En l'evolució vertiginosa de la intel·ligència artificial, els models de llenguatge de gran escala (LLM) han deixat de ser simples processadors de text per convertir-se en agents autònoms que operen en entorns d'alta incertesa. Investigacions recents, com la publicada a arXiv:2607.12631v1, exploren si les emocions induïdes mitjançant contextos narratius poden esbiaixar la presa de decisions seqüencial d'aquests sistemes. L'estudi empra la Iowa Gambling Task (IGT), una tasca clàssica de psicologia conductual, i revela que, a diferència dels humans, les emocions induïdes no afecten significativament la dinàmica mitjana dels LLM, tot i que sí generen efectes condicionats: la ira redueix la sensibilitat a les penalitzacions i disminueix l'exploració en etapes primerenques. Aquesta troballa obre preguntes profundes per a empreses que integren agents basats en LLM en processos crítics, com la gestió de carteres, el suport clínic o la ciberseguretat.
Des d'una perspectiva tècnica i empresarial, entendre com les emocions —o la seva simulació— influeixen en els LLM és crucial. A Q2BSTUDIO, com a empresa de desenvolupament de programari i tecnologia, portem anys analitzant aquests fenòmens. El nostre equip ha observat que els LLM no 'senten' emocions com els humans, sinó que processen senyals lingüístiques que activen patrons de resposta apresos. En aplicacions a mida per a sectors com ciberseguretat, on un agent autònom ha d'avaluar riscos sota pressió, la possibilitat que un context emocional esbiaixi les seves decisions té implicacions directes. Per exemple, un LLM entrenat en xats de suport tècnic podria tornar-se menys tolerant a fallades si se l'indueix un estat de 'frustració' textual, portant a bloquejos prematurs.
L'estudi confirma que els LLM poden detectar emocions fortes en el context i que aprenen d'interaccions seqüencials a un ritme comparable a l'humà. No obstant això, el biaix induït per la ira és subtil: redueix la capacitat del model per aprendre de penalitzacions, cosa que en termes empresarials podria traduir-se en agents que ignoren senyals d'error en sistemes cloud AWS/Azure o que no ajusten estratègies en temps real davant de fallades de seguretat. A Q2BSTUDIO, quan dissenyem agents per a monitorització d'infraestructura cloud, incorporem capes de filtratge emocional per evitar que narratives d'estrès afectin la presa de decisions tècniques.
Una altra aresta rellevant és l'impacte en l'exploració. L'estudi mostra que la ira redueix l'exploració primerenca, fixant decisions en poques opcions. En contextos d'intel·ligència de negoci (BI/Power BI), un agent que hagi de recomanar dashboards basats en dades de vendes podria tornar-se conservador si se l'indueix urgència, perdent oportunitats de descobriment. A Q2BSTUDIO hem desenvolupat solucions de BI adaptatives on els agents LLM integren mòduls de regulació contextual que mitiguen aquests biaixos, garantint que les recomanacions siguin robustes independentment de la càrrega emocional del prompt.
La diferència amb el comportament humà és notable. Mentre que en humans les emocions esbiaixen sistemàticament la IGT, en els LLM l'efecte és condicionat i depenent del timing. Això suggereix que els desenvolupadors tenen marge per dissenyar sistemes que aïllin aquests biaixos mitjançant tècniques d'ajust fi o capes de control. En automatització de processos programari, per exemple, es poden inserir regles de verificació que comparin decisions de l'agent amb polítiques predefinides, neutralitzant qualsevol influència emocional no desitjada.
El model experimental utilitzat (Iowa Gambling Task) és una eina valuosa per investigar aquest tipus de biaixos. A Q2BSTUDIO l'hem replicat en entorns simulats per validar el comportament dels nostres agents en sectors com la banca o la logística. Els resultats preliminars confirmen que, tot i que la injecció d'emocions bàsiques (alegria, tristesa, ira) no canvia dràsticament les decisions mitjanes, sí introdueix variabilitat en els casos de vora. Per a aplicacions a mida on la consistència és crítica —per exemple, en sistemes de recomanació de tractaments mèdics— aquesta variabilitat s'ha de gestionar amb precisió.
Des del punt de vista empresarial, la lliçó és clara: els LLM no són immunes a les emocions, però la seva sensibilitat és modulable mitjançant disseny. A Q2BSTUDIO oferim consultoria especialitzada perquè companyies que despleguen agents IA entenguin aquests matisos. Integrem eines de monitorització de biaixos emocionals, adaptem models amb fine-tuning i desenvolupem interfícies que permeten als usuaris controlar el to i context de les interaccions. En un mercat on la IA emocional avança ràpidament, comptar amb un soci tecnològic que comprengui aquests límits és un avantatge competitiu.
En conclusió, l'estudi sobre emocions induïdes i LLM confirma que els biaixos existeixen, però són diferents dels humans: més condicionats, menys globals i més gestionables. Per a empreses que busquen implementar agents IA en àrees com ciberseguretat, cloud o BI, la clau està en dissenyar sistemes que distingeixin entre raonament tècnic i context emocional. A Q2BSTUDIO, amb anys d'experiència en desenvolupament de programari a mida, estem preparats per ajudar els nostres clients a navegar aquesta nova frontera, garantint decisions algorítmiques més robustes i alineades amb els objectius de negoci.
