Podries tenir en Steve Jobs i en Taiichi Ohno al teu comitè de direcció i els tens contestant WhatsApps: IA i RAG per dirigir
La majoria fa servir la IA per a tasques que una persona fa millor. Mentrestant, deixa buida l'única cadira on de debò importaria: la de direcció.
Estàs fent servir un cervell per fer fotocòpies
La majoria d'empreses ha ficat la IA pel lloc més baix possible.
Contestar correus. Resumir documents. Repassar contractes. Respondre WhatsApps.
Tasques de poc valor. I ho dic sense embuts: respondre un WhatsApp no té cap mèrit. A sobre, de moment, les persones ho fan millor.
Soc en Cinto Casals, enginyer d'IA i arquitecte de sistemes agèntics. I fa temps que veig com es malbarata el que és interessant d'aquesta tecnologia en el que és més avorrit.
El que li falta a la IA no és intel·ligència
La IA d'avui ja pot raonar sobre decisions de direcció. De debò.
El que li falta no és capacitat. És conèixer la teva empresa.
Una IA genèrica raona sobre una empresa de manual. No sobre la teva. No coneix les teves xifres, ni els teus processos, ni per què vas prendre aquella decisió fa dos anys.
Només cal explicar-l'hi bé. Aquest és tot el joc.
El meu cas: dos assessors que discuteixen entre ells
Jo tinc dos assessors. I discuteixen entre ells per ajudar-me a decidir.
Un és un Twin de Steve Jobs. L'altre, un Twin de Taiichi Ohno, el pare del Sistema de Producció Toyota.
Quan he de prendre una decisió empresarial, em donen una resposta consensuada. I m'expliquen com hi han arribat.
- Jobs representa el producte, la visió i la simplicitat.
- Ohno representa l'eliminació del malbaratament i la millora contínua.
La gràcia no està en cap dels dos per separat. Està en la fricció entre tots dos.
Jobs vol afegir. Ohno vol treure. Jobs parla de desig. Ohno parla de flux. I d'aquest xoc en surt una cosa que cap assessor únic em donaria.
Això aporta moltíssim més valor que automatitzar respostes. I és una cosa que, sense IA, no em podria permetre.
El pont es diu RAG
Entre una IA genèrica i un assessor que coneix la teva empresa hi ha un pont. Es diu RAG (Retrieval-Augmented Generation).
Funciona així: abans de respondre, el model consulta el coneixement real de la teva empresa.
Xifres. Processos. Contractes. Actes. Històric de decisions.
I raona sobre LA TEVA empresa. No sobre una empresa de manual.
RAG, no fine-tuning
Molta gent es pregunta per què no reentrenar el model amb les dades de l'empresa. Resposta curta: és una trampa financera.
El coneixement d'una empresa canvia cada setmana. Reentrenar un model cada cop que canvia alguna cosa és car i lent.
Amb RAG, actualitzes els documents i l'assessor ja ho sap. I, a més, pots veure de quin document surt cada argument.
Un RAG mal fet és pitjor que no tenir-lo
Aquí ve la part que gairebé ningú explica.
Un RAG mal muntat és un assessor que al·lucina amb les teves pròpies dades. I ho fa amb moltíssima seguretat. Això és més perillós que no tenir res.
Aquestes són les claus d'una implementació seriosa:
- Depurar les fonts. No aboquis tot el Drive. Només el que la Direcció necessita: estratègia, comptes, KPIs, processos, contractes clau, actes.
- Dades netes, amb data i sense versions duplicades o obsoletes.
- Fragmentar els documents amb sentit i etiquetar-los amb metadades: àrea, data, fiabilitat.
- Permisos. El que veu l'assessor de Direcció no és el que veu el d'atenció al client.
- Sobirania. El coneixement del negoci en infraestructura pròpia o controlada. No repartit en comptes personals (això és Shadow AI).
- Traçabilitat. Cada resposta cita les seves fonts. I si no hi ha font, ho diu.
- Avaluació contínua. Preguntes de control amb resposta coneguda per detectar quan el sistema es degrada.
El debat com a mètode
Dos Twins amb el mateix RAG, però amb criteris diferents, es contradiuen. I en contradir-se, s'obliguen a justificar-se.
El que arriba a la Direcció no és una opinió. És un raonament que es pot auditar.
I que quedi clar: la decisió continua sent de qui dirigeix. Els Twins no decideixen. Preparen el terreny per decidir millor.
La metàfora que ho resumeix tot
Fer servir la IA per contestar WhatsApps és com tenir en Steve Jobs i en Taiichi Ohno a la plantilla i posar-los a fer fotocòpies.
I donar la millor IA a la Direcció sense RAG és asseure'ls al consell sense ensenyar-los els comptes.
En tots dos casos, tens un cervell brutal i el deixes cec o de braços plegats.
Aleshores, què et toca a tu?
La pregunta no és quines tasques pot automatitzar la IA.
La pregunta és a qui asseus a la teva taula de direcció. I què li has explicat de la teva empresa.
Perquè pots tenir els millors assessors del món. Si no els ensenyes els comptes, no serveixen de res.
Al Manual L'Empresa IA-Nativa dedico els passos 2 a 5 a construir exactament aquest cervell amb RAG: https://www.cintocasals.com/#manual-ia-nativa
Per què fer servir IA per a decisions de direcció i no només per a tasques com respondre WhatsApps?
Perquè respondre un WhatsApp és una tasca de poc valor i, de moment, les persones ho fan millor. La IA d'avui ja pot raonar sobre decisions de direcció. El que li falta no és intel·ligència, sinó conèixer la teva empresa. Aplicar-la a dalt, a la taula de direcció, aporta molt més valor que automatitzar respostes de baix nivell.
Què és RAG i per què és clau perquè la IA assessori sobre la meva empresa?
RAG (Retrieval-Augmented Generation) és el pont entre una IA genèrica i un assessor que coneix la teva empresa. Abans de respondre, el model consulta el coneixement real del negoci (xifres, processos, contractes, actes, històric de decisions) i raona sobre LA TEVA empresa, no sobre una empresa de manual. A més, permet veure de quin document surt cada argument.
Per què RAG i no reentrenar el model (fine-tuning)?
Perquè el coneixement d'una empresa canvia cada setmana i reentrenar un model cada cop és una trampa financera. Amb RAG només actualitzes els documents i l'assessor ja ho sap, amb l'avantatge afegit de la traçabilitat: cada resposta cita les seves fonts.
Quin risc té un RAG mal implementat?
Un RAG mal fet és pitjor que no tenir-lo: és un assessor que al·lucina amb les teves pròpies dades, i ho fa amb molta seguretat. Per evitar-ho cal depurar les fonts, mantenir dades netes i datades, fragmentar i etiquetar amb metadades, gestionar permisos, assegurar la sobirania del coneixement, garantir traçabilitat i fer avaluació contínua amb preguntes de control.
Comentarios