Durant els últims mesos, l'ecosistema tecnològic ha estat testimoni d'una explosió de demos d'agents d'intel·ligència artificial capaços de navegar per llocs web, omplir formularis, extreure dades i executar tasques complexes amb una fluïdesa gairebé humana. No obstant això, quan aquests mateixos agents s'enfronten a entorns reals amb desenes de sessions concurrents o a pàgines el DOM de les quals canvia d'una setmana a una altra, el rendiment es desploma. Durant molt de temps es va pensar que la solució era millorar el model de llenguatge: un LLM més intel·ligent implicaria un agent més fiable. Però l'experiència acumulada en el desenvolupament d'infraestructura d'automatització web revela que el coll d'ampolla no està en el model, sinó en el substrat d'execució. Aquest article explora per què el veritable desafiament és controlar l'entorn sobre el qual opera la IA i com empreses com Q2BSTUDIO estan abordant aquest problema des d'una perspectiva pràctica i empresarial.
El problema rara vegada es nomena en les discussions habituals. Un agent de navegació típic inicialitza una sessió de navegador, carrega una pàgina, llegeix el DOM, envia una instantània al LLM, rep instruccions i executa accions. En teoria és simple. A la pràctica, els entorns de navegador en viu són volàtils. Les cookies s'acumulen, els elements del DOM es renderitzen de forma diferent segons la càrrega d'anuncis, les proves A/B o les variacions a les CDN. Un botó que ahir s'identificava amb un ID fix avui es genera dinàmicament amb un hash aleatori. L'agent no al·lucina perquè el seu raonament sigui dolent; al·lucina perquè l'entorn que intenta interpretar canvia entre trucades. Aquesta deriva del DOM genera una bretxa silenciosa entre la pàgina que es va indexar i la que realment s'està tocant. Mentre la majoria de les anàlisis de fiabilitat se centren en l' enginyeria de prompts o en l' elecció del model, gairebé ningú examina el control del substrat d' execució.
La solució que ha demostrat major eficàcia consisteix a aplicar un principi pres del desenvolupament web modern: l' execució sense estat. En aquest paradigma, cada sessió de l' agent comença des d' un context net i preindexat. No hi ha estat heretat, ni cookies residuals, ni deriva del DOM per interaccions acumulades. El navegador s' inicialitza de nou i l' estructura de la pàgina es processa prèviament en un format normalitzat i llegible per màquina abans que l' agent intervingui. Això aporta tres beneficis interconnectats: predecibilitat, paral·lelisme i desacoblament. La predecibilitat permet reproduir fallades i depurar amb precisió. El paral·lelisme fa possible executar milers de sessions concurrents sense col·lisions d'estat compartit. El desacoblament separa l' avaluació del raonament del model de la fiabilitat de l' execució, proporcionant un senyal molt més net per iterar.
Implementar aquesta arquitectura requereix repensar on es realitza el treball de preprocessament. L'enfocament ingenu de passar l'HTML brut al LLM perquè interpreti el DOM crema enormes quantitats de tokens —una pàgina complexa pot generar 50.000 tokens de marcat que el model a penes necessita— i pateix de referències errònies quan l'estructura canvia. En Q2BSTUDIO, seguint la nostra experiència en intel·ligència artificial per a empreses, traslladem aquest treball estructural. Abans que l' agent comenci, un pas de preindexat converteix el DOM viu en un mapa d' accions normalitzat: una representació neta i mínima dels elements interactuables, els seus rols semàntics, el seu estat i les seves relacions. El LLM mai veu HTML sense processar; treballa sobre aquest mapa prèviament digerit. Això redueix el consum de tokens en aproximadament un 95% i el nombre de passos d'interacció per tasca en un 90%. L' agent no navega entre etiquetes, sinó que opera sobre un context estructurat i rellevant per a la tasca.
El segon pilar és com es tradueixen les accions. Les sortides dels LLM són probabilístiques. El model pot dir 'fes clic al botó d'enviar' quan el selector real ha canviat o quan hi ha dos elements que podrien coincidir. Per això se situa un motor d'accions determinista entre la sortida del model i les trucades al protocol Chrome DevTools. Aquest motor valida i resol la intenció contra el mapa d' accions indexat abans de qualsevol interacció amb el navegador. Aquí és on l'enfocament sense estat paga el seu major dividend: com que el mapa es va construir a partir d'una instantània controlada i preindexada, el motor pot validar la intenció del model davant una representació coneguda de la pàgina. Les accions ambigües o invàlides es detecten abans que generin un error en el navegador. La taxa d'al·lucinacions cau no perquè el model sigui més intel·ligent, sinó perquè la bretxa entre la sortida del model i la realitat executable es redueix dràsticament.
Els resultats en benchmarks públics (Mind2Web i BrowserComp) mostren una taxa d'èxit superior al 85% amb aquesta arquitectura, enfront del 50% de la línia base. És important no prendre aquests números com una garantia absoluta per a entorns de producció, perquè els benchmarks són entorns curats. Però sí que demostren que la millora no prové d'un model base superior —es pot fer servir el mateix LLM en tots dos casos— sinó del control del substrat d'execució. Aquest és el punt clau: la fiabilitat no s'aconsegueix demanant al model que raoni millor sobre un entorn brut, sinó netejant l'entorn perquè el model pugui raonar bé.
El que molts equips no esperen en construir aquest tipus d'infraestructura és el molt que revela sobre l'estructura del problema de fiabilitat en els sistemes agènics en general. Quan es demana a un model que operi en un entorn que no controla completament, es combinen dues fonts de variància: el raonament del model i l' estat de l' entorn. Les fallades es multipliquen. Un model amb un 90% de fiabilitat en un entorn net pot caure al 50% en un de real perquè la variància ambiental afegeix una segona manera de fallada multiplicativa. La resposta correcta no és perseguir una major precisió del model sobre un substrat brut, sinó reduir la variància ambiental el més a prop possible de zero. L' execució sense estat és una forma d' aconseguir-ho per a entorns de navegador, però el principi s' estén a qualsevol domini on els agents operin: com més es controli l' estat sobre el qual el model raona, més predictible serà el seu comportament.
En Q2BSTUDIO entenem que la propera onada de guanys en fiabilitat dels sistemes agènics no vindrà de l' escalat de models, sinó de la infraestructura d' execució: sandboxing, gestió d' estat, normalització d' entorns i capes de validació d' accions. Per això combinem les nostres capacitats d'aplicacions a mida i programari a mida amb serveis cloud com serveis cloud AWS i Azure, ciberseguretat, intel·ligència de negoci amb Power BI i solucions d'automatització de processos. El nostre equip integra aquestes disciplines per oferir a les empreses agents d'IA robustos, escalables i realment fiables en producció. No es tracta només de tenir un model potent; es tracta de construir el substrat adequat perquè la intel·ligència artificial pugui desplegar tot el seu potencial sense sorpreses. Si estàs avaluant com implementar IA per a empreses o desitges millorar la fiabilitat dels teus agents actuals, et convidem a conèixer com la nostra experiència en el desenvolupament d'infraestructura d'execució pot marcar la diferència.
