La intel·ligència artificial avança a passes de gegant, però els agents d'IA encara ensopeguen amb un obstacle fonamental: la memòria episòdica. Mentre que els models de llenguatge han après a mantenir converses fluids i a recuperar dades factuals, no tenen la capacitat de recordar experiències situades en el temps, com el fil de treball d'un matí, les pestanyes obertes durant una investigació o les interrupcions que fragmenten la jornada. Aquest buit no és només tècnic; és estratègic. En un món on la productivitat personal i empresarial depèn cada cop més d'assistents intel·ligents, l'absència d'una memòria episòdica fiable limita el salt cap a agents veritablement autònoms.
La proposta que està guanyant tracció a la comunitat de desenvolupament és sorprenentment simple: compilar les captures de pantalla de la jornada laboral en registres estructurats mitjançant codi determinista, sense intervenció de models de llenguatge. El resultat és una memòria 88 vegades més compacta que les dades brutes, generada en mil·lisegons i reproducible al cent per cent. Segons els seus defensors, aquest enfocament separa els fets de les interpretacions i retorna l'honestedat a la memòria artificial.
A Q2BSTUDIO, empresa especialitzada en aplicacions a mida i solucions d'intel·ligència artificial, hem seguit de prop aquesta evolució. La nostra experiència en el desenvolupament de programari personalitzat ens ha ensenyat que la veritable innovació no està a afegir més intel·ligència, sinó a dissenyar sistemes que sàpiguen quan no necessiten ser intel·ligents.
El problema de partida és clar: els agents actuals només recorden allò que se'ls diu explícitament a la conversa. No tenen accés al context visual de la pantalla, als canvis d'aplicació ni als patrons de navegació. Tota aquesta informació està disponible —els gravadors de pantalla fa anys que són una commodity— però el consum d'aquestes dades per part d'un agent és ineficient. Una jornada de treball genera al voltant de 2.000 registres en una base de dades, cadascun amb una marca de temps, l'aplicació activa i la URL. Si es serialitza aquell dia com a JSON per passar-lo a un model, calen més de 126.000 tokens. L'agent ha de deduir sessions, eliminar duplicats i calcular duracions, tot a cada consulta. És una feina de lampisteria que ningú hauria de pagar.
L'alternativa natural és resumir amb un LLM, però això introdueix costos, no determinisme i risc d'al·lucinacions. Un resum pot inventar una reunió que mai va ocórrer. Per a una memòria que hauria de ser fiable, això és inacceptable. La tercera via, la compilació determinista, resol el dilema amb regles purament aritmètiques: temps actiu per fotograma, tancament de sessions després de pauses llargues, fusió de canvis ràpids d'aplicació. El resultat són marcs d'activitat compactes: aplicació, lloc web, inici, fi, durada, pàgines visitades, teclejos. Sense etiquetes d'intenció, perquè el codi no pot observar intencions. Aquesta interpretació queda per al model, que la realitza en temps de consulta amb tot el context.
Les mètriques parlen per si soles: un dia de dades brutes que ocupa 126.812 tokens es redueix a 32.216 tokens en un document compilat (3,9 vegades més compacte) i a només 1.441 tokens en un bloc de context compacte (88 vegades més petit). El temps de compilació és de 68 mil·lisegons de mitjana en un portàtil modern. A aquesta velocitat, mantenir la memòria deixa de tenir sentit: es reconstrueix amb cada consulta, eliminant el concepte d'obsolescència. A més, la compilació és reproducible byte a byte, cosa que permet auditories i proves automatitzades.
La fragmentació és una altra sorpresa: el 74% dels marcs d'activitat duren menys d'un minut. La jornada laboral no són blocs ordenats, sinó confeti de tasques. Un resum amb LLM hauria allisat això en una ficció com 'tarda centrada en desenvolupament'. La compilació determinista mostra la veritat, per incòmoda que sigui.
Des de Q2BSTUDIO veiem aquesta tendència com un canvi de paradigma en l'arquitectura de sistemes d'IA. La memòria episòdica no ha de dependre de models cars i no deterministes. Ha de ser infraestructura, com el logging. Els agents que sàpiguen què van fer realment els seus humans —no el que el xat va recollir— se sentiran irraonablement competents. Aquesta competència és la que busquem quan desenvolupem solucions d'IA per als nostres clients.
La implementació pràctica passa per servidors MCP (Model Context Protocol) que exposen la memòria compilada a l'agent. Qualsevol agent compatible pot recollir-la amb una sola línia d'instal·lació. A Q2BSTUDIO hem integrat aquests conceptes en projectes d'automatització de processos i ciberseguretat, on la traçabilitat de l'activitat és crítica. Per exemple, en un sistema de monitorització d'accessos amb ciberseguretat, la memòria episòdica permet reconstruir exactament què va fer un usuari abans d'un incident, sense interpretacions subjectives. En l'àmbit del Business Intelligence, la compilació determinista de l'activitat pot alimentar dashboards de productivitat a Power BI, oferint una visió fidel del treball real.
El núvol també hi té un paper: les dades de captura poden emmagatzemar-se a AWS o Azure, i la compilació executar-se com a funció serverless, garantint escalabilitat i costos mínims. A Q2BSTUDIO oferim serveis cloud AWS/Azure que habiliten aquestes arquitectures sense fricció.
La conclusió és que la memòria episòdica, tal com es planteja, deixa de ser una característica experimental per convertir-se en un component essencial de qualsevol agent d'IA que aspiri a l'autonomia. La separació entre fets mesurats i inferències etiquetades estableix un contracte d'honestedat: la memòria és recomputable, traçable i, sobretot, fiable. Per a les empreses que busquen construir agents que entenguin de veritat el dia a dia dels seus usuaris, aquest enfocament no és només prometedor; és necessari.
