En l'ecosistema actual dels grans models de llenguatge (LLM), enrutar correctament cada petició cap al motor òptim s'ha convertit en un desafiament tècnic de primer ordre. No totes les consultes mereixen el mateix còmput ni el mateix cost. Una pregunta curta com 'arregla el bug d'autenticació' pot desencadenar una seqüència de recerca, edició i verificació que només un model gran i costós pot sostenir sense fallades. Per contra, un paràgraf extens demanant una comparació d' estratègies de bloqueig probablement es resol amb un model lleuger i gratuït. La paradoxa és evident: la mida de la petició no es correlaciona amb la complexitat real del treball. Per això sorgeix la necessitat de construir un detector d'intencions agèniques, un sistema que analitzi cada sol·licitud i decideixi si requereix un agent autònom o simplement una resposta generativa.
En Q2BSTUDIO entenem que la intel·ligència artificial per a empreses ha de ser pràctica, eficient i escalable. La nostra experiència en el desenvolupament d'aplicacions a mida ens ha portat a dissenyar arquitectures d'enrutament intel·ligent on aquests detectors són peces clau. Al cap i a la fi, una mala decisió d'encaminament pot convertir una sessió de depuració prometedora en un caos de pèrdua de context. Per això, en construir un detector de tasques agèniques no n'hi ha prou amb un sí o un no; cal una escala de classificació que assigni nivells d' esforç mínims.
Imaginem quatre categories: sol·licitud única (sense eines), cadena d'eines (llegir, editar, provar), iterativa (bucles de reintent i depuració) i autònoma ('resuélvelo tú mismo'). Cadascuna té un pis mínim de model: una petició iterativa mai hauria de caure en un model petit perquè el cost de perdre el fil de la depuració és enorme. El detector, per tant, assigna una puntuació basada en sis senyals independents. La primera és la quantitat d'eines adjuntes: quantes més eines tingui un client preparades, més probable és que vagi a fer feina multi-pas. No obstant això, aquest senyal és el més enganyós, com veurem.
Un altre senyal crucial és la naturalesa d'aquestes eines. No és el mateix tenir eines de només lectura (recerca web, grep) que eines mutants (bash, escriptura, edició, proves). Un client que porta amb si un carregament d'eines de modificació d'estat és un fort indici de treball agènic. Però el senyal més pesat —fins a 30 punts— és la presència de resultats d'eines anteriors en la conversa. Si el xat ja conté blocs de tool_result, no estem predient un bucle agènic: ja estem dins d'un. Reassignar el model en aquest punt és descartar la disciplina de context que manté convergent el bucle.
També analitzem patrons lingüístics en l'últim missatge: frases com 'a continuació', 'després', 'pas 2', 'segueix intentant', 'depura', 'fes-ho funcionar', 'pel teu compte' activen diferents categories. Una combinació d''implementa' i 'verifica' suma més que cada paraula per separat, perquè indica un cicle construcció-verificació. La profunditat de la conversa (més de quinze missatges) i la longitud del prompt (el senyal més feble, intencionadament) completen el quadre.
No obstant, el detector es va trobar amb un fals positiu humiliant: totes les peticions de certs entorns (com Claude Code) puntuaven com a agèntiques, fins i tot un simple 'hola'. La raó? Aquests entorns adjunten el seu arsenal complet d'eines (lectura, escriptura, bash, etc.) a cada sol·licitud, fins i tot a una salutació. El detector funcionava tècnicament, però era inútil a la pràctica: tot s'encaminava a models cars. La solució va ser introduir perfils de client: si coneixem la línia base d'eines d'un determinat harness, restam aquestes eines del còmput dels senyals d'eina. Els senyals de resultats previs i patrons lingüístics es mantenen intactes. A més, per a clients desconeguts amb més de deu eines totes estàndard, anul·lem directament aquests senyals per evitar el mateix biaix. És millor pecar d'infra-detecció i confiar en els senyals no contaminats.
Aquest enfocament és un exemple de com la intel·ligència artificial ben dissenyada necessita entendre el context de l'usuari, no només el text. En Q2BSTUDIO apliquem principis similars en desenvolupar agents IA que s' integren amb sistemes empresarials. Per exemple, en construir un assistent que automatitzi fluxos de treball, és vital distingir entre una consulta informativa i una ordre d'execució. Els nostres equips implementen detectors d'intenció que, a més, es recolzen en serveis cloud aws i azure per escalar sense perdre precisió. La infraestructura al núvol permet que aquests detectors manegin milers de peticions per segon, mantenint la latència baixa i el cost controlat.
El detector també té limitacions conegudes. Només llegeix l'últim missatge, així que frases com 'fes el que et dieu abans' perden la referència. Els patrons de llenguatge de vegades confonen menció amb intenció: 'per què va fallar el bucle de reintent?' dispara el senyal iteratiu encara que només sigui una pregunta de lectura. A la pràctica, sobre-enrutar cap a un model més car costa cèntims; infra-enrutar pot trencar la sessió. Per tant, el calibratge ha d' afavorir el sobrecost lleu sobre l' error catastròfic.
La capacitat d'inspeccionar cada decisió és fonamental. Cada detecció retorna la seva evidència completa: puntuació, llista de senyals amb pesos, classificació i una nota sobre possibles restes de línia base. Sense aquesta transparència, el router és una caixa negra impossible d'afinar. En Q2BSTUDIO valorem especialment la ciberseguretat i la traçabilitat en els nostres sistemes d'IA. Quan treballem en serveis intel·ligència de negoci amb power bi, per exemple, assegurem que cada transformació de dades quedi registrada per a auditoria. De la mateixa manera, un detector d' intencions ha de ser auditable perquè les fallades es converteixin en millores.
Construir un sistema d'enrutament LLM eficaç va més enllà de comparar tokens. Requereix entendre la semàntica del treball, les eines de l' entorn i la història de la conversa. Si estàs desenvolupant programari a mida per integrar intel·ligència artificial en el teu negoci, comptar amb un soci que domini aquestes tecnologies marca la diferència. En Q2BSTUDIO oferim solucions completes de ia per a empreses, des de la detecció d'intencions fins a l'automatització de processos complexos amb agents IA.
La lliçó principal és: resta la constant abans de llegir el senyal. Identifica allò que sempre és present en el teu ecosistema (eines per defecte, missatges de sistema, etc.) i elimína-ho de l'anàlisi. Separa el preparat per a eines del que ja les està fent servir. I, sobretot, fes que el teu detector s'expliqui a si mateix. Només així podràs afinar el llindar entre el cost i la qualitat del servei.
Si desitges explorar com implementar detectors d'intenció agènica en les teves pròpies aplicacions o necessites assessorament en arquitectures d'IA, no dubtis a contactar-nos. En Q2BSTUDIO combinem experiència en aplicacions a mida, serveis cloud aws i azure i ciberseguretat per oferir solucions robustes i escalables. Visita la nostra secció d'intel·ligència artificial per conèixer més sobre com integrem aquests principis en projectes reals. També pots consultar el nostre servei de desenvolupament d'aplicacions a mida per veure com apliquem aquestes tècniques en entorns multiplataforma.
