La ciència de dades s'ha convertit en un camp on la velocitat d'execució importa tant com la qualitat analítica. Els científics de dades dediquen una part significativa del seu temps a tasques recurrents: netejar dades, escriure consultes SQL, triar la prova estadística adequada o formatar resultats per a una audiència executiva. Amb l'arribada dels models de llenguatge de gran mida, molts equips han començat a delegar aquestes tasques en agents conversacionals. La promesa és atractiva: menys treball manual, més temps per a l'anàlisi profunda i una productivitat sostinguda.
Tanmateix, convertir aquesta promesa en realitat no és tan senzill. Una de les estratègies més populars consisteix a dotar el model amb habilitats reutilitzables, sovint anomenades skills: fitxers que contenen instruccions, exemples i criteris per a una família de tasques. La idea és evitar que cada sol·licitud comenci des de zero i, alhora, incorporar el coneixement expert. Quan aquestes habilitats són escrites per persones expertes, poden reflectir anys de bones pràctiques. Però escriure-les i mantenir-les per a cada domini analític suposa un coll d'ampolla considerable. Per això ha guanyat interès la possibilitat que el mateix model generi aquestes habilitats de manera automàtica.
Un experiment recent ha analitzat si les habilitats generades per LLM milloren realment el rendiment dels científics de dades. L'estudi abasta diverses etapes del cicle de vida d'un projecte analític: preparació de dades, extracció d'informació, anàlisi estadística i generació d'informes. Per a cada etapa es va crear una habilitat generada i es va comparar el seu ús amb una estratègia base consistent a enviar únicament la descripció de la tasca al model. Els resultats no mostren una millora fiable: en la pràctica, el model obté resultats similars amb l'habilitat completa i amb cap habilitat.
Aquesta troballa convida a reflexionar sobre com utilitzem realment els models generatius. No n'hi ha prou amb escriure un document d'instruccions i injectar-lo al prompt. En moltes ocasions, el context addicional afegeix soroll abans que claredat. L'estudi fins i tot observa que una habilitat plena de contingut irrellevant pot comportar-se de manera semblant a una habilitat ben intencionada. Això suggereix que el format, l'estructura o la simple presència de metadades influeixen més del que pensem, i que el contingut específic de la skill no sempre aporta un avantatge mesurable.
Per a una empresa tecnològica, aquests resultats tenen un valor estratègic important. A Q2BSTUDIO treballem cada dia amb organitzacions que volen integrar intel·ligència artificial en els seus processos de dades. La temptació de crear un gran repositori de skills generades per LLM i confiar-hi com a solució universal és comprensible, però les dades suggereixen que cal un enfocament més rigorós. La IA ha d'estar al servei d'un flux de treball ben dissenyat, no substituir el disseny del flux de treball.
Part del problema és a la naturalesa de les tasques de dades. Una consulta SQL pot semblar senzilla, però la seva qualitat depèn de l'esquema de la base de dades, de la semàntica del negoci i de les expectatives de l'usuari final. Una prova estadística no és una recepta fixa: exigeix conèixer la distribució de les dades, els supòsits del model i el context de la decisió. Una habilitat generada pot capturar una visió general, però difícilment substituirà el criteri que necessita un analista per adaptar-la al problema concret.
Això no vol dir que les habilitats generades siguin inútils. Vol dir que s'han de tractar com a hipòtesis de treball, no com a conclusions. Una organització madura en l'ús de la IA avalua cada component abans d'incorporar-lo a producció. Construeix conjunts de validació, mesura el rendiment per tipus de tasca i decideix quan convé utilitzar una habilitat, un prompt simple o un flux automatitzat. Aquesta cultura d'experimentació és justament la que marca la diferència entre un pilot interessant i una transformació real.
En aquest context, el programari a mida té un paper essencial. Una plataforma de dades empresarial no és un simple xat amb un model de llenguatge; és un entorn on conviuen pipelines de dades, controls de qualitat, permisos, auditories i quadres de comandament. Q2BSTUDIO ajuda les empreses a construir aplicacions a mida que integren agents d'IA de manera segura i controlada. En lloc de dependre exclusivament d'un prompt genèric, aquestes aplicacions poden orquestrar models, verificar resultats i oferir al científic de dades un punt de partida fiable.
El núvol també forma part de la resposta. Els models necessiten accés a dades actualitzades, identitats gestionades i entorns escalables. Una arquitectura basada en solucions d'IA sobre cloud AWS/Azure permet connectar els models als sistemes de registre sense exposar informació sensible. La ciberseguretat es converteix així en un habilitador: no podem confiar en els resultats d'un LLM si no sabem qui accedeix a què, com es registren les decisions i quins mecanismes de defensa existeixen davant d'atacs de prompt injection o fuites de dades.
A més, l'anàlisi de dades no acaba en un resultat estadístic. A la majoria d'empreses, la informació es consumeix a través de dashboards, informes executius i alertes. Les eines de BI/Power BI permeten visualitzar els resultats i compartir-los amb els equips de negoci. Una habilitat generada per LLM podria ajudar a preparar el codi de transformació, però la governança de la dada i el disseny de l'informe requereixen una capa de programari que garanteixi coherència i traçabilitat. A Q2BSTUDIO integrem BI/Power BI amb processos d'IA perquè les dades arribin a la decisió de manera clara i auditada.
Una altra lliçó important és la necessitat de separar el soroll del senyal. En els experiments revisats, el rendiment amb l'habilitat completa era similar al rendiment sense habilitat, i també similar al d'un text irrellevant amb el mateix format. Això indica que, en molts casos, el model ja sap prou sobre la tasca si se li presenta de manera explícita. Afegir més documentació pot ser contraproduent: consumeix tokens, introdueix ambigüitat i desvia l'atenció del model cap a detalls que no són rellevants per a la mostra concreta.
La solució no és eliminar les habilitats, sinó redissenyar-ne l'ús. En lloc d'injectar un document llarg a cada conversa, podem construir un sistema de recuperació que seleccioni únicament la part rellevant per a la pregunta de l'usuari. Podem també dissenyar l'habilitat com una llista de verificacions breus, no com un tractat. I podem assignar a la IA tasques específiques dins d'un procés de programari més ampli, on cada pas sigui validat per una regla de negoci o per un humà quan el risc ho justifiqui.
Els agents d'IA, entesos com a sistemes capaços de planificar i executar accions, es beneficien d'aquesta mateixa lògica. Un agent que neteja dades no hauria d'actuar a cegues; hauria de consultar l'esquema real, comprovar la coherència dels valors, documentar els canvis i sol·licitar aprovació quan detecti una anomalia. Q2BSTUDIO dissenya aquest tipus d'agents sobre la base de programari robust, integrant els models de llenguatge com un component més, no com el centre de l'univers.
En resum, la pregunta inicial, si les habilitats generades per LLM fan millors els científics de dades, té una resposta matisada. Poden ajudar en certs contextos, però no constitueixen una millora automàtica. Els estudis empírics mostren que, com a estratègia predeterminada, afegir una habilitat generada no supera de manera fiable el prompt simple. Les organitzacions que obtindran més valor seran aquelles que integrin la IA generativa en un marc d'enginyeria de dades i programari, amb mesura contínua, seguretat i focus en el resultat de negoci.
A Q2BSTUDIO creiem en una tecnologia pensada per a l'operació real. Per això combinem la potència dels models de llenguatge amb aplicacions a mida, arquitectura cloud AWS/Azure, ciberseguretat i plataformes de BI/Power BI. L'objectiu no és tenir l'habilitat perfecta, sinó construir sistemes que ajudin les persones a prendre millors decisions. La IA és una eina extraordinària, però necessita context, control i criteri. Aquest criteri continua sent, afortunadament, humà.
