En el desenvolupament de programari, sovint assumim que una eina més potent produeix millors resultats. No obstant això, l'experiència amb la revisió de codi de Copilot demostra que no n'hi ha prou amb canviar el martell: cal saber com i quan colpejar. Quan GitHub va substituir les eines d'exploració pròpies de Copilot Code Review per les compartides del CLI (grep, glob i view), esperaven una millora immediata. En lloc d'això, els costos van pujar i la detecció d'errors va caure. La causa no era l'equipament, sinó les instruccions. Aquest cas és un mirall del que passa en molts projectes d'aplicacions a mida: la intel·ligència artificial i els agents d'IA necessiten un context i un flux de treball dissenyats específicament per a la tasca, no només bones eines genèriques.
L'equip de Copilot va analitzar els registres de les traces i va descobrir un patró recurrent: l'agent es comportava com un navegador de repositoris en lloc de com un revisor. En lloc de partir del diff i buscar proves concretes, el model feia cerques àmplies, llegia fitxers sencers, acumulava context i, al final, perdia el focus. Les eines compartides estaven optimitzades per a un assistent de codificació general, que necessita entendre el repositori abans de suggerir canvis. Però un revisor té una missió molt més acotada: verificar si un canvi introdueix un problema real, i per a això necessita la mínima evidència rellevant. Aquest contrast és clau també en ciberseguretat: una eina de pentesting mal guiada pot generar soroll en lloc de senyals precises. Per això a Q2BSTUDIO apliquem metodologies que alineen les capacitats dels agents d'IA amb l'objectiu concret de cada projecte, evitant la sobrecàrrega d'informació.
La solució va arribar en reescriure les instruccions de les eines per reflectir el flux de treball d'un revisor humà: començar pel diff, formular preguntes específiques, usar grep per localitzar símbols i crides, glob per a rutes incertes, i view només quan es coneix la línia exacta. A més, s'agrupaven les cerques independents per minimitzar crides i s'evitava endevinar rutes fallides. El resultat va ser una reducció del cost mitjà de revisió d'aproximadament un 20%, sense pèrdua de qualitat. Aquest enfocament d''afinar el prompt' és similar al que fem servir en els nostres projectes de programari a mida, on cada funcionalitat es dissenya amb la interacció exacta que l'usuari necessita, sense excessos que encareixin el procés.
La lliçó transcendeix Copilot. Quan una empresa decideix integrar agents d'IA en els seus fluxos de treball, no n'hi ha prou amb escollir un model potent. Cal definir el 'protocol' d'interacció: quina eina utilitzar a cada pas, com recuperar-se de fallades i com evitar que l'agent desviï la seva atenció. Això és especialment crític en entorns cloud (AWS o Azure), on el volum de dades i serveis pot desorientar un agent mal instruït. A Q2BSTUDIO dissenyem arquitectures cloud que inclouen orquestració d'agents, amb prompts específics per a cada fase del procés, garantint eficiència i control de costos. També treballem amb Business Intelligence i Power BI, on els agents ajuden a explorar dades, però sempre amb una guia clara que eviti cerques interminables.
Un altre punt rellevant és la gestió d'errors. En el cas de Copilot, quan grep fallava, l'agent sovint intentava endevinar rutes properes i llegir fitxers arbitraris, ampliant el problema. La nova instrucció el redirigia a un grep simplificat o a glob, trencant el bucle d'exploració. Aquesta mateixa lògica s'aplica en automatització de processos: un agent que troba un obstacle ha de tenir un pla B definit, no divagar. En els nostres serveis d'automatització, incorporem regles de contingència que eviten que el sistema s'encalli o consumeixi recursos innecessaris.
Finalment, el cas demostra que les eines compartides poden escalar entre productes si s'adapten les instruccions a cada funció. No és el mateix un assistent de codificació que un revisor de codi, igual que no és el mateix un sistema de ciberseguretat que busca amenaces actives que un que monitora compliment normatiu. A Q2BSTUDIO, en desenvolupar aplicacions amb intel·ligència artificial, sempre personalitzem la capa de prompts perquè l'agent entengui no només quines dades té, sinó per a què les ha d'usar. Això és el que marca la diferència entre una eina genèrica i una solució realment efectiva.
En resum, millorar les eines no sempre millora el resultat. El veritable salt es produeix quan redissenyem el flux de treball que les governa. I aquesta és l'especialitat de Q2BSTUDIO: transformar tecnologia puntera en processos eficients, ja sigui en cloud, ciberseguretat, BI o intel·ligència artificial. Perquè un agent ben instruït val més que cent eines sense rumb.
