Els models de llenguatge de gran escala (LLM) han revolucionat la intel·ligència artificial, però la seva tendència a generar informació falsa o no verificada —les conegudes al·lucinacions— limita la seva adopció en entorns crítics. Davant d'aquest repte, emergeix EG-VAR (Evidence-Grounded Verified Agentic Reasoning), una arquitectura basada en el demostrador formal Lean 4 que assegura que cada conclusió emesa per un LLM descendeix estructuralment de fonts atestades i d'una cadena d'inferència verificada pel kernel. Aquest enfocament no només elimina les al·lucinacions, sinó que estableix un estàndard de governança tècnica per a aplicacions empresarials on la precisió és innegociable.
EG-VAR funciona com un 'sidecar' formal: el LLM actua com a formalitzador en temps de desplegament, mentre que el kernel de Lean és l'únic responsable d'encunyar afirmacions verificades mitjançant axiomes d'atestació d'eines i elevacions de fonts declarades. Cada sortida verificada compleix dos teoremes fonamentals: (1) descendeix d'una crida a eina atestada, i (2) segueix una cadena d'inferència vàlida comprovada pel kernel. Quan no és possible garantir aquestes condicions, el sistema produeix una 'Abstenció' honesta acompanyada d'una traça d'auditoria reproduïble. En proves sobre la subcol·lecció de raonament numèric de TableBench (n=120), EG-VAR va assolir un 100% d'encerts enfront d'un 95% d'una línia base amb les mateixes eines; en proves d'estrès contrafactuals (5 dominis x 2 models), va mantenir una fidelitat del 100% a les fonts, mentre que la línia base va caure entre el 80% i el 90% (sense eina, entre el 50% i el 80%). L'error residual de formalització semàntica va ser del 3,3% en Sonnet i de l'1,7% en Opus.
Per a les empreses que busquen integrar IA en processos d'alt risc —com auditories financeres, diagnòstics mèdics o compliment normatiu—, EG-VAR representa un canvi de paradigma. Ja no es tracta només que un LLM accedeixi a eines externes (bases de dades, APIs o motors de raonament), sinó que cada afirmació pugui ser rastrejada fins a un origen verificable. Aquí és on Q2BSTUDIO aporta la seva experiència en desenvolupament d'aplicacions a mida: podem construir sistemes que integrin validadors formals com Lean 4 dins de fluxos de treball personalitzats, combinant agents d'IA, infraestructura al núvol (AWS/Azure) i panells de Business Intelligence per oferir traçabilitat completa. La ciberseguretat també hi juga un paper essencial: protegir tant les dades font com les cadenes de verificació contra manipulacions externes és un requisit en entorns regulats.
Un aspecte particularment interessant d'EG-VAR és la seva capacitat per gestionar l'ambigüitat. Quan un LLM no pot formalitzar una proposició de manera consistent amb les fonts disponibles, el sistema no es limita a donar una resposta incorrecta: declara explícitament l'abstenció i registra el motiu, cosa que permet als equips de dades o als auditors revisar i corregir el procés. Aquest comportament és ideal per a empreses que necessiten mantenir un registre immutable de decisions automatitzades, per exemple en sistemes de recomanació creditícia o en plataformes de contractació intel·ligent. La integració d'agents d'IA amb aquest tipus de garanties formals obre la porta a assistents virtuals que no només responguin, sinó que justifiquin cada pas amb evidència contrastada.
L'arquitectura d'EG-VAR també s'alinea amb les tendències actuals d'automatització i governança de dades. En convertir cada afirmació en un objecte formal tipat —amb àmbit de font, límit d'evidència, obligació de prova i condició d'abstenció— se'n facilita la incorporació en APIs, registres públics i documents generats per IA. Això amortitza el cost inicial de formalització en una infraestructura reutilitzable. Per a Q2BSTUDIO, això significa poder oferir als seus clients solucions de programari a mida que no només executin tasques amb IA, sinó que certifiquin la veracitat de cada resultat, reduint el risc reputacional i legal. A més, la combinació amb serveis cloud com AWS o Azure permet escalar aquests sistemes sense sacrificar l'auditabilitat, i la integració amb Power BI possibilita visualitzar en temps real l'estat de les verificacions.
Mirant cap al futur, EG-VAR perfila un nou estàndard per a la intel·ligència artificial fiable: ja no n'hi ha prou que un model predigui bé; necessitem que pugui retre comptes de com va arribar a aquella predicció. En sectors com la banca, la salut o l'administració pública, on una decisió errònia pot tenir conseqüències greus, disposar d'un sidecar formal que garanteixi la procedència de les afirmacions és tan important com la pròpia precisió numèrica. Q2BSTUDIO, com a empresa de desenvolupament de programari i tecnologia, està preparada per ajudar les organitzacions a adoptar aquests mecanismes, integrant verificadors formals en els seus fluxos d'IA, protegint les dades amb ciberseguretat d'avantguarda i facilitant la presa de decisions amb dashboards de BI.
En resum, EG-VAR demostra que és possible eliminar les al·lucinacions dels LLM sense renunciar a la seva potència, sempre que es dissenyin arquitectures que posin la verificació al centre. La taxa d'error de formalització residual —inferior al 4% en els models més avançats— és un preu assumible per obtenir garanties de font i inferència. Per a les empreses, el camí passa per col·laborar amb socis tecnològics que entenguin tant la teoria formal com la pràctica del desenvolupament de programari a mida, el núvol i la intel·ligència artificial. Així, la propera generació d'aplicacions empresarials no només serà més intel·ligent, sinó també més honesta i auditable.
