Agents d'IA en producció: del prototip a l'operació

Muntar un agent d'IA que impressiona en una demo és relativament fàcil. Que funcioni cada dia, amb dades reals, sense vigilància constant i sense sorpreses, és una altra cosa: és enginyeria. Aquesta distància entre el prototip i l'operació és on es guanya o es perd el projecte.

Un agent és un sistema que no només respon, sinó que actua: consulta eines, crida APIs, executa tasques de diversos passos i decideix què fer a continuació. Aquest poder és justament el que el fa útil… i el que exigeix tractar-lo com a programari de producció, no com un experiment.

La diferència entre una demo i un agent en producció no és el model: és tot el que poses al voltant perquè sigui fiable.

Què canvia en passar a producció

En una demo controles les entrades i celebres els encerts. En producció apareixen els casos rars, les APIs que fallen, els costos que s'acumulen i els usuaris que fan el que no esperaves. Cal dissenyar per a això:

• Fiabilitat: reintents, temps d'espera, comportaments de reserva i control dels passos que l'agent pot fer.
• Barreres (guardrails): validació d'entrades i sortides, i confirmació humana abans d'accions sensibles o irreversibles.
• Observabilitat: traces de cada pas, eina i decisió, amb cost i latència, per poder depurar i auditar.
• Control de cost: límits per tasca i per usuari, i elecció del model adequat per a cada pas.

Eines i orquestració

Un agent val el que valen les seves eines. Connectar-lo als teus sistemes mitjançant APIs i el Model Context Protocol (MCP) li dóna accés real a dades i accions del teu negoci. La clau és exposar eines ben definides, amb permisos clars, i orquestrar els passos amb una lògica que tu controles, no confiar que el model «se'n surti».

Per a tasques llargues i complexes apliquem algorismes de procés i memòria que permeten a l'agent mantenir el context, reprendre la feina i coordinar-se —fins i tot diversos agents entre si— sense perdre el fil.

Avaluar abans de confiar

No es posa en producció el que no es mesura. Abans del desplegament construïm un conjunt d'avaluacions amb casos reals i criteris clars d'èxit, de manera que cada canvi en el prompt, el model o les eines es valida objectivament. Sense aquesta xarxa, qualsevol «millora» és una aposta a cegues.

L'humà al bucle, on toca

L'autonomia total no sempre és l'objectiu. En molts processos el millor disseny deixa que l'agent prepari la feina i una persona aprovi el pas crític. Això redueix el risc, genera confiança i permet anar ampliant l'autonomia a mesura que el sistema demostra que encerta.

Desplegament gradual

Recomanem començar per un cas d'ús acotat amb retorn mesurable, posar-lo en producció per a un grup reduït, observar el seu comportament real i escalar només quan els números acompanyen. Prioritzar quick wins abans d'automatitzar processos crítics és el que fa que l'adopció sigui sòlida i no un ensurt.

Com ho abordem a AxisOne

Dissenyem, desenvolupem i operem agents integrats als teus sistemes crítics: del primer cas d'ús a l'observabilitat i l'operació contínua. Com a grup que fabrica i opera el seu propi programari des de 2004, tractem els agents amb la disciplina de qualsevol sistema en producció.

Si tens un prototip que funciona en demo però no t'atreveixes a posar en producció, parlem-ne: t'ajudem a creuar aquesta distància amb garanties.