Planificació de vols eVTOL amb LLM, RAG i agent coach. La mobilitat aèria urbana ha deixat de ser una promesa llunyana. Els eVTOL, aeronaus d'enlairament i aterratge vertical impulsades elèctricament, es perfilen com una solució real per al transport de passatgers i mercaderies en entorns urbans. Tanmateix, la diferència entre un vol de demostració i una operació comercial sostenible no rau només en l'aeronau: rau en el programari que decideix la ruta, interpreta el context, conversa amb el pilot i aprèn de cada missió. La planificació de vols intel·ligent s'ha convertit en un camp de batalla tecnològic on es creuen la intel·ligència artificial, l'experiència d'usuari i la seguretat operacional.
La planificació tradicional de rutes es basa en algorismes d'optimització que minimitzen distàncies, temps o consum energètic. Aquests mètodes són ràpids i deterministes, però tenen una debilitat estructural: no saben interpretar intencions vagues, preferències tàctiques o restriccions normatives que canvien amb el context. Un pilot no sempre demana 'la ruta més curta'; de vegades demana 'una ruta que eviti zones sorolloses, amb marge per al vent creuat i que prioritzi el confort dels passatgers'. Traduir aquesta petició en una ruta concreta exigeix una capa semàntica que els algorismes clàssics no ofereixen.
Aquí és on entren els models de llenguatge de gran mida. Un LLM pot llegir una instrucció en llenguatge natural, descompondre-la en requisits operatius i proposar un pla de vol inicial que respecti l'estructura bàsica de la missió. Però un LLM sol no n'hi ha prou. El risc d'al·lucinacions, la manca de memòria a llarg termini i la impossibilitat de validar càlculs numèrics fan que sigui necessari complementar-lo amb eines externes i amb un procés de verificació contínua. La fórmula que està guanyant terreny combina un planificador basat en LLM amb un agent coach multimodal i una memòria basada en recuperació augmentada per generació (RAG).
La memòria RAG funciona com un arxiu operatiu corporatiu. En lloc de dependre exclusivament del coneixement estàtic del model, el sistema consulta una base de dades vectorial amb documents tècnics, normatives, històrics de vol, restriccions de l'espai aeri i preferències d'operadors. D'aquesta manera, el planificador no 'inventa' la resposta: la construeix a partir de fonts verificades. Si una companyia ha establert que no s'han de sobrevolar determinats barris entre certes hores, aquesta regla viu en la memòria i es recupera en el moment de generar la ruta. Això aporta traçabilitat i facilita l'auditoria, una cosa essencial en aviació.
L'agent coach multimodal afegeix una dimensió més: actua com un copilot conversacional que observa, pregunta, suggereix i explica. Pot rebre dades de telemetria, mapes, condicions meteorològiques i també imatges o gràfics. La seva funció no és substituir el planificador, sinó supervisar-lo i guiar-lo. Si el pla proposat per l'LLM supera un límit d'altitud o consumeix més energia de la prevista, el coach ho detecta i obre un diàleg per corregir la proposta. Aquesta arquitectura, vista en sistemes experimentals de planificació de vols eVTOL, marca el camí cap a una aviació més humana i més segura.
L'efecte en l'operació és notable. En incorporar les preferències de l'operador com un element de primera classe, els plans generats no només són vàlids tècnicament, sinó que s'alineen amb la cultura i les polítiques de l'empresa. Les mètriques de qualitat, com el confort, el soroll o el risc percebut, milloren sense sacrificar la seguretat. En simulacions amb diferents LLM, els sistemes que integren memòria RAG i agent coach assoleixen taxes de validesa molt superiors a les que obté un planificador sense aquests mòduls. És a dir, la intel·ligència contextual és tan important com la potència de còmput.
Portar aquesta tecnologia a producció planteja reptes d'enginyeria reals. La latència d'inferència d'un LLM pot ser incompatible amb els temps de resposta d'una torre de control si no s'optimitza la infraestructura. La validació del pla de vol s'ha d'executar amb sistemes independents que creuin dades meteorològiques, NOTAMs i restriccions de l'espai aeri. I, sobretot, cal protegir tot el pipeline contra ciberatacs: un atacant que manipuli la memòria RAG o injecti instruccions malicioses en el prompt podria alterar una ruta i provocar un incident greu. Per això, la ciberseguretat no és un afegit, sinó un requisit nuclear en qualsevol plataforma d'aviació connectada.
Des d'una perspectiva empresarial, l'oportunitat és enorme. Les empreses que construeixin la propera generació d'eines de planificació de vols necessitaran més que models d'IA: necessitaran aplicacions a mida que integrin la lògica de negoci, els sistemes de monitorització i les interfícies d'usuari amb una experiència impecable. A Q2BSTUDIO treballem precisament en aquesta frontera: ajudem organitzacions a dissenyar i desenvolupar plataformes de programari d'alt nivell, incloent mòduls d'intel·ligència artificial, quadres de comandament i serveis de núvol. No es tracta de connectar un chatbot a una API; es tracta de construir un sistema robust, auditable i escalable.
La infraestructura tecnològica també és decisiva. Una solució d'aquest tipus es desplega habitualment en cloud AWS/Azure, combinant serveis de contenidors, bases de dades vectorials i processament de dades en temps real. L'elasticitat del núvol permet afrontar pics de computació durant l'entrenament o la validació de rutes, i facilita la implementació d'entorns de continuïtat de negoci. A més, l'observabilitat del sistema necessita una capa de Business Intelligence sòlida: mètriques d'ús, temps de resposta, taxa d'acceptació de rutes, sinistralitat simulada i evolució del rendiment dels agents d'IA. Amb Power BI o solucions equivalents és possible crear panells que donin visibilitat als responsables d'operacions i als equips de producte.
Un altre aspecte rellevant és la dimensió ètica i legal. Un sistema que decideix o assisteix en decisions de vol ha de ser capaç d'explicar el perquè de cada recomanació. La combinació de RAG i agent coach facilita aquesta explicabilitat: el planificador pot citar les fonts que ha consultat, i el coach pot resumir en llenguatge natural les raons d'una restricció. Per a les autoritats d'aviació, aquesta traçabilitat és tan important com la precisió numèrica. Per tant, el disseny de la solució ha d'incloure des del principi el registre d'esdeveniments, la gestió de versions del coneixement i la separació de responsabilitats entre el model i el sistema de validació.
L'adopció dels eVTOL dependrà, en gran mesura, de la confiança del públic i dels reguladors. Els vols autònoms no s'acceptaran només perquè la tecnologia funcioni; s'acceptaran perquè les persones poden entendre, supervisar i corregir el que fa la màquina. En aquest sentit, els LLM no són un ornament: són el pont entre la lògica computacional i la comunicació humana. Un agent coach que parla l'idioma del pilot, que recorda les lliçons de vols anteriors i que explica els seus suggeriments converteix un sistema d'IA en un company de cabina.
En definitiva, la planificació de vols eVTOL amb LLM, RAG i agent coach és molt més que una tendència acadèmica. És un model de producte que pot definir l'estàndard de l'aviació urbana en els propers anys. Les empreses que primer l'adoptin, amb l'enginyeria adequada, tindran un avantatge competitiu sostenible. Apostar per una estratègia de dades i IA ben dissenyada, amb socis tecnològics que entenguin el negoci aeri i el programari de qualitat, marcarà la diferència entre liderar la transformació o quedar-se a terra mentre altres enlairen.
