En el desenvolupament de sistemes basats en agents d'intel·ligència artificial, una de les decisions arquitectòniques més rellevants és com gestionar el conjunt d'instruccions o habilitats que cada agent pot executar. Durant molt de temps, l'enfocament predominant consistia a injectar totes les habilitats disponibles a cada torn de conversa o processament, assumint que així el model sempre tindria context complet. No obstant, la pràctica ha demostrat que aquesta estratègia genera un cost innecessari: el prompt s'allarga, els tokens es multipliquen i, el que és pitjor, el model ha de filtrar informació irrellevant abans de poder atendre la sol·licitud real. La solució òptima, que des de Q2BSTUDIO defensem en les nostres arquitectures d'agents, és carregar les habilitats sota demanda, només quan el context de la interacció les requereix.
Aquest principi no és nou en enginyeria de programari. La càrrega diferida o lazy loading és una tècnica consolidada en aplicacions web, bases de dades i sistemes de fitxers. Aplicar-la a l'ecosistema d'agents IA implica separar clarament dues responsabilitats: d'una banda, l'emmagatzematge durador de les habilitats com a artefactes del projecte, i de l'altra, la decisió en temps d'execució sobre quines habilitats activar. En els nostres projectes de programari a mida, implementem un catàleg centralitzat d'habilitats que els agents poden consultar, però només aquelles estrictament necessàries per a la tasca actual s'inclouen al prompt. Això redueix el soroll, millora la precisió i manté baix el consum de tokens, quelcom crític quan es treballa amb models de llenguatge de gran escala.
Imaginem un agent dissenyat per donar suport tècnic en una empresa que utilitza múltiples serveis cloud. Si l'usuari pregunta per un error de connectivitat en una instància d'AWS, l'agent no necessita tenir carregades per endavant les habilitats de facturació, de gestió d'usuaris o d'anàlisi de logs d'Azure. Només l'habilitat específica de resolució d'incidències a AWS hauria d'estar activa. A Q2BSTUDIO, quan desenvolupem solucions de cloud computing amb AWS i Azure, dissenyem els agents perquè detectin el context de la consulta i activin el skill corresponent, ja sigui un protocol de diagnòstic, un checklist de seguretat o una guia de migració. La resta d'habilitats romanen en un repositori indexat, disponibles mitjançant cerca explícita.
La mateixa lògica s'aplica en l'àmbit de la ciberseguretat. Un agent encarregat de monitoritzar amenaces pot disposar de desenes d'habilitats: des d'escaneig de vulnerabilitats fins a resposta davant incidents. Si l'agent rep una alerta d'un possible atac de phishing, no necessita tenir present el manual de hardening de servidors o la política de backups. Amb la nostra experiència en ciberseguretat i pentesting, sabem que la càrrega sota demanda permet que l'agent reaccioni més ràpid i amb menor risc de contaminar la resposta amb informació aliena. A més, facilita l'auditoria: cada habilitat carregada queda registrada, i es pot rastrejar quin coneixement es va utilitzar en cada decisió.
Aquesta filosofia també és clau en els sistemes de Business Intelligence. Un agent que assisteix en la generació d'informes amb Power BI pot tenir habilitats per connectar fonts de dades, netejar datasets, crear visualitzacions i aplicar fórmules DAX. Si l'usuari demana un gràfic de vendes mensuals, l'agent no ha de carregar l'habilitat de modelatge dimensional avançat ni la de seguretat de dades. En les solucions de BI i Power BI que oferim a Q2BSTUDIO, els agents intel·ligents seleccionen dinàmicament les habilitats que corresponen al tipus de consulta, optimitzant el temps de resposta i la qualitat del output.
No es tracta únicament d'eficiència tècnica: la càrrega sota demanda respecta l'arquitectura d'un sistema d'agents modern. Separar el repositori d'habilitats (el 'què' sap fer l'agent) del motor d'execució (el 'quan' l'aplica) permet que els equips de desenvolupament mantinguin un catàleg viu d'habilitats sense sobrecarregar el model a cada interacció. A Q2BSTUDIO, apliquem aquest patró tant en projectes amb intel·ligència artificial conversacional com en agents autònoms per a automatització de processos. Per exemple, en un projecte recent d'automatització de processos mitjançant agents, vam integrar habilitats de verificació de documents, extracció de dades i enviament de notificacions, totes elles carregades només quan el flux de treball ho requeria. Això va reduir el cost d'API en un 40% i va millorar la latència general.
La implementació comporta certs reptes. L'agent ha de ser capaç de decidir quina habilitat activar sense afegir una latència excessiva. Per a això, s'utilitzen tècniques de classificació semàntica, embeddings i, en alguns casos, models lleugers de routing. A Q2BSTUDIO combinem aquestes tècniques amb un disseny modular que permet que cada habilitat sigui autocontinguda i testeable de forma independent. A més, oferim als nostres clients la possibilitat de personalitzar el criteri de selecció segons les seves necessitats de negoci, ja sigui prioritzant velocitat, precisió o compliment normatiu.
En el context dels agents IA, el terme 'habilitat' pot abastar des d'una simple plantilla de prompt fins a una seqüència complexa de crides a APIs. La clau està en que cada habilitat es defineix com un bloc reutilitzable, amb la seva pròpia metadata, descripció i condicions d'activació. Emmagatzemar-les en un repositori versionat (com per exemple sota una carpeta .skills/ al projecte) garanteix que el coneixement de l'organització evolucioni de forma controlada. Després, en execució, un orquestador avalua la intenció de l'usuari i decideix quines habilitats incloure en el context del model. Aquest disseny és el que adoptem en els sistemes que construïm a Q2BSTUDIO, integrant capacitats d'IA, cloud i ciberseguretat en una plataforma unificada.
Per a les empreses que busquen adoptar intel·ligència artificial de forma responsable, entendre aquesta distinció és fonamental. No es tracta de tenir un agent que ho sàpiga tot, sinó un agent que sàpiga accedir al coneixement adequat en el moment adequat. La càrrega sota demanda no només estalvia tokens i redueix costos; també millora l'experiència de l'usuari perquè les respostes són més directes i rellevants. Si es combina amb una bona gestió de la seguretat —com la que proporcionem en els nostres serveis de ciberseguretat— es pot fins i tot evitar que informació sensible d'habilitats no relacionades s'exposi accidentalment en un prompt.
En resum, el principi de carregar habilitats sota demanda és una de les millors pràctiques que hem identificat a Q2BSTUDIO després d'anys de desenvolupament de solucions d'intel·ligència artificial i agents intel·ligents. Ja sigui per a aplicacions a mida, integracions cloud o sistemes de BI, la separació entre el repositori d'habilitats i l'execució sota demanda proporciona agilitat, escalabilitat i control. Animem a qualsevol equip tècnic a replantejar-se si els seus agents estan portant massa equipatge a cada viatge.
