ara, però, la majoria de les propostes no han passat de les demostracions espectaculars, els experiments d’usuaris avançats o algunes aplicacions empresarials molt concretes. Projectes com OpenClaw, Hermes o Grok Bot han tingut un ressò considerable, però encara no han arribat de manera significativa al gran públic ni s’han incorporat massivament al funcionament quotidià de les empreses.

Això podria començar a canviar. Meta acaba de presentar Muse, un agent personal que no es limita a respondre preguntes. Pot gestionar el calendari i el correu, enviar missatges, emplenar formularis, fer reserves, comprar o executar encàrrecs que requereixen diversos passos. L’usuari li diu què vol aconseguir i Muse planifica la feina, actua en diferents aplicacions i només torna a consultar-lo quan necessita una autorització o s’ha de prendre una decisió rellevant. De moment, Muse només està disponible als Estats Units, mitjançant una aplicació pròpia, el web i WhatsApp. Però el més interessant no és tant el seu llançament com el seu disseny. Cada agent treballa dins d’un ordinador virtual propi i Meta ha incorporat un sistema de supervisió, anomenat Sentinel, que controla les dades que surten d’aquest entorn i demana permís abans d’executar accions sensibles.

En un agent amb accés al correu, als documents, a les compres i potencialment als diners de l’usuari, la confiança ja no és un complement: és el producte. Grok Bot segueix una filosofia semblant, però orientada principalment al treball. Els seus agents disposen d’un ordinador al núvol, poden operar permanentment dins de les aplicacions de l’empresa i fins i tot coordinar-se entre ells. Un agent pot supervisar el correu, un altre actualitzar el CRM i un tercer preparar propostes comercials, mentre un agent principal distribueix les tasques i en controla el resultat. Anthropic també ofereix des de l’abril Claude Managed Agents, una infraestructura perquè les empreses despleguin agents amb memòria, permisos, entorns segurs, execució prolongada i capacitat de recuperar-se després d’una interrupció.

OpenAI podria aprofitar el DevDay del 29 de setembre per presentar la seva pròpia proposta d’agents gestionats, segons funcionalitats encara no anunciades oficialment que han aparegut en el codi de la seva plataforma. En lloc de mantenir i supervisar directament l’agent, l’empresa li assignaria una funció i OpenAI s’encarregaria de proporcionar-li l’entorn de treball, la memòria, els permisos i les connexions necessàries. El pròxim camp de batalla, per tant, ja no serà només quin laboratori té el model més intel·ligent. La competició serà per construir l’agent que coneix millor l’usuari, que manté una tasca durant hores o dies, que sap utilitzar les seves aplicacions i que actua amb prou fiabilitat perquè li confiem una part de la nostra vida o de la nostra empresa.

Dos resultats matemàtics espectaculars presentats aquesta setmana reforcen aquesta tendència. Anthropic ha aconseguit que desenes d’agents de Claude formalitzin i verifiquin per ordinador la demostració del darrer teorema de Fermat. OpenAI, per la seva banda, afirma haver resolt el problema de Navier–Stokes, un dels set Problemes del Mil·lenni, mitjançant un sistema d’aproximadament 10.000 agents coordinats. Més enllà de la validació que encara requereix aquest segon resultat, tots dos casos mostren que els grans avenços ja no provenen necessàriament d’un únic model, sinó d’equips d’agents que exploren, col·laboren i verifiquen mútuament la seva feina. Aquesta és la gran lliçó de la setmana. El progrés ja no depèn exclusivament de construir models cada vegada més grans. Depèn també de donar-los una organització: memòria, eines, especialització, mecanismes de coordinació i sistemes de verificació.L’era dels agents no començarà quan la IA sigui una mica més intel·ligent. Començarà quan aquesta intel·ligència sigui capaç d’organitzar-se, actuar i acabar la feina.

Les notícies clau

Muse, l’agent personal de Meta

Meta acaba de presentar Muse, un agent personal d’intel·ligència artificial que promet anar molt més enllà de conversar. No només li podrem preguntar quin restaurant ens recomana, sinó demanar-li que en busqui un que tingui taula dissabte a les nou, comprovi que disposa d’opcions vegetarianes i faci la reserva. També podrà concertar una visita al metge, comprar unes entrades de cinema, reclamar un rebut incorrecte, gestionar la devolució d’un producte o preparar un viatge comparant vols i hotels. L’usuari només haurà d’explicar-li què necessita —des de la seva aplicació o directament per WhatsApp— i Muse utilitzarà el seu propi ordinador virtual i navegador per fer la feina.

La idea més ambiciosa és que Muse no esperi sempre una ordre. Si sap que volem córrer una mitja marató, aprendre anglès o organitzar unes vacances familiars, podrà preparar un pla, seguir-ne el progrés i recordar-nos què falta per fer. Connectat amb el correu i el calendari, podria detectar que no hem contestat un missatge important, proposar una resposta o avisar-nos que cal renovar una reserva. Però donar a una IA aquesta capacitat d’actuar també obliga a extremar les precaucions. Meta assegura que accions sensibles com enviar un correu o pagar una compra requeriran l’aprovació de l’usuari, que tot quedarà registrat i que l’agent no podrà veure les contrasenyes ni les dades reals de la targeta. Muse representa, en definitiva, el salt del xatbot que ens dona consells a un majordom digital que fa encàrrecs en nom nostre.

La IA fa en 88 hores les matemàtiques que ens han resistit durant 90 anys

La intel·ligència artificial acaba de superar dues fronteres matemàtiques en pocs dies. Primer, Anthropic va anunciar que desenes d’agents Claude havien convertit en només onze dies la demostració del darrer teorema de Fermat en una prova completament verificable per ordinador. Claude no va resoldre el problema —Andrew Wiles ja ho havia fet el 1995—, però va generar 13 milions de línies en el llenguatge Lean i va demostrar prop de 30.000 teoremes intermedis. Una tasca que havia de requerir anys de treball humà quedava completada i comprovada automàticament en menys de dues setmanes. 

Però el salt real pot haver arribat amb Navier–Stokes. OpenAI assegura que uns 10.000 agents, treballant coordinadament durant 88 hores, han resolt un dels sis Problemes del Mil·lenni que continuaven oberts. Aquestes equacions descriuen com es mouen l’aigua, l’aire o la sang i són essencials per dissenyar avions, predir el temps o entendre la circulació sanguínia. El gran interrogant era si, partint d’un fluid perfectament regular, podia aparèixer sobtadament una singularitat: un punt en què la velocitat creix fins a l’infinit. El nou sistema d’OpenAI —encara més potent que GPT-6 Astra— afirma haver demostrat que sí, ha produït una prova de 165 pàgines i l’ha verificat també amb Lean. Si els matemàtics independents en confirmen la validesa, ja no estarem parlant d’una IA que ordena o comprova coneixement humà, com en el cas de Fermat, sinó d’una IA capaç de crear matemàtiques noves allà on els millors especialistes del món no havien pogut arribar. 

OpenAI Image 2.5

OpenAI ha presentat ChatGPT Images 2.5, una nova generació del seu model d’imatges que promet resultats més realistes, detallats i ràpids. La il·luminació és més natural, les textures són més riques i, quan treballem a partir d’una fotografia, conserva millor la identitat de les persones i els elements originals. La generació també és fins a un 50% més ràpida. Però la millora més important arriba en l’edició: ara podem demanar-li que canviï el color d’un sofà, elimini una persona o substitueixi el fons sense que modifiqui la resta de la fotografia. A més, manté millor la coherència després de diverses correccions consecutives, un dels grans problemes dels models anteriors.

La nova versió incorpora Sketch, una funció que permet fer un dibuix senzill amb el dit i convertir-lo en una imatge acabada, així com plantilles per crear cartells, logotips o fotografies de producte. També es poden deixar comentaris directament sobre una zona de la imatge per indicar què cal retocar i compartir el prompt perquè altres persones reutilitzin la mateixa idea. Images 2.5 ja està disponible per als usuaris de ChatGPT, ChatGPT Work i Codex, mentre que les empreses poden integrar-la mitjançant dues versions de l’API: Flare, més ràpida, i Sunburst, pensada per a treballs professionals que requereixen més precisió. 

Managed Agents

OpenAI podria aprofitar el seu DevDay del 29 de setembre per presentar els anomenats Managed Agents, segons funcionalitats encara no publicades detectades en el codi de la seva plataforma. La idea és passar del xatbot que respon a una pregunta a una mena d’empleat digital allotjat al núvol, preparat per executar feines llargues i complexes. Cada agent tindria el seu entorn de treball, memòria, permisos, habilitats i connexions amb les aplicacions que necessita. L’usuari o l’empresa li assignaria una funció i OpenAI s’encarregaria de mantenir-lo actiu, recuperar-lo si falla i registrar tot el que fa. Anthropic ja ofereix actualment un servei molt similar amb Claude Managed Agents. La informació sobre la proposta d’OpenAI, però, encara no ha estat confirmada oficialment per la companyia.

A la pràctica, seria com contractar un treballador i donar-li un ordinador, unes instruccions i una targeta d’accés limitada. Una immobiliària podria crear un agent que revisés els nous contactes, busqués immobles que encaixin amb cada client, preparés les visites i actualitzés el CRM. Una botiga en línia en podria tenir un altre que controlés comandes, reclamacions i devolucions, demanant autorització humana abans de retornar diners. I un despatx podria encarregar-li que revisés factures, detectés impagaments i preparés els correus de reclamació. L’empresa no hauria de construir tota la infraestructura tècnica: configuraria què pot fer l’agent, a quines dades pot accedir i quines accions necessiten aprovació.

La possibilitat més disruptiva és connectar aquests agents directament amb la publicitat. En lloc de clicar un anunci i arribar a una pàgina web, el consumidor podria entrar en contacte amb un agent capaç d’entendre què busca, recomanar-li un producte, preparar-li un pressupost, reservar una cita o completar la compra. L’anunci deixaria de ser simplement una porta d’entrada i es convertiria en un venedor digital disponible les vint-i-quatre hores. Si OpenAI confirma aquesta aposta, els managed agents podrien transformar tant el funcionament intern de les empreses com el negoci publicitari que avui dominen Google i Meta.

Com la IA ens canviarà la vida

El Mark Zuckerberg anunciant Muse

 

Visió per ordinador en 10 línies de Python 

El CyberCab Xinès

 

Els CyberCabs invaeixen Texas

La recerca en IA 

The Job Apocalypse is postponed – An AI jobs boom is here - AI Lab: The Economist

L’apocalipsi laboral anunciada per la intel·ligència artificial encara no ha arribat. Segons The Economist, als Estats Units la IA podria haver creat prop d’un milió de llocs de treball des del 2023, davant d’uns 200.000 acomiadaments atribuïts a aquesta tecnologia. Bona part de la nova ocupació prové de la construcció de centres de dades i de tota la infraestructura que necessiten: electricistes, enginyers de xarxa, tècnics de refrigeració o especialistes en manteniment. També creixen professions com els enginyers d’IA, els formadors de models o els directors d’intel·ligència artificial. Mentrestant, les feines més rutinàries sí que retrocedeixen: l’ocupació en atenció al client ha caigut prop d’un 10% i la dels secretaris i administratius, al voltant d’un 15%.

Per què és important

Aquestes dades canvien el debat: la qüestió no és simplement quants llocs de treball destruirà la IA, sinó quines feines desapareixeran, quines se’n crearan i qui podrà fer la transició entre unes i altres. Com ja va passar amb internet, la tecnologia substitueix determinades tasques, però també genera noves empreses, infraestructures i professions que abans no existien. El veritable risc, per tant, potser no és un món sense feina, sinó una transformació tan ràpida que deixi enrere els treballadors, les empreses i els territoris que no disposin de la formació i la capacitat d’adaptació necessàries.

GPT-6 Astra, Looped Transformers, and Hidden Reasoning-AI Lab: Sebastian Raschka

 GPT-6 Astra destaca especialment en matemàtiques, programació, creació gràfica i, sobretot, en la capacitat d’utilitzar un ordinador: pot moure el ratolí, navegar pels menús i treballar amb programes com ho faria una persona. Una de les clau podria ser —OpenAI no ho ha confirmat— una arquitectura de transformador en bucle. En comptes de fer passar la informació una sola vegada per moltes capes diferents, el model reutilitza repetidament les mateixes capes, com si revisés diverses vegades un problema abans de respondre. Això li permet aprofundir més en el càlcul sense haver d’augmentar proporcionalment el nombre de paràmetres, tot i que cada repetició continua consumint capacitat de computació.

Per què és important

Aquesta arquitectura qüestiona la idea que, per aconseguir una IA millor, només cal construir models cada vegada més grans. Els bucles poden permetre models més compactes i eficients, capaços de dedicar més esforç als problemes difícils i menys als senzills. Algunes investigacions apunten que poden reduir entre un 6,8% i un 18% el cost d’entrenament necessari per assolir un mateix rendiment. També s’ha especulat que aquest "pensament intern" fa més opac el raonament d’Astra, però l’autor no hi veu proves: una cadena de raonament més curta també pot significar simplement que el model s’equivoca menys i necessita rectificar menys abans de trobar la resposta.

Eliciting Weak-to-Strong Generalization with On-Policy Reverse Distillation

AI Lab: Kaist AI, Toronto, Mila, Montreal, CIFAR 

La generalització de feble a fort planteja una pregunta decisiva: pot un model avançat aprendre d’un model més limitat i acabar superant-lo? Els sistemes de destil·lació tradicionals intenten que l’alumne imiti el mestre i, per tant, poden heretar-ne el sostre. El nou mètode On-Policy Reverse Distillation (OPRD) evita aquest problema: el model feble no dicta la resposta correcta, sinó que assenyala una direcció útil, i aquesta orientació només es reforça quan un verificador confirma que l’alumne està millorant. En els experiments, els models entrenats amb OPRD aconsegueixen millors resultats amb menys actualitzacions i conserven un estil propi, en lloc de convertir-se en còpies del professor.

Per què és important

Entrenar completament cada nova generació de models pot costar centenars de milions de dòlars. OPRD permetria reutilitzar el coneixement de models anteriors o combinar diversos experts especialitzats sense quedar limitat per les seves capacitats. És com si un alumne molt brillant pogués aprofitar les pistes de professors menys capaços sense copiar-ne els errors ni adoptar-ne les limitacions. Això podria abaratir i accelerar el desenvolupament de noves generacions d’IA i, sobretot, ajudar-nos a entrenar sistemes que en el futur siguin més intel·ligents que els mateixos supervisors encarregats de guiar-los.