Quan una empresa tecnològica com Zillow afirma que el veritable repte no són les dades, sinó el context, obliga a replantejar-se com es mesura realment el retorn de la inversió en intel·ligència artificial. La companyia, que participa en aproximadament el 80% de les transaccions immobiliàries dels Estats Units, fa dècades que utilitza aprenentatge automàtic. No obstant això, el seu directiu d’enginyeria, Toby Roberts, va deixar clar en un esdeveniment recent que el ROI de la IA només és tangible si s’estableixen mètriques de referència abans de llançar cap model. Aquesta lliçó ressona amb força en qualsevol organització que aspiri a adoptar agents intel·ligents sense caure en el malbaratament de còmput o en la pèrdua d’informació crítica.
La idea central és senzilla: sense una línia base de rendiment, qualsevol millora atribuïda a la IA pot ser una il·lusió estadística. Zillow va implementar mètriques DORA anys abans de la seva actual onada d’automatització, cosa que li va permetre mesurar amb precisió un increment del 40% en codi enviat a producció gràcies als seus assistents de codificació. Aquella dada no hauria estat possible sense un marc de mesura previ. Per a la majoria d’empreses, construir aquest marc implica auditar processos, identificar colls d’ampolla i definir indicadors clau abans de tocar un sol model de llenguatge.
Aquí és on entra el valor de comptar amb un soci tecnològic que entengui tant la infraestructura com l’estratègia de negoci. A Q2BSTUDIO, hem ajudat desenes d’organitzacions a dissenyar aquesta línia base des de zero, combinant aplicacions a mida amb un profund coneixement dels cicles de vida del programari. No es tracta només d’instal·lar un chatbot; es tracta d’orquestrar serveis al núvol, protegir les dades amb ciberseguretat avançada i construir un model de governança que permeti escalar la intel·ligència artificial sense perdre el control.
El cas de Zillow també il·lustra la importància de no delegar el context en un únic interfície de xat. La companyia va triar construir la seva pròpia capa de context persistent, capaç de seguir el client a través de diferents punts de contacte durant mesos. Aquesta decisió reflecteix una veritat incòmoda: els models sols no són suficients. Necessiten una arquitectura que recordi on es va quedar l’usuari, quins permisos té i quina informació sensible s’ha de protegir. I això, com van assenyalar els experts, és molt més difícil que netejar dades.
En lloc d’encadenar els clients a un únic model de llenguatge, Zillow va apostar per un arnès de models petits i especialitzats, entrenats per a tasques concretes. Aquesta aproximació, que ja utilitzen moltes empreses punteres, redueix el consum de tokens i millora la latència. Per replicar-la, cal una plataforma que centralitzi les integracions i eviti que cada departament construeixi els seus propis connectors. Aquí és on l’ecosistema de cloud AWS/Azure ofereix avantatges competitius, ja que permet desplegar múltiples agents amb polítiques de seguretat unificades.
Un altre aprenentatge clau de l’enfocament de Zillow és que la mesura del ROI no es pot limitar a la fase de desenvolupament. S’ha d’estendre a l’operació diària. El cofundador de Glean, Arvind Jain, va explicar com l’encaminament intel·ligent de models pot reduir el consum de tokens a la meitat, simplement enviant les tasques més simples a models més petits i econòmics. A més, el context precalculat evita que cada agent hagi de reconstruir el fil des de zero, un estalvi que sovint passa desapercebut en els pressupostos d’IA.
Si una empresa vol implementar agents d’IA amb un retorn mesurable, hauria de començar per auditar els seus processos actuals, establir indicadors de productivitat i cost, i després dissenyar una arquitectura que separi el context del model subjacent. A Q2BSTUDIO treballem precisament en aquesta línia: ajudem les organitzacions a construir la capa de context que necessita el seu negoci, ja sigui mitjançant integracions amb sistemes legacy, migracions al núvol o el desenvolupament de quadres de comandament amb BI/Power BI que monitoritzin en temps real el rendiment dels agents.
No menys important és la ciberseguretat. Zillow va afegir regles estrictes i comprovacions de compliment addicionals per a les seves dades més sensibles, fins i tot després d’haver implementat una plataforma conscient de permisos. Aquesta prudència és totalment aplicable a sectors regulats com la banca, la salut o les fintech. Quan un agent d’IA accedeix a informació confidencial, la confiança en el sistema depèn que aquest accés estigui controlat, auditat i reversible.
En definitiva, la història de Zillow no és un cas d’èxit aïllat, sinó una guia pràctica per a qualsevol empresa que vulgui obtenir un ROI real de les seves inversions en intel·ligència artificial. Mesurar abans de construir, centralitzar el context, especialitzar els models i blindar la seguretat són els pilars d’una estratègia que transcendeix els titulars. I en aquest camí, comptar amb un equip que domini tant la tècnica com el negoci marca la diferència entre un experiment costós i una transformació sostenible.
