L'epanortosi, una figura retòrica que consisteix a corregir immediatament el que s'acaba de dir per reforçar el missatge —«això no és un error, és una oportunitat»— ha trobat una llar inesperada en els models de llenguatge de gran escala (LLMs). El que Ciceró i Quintilià van catalogar com un recurs elegant s'ha convertit en una crossa generativa: els assistents d'IA corregeixen frases abans d'acabar-les, els xatbots es retracten a mig paràgraf i els generadors de text empresarial dupliquen conceptes amb «més aviat» o «és a dir». Aquest fenomen no és casual; respon a un desajustament entre la retòrica humana i la manera com entrenem les màquines. En aquest article analitzem per què els LLMs abusen de l'epanortosi, quines implicacions té per a les empreses i com podem mitigar-ho sense perdre naturalitat, tot des d'una perspectiva tècnica i aplicada.
Des del punt de vista computacional, l'epanortosi apareix perquè el model ha estat exposat, durant el preentrenament, a una enorme quantitat de textos promocionals, discursos motivacionals i contingut persuasiu on l'autocorrecció retòrica és freqüent. L'ajust per preferències (RLHF) reforça les respostes segures i emfàtiques, cosa que incentiva el model a afegir aclariments que semblin més autoritaris. El procés de generació esquerra-a-dreta amplifica aquesta tendència: en no poder revisar el que ja s'ha escrit, el model compensa amb correccions en temps real. El resultat és un patró sistemàtic que, mesurat amb un Índex d'Epanortosi (densitat respecte a la taxa humana), mostra una sobreutilització en registres formals com l'oratòria —fins a tres vegades més en alguns models grans— i una infrautilització en contextos informals com preguntes i respostes.
Per a una empresa que integra IA en els seus processos, aquest desajust no és trivial. Un assistent virtual que corregeix constantment les seves pròpies respostes transmet inseguretat, mentre que un generador d'informes que abusa de l'epanortosi pot restar claredat al missatge. Aquí és on serveis com el desenvolupament de programari a mida cobren rellevància: adaptar la interacció amb la IA al to i a la cultura de cada organització evita que les màquines imposin la seva pròpia retòrica. Q2BSTUDIO, com a empresa especialitzada en solucions tecnològiques, entén que calibrar aquests models no és només un exercici acadèmic, sinó una necessitat operativa per mantenir la confiança de l'usuari.
Les tècniques de mitigació van des d'ajustos lleugers mitjançant adaptadors LoRA fins a instruccions d'una sola línia que redueixen l'epanortosi a la meitat o més. Per exemple, un simple prefix com «respon amb fluïdesa, sense corregir-te a tu mateix» pot tallar el fenomen entre un 50% i un 75%. Un fine-tuning supervisat, entrenat amb exemples d'humans que no fan servir epanortosi, pot eliminar gairebé completament el patró. El que és interessant és que no es busca l'eliminació absoluta, sinó la calibració: que la màquina imiti la freqüència retòrica pròpia de cada gènere textual. Igual que un orador humà ajusta el seu discurs al públic, un LLM ha d'aprendre a ser epanortòtic només quan el context ho requereixi.
Aquest equilibri és crític en aplicacions empresarials on la precisió i la naturalitat coexisteixen. En l'àmbit de la IA, els assistents conversacionals, els sistemes d'atenció al client i els generadors de contingut corporatiu es beneficien d'una retòrica alineada amb la humana. Però l'abús d'epanortosi no és l'únic desviament. La mateixa dinàmica afecta la ciberseguretat quan els models d'IA per a detecció d'amenaces generen alertes excessivament cauteloses, o en plataformes de cloud AWS/Azure on els assistents d'infraestructura dubten en recomanar configuracions. Fins i tot en l'anàlisi de dades amb BI/Power BI, els informes generats per IA poden sobrecarregar-se de matisos retòrics que confonen el lector en lloc d'aclarir els indicadors.
Els agents d'IA, capaços d'orquestrar fluxos de treball complexos, són especialment sensibles a aquest problema. Un agent que constantment s'autocorregeix pot introduir latència i ambigüitat en processos automatitzats, cosa que contradiu l'objectiu d'eficiència. Per això, a Q2BSTUDIO abordem la integració d'agents IA amb un enfocament pragmàtic: mesurem la densitat d'epanortosi en les sortides del model i apliquem adaptadors lleugers per alinear-lo amb la taxa humana del sector específic. L'escalabilitat d'aquesta solució es recolza en coeficients d'ajust que permeten reduir el fenomen sense sacrificar la fluïdesa. Un exemple pràctic: en italià, una única instrucció redueix l'epanortosi a la meitat gairebé tres quartes parts, i un adaptador LoRA l'elimina gairebé del tot, amb un coeficient que permet retrocedir fins a la taxa humana.
El risc real, com adverteixen els estudis més recents, és que acabem escrivint com les màquines. Si els LLMs abusen de l'epanortosi i nosaltres consumim els seus textos diàriament, la nostra pròpia retòrica es pot contaminar, adoptant patrons d'autocorrecció innecessaris. Per evitar-ho, les empreses han d'invertir en models calibrats que respectin la diversitat retòrica de cada context. La tecnologia existeix: adaptadors lleugers, fine-tuning selectiu i prompts optimitzats. El que cal és consciència del problema i voluntat d'aplicar-lo. A Q2BSTUDIO treballem cada dia perquè la IA no només parli correctament, sinó que soni humana quan ha de ser-ho, i tècnica quan es necessita precisió. Perquè al final, la millor epanortosi és la que no es nota.
