En els darrers mesos, moltes empreses han desplegat agents d'intel·ligència artificial amb la promesa d'automatitzar processos, respondre preguntes complexes i reduir la càrrega operativa. Tanmateix, un patró recurrent està emergint en producció: l'agent comença a donar respostes incorrectes amb total confiança, tot i que el model o les indicacions no han canviat. El diagnòstic inicial sol apuntar al context o al model, però l'arrel del problema rau en un lloc menys evident: l'enginyeria de dades. Aquest article explora per què les fallades dels agents d'IA no es deuen a la manca de context, sinó a una deficiència en la capa de dades, i com solucionar-ho amb pràctiques d'observabilitat i validació.
Imaginem un assistent virtual per a suport al client que ha estat entrenat amb documentació de productes. Durant les primeres setmanes, l'agent respon amb precisió. Però al cap de tres mesos, sense que ningú hagi modificat el model ni els prompts, les respostes comencen a ser incorrectes en una proporció significativa. Què ha passat? El món ha canviat: els preus s'han actualitzat, s'ha llançat una nova versió d'un producte, s'ha modificat una política. El coneixement subjacent —els documents, les bases de dades o les API que alimenten l'agent— no s'ha actualitzat al mateix ritme. El sistema continua recuperant documents perquè puntuen alt en rellevància, però aquesta rellevància no equival a correcció. El problema no és de context; és de dades obsoletes o incompletes que passen desapercebudes perquè les canonades de dades no verifiquen la veracitat del que serveixen.
Aquest fenomen no és nou en el món de l'enginyeria de dades. Abans de l'era dels agents d'IA, ja veiem fallades similars en pipelines financers on un camp canviava sense avís i els dashboards de Business Intelligence seguien verds mentre els valors eren incorrectes. L'absència d'error no és presència de correcció. Les eines de monitoratge tradicionals comproven si un treball s'ha executat, no si les dades que ha mogut segueixen sent correctes. Aquesta mateixa inèrcia és la que ara està provocant que els agents d'IA donin respostes equivocades amb total seguretat.
Quan un agent d'IA recupera un document d'un magatzem vectorial, d'un índex de cerca o d'una crida API, no existeix un mecanisme estàndard que comprovi si aquest contingut segueix sent vàlid. Un document amb preus desactualitzats es recupera amb la mateixa confiança que un d'actualitzat. Un registre al qual li falta un camp obligatori passa igual de net. El sistema de recuperació puntua per rellevància o disponibilitat, no per correcció. Així que la fallada és invisible per disseny. Els panells de control segueixen verds, però les respostes de l'agent són errònies.
Per què és un problema d'enginyeria de dades i no de models o de recuperació? Perquè els equips tendeixen a maldiagnosticar la fallada dues vegades. Primer culpen al model: proven amb un altre LLM, ajusten el prompt. Però l'arrel està aigües amunt, a la capa de dades. Després culpen al sistema de recuperació i en compren un de millor. Tanmateix, tant AWS amb el seu graf de coneixement com Snowflake amb Context i Cortex Sense actuen una capa per sobre del problema real: un graf de coneixement segueix depenent de les dades que l'alimenten. La solució no està en canviar de proveïdor, sinó en construir una capa d'observabilitat de dades que verifiqui correcció, frescor, consistència i llinatge.
Aquestes quatre dimensions són les que defineixen si unes dades són fiables per a un agent d'IA. La correcció verifica que cada registre compleix amb la forma i regles esperades: tipus de camp correctes, sense nuls inesperats, valors dins de rang. Eines com Great Expectations o Soda permeten validacions automàtiques a la ingesta. La frescor mesura si les dades estan actualitzades respecte al seu origen, amb SLAs per conjunt de dades, no amb un llindar global. Una font pot necessitar actualització cada hora i una altra cada setmana. La consistència garanteix que el mateix fet es llegeixi igual a tots els llocs on està emmagatzemat o indexat. Fallades silencioses apareixen quan dos sistemes alimentats per la mateixa font comencen a diferir. Un encreuament periòdic entre destinacions aigües avall pot detectar-ho a temps. El llinatge permet traçar cada sortida fins al seu origen i totes les transformacions que va patir, com va fer Netflix amb el seu sistema de llinatge a nivell d'empresa.
A Q2BSTUDIO entenem que aquests principis no són teoria. Hem treballat amb clients que rebien dades en qualsevol format i ocasionalment incorrectes. Implementem un patró d'escriptura-auditoria-publicació: les dades arriben a una àrea de staging, es validen amb regles d'esquema i rang, s'estableixen SLAs de frescor per font, es fan comprovacions creuades de consistència i es manté un llinatge a nivell de fitxer. Només quan les dades passen totes les validacions es mouen aigües avall. Aquest enfocament ha millorat la precisió en informes, models d'aprenentatge automàtic i, per descomptat, en la recuperació d'informació per a agents d'IA.
Si estàs executant agents d'IA en producció, la pregunta diagnòstica no és quin model provar a continuació o a quina arquitectura de recuperació migrar. Són quatre preguntes més concretes: Les dades subjacents estan validades contra els estàndards requerits pels seus consumidors? Quin és el contingut més antic que actualment es serveix amb alta confiança? Dos fragments de la mateixa font podrien discrepància entre si en el mateix resultat de recuperació? Podries rastrejar d'on va provenir una dada si resultés ser incorrecta? Si no pots respondre a aquestes preguntes, la bretxa està a la canonada entre els teus sistemes font i el que llegeix el teu agent. Aquesta és una solució d'enginyeria de dades, no un canvi de model ni una migració de proveïdor.
A Q2BSTUDIO oferim serveis de aplicacions a mida que integren aquestes capes de validació i observabilitat. També ajudem a desplegar infraestructura a cloud AWS/Azure amb pipelines robustos de dades. El nostre equip d'IA dissenya agents que no només recuperen informació, sinó que verifiquen la seva vigència abans de respondre. I combinem tot amb BI/Power BI perquè els dashboards mostrin dades fiables, així com amb ciberseguretat per protegir la integritat de les dades a cada etapa. La intel·ligència artificial només exposa les debilitats que sempre han existit en l'enginyeria de dades; solucionar-les és la clau perquè els agents d'IA funcionin en producció a llarg termini.
