.jpg)
La gestió tradicional de prompts en sistemes basats en intel·ligència artificial sol tractar-los com a constants estàtiques incrustades al codi. Això genera dos problemes greus: qualsevol modificació, per mínima que sigui, requereix un desplegament complet, i la millora es basa en intuïcions en lloc de dades objectives. A Q2BSTUDIO, com a empresa especialitzada en aplicacions a mida, sabem que la iteració ràpida i el mesurament rigorós són essencials per construir sistemes d'IA fiables. Per això hem desenvolupat un enfocament on els prompts viuen com a dades versionades a la base de dades, s'avaluen amb senyals reals de negoci i s'optimitzen automàticament mitjançant cicles d'A/B testing.
El canvi fonamental és conceptual: en lloc de tenir un fitxer .txt o una constant al codi, cada prompt s'emmagatzema com una fila en una taula amb camps com agent, tipus, versió, text i un indicador d'actiu. Publicar una nova versió és simplement escriure un registre a la base de dades i desactivar l'anterior, tot en una mateixa transacció. Això elimina el coll d'ampolla del desplegament i permet que els canvis estiguin vigents a la següent petició. Els agents, en el moment d'atendre una sol·licitud, consulten el registre per obtenir el prompt actiu, amb un fallback segur al prompt original si la taula està buida —per exemple, en entorns de desenvolupament acabats de crear.
Però el veritable valor rau en com mesurem la qualitat. La majoria dels sistemes cauen al parany de demanar al mateix model que avaluï la seva sortida, cosa que mesura fluïdesa, no utilitat. Nosaltres combinem dos tipus de senyal: l'explícita (puntuacions de l'usuari, com estrelles o m'agrada) i la implícita, que prové de resultats de negoci reals —una proposta de conferència acceptada, un esborrany publicat, un lead convertit. Aquestes senyals implícites pesen un 60 % a la puntuació combinada, perquè reflecteixen l'impacte real del prompt al món. A més, calculem una tendència (millorant, estable o empitjorant) comparant la puntuació actual amb la d'una setmana enrere, cosa que detecta degradacions silencioses que una puntuació absoluta ocultaria.
Amb aquesta base, implementem un cicle d'optimització complet. Quan un prompt mostra baix rendiment (per puntuació baixa o tendència negativa), un optimitzador automàtic —usant un LLM— genera una reescriptura suggerida. Aquesta suggerència es marca com a pendent, i després s'inicia un test A/B amb un repartiment 90/10 (el 90 % del trànsit segueix amb el control, el 10 % prova la variant). Només quan la variant acumula almenys 50 mostres i supera el control per 10 punts o més es promou a activa, reemplaçant l'anterior en calent. Si després de 500 mostres no hi ha diferència clara, es descarta la variant i es manté el control. Aquest procés, avorrit per disseny, evita promoure soroll estadístic i garanteix que cada canvi estigui recolzat per dades.
Una lliçó important va sorgir en afrontar un error: el sistema assumia que només podia haver-hi un test actiu per prompt, però dos tests es van crear gairebé alhora, causant una excepció en intentar obtenir un únic registre. La solució va ser doble: primer, tolerar la duplicitat triant el test més recent i registrant l'anomalia; segon, cancel·lar el test més antic. Això reforça la regla que si un invariant no està forçat per la base de dades (índex únic), les rutes de lectura han de gestionar la violació sense fallar.
A Q2STUDIO apliquem aquests mateixos principis als nostres projectes de ia per a empreses, on els agents IA han d'evolucionar amb el negoci. Integrem aquest sistema amb els nostres serveis d'intel·ligència artificial, agents IA i power bi per crear solucions completes que no només automatitzen processos, sinó que aprenen i milloren amb el temps. També ho combinem amb serveis cloud aws i azure per garantir escalabilitat, i amb ciberseguretat per protegir les dades sensibles que flueixen en aquests cicles de retroalimentació. Tot això sobre la base de programari a mida i serveis intel·ligència de negoci que oferim com a part del nostre portfoli.
En definitiva, tractar els prompts com a dades versionades, mesurar amb resultats reals i automatitzar l'optimització amb llindars conservadors transforma la gestió de prompts d'un art subjectiu a una disciplina d'enginyeria. A Q2BSTUDIO ajudem les organitzacions a adoptar aquest enfocament, integrant intel·ligència artificial i agents IA als seus processos de negoci amb la solidesa que exigeix l'entorn actual. La iteració gratuïta i el mesurament basat en fets no són luxes: són la base per construir sistemes d'IA que realment aportin valor.
