En els darrers anys, la intel·ligència artificial ha passat de ser una promesa futurista a convertir-se en una eina pràctica per al desenvolupament de programari. Un experiment recent demostra fins on pot arribar la col·laboració entre un desenvolupador humà i un model de llenguatge de frontera com DeepSeek: la creació de dos cercadors d'escriptori completament funcionals, sense dependre de connexió a internet i amb un enfocament radical en la privadesa. El projecte no només va validar la capacitat de la IA per generar codi complex, sinó que va revelar lliçons valuoses sobre com estructurar el treball quan s'integren assistents intel·ligents al cicle de vida del programari.
Imaginem un escenari real: un advocat necessita localitzar un contracte signat fa anys entre centenars de milers de documents locals; un dissenyador de vídeo busca fragments de transcripcions en entrevistes sense pujar res al núvol. Per cobrir ambdós perfils, es van desenvolupar dues aplicacions: Desktop Search Light, orientada a professionals d'oficina que requereixen cerca ràpida i metadades profundes en formats com PDF, DOCX o XLSX; i Desktop Search Pro, una versió més avançada que incorpora processament de llenguatge natural, transcripció d'àudio i vídeo, i cerca semàntica, tot executant-se al 100% en local. El resultat són executables portàtils que no exigeixen permisos d'administrador i funcionen des d'una memòria USB.
La clau de l'èxit no va estar en la quantitat de codi generat —més de 30.000 línies organitzades en 52 fitxers— sinó en la metodologia de col·laboració. En lloc de demanar a DeepSeek que escrivís blocs sencers sense control, es va aplicar un enfocament d'aplicacions a mida amb indicacions altament específiques. Per exemple, quan sorgia un error de dependència, s'alimentava el model amb diagrames de dependències i informes d'estructura perquè identifiqués exactament quins scripts necessitaven canvis, sense tocar funcions no relacionades. Aquesta disciplina va evitar les al·lucinacions típiques dels models generatius i va mantenir una arquitectura neta, sense dependències circulars.
Un aspecte destacat és la creació d'eines internes de suport dissenyades juntament amb la IA. Un agregador de codi basat en AST (arbre sintàctic abstracte) analitza el projecte separant la capa gràfica de l'indexador, extreu classes i mètodes amb les seves signatures, genera grafs de crides i produeix informes d'estructura detallats. Un documentador de bases de dades SQLite examina l'esquema, calcula mètriques de qualitat i genera documentació HTML i Markdown. I un harness de proves automatitzades recorre cada menú de la interfície, obre diàlegs, persisteix configuracions i reporta errors. Tot això s'orquestra mitjançant un script que neteja artefactes previs, reinicia la base de dades, indexa fitxers de prova, genera documentació i executa múltiples suites de tests, bolcant els resultats en logs que després retroalimenten DeepSeek per a anàlisis posteriors.
La separació entre el frontend PySide6 i el backend indexador segueix un patró de fàbrica d'extractors, gestionant desenes de formats amb metadades robustes. Les proves automatitzades van assolir un 100% d'èxit en la indexació de mostres en mode Light, amb mètriques de rendiment clares. Aquest nivell de qualitat no s'hauria aconseguit sense la supervisió humana constant i la capacitat de DeepSeek per actuar com a arquitecte, revisor i redactor tècnic alhora.
Des d'una perspectiva empresarial, l'experiment demostra que la IA no reemplaça el desenvolupador, sinó que el potència. Empreses com Q2BSTUDIO apliquen principis similars en els seus projectes d'IA, cloud AWS/Azure, ciberseguretat i BI/Power BI, integrant agents intel·ligents en processos d'automatització i anàlisi de dades. La capacitat de crear programari a mida s'accelera quan es combinen l'experiència humana amb eines d'IA ben orquestrades.
Una de les lliçons més valuoses va ser que el major retorn d'inversió no va provenir de generar codi d'aplicació directament, sinó de construir metaeines: l'agregador, el documentador i el provador. Aquestes van permetre que el propi model analitzés el seu treball i suggerís millores de forma iterativa. En un context on l'automatització de processos programari és cada cop més crítica, aquest enfocament estableix les bases d'un nou paradigma de desenvolupament.
Els reptes no van ser menors. Les al·lucinacions del model, tot i reduïdes amb indicacions estrictes, van requerir validació constant. També es va observar que els patrons generats de vegades seguien camins subòptims, cosa que va obligar a refactoritzar certes seccions. No obstant, la combinació de proves automatitzades, eines d'anàlisi i la capacitat de DeepSeek per processar logs enormes va permetre detectar i corregir aquests problemes amb rapidesa.
En conclusió, aquest projecte de sis mesos demostra que un LLM de frontera com DeepSeek pot actuar com un soci de desenvolupament genuí quan se li dota de context estructurat i se l'acompanya d'enginyeria de programari tradicional. El resultat no és codi màgic generat per IA, sinó un producte complet, provat, documentat i empaquetat, lliurat a un ritme accelerat. El 2025, dominar l'orquestració d'eines d'IA juntament amb pràctiques clàssiques és el que diferenciarà els equips més productius. I empreses com Q2BSTUDIO ja estan aplicant aquestes lliçons per oferir solucions d'agents IA, automatització intel·ligent i aplicacions natives al núvol que transformen la manera com les organitzacions gestionen la seva informació.
