.jpg)
En els darrers anys, la intel·ligència artificial ha deixat de ser una promesa futurista per convertir-se en una eina operativa dins dels equips de desenvolupament de programari. No obstant això, molts projectes fracassen a l'hora d'aprofitar tot el seu potencial perquè subestimen un component crític: la memòria de producte. No n'hi ha prou amb entrenar o configurar agents d'IA; cal dotar-los d'un context estructurat, actualitzat i rellevant. Aquí és on sorgeix el concepte de context engineering, una disciplina que busca dissenyar i mantenir el coneixement compartit entre humans i màquines.
Imaginem un equip que desenvolupa aplicacions a mida per a un sector regulat. Cada decisió tècnica, cada regla de negoci, cada incident en producció genera informació valuosa. Si aquesta informació s'emmagatzema de manera dispersa —en tiquets, xats, documentació obsoleta o en la ment dels desenvolupadors— els agents d'IA no podran oferir respostes fiables. L'enginyeria de context proposa un repositori separat del codi font, amb una estructura similar a la d'un projecte frontend: pàgines, rutes, fluxos de treball, API i regles compartides. Aquest repositori funciona com una memòria de producte que tant els humans com els agents poden consultar.
Per què és important separar aquesta capa? Perquè el codi font canvia constantment i no sempre reflecteix les decisions o la intenció original. Un fitxer AGENTS.md dins d'aquest context defineix les regles d'ingesta, actualització i poda: quina informació s'ha d'afegir, quan està obsoleta i com resumir-la. El veritable repte no és acumular més documents, sinó mantenir un conjunt petit, precís i durador. De fet, la poda regular és una de les tasques més difícils i valuoses, ja que evita que el context es converteixi en un abocador de soroll.
L'impacte es nota especialment en fluxos de suport i resolució d'incidències. Quan un usuari reporta un error, els sistemes d'observabilitat (com logs, traces o mètriques de serveis al núvol AWS i Azure) aporten senyals tècniques. Però aquests senyals necessiten un marc de negoci per interpretar-se correctament. Un agent d'IA que accedeix a la memòria de producte pot distingir entre una fallada transitòria, un error conegut o un canvi intencionat en la lògica. Així es redueix el temps de diagnòstic i es millora la consistència de les solucions.
Aquest enfocament també és clau per a projectes d'IA per a empreses que busquen automatitzar processos complexos. A Q2BSTUDIO, per exemple, treballem amb organitzacions que integren agents d'IA en els seus fluxos de desenvolupament i operacions. La nostra experiència ens ha mostrat que, abans d'implementar qualsevol motor d'intel·ligència artificial, cal dissenyar una arquitectura de context sòlida. Només així els agents poden operar amb la mateixa comprensió del producte que té l'equip humà. Pots conèixer més sobre com abordem aquest tipus de solucions a la nostra pàgina d'intel·ligència artificial per a empreses.
L'enginyeria de context no és un luxe, sinó una necessitat quan s'aspira a escalar l'ús d'IA en equips de programari. A mesura que més companyies adopten serveis d'intel·ligència de negoci com Power BI per alimentar els seus dashboards, o integren ciberseguretat en els seus pipelines, el coneixement sobre el producte ha d'estar accessible i ben estructurat. Fins i tot el desenvolupament de programari a mida se'n beneficia: els equips poden refactoritzar amb seguretat, incorporar nous membres més ràpidament i mantenir una visió compartida del sistema. Si el teu equip està fent els primers passos en aquesta direcció, recorda que la qualitat de la memòria de producte determinarà l'èxit dels teus agents. No es tracta de tenir més dades, sinó de tenir les dades correctes, en el format adequat, i disposades a ser oblidades quan deixin de ser útils.
