El desenvolupament de la intel·ligència artificial ha evolucionat més enllà de les simples consultes conversacionals. Mentre la majoria d’usuaris encara interactua amb la IA com si fos un cercador de 2015 —escriure, llegir, tornar a escriure—, un nou paradigma conegut com loop engineering està transformant la forma en què les màquines aprenen i optimitzen processos. Aquesta guia explora els conceptes fonamentals dels bucles autònoms, prenent com a referència dos fites recents: el repositori autoresearch d’Andrej Karpathy i el treball acadèmic Bilevel Autoresearch. L’objectiu és oferir una visió tècnica i empresarial original, aplicable a entorns reals de desenvolupament de programari i ciència de dades.
Per entendre el loop engineering, primer cal distingir entre un prompt tradicional i un bucle. Un prompt és una instrucció puntual: el model respon i l’humà decideix el següent pas. En canvi, un bucle defineix un objectiu que el model persegueix fins a aconseguir-lo. L’agent planifica, actua, verifica el seu propi resultat i repeteix el cicle. La clau és que el bucle només és rendible quan el resultat és mesurable. Si no pots avaluar objectivament cada intent, l’agent només repetirà errors sense millora real.
Tot bucle fiable es compon de tres elements indispensables. Primer, un verificador que qualifica cada intent: pot ser un test que passa, una mètrica que millora o un build que compila. Sense verificador, l’agent es limita a autoaprovar-se. Segon, un estat persistent que registra què s’ha provat, què va fallar i què queda per explorar. Un petit arxiu permet que la següent execució reprengui el treball, no que comenci de zero. Tercer, una condició de parada que evita costos descontrolats: el bucle s’atura quan es compleix l’objectiu o després d’un nombre màxim d’intents.
L’exemple més cèlebre d’aquest enfocament és el repositori autoresearch publicat per Andrej Karpathy al març de 2026, sota llicència MIT. Amb només 630 línies de codi i tres fitxers principals, el sistema permet que un agent d’IA optimitzi l’entrenament d’un model GPT-2 editant únicament el fitxer train.py. L’avaluador, a prepare.py, roman fora de l’abast de l’agent per evitar que manipuli els criteris d’èxit. L’humà escriu les instruccions a program.md i l’agent executa un cicle: proposar un canvi, entrenar durant cinc minuts, avaluar la mètrica val_bpb (bits per byte de validació, com més baix millor) i conservar o descartar la modificació. En dos dies, el sistema va realitzar 700 experiments i va conservar 20 millores genuïnes que van reduir el temps d’entrenament en un 11%. El revelador: un humà es fatiga després d’una dotzena d’experiments, però el bucle no s’atura.
El següent pas lògic va ser preguntar-se si es podia aplicar el mateix raonament al propi bucle. L’article Bilevel Autoresearch: Meta-Autoresearching Itself respon afirmativament. Un bucle intern (similar al de Karpathy) proposa, entrena, avalua i decideix. Un bucle extern observa l’intern, analitza el seu codi i les seves traces, identifica on s’estanca la cerca, i genera nous mecanismes Python que injecta en temps d’execució per forçar exploracions més àmplies. Els resultats mostren una millora cinc vegades major en val_bpb (-0.045 enfront de -0.009) utilitzant el mateix model de llenguatge, cosa que demostra que l’arquitectura del bucle importa més que la potència bruta del LLM.
Aquests avenços tenen implicacions directes per a empreses que busquen aplicacions a mida amb capacitats d’IA autònoma. A Q2BSTUDIO, empresa de desenvolupament de programari i tecnologia, hem observat com la integració de bucles de verificació i estats persistents transforma projectes de ciència de dades, automatització empresarial i ciberseguretat implementada en IA. Per exemple, un bucle pot buscar automàticament la millor configuració d’hiperparàmetres per a un model de classificació, o refactoritzar codi fins que passi tots els tests i compleixi amb les normes de seguretat. Els nostres serveis de cloud AWS/Azure permeten desplegar aquests bucles en infraestructura escalable, mentre que les solucions de BI/Power BI es beneficien de pipelines de dades autooptimitzades. La ciberseguretat també guanya: un bucle pot realitzar proves de penetració iteratives, aturant-se només quan s’aconsegueix el nivell de risc acceptable.
Per posar en pràctica aquests conceptes, qualsevol equip pot començar amb un bucle simple en una sola instrucció. N’hi ha prou amb definir la tasca, els criteris d’èxit (estrictes, puntuats de l’1 al 10), i un protocol d’iteració: planificar, fer, verificar, decidir. El model s’ha d’autocorregir fins que cada criteri arribi a un 8 o més. Això sí, aquest mètode artesanal manca d’automatització i persistència; els bucles productius necessiten un desencadenant (programació horària, esdeveniment), emmagatzematge de coneixement en un arxiu Markdown, divisió d’agents (escriptor i revisor independents), connectors amb eines reals (Slack, gestor d’incidències) i, per descomptat, un verificador robust. Eines com Claude Code i Codex ja incorporen aquests cinc blocs.
La lliçó fonamental és que el loop engineering desplaça el treball de l’executor al dissenyador. En lloc de passar hores ajustant manualment paràmetres o revisant codi, l’enginyer defineix l’objectiu, el verificador i les condicions de parada, i després deixa que el bucle iteri. Això no elimina el pensament crític; al contrari, el potència perquè l’humà es centra en el que realment importa: l’estratègia, la mètrica adequada i la interpretació dels resultats. Per a una empresa com Q2BSTUDIO, oferir agents IA que operen en bucles autònoms és un avantatge competitiu real en entorns on la velocitat d’iteració marca la diferència.
En resum, el loop engineering representa un salt qualitatiu respecte als fluxos de treball lineals. Els casos d’èxit de autoresearch i Bilevel Autoresearch demostren que, quan existeix una mètrica objectiva, el coll d’ampolla sol ser l’humà. Automatitzar la iteració amb verificadors intel·ligents, estat persistent i condicions de parada permet aconseguir millores que cap equip manual podria assolir. I quan aquesta automatització es recolza en infraestructura cloud i en serveis professionals de desenvolupament, el potencial es multiplica. A Q2BSTUDIO ajudem les empreses a dissenyar i implementar aquests bucles, integrant aplicacions a mida, intel·ligència artificial, ciberseguretat i anàlisi de negoci per crear sistemes que aprenen i milloren sense intervenció constant.
