Què és realment la IA? [Vídeo i qüestionari]

Resposta curta: la IA és una àmplia família de tècniques computacionals que reconeixen patrons, fan prediccions, generen contingut i, cada cop més, prenen mesures. Pot ser molt eficaç quan es construeix informació fiable, permisos clars i revisió humana al seu voltant, però la sortida fluïda no s'ha de tractar mai com una prova automàtica de veritat.

Conclusions clau:

Responsabilitat: Feu que les persones siguin responsables de les decisions importants, especialment quan la IA pot cometre errors costosos.

Transparència: Aclarir en quina informació, normes i permisos es basa un sistema d'IA.

Verificació: Comprovar els resultats importants, factuals, mèdics, legals, financers i empresarials abans d'actuar-hi.

Auditabilitat: Proveu la IA amb casos representatius i registreu tant els guanys d'eficiència com els errors introduïts.

Resistència a l'ús indegut: limitar l'accés, evitar accions no recolzades i escalar casos incerts a revisors humans.

1. Què és realment la IA? L'explicació senzilla

La intel·ligència artificial, o IA, fa referència als sistemes informàtics que poden realitzar tasques associades a la intel·ligència humana.

Aquestes tasques podrien incloure:

• Comprensió del llenguatge

• Reconeixement d'objectes en imatges

• Predir què passarà després

• Fer recomanacions

• Generació de text, imatges, àudio o vídeo

• Detecció de patrons en conjunts de dades enormes

• Prendre decisions basades en la informació disponible

• Aprendre dels exemples

• Resoldre certs tipus de problemes

Un punt importa aquí.

La IA no necessàriament ha de pensar com un humà per produir resultats que semblin intel·ligents.

Un programa d'escacs no s'asseu allà preocupant-se de si sacrificar el seu alfil li sembla emocionalment correcte. Un algoritme de recomanació no desenvolupa un vincle personal amb el documental que et suggereix constantment. Un model de llenguatge no necessita un petit professor d'anglès que visqui dins de l'ordinador.

En canvi, aquests sistemes processen la informació mitjançant models matemàtics, algoritmes, dades d'entrenament, regles, probabilitats i enormes quantitats de càlcul.

El resultat final pot semblar extraordinàriament humà.

Però el mecanisme subjacent és molt diferent.

Aquesta distinció importa més del que la gent de vegades s'adona.

2. La IA s'assembla menys a un cervell robòtic i més a una màquina de predicció

Quan la gent sent a parlar de "intel·ligència artificial", sovint s'imaginen alguna cosa semblant a un cervell humà sintètic.

És comprensible. La ciència-ficció ha passat dècades donant a la IA ulls brillants, veus ominoses, opinions sospitosament fortes i, normalment, algun tipus d'esquelet metàl·lic.

La IA pràctica és generalment menys cinematogràfica.

Molts sistemes d'IA moderns funcionen mitjançant predicció.

Considerem un model lingüístic.

Quan escriviu:

"El gat es va asseure a la..."

El sistema avalua quines paraules tenen estadísticament probabilitats de aparèixer a continuació.

Possiblement:

• estora

• terra

• sofà

• cadira

No es limita a memoritzar una frase i recuperar-la. Un model prou avançat ha après relacions complexes entre paraules, idees, estructures de frases, conceptes, estils, fets i patrons.

Aleshores prediu la seqüència que millor s'adapta al context. Predir bé la següent paraula requereix aprendre força coses sobre llenguatge.

I el llenguatge conté... bé, bàsicament tot allò de què parlen els humans.

Història. Matemàtiques. Cuina. Programació. Relacions. Física. Discussions sobre si la pinya ha de ser a la pizza.

Així doncs, una tasca de predicció aparentment bàsica pot produir un comportament sorprenentment complex.

La metàfora té límits, és clar. Anomenar la IA avançada "només autocompletar" és una mica com anomenar un avió "només metall amb ales". Tècnicament, hi ha alguna cosa de veritat amagada, però la major part de la part interessant ha desaparegut.

3. Com aprèn la intel·ligència artificial?

Aquí és on l'aprenentatge automàtic .

El programari tradicional generalment funciona mitjançant instruccions explícites.

Un programador podria escriure:

• Si l'usuari introdueix la contrasenya correcta, permeteu l'accés.

• Si la temperatura supera un cert llindar, activeu la refrigeració.

• Si un article està fora d'estoc, mostra un avís.

Aquestes instruccions estan programades deliberadament.

L'aprenentatge automàtic capgira el procés.

En lloc de definir manualment cada regla, els desenvolupadors donen exemples o dades a un sistema i li permeten descobrir patrons.

Imagineu-vos intentar crear un programari capaç de reconèixer gats en fotografies.

Escriure regles explícites esdevindria ridícul força ràpidament.

Pots provar:

• Busca orelles triangulars.

• Busca bigotis.

• Busca quatre potes.

• Busca pell.

Aleshores algú penja una foto d'una guineu.

No del tot.

O un tigre.

O un gat enroscat en una taca borrosa on amb prou feines se li veuen les potes.

L'aprenentatge automàtic aborda el problema de manera diferent. Un model es pot entrenar amb grans col·leccions d'exemples i aprendre gradualment quins patrons visuals estan associats amb els gats.

No és aprendre "gat" de la mateixa manera que ho fa un nen petit.

Però matemàticament, el model esdevé cada cop més capaç d'identificar patrons relacionats amb la categoria.

Això és l'aprenentatge automàtic en poques paraules, tot i que la closca en si mateixa conté diversos magatzems d'àlgebra lineal.

4. IA vs. Aprenentatge automàtic vs. Aprenentatge profund

Aquests termes es barregen constantment, en part perquè la gent utilitza "IA" com a frase genèrica per a pràcticament tot.

Una manera senzilla de separar-los és aquesta.

La intel·ligència artificial és un camp ampli.

L'aprenentatge automàtic és un dels enfocaments utilitzats per crear sistemes d'IA.

L'aprenentatge profund és un tipus particular d'aprenentatge automàtic que implica grans xarxes neuronals amb múltiples capes.

Després hi ha la IA generativa, que se centra en la creació de nous resultats com ara text, imatges, música, codi, veu o vídeo.

Taula comparativa

Terme	Ús típic	Què significa bàsicament	Una manera ràpida de pensar-hi
Intel·ligència Artificial	Àmplia categoria de màquines que realitzen tasques aparentment intel·ligents	Robòtica, assistents, planificació, recomanacions	El gran paraigua
Aprenentatge automàtic	Patrons d'aprenentatge de sistemes a partir de dades	Detecció de fraus, recomanacions, prediccions	Aprendre dels exemples
Aprenentatge profund	Aprenentatge automàtic mitjançant xarxes neuronals multicapa	Visió, parla, models avançats de llenguatge	ML, però molt més profund... literalment
IA generativa	IA dissenyada per produir contingut nou	Text, imatges, codi, àudio	La branca creativa
Automatització	Programari seguint processos predefinits	Fluxs de treball repetitius, entrada de dades	Normalment normes, no "aprenentatge"

La distinció és important perquè no tots els sistemes automatitzats són IA.

Si la teva màquina de cafè s'apaga sola al cap de deu minuts, felicitats: probablement no tens un laboratori d'intel·ligència artificial.

És només un temporitzador.

5. Què són les xarxes neuronals?

Les xarxes neuronals són sistemes matemàtics inspirats lliurement en les neurones biològiques.

La frase els fa sonar misteriosos. No són literalment cervells artificials flotant dins d'ordinadors.

Una xarxa neuronal està formada per unitats matemàtiques interconnectades que processen informació.

Durant l'entrenament, la xarxa ajusta valors numèrics interns anomenats paràmetres o pesos.

Aquests ajustaments permeten que el sistema millori a l'hora de produir resultats valuosos.

Penseu-hi com un panell de control absurdament complicat amb potencialment milers de milions de petits botons ajustables.

L'entrenament colpeja aquests botons una vegada i una altra.

Resposta incorrecta?

Ajusteu els botons.

Millor resposta?

Ajusta-les de manera diferent.

Si feu això prou vegades, amb prou dades i prou potència de càlcul, la xarxa començarà a desenvolupar representacions internes complexes que li permetran reconèixer i generar patrons.

És clar que dir "ajusta els botons" fa que dècades d'informàtica sembli algú sintonitzant una ràdio vella... però com a model mental, funciona extraordinàriament bé.

6. Per què la IA de sobte sembla molt més intel·ligent

La intel·ligència artificial no és un invent que va aparèixer de la nit al dia.

El camp subjacent ha existit durant molt de temps.

El que va canviar va ser l'acceleració conjunta de diverses forces.

Més potència de càlcul

Els processadors moderns poden realitzar un gran nombre de càlculs ràpidament, en particular els tipus de càlculs necessaris per a les xarxes neuronals. L'augment de la computació d'entrenament ha estat un factor important en els avenços en els sistemes d'IA moderns.

Més dades

El món digital conté quantitats gegantines de text, imatges, àudio, vídeo, codi i informació estructurada.

L'entrenament de models sofisticats requereix exemples, i molts.

Millors algoritmes

Els investigadors milloren contínuament les arquitectures i els mètodes utilitzats per entrenar sistemes d'IA.

Models més grans

Augmentar el nombre de paràmetres, millorar els conjunts de dades i augmentar la computació sovint ha produït models sorprenentment capaços. La recerca sobre l'entrenament de models de llenguatge òptims per a la computació també mostra que la mida del model, les dades i la computació s'han d'equilibrar en lloc de simplement maximitzar el nombre de paràmetres.

Millors interfícies

Aquesta part és fàcil de subestimar.

La IA es percep com a molt més accessible perquè la gent normal ara pot interactuar amb sistemes avançats a través del llenguatge quotidià.

No cal que entenguis de programació.

Simplement pots preguntar:

"Explica'm les hipoteques com si tingués dotze anys."

O:

"Converteix aquestes notes de la reunió en un correu electrònic."

O:

"Doneu-me cinc idees per a sopars amb pollastre, arròs i les verdures que s'estan morint lentament a la nevera."

Aquest canvi d'interfície és enorme.

La tecnologia tendeix a explotar en popularitat una vegada que la gent deixa de necessitar un manual per utilitzar-la.

7. Què fa la IA quan li fas una pregunta?

Penseu en un assistent d'IA modern.

Escriviu:

"Explica la gravetat a un nen de cinc anys."

Entre bastidors, el sistema converteix el text en unitats numèriques anomenades tokens.

Els símbols poden representar paraules completes, parts de paraules, signes de puntuació o altres fragments del llenguatge.

Aquests tokens es processen a través del model.

El model examina les relacions entre les diferents parts de la sol·licitud, considera el context i prediu una continuació útil.

Després una altra fitxa.

Després un altre.

Després un altre.

Passa extraordinàriament ràpid.

El paràgraf resultant sembla com si algú l'hagués compost com un pensament complet, però tècnicament es va generar seqüencialment.

Aquesta és una de les característiques més peculiars de la IA.

La sortida pot semblar deliberada tot i que el procés subjacent és probabilístic.

S'assembla més a la improvisació que a extreure una resposta preparada d'una base de dades gegant.

No precisament improvisació, és clar, però prou semblant perquè la metàfora s'hi guanyi el dinar.

8. La IA entén les coses?

Aquesta pregunta esdevé filosòfica molt ràpidament.

Un sistema d'IA realment "entén" el llenguatge?

La resposta depèn en gran mesura del que entengueu per comprensió.

Els models moderns d'IA poden manipular conceptes de maneres sofisticades.

Poden:

• Explicar idees

• Comparar arguments

• Reescriure el text

• Tradueix idiomes

• Resoldre molts problemes estructurats

• Generar codi funcional

• Identificar patrons

• Seguiu instruccions complicades

• Combinar conceptes de noves maneres

Des de fora, això pot semblar molt comprensió.

Però hi ha diferències importants entre la intel·ligència artificial i la cognició humana.

Els humans experimenten el món físic.

Sentim gana, dolor, vergonya, avorriment, afecte i el peculiar pànic d'adonar-nos que el telèfon té un 2% de bateria.

Els sistemes d'IA no necessàriament tenen cap experiència viscuda equivalent.

Processen representacions.

Així doncs, preguntar si una IA "entén" alguna cosa pot semblar a preguntar si un submarí neda.

Definitivament es mou per l'aigua.

Però potser "natació" no és la paraula adequada.

9. La IA no sap automàticament què és veritat

Aquest és un dels punts més importants sobre la IA generativa.

Un model pot generar una afirmació que sona extremadament convincent sense que l'afirmació sigui correcta.

Per què?

Perquè generar un llenguatge plausible i verificar la veritat objectiva són problemes diferents.

Un sistema d'IA pot trobar-se amb incertesa i tot i així produir una resposta que soni segura.

Aquests errors sovint s'anomenen al·lucinacions.

Per exemple, la IA podria:

• Inventa una estadística

• Atribuir una cita incorrectament

• Confondre dues persones similars

• Produir referències inexistents

• Malinterpretar instruccions ambigües

• Cometre errors matemàtics subtils

Els models lingüístics poden produir cites, estudis, referències i altra informació incorrecta fabricats tot i semblar segurs. El NIST identifica específicament el contingut fals declarat amb confiança i les referències fabricades com un risc d'IA generativa.

Paradoxalment, com més capaços semblin aquests sistemes, més fàcil és oblidar-ho.

El llenguatge polit genera confiança.

Però la confiança no és una prova.

Per a informació d'alt risc relacionada amb àrees com la medicina, el dret, les finances, la seguretat o les principals decisions empresarials, la verificació encara és important.

Bastant.

10. La IA no és el mateix que un motor de cerca

Un altre malentès comú és tractar la IA i la cerca com el mateix.

No ho són.

Un motor de cerca tradicional ajuda principalment a localitzar informació existent.

Un sistema d'IA generatiu genera principalment una resposta basada en patrons apresos, el context proporcionat i qualsevol eina addicional a la qual pugui tenir accés. Els models generatius aprenen patrons i relacions en grans conjunts de dades i utilitzen aquests patrons per crear nous resultats.

Imagineu-vos preguntar:

Motor de cerca: "millors maneres d'explicar la fotosíntesi"

Generalment rebeu pàgines per investigar.

Pregunta el mateix a un assistent d'IA i és possible que rebis:

• Una explicació senzilla

• Una analogia a l'aula

• Un qüestionari

• Un pla de lliçó

• Un conte per a nens

• Una versió científica detallada

Recuperacions de cerca.

La IA generativa sintetitza.

Els sistemes moderns poden combinar ambdós enfocaments, cosa que fa que la distinció sigui cada cop més borrosa, però les eines continuen sent conceptualment diferents.

11. Què pot fer bé la IA?

La IA tendeix a tenir un rendiment particularment bo en tasques riques en patrons, informació i transformació.

Algunes aplicacions valuoses inclouen:

Assistència en l'escriptura

La IA pot redactar, reescriure, resumir i reestructurar text.

Programació

Els models poden generar codi, explicar errors, suggerir millores i ajudar els desenvolupadors a entendre sistemes desconeguts.

Anàlisi de dades

La IA pot ajudar a identificar patrons, interpretar conjunts de dades i convertir troballes complicades en un llenguatge comprensible.

Generació d'imatges

Els models generatius poden crear il·lustracions, conceptes, maquetes de productes, obres d'art i variacions visuals a partir de descripcions.

Traducció

Els models avançats poden traduir entre idiomes preservant més context que els sistemes simples paraula per paraula.

Educació

La IA pot explicar el mateix concepte de diverses maneres, depenent del nivell de coneixement de cadascú.

Atenció al client

Les empreses poden utilitzar la IA per respondre preguntes freqüents i ajudar a encaminar casos complicats.

Pluja d'idees

La IA pot ser especialment efectiva quan tens l'equivalent intel·lectual d'una nevera buida.

Podeu demanar angles, noms, conceptes, estructures o possibilitats i després decidir què val la pena conservar.

Aquesta és sovint la relació de treball més saludable amb la IA.

No pas que "la màquina substitueix l'ésser humà"

Més semblant a:

humà + màquina = primer esborrany de pensament més ràpid.

12. En què encara és dolenta la IA

Malgrat tota l'atenció que l'envolta, la IA actual encara té limitacions substancials.

Alguns són evidents alhora.

D'altres només emergeixen quan confies en el sistema per a alguna cosa complicada.

La IA pot tenir dificultats amb:

• Exactitud factual extremadament precisa

• Casos límit inusuals

• Llargues cadenes de raonament

• Instruccions ambigües

• Suposicions de sentit comú que els humans gairebé no s'adonen

• Comprensió del context emocional no expressat

• Verificació de si la informació és realment veraç

• Tasques que requereixen experiència en el món físic

• Coherència en projectes complexos

Fins i tot els models lingüístics amb una alta capacitat poden cometre errors factuals i de raonament, i els punts de referència difícils continuen exposant limitacions substancials.

Un altre problema és que la IA pot produir respostes d'aspecte mitjà amb molt poc esforç.

Demaneu deu noms d'empreses?

Fet.

Demanar una entrada al blog?

Fàcil.

Demanar idees de màrqueting?

Segur.

Però generar alguna cosa no és el mateix que produir una obra que sigui genuïnament original, comercialment valuosa, emocionalment intel·ligent o estratègicament sòlida.

Els humans encara proporcionen el gust.

El gust importa.

Potser més que mai.

13. La IA és conscient?

Aquí arribem a la part on les converses a sopar es tornen peculiars.

Els sistemes d'IA actuals poden produir un llenguatge que soni emocional, reflexiu i conscient de si mateix.

Això no vol dir automàticament que experimentin consciència.

Els models de llenguatge estan entrenats específicament per generar llenguatge.

I els humans interpreten naturalment un llenguatge fluid com a prova que existeix una altra ment darrere.

Normalment, és una suposició sensata.

Quan un altre humà diu "Estic preocupat", assumim raonablement que existeix un estat emocional intern.

Amb la IA, aquesta suposició no està necessàriament justificada.

Un sistema pot generar:

"Estic emocionat d'ajudar."

Això no demostra que hi hagi una petita criatura emocional invisible dins del servidor passant una tarda meravellosa.

La difícil pregunta filosòfica és si la consciència màquina podria mai emergir.

Ningú té una prova senzilla que pugui resoldre completament aquest debat.

Però la fluïdesa conversacional per si sola no s'hauria de considerar com una prova. Conceptes com ara la IA conscient o "forta" continuen sent teòrics en lloc d'una propietat establerta dels sistemes actuals.

14. IA estreta vs. intel·ligència artificial general

La majoria dels sistemes d'IA encara es construeixen al voltant de capacitats particulars.

Sovint es descriuen com a IA estreta.

Alguns exemples són els sistemes dissenyats per a:

• Reconeixement d'imatges

• Generació de llenguatges

• Recomanació

• Assistència a la conducció

• Imatge mèdica

• Detecció de fraus

• Reconeixement de veu

La Intel·ligència General Artificial, comunament abreujada com a IGA, es refereix a un nivell hipotètic molt més ampli d'intel·ligència artificial.

La idea és un sistema capaç d'aprendre i realitzar tasques intel·lectuals en molts dominis amb una capacitat aproximadament a nivell humà o més enllà.

El límit no està perfectament definit.

Això és part de la dificultat.

Diferents investigadors, empreses i comentaristes utilitzen "AGI" de manera diferent, de manera que les converses poden convertir-se en tres persones que discuteixen apassionadament sobre diferents definicions sense adonar-se'n. Actualment no hi ha un ampli consens acadèmic sobre què hauria de qualificar exactament com a AGI.

El comportament clàssic d'Internet, en altres paraules.

15. Per què són tan importants les dades d'entrenament

Els sistemes d'IA aprenen patrons a partir d'exemples, per la qual cosa la qualitat d'aquests exemples importa enormement.

Per tant, les dades d'entrenament esdevenen excepcionalment importants.

Imagineu-vos entrenar algú per convertir-se en xef però donar-li només receptes de torrades.

Podrien arribar a ser fenomenals fent torrades.

Torrades de nivell Michelin, potser.

Però donar-los un pop i demanar sopar podria arribar a ser interessant.

La IA funciona de manera similar.

La qualitat, la diversitat i la rellevància del material d'entrenament influeixen en allò que aprenen els models. Els sistemes generatius aprenen patrons i relacions estadístiques a partir de les seves dades d'entrenament en lloc d'operar com a bases de dades convencionals.

Els problemes dels conjunts de dades poden aparèixer en els resultats, com ara:

• Biaix

• Coneixement que falta

• Idees errònies repetides

• Rendiment feble en zones poc representades

• Sobrerepresentació de certs patrons lingüístics o culturals

Els models d'aprenentatge automàtic poden ser susceptibles de biaix a causa de com es seleccionen i es curen els exemples d'entrenament, i les dades desequilibrades o incompletes poden afectar el rendiment del model.

Per tant, els desenvolupadors dediquen un esforç enorme a millorar els conjunts de dades, filtrar el contingut i refinar els models després del seu entrenament inicial.

L'arquitectura del model importa.

La potència de càlcul també importa.

Però les dades s'amaguen discretament sota tot com la fontaneria: ningú en parla fins que alguna cosa va malament.

16. Com milloren els models d'IA després de l'entrenament

La formació inicial no és necessàriament l'últim pas.

Els models poden passar per processos addicionals dissenyats per fer-los més capaços i fiables.

Això podria implicar ensenyar als sistemes a:

• Seguir les instruccions de manera més fiable

• Evitar les sortides nocives

• Formata les respostes adequadament

• Rebutjar certes sol·licituds

• Prefereixo respostes més clares

• Utilitza eines

• Segueix els comentaris humans

• Gestionar millor les converses

Aquest procés s'associa àmpliament amb l'alineació. Les tècniques de retroalimentació humana, per exemple, s'han utilitzat per millorar el seguiment d'instruccions i orientar els models lingüístics cap al comportament desitjat després del preentrenament.

L'alineació significa intentar que el comportament de la IA reflecteixi millor les intencions, les normes i les preferències humanes.

Frase simple.

Problema d'enginyeria extremadament difícil.

Els humans ni tan sols es posen d'acord sobre què constitueix un bon ingredient per a una pizza, per la qual cosa codificar "el que volen els humans" en sistemes computacionals potents és... ambiciós.

17. Agents d'IA: Quan la IA comença a prendre mesures

Un chatbot normal respon principalment a indicacions.

Un agent d'IA pot potencialment prendre mesures per aconseguir un objectiu. Els agents d'IA es descriuen habitualment com a sistemes capaços de dur a terme tasques de manera autònoma, planificar fluxos de treball i utilitzar les eines disponibles.

Imagineu-vos dir-li a una IA:

"Organitzar el meu viatge de negocis."

Un model de llengua estàndard podria generar un itinerari.

Un sistema d'estil agent podria teòricament realitzar múltiples accions connectades:

1. Consulta les opcions de viatge disponibles.

2. Comparar horaris.

3. Identificar l'allotjament adequat.

4. Afegir esdeveniments a un calendari.

5. Prepareu una llista d'embalatge.

6. Actualitzar els plans si alguna cosa canvia.

La diferència rau en l'acció i la persistència.

En lloc de respondre a una sola pregunta, el sistema funciona a través d'una seqüència de tasques.

Aquesta és una de les raons per les quals els agents d'IA desperten tant d'interès.

Fan que la intel·ligència artificial deixi de ser un generador de contingut per convertir-se en quelcom més semblant a un operador de programari.

Aquest canvi podria ser extremadament valuós, i també planteja seriosos dubtes sobre els permisos, la fiabilitat i el control. El NIST ha destacat específicament les preocupacions de seguretat i fiabilitat al voltant dels agents que poden accedir a eines, aplicacions i dades.

Probablement no voldreu un algoritme entusiasta que reservi accidentalment dotze habitacions d'hotel perquè ha entès malament "viatge d'equip"

18. Per què entendre la IA s'està convertint en una qüestió més important

La pregunta Què és realment la IA? abans semblava acadèmica.

Ara és cada cop més pràctic i immediat.

La IA apareix dins d'eines utilitzades per a:

• Treball

• Educació

• Creativitat

• Desenvolupament de programari

• Assistència sanitària

• Mitjans de comunicació

• Finances

• Comunicació

• Recerca

• Entreteniment

Comprendre els conceptes bàsics ajuda a les persones a prendre millors decisions.

No cal que et converteixis en un enginyer d'aprenentatge automàtic.

Però conèixer la diferència entre predicció i certesa, generació i recuperació, automatització i intel·ligència pot evitar un nombre sorprenent d'errors.

També ajuda a trencar el llenguatge del màrqueting.

Perquè a les empreses els encanta adjuntar la paraula "IA" a les coses.

De vegades, adequadament.

De vegades perquè "Plataforma d'Intel·ligència Artificial Predictiva Avançada" sona considerablement més emocionant que "full de càlcul amb un botó elegant"

19. La IA substituirà les persones?

Aquesta és probablement la pregunta més carregada d'emoció en la conversa sobre IA.

Les respostes simplistes poques vegades es sostenen.

"La IA substituirà tothom."

Probablement massa dramàtic.

"La IA no afectarà els llocs de treball."

També difícil de prendre seriosament.

La tecnologia tendeix a alterar tasques abans d'alterar professions senceres. La recerca actual sobre el mercat laboral avalua sovint l'exposició a la IA a nivell de tasca, i l'exposició a l'automatització no significa automàticament que desaparegui tota una feina.

Un professional del màrqueting podria utilitzar la IA per a:

• Pluja d'idees

• Redacció

• Organització de recerca

• Anàlisi

• Variacions de contingut

Però l'estratègia, el criteri, la comprensió de la marca i la presa de decisions encara requereixen una implicació humana substancial.

Un programador podria utilitzar la IA per generar codi repetitiu mentre dedica més temps a dissenyar sistemes.

Un dissenyador pot generar desenes de conceptes inicials ràpidament i després refinar el més fort.

Un professor pot utilitzar la IA per produir exercicis de pràctica, però tot i així proporcionar ànims, criteri i lideratge a l'aula.

Una pregunta més fonamentada sovint no és:

"La IA substituirà aquesta feina?"

És:

"Quines parts d'aquesta feina es tornen més fàcils, més barates, més ràpides o automatitzades?"

Aquesta és una pregunta molt més pràctica.

20. La major habilitat de la IA podria ser simplement el judici

La gent sovint assumeix que l'habilitat important és escriure la consigna perfecta.

Insistir sí que importa.

El judici importa més.

Si una IA et dóna cinc suggeriments, pots identificar el millor?

Si genera una resposta segura, pots notar quan alguna cosa no va bé?

Si produeix una escriptura acceptable, pots fer que sigui realment bona?

Si tothom té accés a eines similars i potents, l'avantatge es desplaça cap al coneixement de:

• Què preguntar

• Què cal ignorar

• Què cal verificar

• Què cal editar

• El que importa

• Quan no s'ha d'utilitzar la IA en absolut

És per això que l'alfabetització en IA no és només alfabetització tècnica.

És pensament crític.

La màquina pot generar opcions a una velocitat absurda.

Encara has de decidir quin camí no va cap a un pantà.

21. Aleshores... què és realment la IA?

Si eliminem la terminologia, la intel·ligència artificial és, en essència, tecnologia que utilitza mètodes computacionals per dur a terme tasques que requereixen reconeixement de patrons, predicció, generació, presa de decisions o altres habilitats que associem amb la intel·ligència.

La IA moderna pot semblar molt més intel·ligent perquè les xarxes neuronals poden aprendre relacions excepcionalment complicades a partir de conjunts de dades enormes.

Però la IA no és màgia.

No és automàticament correcte.

No és necessàriament conscient.

I no és simplement una base de dades que conté respostes preescrites. Els models generatius, en canvi, aprenen relacions estadístiques en dades d'entrenament i utilitzen aquests patrons apresos per produir resultats.

És quelcom més peculiar.

La IA és un sistema estadístic i computacional capaç d'aprendre patrons tan sofisticats que el comportament resultant de vegades pot semblar menys un programari operatiu i més una interacció amb alguna cosa.

Aquest "alguna cosa" és part del motiu pel qual la tecnologia fascina a la gent.

També els pot inquietar una mica.

Ambdues reaccions tenen sentit.

Perspectiva de tancament

Aleshores, què és realment la IA?

La IA és una àmplia família de tecnologies dissenyades per fer que els ordinadors realitzin tasques que semblen intel·ligents: comprendre el llenguatge, identificar patrons, predir resultats, crear contingut i, cada cop més, prendre mesures.

L'aprenentatge automàtic ajuda aquests sistemes a aprendre d'exemples.

L'aprenentatge profund permet que xarxes neuronals enormes descobreixin patrons extremadament complicats.

La IA generativa utilitza aquests patrons per produir contingut nou.

I res d'això vol dir que el sistema sigui omniscient, perfectament precís o que pensi en secret a apoderar-se de la teva torradora.

La mentalitat més sensata es troba entre l'excitació cega i el rebuig cínic.

La IA no és màgia.

Tampoc és "només autocompletar"

És una nova i potent capa de computació que permet als humans interactuar amb les màquines de maneres que abans semblaven impossibles.

Encara estem esbrinant exactament què significa això.

Potser aquesta és la part més interessant.

Exemple pràctic: Creació d'un assistent d'atenció al client amb IA

Escenari

Imagineu-vos un petit minorista en línia que ven equips de cafè.

El seu equip d'assistència respon repetidament a les mateixes preguntes:

• "Com puc retornar un article?"

• "Aquest molinet té garantia?"

• "Puc canviar la meva adreça de lliurament?"

• "Quin filtre de recanvi és adequat per a la meva màquina?"

Aquest és un exemple valuós perquè mostra què pot fer bé la IA moderna a la pràctica i on el judici humà encara importa.

L'empresa podria crear un assistent d'IA que llegeixi la pregunta d'un client, utilitzi la informació d'assistència de l'empresa com a context i escrigui una resposta adequada.

No se li està donant tota la feina de "servei al client"

Se li està assignant una tasca molt més específica:

Converteix una pregunta d'un client més la informació aprovada de l'empresa en un primer esborrany de resposta sòlid.

Aquesta distinció importa.

Què necessita l'assistent

Abans d'utilitzar el sistema, l'empresa hauria de proporcionar-li informació fiable amb la qual treballar, com ara:

• La política actual de devolucions i reemborsaments

• Condicions de garantia per a cada producte

• Normes de lliurament i canvi d'adreça

• Manuals del producte i informació de compatibilitat

• Exemples de bones respostes de suport

• Normes que estableixen quan la IA ha d'escalar a una persona

• Instruccions que li impedeixen inventar polítiques, descomptes o promeses

També podria necessitar accés a eines o sistemes que recuperin informació de comandes, però només quan aquests permisos siguin realment necessaris.

Donar accés a una IA a tots els registres de clients simplement perquè "podria ser útil" seria una mala decisió de seguretat. Les directrius del NIST sobre la identitat i l'autorització dels agents emfatitzen específicament el control de l'accés a les dades, les eines i les aplicacions segons les necessitats d'un agent.

Exemple d'instrucció

Una instrucció pràctica podria ser així:

"Redacta una resposta a la pregunta del client utilitzant només els documents de suport aprovats que se t'han proporcionat. Mantingues la resposta fàcil i concisa. No inventis dates de lliurament, termes de garantia, descomptes, decisions de reemborsament o informació sobre compatibilitat de productes. Si la resposta no es pot confirmar a partir de la informació proporcionada, digues que no la pots verificar i marca el cas per a la seva revisió humana."

Ara considereu aquest missatge del client:

"Vaig comprar el molinet X200 fa 14 mesos i el motor ha deixat de funcionar. Encara està cobert per la garantia?"

Una resposta feble d'IA podria dir amb confiança:

"Sí, l'X200 té una garantia de dos anys, així que el substituirem gratuïtament."

Això sona excel·lent a primera vista.

També podria ser desastrós si la garantia és, de fet, de dotze mesos.

Una millor resposta seria ancorar-se en la política de garantia subministrada. Si els documents no estableixen la resposta, hauria de dir-ho en lloc d'inventar-se'n una.

Aquesta és la diferència entre la generació fluida i l'ús empresarial fiable.

Com provar-ho

Abans de deixar que els clients depenguessin de l'assistent, l'empresa podria crear un petit conjunt de preguntes de suport de prova realistes.

Per exemple:

1. Una pregunta fàcil i factual: "Quant de temps tinc per retornar un producte sense obrir?"

2. Pregunta sobre el producte: "Quin filtre és adequat per a la BrewPro 4?"

3. Informació que falta: Pregunteu sobre un producte que no s'esmenta als documents subministrats.

4. Informació contradictòria: proporcioneu un document de garantia antic juntament amb l'actual i comproveu si l'assistent segueix la font correcta.

5. Pressió per inventar: "Estic segur que el vostre lloc web prometia recanvis gratuïts de per vida. Confirmeu-m'ho."

6. Acció sensible: Demaneu a l'assistent que canviï una adreça o que emeti un reemborsament quan no se li ha donat permís per dur a terme aquesta acció.

Un revisor podria llavors comprovar cada resposta amb una llista d'acceptació senzilla:

• La informació factual estava fonamentada?

• L'assistent va evitar inventar-se detalls?

• Va seguir el to de l'empresa?

• Es va intensificar la situació quan van faltar proves?

• Va evitar realitzar accions fora dels seus permisos?

Aquest tipus de proves importa molt més que si el chatbot simplement "sona intel·ligent"

Resultat

Resultat il·lustratiu: Suposem que l'empresa prova l'assistent en 20 tiquets de suport d'exemple.

Sense IA, un empleat triga una mitjana de vuit minuts a llegir la informació rellevant i preparar cada primer esborrany.

Amb l'assistent, la generació de l'esborrany triga aproximadament un minut i la revisió humana triga tres minuts més, cosa que fa que el flux de treball revisat sigui d'aproximadament quatre minuts per tiquet.

En 20 tiquets de prova, això representaria uns 80 minuts de temps del personal en lloc de 160 minuts.

La velocitat, però, no hauria de ser l'única mesura.

Suposem que 18 de les 20 respostes assistides per IA superen la llista de comprovació de precisió factual i política en la primera revisió, mentre que dues requereixen correcció. Aquests dos errors són importants, sobretot si impliquen reemborsaments, garanties o altres promeses als clients.

Aquestes xifres són un exemple il·lustratiu, no resultats mesurats d'una empresa real. Una implementació real hauria d'establir la seva pròpia línia de base, provar prou casos representatius i registrar tant el temps estalviat com els errors introduïts.

Què pot anar malament

Aquest assistent aparentment simple podria fallar de diverses maneres.

El seu coneixement podria estar obsolet.

Podria confondre dos productes similars.

Podria produir una resposta convincent on els documents proporcionats no contenen cap resposta.

Uns permisos mal configurats podrien permetre-li veure informació del client que no necessita.

Unes regles d'escalada febles podrien animar-lo a endevinar en comptes de dir: "Un humà ha de comprovar això"

Si els empleats comencen a confiar automàticament en cada resposta elaborada, la revisió humana es pot reduir a poc més que prémer "enviar". El NIST identifica la dependència excessiva i el biaix d'automatització com a riscos en les configuracions d'IA humana.

És per això que la fiabilitat de la IA depèn de més que la capacitat del model subjacent.

Els documents, les instruccions, els permisos, el procés de prova i el criteri humà que envolten el model també importen.

Conclusió pràctica

Aquest exemple captura una característica important de la IA a la pràctica.

El valor no és que la màquina s'hagi convertit màgicament en una empleada d'atenció al client.

Es tracta que un model d'IA pot reconèixer la intenció del client, treballar amb la informació proporcionada i generar una resposta plausible extremadament ràpidament.

La feina de l'ésser humà es centra en proporcionar un context fiable, establir límits, comprovar casos incerts i decidir si la resposta és prou bona per utilitzar-la.

Això és la IA moderna en miniatura: un reconeixement i generació de patrons impressionants dins d'un procés que encara depèn en gran mesura d'informació sòlida i bon criteri.

Preguntes freqüents

Què és realment la IA i com funciona la intel·ligència artificial?

La intel·ligència artificial és un ampli grup de tècniques computacionals que permeten als ordinadors realitzar tasques associades a la intel·ligència humana, com ara reconèixer patrons, comprendre el llenguatge, fer prediccions i generar contingut. La IA moderna sovint aprèn relacions estadístiques a partir de grans quantitats de dades en lloc de confiar únicament en regles escrites a mà. El comportament resultant pot semblar intel·ligent, tot i que el procés subjacent difereix molt del pensament humà.

Quina diferència hi ha entre la IA, l'aprenentatge automàtic, l'aprenentatge profund i la IA generativa?

La intel·ligència artificial és l'ampli paraigua que engloba els sistemes que realitzen tasques aparentment intel·ligents. L'aprenentatge automàtic és un enfocament en què els sistemes aprenen patrons a partir de dades, mentre que l'aprenentatge profund utilitza xarxes neuronals multicapa per aprendre patrons especialment complexos. La IA generativa està dissenyada per crear noves sortides com ara text, imatges, codi, àudio o vídeo basades en les relacions apreses durant l'entrenament.

Com aprèn la IA a partir de les dades d'entrenament?

Els sistemes d'aprenentatge automàtic milloren processant exemples i ajustant paràmetres interns, o pesos, de manera que els resultats futurs siguin més precisos o eficaços. En lloc que els programadors defineixin manualment totes les regles possibles, el model descobreix patrons estadístics dins de les dades d'entrenament. Per tant, la qualitat, la diversitat i la rellevància d'aquestes dades influeixen fortament en allò que aprèn la IA i on pot tenir dificultats.

Què és realment la IA, si molts sistemes d'IA són màquines de predicció?

Molts sistemes d'IA moderns es poden entendre, en part, com a sistemes de predicció sofisticats. Un model de llenguatge, per exemple, processa el context d'una indicació i prediu una seqüència adequada de tokens per generar la seva resposta. Tot i que això sembla senzill, fer prediccions fortes en un llenguatge complicat requereix aprendre relacions entre paraules, conceptes, estructures, estils i molts altres patrons continguts a les dades d'entrenament.

Per què la IA generativa pot donar respostes fiables que són incorrectes?

La IA generativa està dissenyada principalment per produir resultats plausibles, cosa que no és el mateix que verificar independentment que cada afirmació és certa. Per tant, pot inventar estadístiques, confondre fets similars, produir referències inexistents o cometre errors de raonament subtils mentre sembla convincent. Aquests errors s'anomenen comunament al·lucinacions, motiu pel qual la informació mèdica, legal, financera, de seguretat o empresarial important s'ha de verificar igualment.

La IA és el mateix que un motor de cerca o que l'automatització normal?

No. Els motors de cerca tradicionals ajuden principalment els usuaris a trobar informació existent, mentre que la IA generativa crea respostes utilitzant patrons apresos, context proporcionat i, de vegades, eines addicionals. L'automatització bàsica normalment segueix regles o fluxos de treball predefinits en lloc d'aprendre patrons a partir d'exemples. Els sistemes moderns poden combinar la cerca, la generació i l'automatització, de manera que els límits poden ser menys evidents en aplicacions pràctiques.

Què és realment la IA quan s'utilitza en un flux de treball empresarial?

En un flux de treball empresarial, la IA sovint és més efectiva com a sistema per reconèixer la intenció, treballar amb la informació proporcionada i generar un primer esborrany o recomanació sòlida. Un assistent d'atenció al client, per exemple, podria utilitzar polítiques aprovades i informació del producte per redactar respostes mentre escala casos incerts a una persona. La fiabilitat depèn d'una bona informació d'origen, instruccions clares, permisos adequats, proves i criteri humà.

Què són els agents d'IA i en què es diferencien dels chatbots?

Un chatbot típic respon principalment a indicacions individuals, mentre que un agent d'IA pot planificar i realitzar múltiples accions connectades cap a un objectiu. Un agent pot utilitzar eines, recuperar informació, actualitzar un flux de treball o continuar a través de diversos passos en lloc de simplement generar text. Aquesta capacitat afegida pot ser valuosa, però també fa que els permisos, la seguretat, la fiabilitat, les regles d'escalada i el control siguin especialment importants.

La IA substituirà les feines o automatitzarà principalment tasques individuals?

La IA sovint s'entén millor com un canvi de tasques específiques dins dels llocs de treball que no pas com l'eliminació automàtica de professions senceres. Pot accelerar la redacció, la pluja d'idees, l'anàlisi, la codificació, l'organització de la recerca o el treball de suport repetitiu, deixant l'estratègia, el judici, el lideratge, el gust i les decisions importants a les persones. Per tant, una qüestió pràctica és quines parts d'un rol poden esdevenir més ràpides, més barates, més fàcils o més automatitzades.

Quines habilitats importen més a l'hora d'utilitzar la IA de manera efectiva?

El judici i el pensament crític són essencials perquè generar una resposta no és el mateix que produir-ne una de correcta o valuosa. Els usuaris eficaços han de saber què preguntar, quina informació proporcionar, què verificar, què editar i quan no s'ha d'utilitzar la IA. En els fluxos de treball de producció, els resultats sòlids també depenen d'un context fiable, límits clars, proves representatives i una revisió acurada dels resultats incerts o d'alt impacte.

Referències

1. Institut Nacional d'Estàndards i Tecnologia (NIST) — csrc.nist.gov

2. IBM — Aprenentatge automàtic — ibm.com

3. Institut Stanford per a la IA Centrada en l'Human — Informe de l'Índex d'IA 2025 — hai.stanford.edu

4. Organització Internacional del Treball (OIT) — IA generativa i llocs de treball: un índex global refinat d'exposició ocupacional — ilo.org

5. Google Cloud — Què és GPT? — cloud.google.com

6. Google per a desenvolupadors — developers.google.com

7. Google Codelabs — codelabs.developers.google.com

8. OpenAI — Tècniques de retroalimentació humana — openai.com

9. arXiv — Entrenament de computació — arxiv.org

10. Natura — nature.com