La intel·ligència artificial generativa avança per eres. Cada nova etapa no elimina l’anterior, però canvia allò que podem esperar de les màquines i, sobretot, la manera com les empreses poden utilitzar-les.

Primer vam tenir la IA conversacional. Després van arribar els models de raonament. Ara ens trobem en plena era dels agents. Però ja comencen a aparèixer els primers indicis d’una quarta etapa: sistemes que no només executen tasques, sinó que poden investigar, experimentar i desenvolupar solucions d’enginyeria durant hores o dies a partir d’uns objectius fixats per una persona.

Aquesta quarta era pot transformar la recerca, les indústries i la mateixa competència empresarial. També podria posar fi a la idea que els models més avançats seran abundants, pràcticament gratuïts i accessibles per a tothom.

Primera era: la IA amb què podíem parlar

ChatGPT va inaugurar, a finals del 2022, l’era del xat. Per primera vegada, milions de persones podien relacionar-se amb una màquina utilitzant el llenguatge natural. No calia programar ni aprendre ordres especials: només calia escriure una pregunta.

Després del xat, el raonament i els agents, s’acosta una nova generació de sistemes capaços de fer recerca i enginyeria de manera autònoma

Aquells models podien resumir documents, traduir textos, redactar correus o generar fragments de codi. La seva principal virtut era la fluïdesa. Semblaven comprendre’ns, tot i que en realitat sovint es limitaven a produir la continuació estadísticament més probable d’un text.

Eren sorprenents, però també fràgils. Contestaven massa ràpid, cometien errors elementals i inventaven informació amb una seguretat desconcertant. La IA havia après a parlar abans d’aprendre a pensar.

Segona era: la IA que raona

La segona etapa va arribar amb els models de raonament. En lloc de generar immediatament una resposta, aquests models dedicaven més computació a analitzar el problema, explorar possibles solucions i comprovar-ne el resultat.

La diferència era important. L’escalat ja no depenia únicament d’entrenar un model més gran amb més dades i més processadors. També es podia millorar la resposta permetent que el model “pensés” durant més temps.

Això va fer possible resoldre problemes matemàtics, científics i de programació molt més complexos. La IA va passar de respondre per intuïció estadística a construir processos que s’assemblaven, almenys funcionalment, a un raonament deliberat.

Però encara era una intel·ligència essencialment passiva. Esperava una pregunta, produïa una resposta i s’aturava.

Tercera era: la IA que treballa

L’era actual és la dels agents. Un agent combina un model amb eines, memòria, accés a dades i capacitat per actuar sobre altres programes. Pot descompondre un objectiu en diferents passos, cercar informació, escriure i executar codi, consultar bases de dades, revisar els seus resultats i continuar treballant fins a completar la tasca.

La diferència sembla subtil, però és fonamental. Un chatbot ens diu com hauríem de fer una feina. Un agent intenta fer-la.

Encara som lluny d’una màquina que es millori tota sola sense intervenció humana. Però el bucle ja comença a existir

Els agents de programació han estat la primera aplicació realment transformadora. Ja no es limiten a suggerir una funció o completar una línia de codi. Poden examinar un repositori sencer, localitzar un error, modificar diferents fitxers, executar les proves i preparar una nova versió del programa.

Claude Code, Codex i altres sistemes han convertit el desenvolupament de programari en el primer gran laboratori de l’empresa agentiva. No és casualitat: el codi ofereix entorns estructurats, resultats verificables i una quantitat immensa de dades sobre com treballen els enginyers.

La pregunta és què passarà quan entrem en la quarta era.

La quarta era: investigar i experimentar

La pròxima frontera serà la recerca autònoma. No es tractarà només d’agents capaços d’utilitzar eines, sinó de sistemes que rebran un objectiu general i podran formular hipòtesis, dissenyar experiments, executar-los, analitzar els resultats i modificar la seva estratègia.

En enginyeria, això significa passar de “programa aquesta aplicació” a objectius com “redueix a la meitat el consum energètic d’aquest sistema”, “troba una vulnerabilitat que encara no coneixem” o “dissenya una arquitectura més eficient”. L’agent haurà d’investigar diferents alternatives i conservar allò que funcioni.

Ja en comencem a saber una mica d’aquests nous models, són l’Atlas d’OpenAI, el Fable 5.1 i el Grok 4.7 amb molts coneixements d’enginyeria ... per fer d’enginyer.

La pròxima frontera serà la recerca autònoma. No es tractarà només d’agents capaços d’utilitzar eines

El pas següent serà tancar completament el cercle: que la IA no només faci recerca, sinó que utilitzi els resultats per construir sistemes d’IA millors. Això és el que es coneix com a millora recursiva: un model ajuda a dissenyar les dades, els experiments, el programari i els mètodes d’entrenament del seu successor.

Encara som lluny d’una màquina que es millori tota sola sense intervenció humana. Però el bucle ja comença a existir.

El Futur – Recursive Self Improving

La recerca autònoma pot reduir radicalment la durada dels cicles d’innovació. Un equip humà acostuma a formular una hipòtesi, preparar un experiment, esperar-ne els resultats, analitzar-los i decidir el següent pas. Un sistema agentiu pot mantenir aquest procés en funcionament les vint-i-quatre hores, explorar moltes més alternatives i conservar una memòria detallada dels errors.

En la indústria farmacèutica, podria proposar molècules, simular-ne les propietats i seleccionar els millors candidats per al laboratori. En materials, podria buscar composicions amb determinades propietats tèrmiques o elèctriques. En fabricació, podria redissenyar peces i processos per reduir costos, residus o consum energètic. En ciberseguretat, podria buscar vulnerabilitats contínuament, però també podria fer-ho un atacant.

Les empreses amb més dades de qualitat, millors experts i processos més ben instrumentats aprendran més ràpidament

El coll d’ampolla es desplaçarà. En alguns sectors ja no serà la capacitat de generar idees, sinó la disponibilitat de laboratoris, dades fiables, sistemes de verificació, capacitat computacional i experts que defineixin correctament els objectius.

Per això, la IA no eliminarà els científics i els enginyers. Però sí que canviarà profundament la seva feina. El valor es desplaçarà de l’execució rutinària cap a la selecció de problemes, el disseny d’experiments, l’avaluació dels resultats i l’apostes per noves idees.

Les empreses IA

La principal divisió no serà entre empreses que “tenen IA” i empreses que no en tenen. Gairebé totes podran contractar algun model. La diferència estarà entre les organitzacions que utilitzen la IA com una eina de productivitat i les que aconsegueixen construir un sistema d’aprenentatge al seu voltant.

Aquí apareixerà un efecte acumulatiu. Les empreses amb més dades de qualitat, millors experts i processos més ben instrumentats aprendran més ràpidament. Les altres tindran accés als mateixos models, però no a la mateixa capacitat d’aprenentatge.

La primera era ens va donar màquines que parlaven. La segona, màquines que raonaven. La tercera ens està donant màquines que treballen. La quarta ens portarà màquines que investiguen.