En el panorama actual del desenvolupament de programari, la combinació d'intel·ligència artificial generativa i mètodes formals de verificació està obrint noves fronteres. Un cas d'estudi particularment revelador és la resolució dels clàssics 'Noranta-Nou Problemes de Prolog' (P-99) mitjançant un model de llenguatge gran (LLM) com Claude d'Anthropic, juntament amb el demostrador de teoremes lògics LPTP. Aquest experiment no només demostra la capacitat dels LLMs per generar codi lògic, sinó que també estableix un pont entre l'anomenat 'vibe-coding' i la verificació rigorosa, un enfocament que empreses com Q2BSTUDIO integren en els seus processos de desenvolupament d'aplicacions a mida.
El conjunt P-99, desenvolupat originalment per Werner Hett i popularitzat en l'àmbit acadèmic, planteja desafiaments de programació lògica que van des de llistes i arbres fins a problemes aritmètics i de raonament. Tradicionalment, resoldre'ls manualment requeria un profund coneixement de Prolog i de la lògica de predicats. No obstant això, en aquest experiment es va partir d'especificacions informals en anglès i se li va demanar a un LLM que generés tant el codi Prolog com un fitxer de proves. El resultat va ser la creació de 58 procediments lògics, 508 tests i 257 lemes, sumant més d'11.800 línies de demostració formal. Cadascun d'aquests fitxers va ser revisat manualment, executant les proves i verificant les demostracions amb LPTP.
El que és interessant d'aquest cas és que el LLM no només va produir codi funcional, sinó que a més va generar proves de tipus, terminació, unicitat, existència i, en alguns casos, correcció funcional. Això va més enllà de la simple generació de codi: es tracta d'una verificació profunda de les propietats del programa. El terme 'vericoding' encunyat per a aquesta pràctica reflecteix la intersecció entre la codificació assistida per IA i la garantia formal de qualitat. Des de la perspectiva de Q2BSTUDIO, aquesta metodologia és directament aplicable a projectes de programari empresarial, on la fiabilitat és crítica.
Un dels aprenentatges clau de l'experiment és que els LLMs, tot i la seva naturalesa estadística, poden ser guiats per produir demostracions lògiques coherents. No obstant això, la intervenció humana segueix sent indispensable: els autors de l'estudi van verificar cada línia generada, detectant errors subtils en les proves i lemes. Això subratlla la importància de comptar amb equips experts que supervisin i validin el treball de la IA. En aquest sentit, Q2BSTUDIO combina la potència dels models generatius amb l'experiència dels seus enginyers per oferir solucions robustes en àmbits com la intel·ligència artificial, la ciberseguretat, el cloud AWS/Azure i el Business Intelligence amb Power BI.
L'aplicació pràctica d'aquest enfocament va més enllà de Prolog. En el desenvolupament d'aplicacions a mida, per exemple, la capacitat de generar proves formals a partir d'especificacions en llenguatge natural podria reduir dràsticament els costos de verificació i augmentar la confiança en el programari. Empreses com Q2BSTUDIO ja exploren aquestes tècniques per automatitzar parts del procés de testing i assegurar que el codi compleixi amb requisits de seguretat i rendiment. A més, la integració amb plataformes cloud com AWS o Azure permet escalar aquestes verificacions en entorns d'integració contínua.
Un altre aspecte destacable és la generació d'agents d'IA que puguin raonar sobre el seu propi codi. L'experiment amb P-99 mostra que un LLM pot actuar com un assistent de demostració, produint lemes i proves que després són validats per un demostrador extern. Això és un pas cap a sistemes d'IA més autònoms i fiables, una àrea en la qual Q2BSTUDIO inverteix activament, desenvolupant agents intel·ligents per automatitzar processos empresarials complexos.
Des del punt de vista de la ciberseguretat, la verificació formal ofereix garanties que el codi no conté vulnerabilitats lògiques. En combinar la generació amb LLMs i la demostració amb LPTP, es pot auditar el comportament del programari en un nivell abstracte, detectant possibles fallades abans del desplegament. Q2BSTUDIO integra aquestes pràctiques en els seus serveis de pentesting i seguretat, proporcionant als seus clients una capa addicional de confiança.
En l'àmbit del Business Intelligence, la generació de consultes i transformacions de dades a partir de llenguatge natural és una tendència creixent. Tot i que el cas d'estudi se centra en Prolog, les mateixes tècniques es poden aplicar a llenguatges com SQL o DAX, on la verificació de correcció és igualment important. Q2BSTUDIO utilitza eines d'IA per accelerar el desenvolupament de dashboards i informes en Power BI, assegurant que les fórmules i mesures generades compleixin amb la lògica de negoci.
Finalment, l'experiment amb P-99 i LPTP posa de manifest la necessitat d'un enfocament híbrid: la creativitat i intuïció del LLM combinades amb el rigor formal del demostrador. A Q2BSTUDIO, aquest principi guia el desenvolupament de programari a mida, on es prioritza tant la innovació com la qualitat. L'empresa ofereix serveis que abasten des de la concepció de la idea fins al desplegament en cloud, passant per la integració d'intel·ligència artificial i l'automatització de processos. Així, casos com la resolució de P-99 no són meres curiositats acadèmiques, sinó exemples concrets de com la tecnologia pot transformar la manera en què construïm programari fiable i eficient.
