Les decisions de negoci es recolzen sobretot en dades estructurades: taules de vendes, comandes, factures. Però bona part del que una organització sap és en un altre lloc: enregistraments de trucades, contractes en PDF, correus, actes de reunió, comentaris de clients a les xarxes socials. Aquest contingut no estructurat és, a la pràctica, invisible per a l'automatització: cap informe el resumeix i cap procés reacciona al que diu.
El que falta per aprofitar-lo són metadades: camps concrets que descriuen el contingut i que un sistema sí que pot fer servir. «Intenció del client», «motiu de baixa», «clàusula de penalització no estàndard». Fins ara, crear aquestes metadades exigia que algú llegís o escoltés cada peça, una cosa lenta, cara i impossible d'escalar. Els agents d'IA generativa canvien aquesta equació.
El problema: metadades que no es poden crear a mà
| Font | Què conté | Metadada que interessa |
|---|---|---|
| Transcripcions d'atenció al client | Queixes, dubtes, intenció de compra o de baixa | Motiu de contacte, nivell de frustració, risc d'abandonament |
| Contractes i documents legals | Clàusules, terminis, obligacions | Tipus de clàusula, desviació respecte al model propi, nivell de risc |
| Correus i tiquets | Peticions i incidències | Categoria, urgència, àrea responsable |
| Actes i informes tècnics | Decisions i compromisos | Acords, responsables, terminis, discrepàncies |
| Taules de la plataforma de dades sense documentar | Columnes amb noms críptics | Finalitat de la columna, procés que l'alimenta, propietari probable |
Quan la creació de metadades no escala, el negoci reacciona tard: el senyal que un client se n'aniria era a la trucada de la setmana passada, i el risc del contracte era a la pàgina 14.
Què és un agent d'IA generativa (i què no és)
Un agent no és un xatbot. És un sistema que converteix una tasca de negoci en una seqüència d'accions i l'executa de principi a fi. Impulsat per un model de llenguatge, l'agent és capaç de:
- Raonar i planificar: descompondre la tasca en passos lògics.
- Actuar: fer servir eines i API dels sistemes de l'empresa, com el CRM, l'ERP o el gestor documental.
- Iterar: revisar els resultats intermedis i corregir el pla.
La diferència pràctica és clara. Un xatbot respon «aquesta trucada sembla una queixa per facturació». Un agent analitza tots els enregistraments de la setmana, extreu els camps definits, actualitza el CRM i deixa constància del fragment en què es basa cada valor.
La pila tècnica té dues capes:
- El model (el cervell): un model de llenguatge amb capacitat de raonament i, si cal, multimodal per a àudio i imatges.
- L'orquestració (el cos): plataformes com LangChain o n8n, o serveis equivalents dels grans proveïdors de núvol, que defineixen el flux de treball i connecten l'agent amb els sistemes de destinació.
RAG: precisió amb informació pròpia
Un model de llenguatge no coneix els contractes, les polítiques ni els procediments d'una organització, i si se li pregunta per ells pot inventar una resposta versemblant. La tècnica que ho resol és la generació augmentada per recuperació (RAG):
- Consulta. L'agent rep una tasca concreta: «localitza la clàusula d'indemnització en aquest contracte».
- Recuperació. El sistema cerca els fragments rellevants a la base de coneixement de l'organització: documents, bases de dades, el llac de dades.
- Augment. El model rep la petició juntament amb aquests fragments.
- Generació. El model retorna la resposta o la metadada estructurada, citant les fonts internes en què es basa.
RAG s'ha convertit en l'enfocament de referència per fer servir IA generativa amb informació pròpia: manté les dades sota control de l'organització, evita dependre del que el model va aprendre en el seu entrenament i fa que cada resultat sigui verificable. No elimina els errors, però els fa detectables.
Quatre casos d'ús d'alt valor
1. Atenció al client i vendes
A partir de transcripcions, l'agent extreu camps com motiu de contacte, nivell de frustració en una escala definida, motiu de cancel·lació o qualificació del contacte comercial. Amb aquests camps al CRM es poden detectar a temps els clients en risc d'abandonament i orientar la formació dels equips amb casos reals.
2. Contractació i àrea legal
Sobre contractes en PDF, l'agent identifica clàusules, les classifica i marca desviacions respecte al model propi de l'organització o clàusules de risc. Les revisions documentals, com una due diligence, s'acceleren molt, i cada troballa queda enllaçada al fragment exacte del document gràcies a RAG.
3. Documentació de la plataforma de dades
Moltes taules d'un llac o magatzem de dades no tenen documentació. Un agent pot proposar la finalitat de cada columna, el procés de negoci que l'alimenta i un propietari probable, a partir de l'esquema, del codi de càrrega i de la documentació disponible. Són propostes que l'administrador de les dades valida, però estalvien la part més feixuga i acceleren el catàleg i el compliment del RGPD.
4. Anàlisi de diverses fonts alhora
L'agent compara, per exemple, un informe tècnic, la normativa aplicable i les notes d'una reunió, i n'extreu diferències clau i possibles incompliments. És una tasca que una persona pot fer, però no sobre desenes de documents alhora ni cada vegada que un d'ells canvia.
Com assegurar la qualitat de les metadades
Una metadada de la qual ningú no es refia no serveix. Algunes pràctiques que marquen la diferència:
- Esquema tancat. Definir per endavant els camps i els valors permesos (llistes controlades, escales) i obligar el model a retornar exactament aquest format.
- Font citada. Cada valor porta la referència al fragment d'origen, perquè la revisió sigui ràpida.
- Mostra validada. Mesurar la precisió contra un conjunt revisat per persones expertes abans d'automatitzar, i repetir la mesura periòdicament.
- Revisió humana proporcional al risc. Validació sistemàtica en l'àmbit legal o en allò que afecti drets; mostreig en l'operatiu.
- Dades personals sota control. Transcripcions i correus contenen dades personals: minimitzar el que s'envia al model i controlar on es processa i qui veu els resultats.
Full de ruta d'adopció
| Fase | Focus | Qui hi participa |
|---|---|---|
| 1. Descobriment | Demostrar valor en un cas de baix risc, per exemple classificar un lot de documents | Innovació i l'àrea de negoci implicada |
| 2. Industrialització de RAG | Construir la base de coneixement segura i l'arquitectura RAG amb traçabilitat | Arquitectura de dades, seguretat |
| 3. Agents pilot | Desplegar agents en els casos prioritaris i mesurar indicadors d'eficiència i de qualitat | Negoci, dades, seguretat |
| 4. Escala | Integrar agents en processos complets, amb més autonomia, auditoria i govern de la IA | Tota l'organització, amb un marc de govern estable |
Cada fase s'hauria de tancar amb resultats mesurats (precisió, temps estalviat, adopció) abans de passar a la següent.
Per on començar
La pregunta útil no és «què podem fer amb IA», sinó «quina metadada ens falta i quant val tenir-la». Un bon punt de partida és triar aquesta metadada a l'àrea on més fa mal (atenció al client o contractes, normalment), definir-ne l'esquema, preparar una mostra validada i construir una prova de concepte que mesuri la precisió amb dades reals. A Bidatia acompanyem aquest tipus de projectes, des de l'elecció del cas fins a la seva integració amb la plataforma i el govern de les dades.
Preguntes freqüents
Què és una metadada extreta amb IA?
Una dada estructurada que un agent obté llegint contingut no estructurat: per exemple, el motiu d'una trucada a partir de la seva transcripció, o el tipus de penalització d'un contracte a partir del PDF. Es desa en un camp concret del CRM, del gestor documental o del catàleg de dades, amb referència a la font.
RAG elimina les al·lucinacions?
No les elimina, però les redueix molt, perquè el model respon a partir de fragments recuperats de les fonts de l'organització i els pot citar. Per a metadades amb conseqüències, com el risc d'una clàusula, convé mantenir revisió humana i mesurar la precisió amb una mostra validada.
Quin cas d'ús convé triar per començar?
Un de baix risc, amb prou volum de documents i un resultat fàcil de comprovar: classificar un lot de documents per tipus o extreure uns quants camps d'un conjunt de contractes. Permet mesurar la qualitat abans de tocar processos crítics.
Què passa amb les dades personals dels enregistraments i els correus?
Les transcripcions i els correus solen contenir dades personals, de vegades sensibles. Abans de tractar-les cal revisar la base jurídica, minimitzar el que s'envia al model, controlar on es processa i qui accedeix als resultats, i valorar si cal una avaluació d'impacte.