La IA no és màgia: és una qüestió de fer les preguntes adequades
A les sales de reunió i als cafès corre el mateix rumor: la intel·ligència artificial seria una criatura quasi mística, un esperit allotjat en servidors, capaç d’endevinar, de predir, d’inventar. Se sent dir que substitueix el judici, que s’empassa el món com un motor engoleix l’aire. I, tanmateix, si traiem l’ornament i el vertigen, queda quelcom molt humà, molt antic: estadística i probabilitats, ordenades per algoritmes.
Fa deu anys, un adolescent de catorze anys havia de suplicar a un adult que li instal·lés un entorn Python, empassar-se un llibre de regressió lineal i trastejar hores. Avui, amb biblioteques llestes per usar i assistents com ChatGPT, el mateix adolescent pot muntar en un cap de setmana una aplicació “d’IA” funcional—reconeixement d’imatges, chatbot, resum automàtic. Els mòduls encaixen, les API responen, la màgia sembla aparèixer. Però no és aquí on es juguen els veritables reptes. El repte ja no és “fer que la IA funcioni”. El repte és formular la pregunta correcta i reunir les dades adequades—les que responen de debò aquella pregunta.
Aquesta idea, que un cop dita sembla gairebé òbvia, neix d’una història que els enginyers coneixen bé però que el gran públic sent poc. Una història de guerra, d’avions, de forats de bala i d’un biaix que va sortir car fins que algú el va veure.
Els avions que tornen… i els que no
Imagineu una base aèria durant la Segona Guerra Mundial. Per onades, els aparells tornen de missió. Els mecànics s’hi llancen, prenen notes i marquen en siluetes d’ales, fuselatges i cua les zones foradades per les bales. Ràpidament, apareix un patró: aquí les ales reben molts impactes; allà, la cua; més enllà, la zona mitjana del fuselatge. La conclusió sembla evident: reforçar on les bales piquen més.
S’hi afegeix blindatge. L’avió s’envoluma, el consum puja, l’autonomia baixa. S’espera que disminueixin les pèrdues. No disminueixen.
Fins que un dia algú—un estadístic d’ull fi—fa una pregunta d’una simplicitat desarmant: “Sobre quins avions estem mesurant?” Resposta: sobre els que tornen. I tot l’edifici s’ensorra. Els forats observats no indiquen on s’abaixen els avions, sinó on un avió pot rebre trets i, tot i així, tornar a la base. Dit d’una altra manera, assenyalen les zones menys vitals.
La conclusió real és la inversa de la intuïció inicial: cal blindar on no hi ha forats en els avions supervivents. Per definició, allà hi ha els punts crítics: els trets en aquells llocs impedeixen el retorn i, per tant, mai n’observem els impactes.
Aquesta història—un clàssic de l’efecte supervivència—no és només una anècdota militar. És una faula sobre la qualitat de la pregunta i la pertinència del conjunt de dades. Diu això: si només mires el que sobreviu, et perdràs el secret del que mor. I si només interrogues les dades disponibles, corres el risc d’oblidar aquelles que, absents, contenen la resposta.
Fer la pregunta correcta: una disciplina
La IA és, abans que res, definir una pregunta que apunti correctament el fenomen a modelar. És menys “Quina és la millor arquitectura?” i més “Què intentem predir, de qui, en quin moment i amb quines conseqüències?”. És decidir si busquem un score (classificació), una alerta (llindar), una recomanació (acció) o una explicació (factors de risc). Sobretot, és declarar què acceptem ignorar i què ens neguem a oblidar.
La bellesa d’enquadrar bé la pregunta
Hi ha una elegància—gairebé literària—a l’hora d’enquadrar bé una pregunta. És triar l’angle de la llum. La mateixa escena, sota un to càlid, conta una història íntima; sota un neó fred, un documental clínic. Amb la IA, l’enquadrament ho és tot. El “churn” (marxa de client) pot definir-se com una baixa contractual o com una davallada d’ús. La primera definició activa l’acció massa tard; la segona et dona avantatge. El “risc pacient” pot ser probabilitat de complicació o probabilitat d’ignorar una recomanació de cura. La primera és clínica; la segona és conductual—i demana estratègies diferents.
Ens meravellen, amb raó, les proeses dels grans models de llenguatge. Però si els preguntem malament, produeixen respostes boniques i fora de tema. Doneu-los un objectiu clar, context, restriccions i exemples positius i negatius, i tot canvia. De la mateixa manera, un sistema predictiu només val tant com la intenció que el guia.
Pedigrí vs. pràctica: la temptació del fetitxe
Amb tanta oferta tecnològica, és temptador fetitxitzar l’eina. Compareu models com si fossin motors de cotxes esportius: aquest guanya aquell en tal benchmark. Aquest framework promet una acceleració per ×. Útil… fins que ja no. Un model normalet alimentat amb bones dades i guiat per una pregunta d’enginyeria clara gairebé sempre superarà un model d’elit mal enquadrat. Una organització que documenta els seus sensors, versiona les seves transformacions, anota les seves hipòtesis i escolta els seus operadors avança amb més seguretat que qui apila maons opacs.
Epíleg: blindeu on no hi ha forats
És colpidor que una història tan antiga continuï il·luminant els nostres programes més nous. El que ens ensenya la base aèria no és només una astúcia estadística; és una ètica de la curiositat. Quan les evidències s’alineen amb massa facilitat, gireu-vos cap al silenci. Allà on les dades callen, sovint s’hi amaguen les causes.
Sí, la IA no és més que estadístiques i probabilitats convertides en algoritmes. I això és bo. Vol dir que el poder segueix a les nostres mans: en l’art de formular bé la pregunta, en la rigorositat de triar o crear les dades correctes, en la paciència de tornar a la realitat. Demà, un adolescent continuarà construint una app en tres clics. El que marcarà la diferència no serà la bellesa de la interfície ni la mida del model, sinó la justesa del problema i la qualitat de l’observació.
Blindeu on no hi ha forats. Feu la pregunta que reveli els absents. Feu parlar el que falta. La resta—l’exactitud, el rendiment, les corbes que pugen, vindrà.
