Fins ara, la IA en desenvolupament de programari ha estat sobretot un assistent: autocompletar codi, suggerir funcions, respondre preguntes sobre documentació. Útil, però reactiu. Agentic AI canvia l'equació. Parlem de sistemes capaços de rebre un objectiu, descompondre'l en tasques, executar-les de manera autònoma, validar els resultats i ajustar el seu pla pel camí.
No és ciència-ficció. És el que Gartner prediu que estarà integrat en el 40% d'aplicacions enterprise per a finals de 2026 — davant de menys del 5% el 2025. Un salt d'adopció sense precedents en el món del programari.
I les dades de mercat ho confirmen: el sector dels AI agents va créixer fins als 7.800 milions de dòlars el 2025 i es projecta que superi els 52.000 milions el 2030. Les consultes sobre sistemes multi-agent van augmentar un 1.445% entre el Q1 de 2024 i el Q2 de 2025. Això no és una tendència marginal. És el següent paradigma.
Què és Agentic AI (i per què no és el mateix que un copilot)
Hi ha confusió legítima entre termes que sonen semblants però representen nivells de capacitat molt diferents. Abans de parlar d'impacte, convé distingir tres categories.
Què fa: Genera text o codi a partir d'un prompt.
Limitació: Sense memòria, sense context persistent, sense capacitat d'actuar.
Què fa: Suggereix codi en el context de l'editor. Autocompletat intel·ligent.
Limitació: Reactiu. Només respon quan li preguntes. No planifica ni executa.
Què fa: Rep un objectiu, planifica passos, executa accions, valida resultats i ajusta.
Diferència clau: Autonomia + memòria + planificació + ús d'eines.
Un copilot espera el teu prompt. Un AI agent treballa cap a un objectiu. La diferència no és incremental — és un canvi de paradigma en com interactuem amb la IA per produir programari.
Les tres capacitats que defineixen un agent
El que converteix un sistema d'IA en "agèntic" són tres capacitats que operen conjuntament:
- Autonomia: Capacitat de prendre decisions intermèdies sense intervenció humana constant. L'agent decideix què fer a continuació basant-se en l'estat actual.
- Memòria: Reté context entre interaccions. N'hi ha tres tipus: episòdica (experiències passades), semàntica (coneixement acumulat) i procedimental (habilitats apreses).
- Planificació: Descompon objectius complexos en subtasques, les ordena i les executa seqüencialment o en paral·lel, ajustant el pla si alguna cosa falla.
Els 7 patrons de disseny agentic que estan definint l'arquitectura
El camp està madurant ràpidament. Avui ja existeixen patrons de disseny consolidats per construir sistemes agentic. Aquests són els set que formen el vocabulari arquitectònic d'aquesta nova generació d'aplicacions:
7 patrons de disseny per a sistemes agentic
Font: Machine Learning Mastery, 2026
Aquests patrons no són teòrics. Eines com Claude Code, Devin o Cursor ja implementen diversos d'aquests. L'estandardització avança amb protocols com MCP (Model Context Protocol, d'Anthropic) i A2A (Agent-to-Agent Protocol, de Google), que permeten a agents de diferents proveïdors interoperar entre si.
Per al 2026, un terç dels sistemes agentic ja combinaran agents amb diferents habilitats en arquitectures multi-agent.
Per què Agentic AI importa per als equips de desenvolupament
Més enllà de la definició tècnica, el rellevant és l'impacte pràctic. Per a un CTO o tech lead, agentic AI canvia tres coses fonamentals.
1. D'assistència puntual a automatització de fluxos complets
Amb un copilot, cada pas requereix un prompt. Amb un agent, defineixes l'objectiu i el sistema gestiona el flux: des del disseny de l'schema de la base de dades, passant per la implementació de l'API, fins a l'execució de tests i la revisió de seguretat.
Segons McKinsey, les organitzacions que adopten IA de manera intensiva estan aconseguint reduccions del 20% al 40% en costos operatius. I en desenvolupament de programari, on els fluxos de treball són especialment seqüencials i repetitius, el potencial és encara més gran.
2. El rol del developer canvia de productor a orquestrador
Aquesta és probablement la implicació més profunda. Amb agentic AI, el developer sènior deixa d'escriure codi línia per línia. El seu rol evoluciona cap a:
- Dissenyar l'arquitectura que els agents han de respectar.
- Definir guardrails i restriccions de qualitat.
- Validar outputs per a seguretat i alineació amb objectius de negoci.
- Orquestrar agents especialitzats en lloc d'executar tasques manualment.
Com ho descriu Andrej Karpathy: "No estàs escrivint codi directament el 99% del temps. Estàs orquestrant agents."
El model operatiu emergent és clar: delegar, revisar, assumir responsabilitat. Els agents executen el primer esborrany. Els humans revisen correcció i risc. La propietat de les decisions arquitectòniques continua sent humana.
3. La reducció de fricció entre fases del desenvolupament
Avui, les transicions entre fases — planificació, desenvolupament, testing, review, desplegament — generen fricció i demora. Els agents comprimeixen aquest flux:
Planificació manual → Desenvolupament → PR → Espera de review → Tests manuals → Fix → Deploy
Setmanes de treball seqüencial amb esperes entre fases
Objectiu definit → L'agent planifica + implementa + testeja + revisa → L'humà valida → Deploy
Execució contínua automatitzada amb validació humana en punts clau
El que abans requeria coordinació entre persones i eines, ara s'executa de manera contínua. Però — i això és clau — només si hi ha una arquitectura que ho suporti.
On veurem impacte primer
Agentic AI no impactarà per igual en totes les àrees. Aquestes són les tres on l'adopció serà més ràpida i visible.
Desenvolupament de programari
És el terreny natural. Els agents ja operen en la implementació de features, la generació de tests, el refactoring de codi legacy i la revisió de seguretat. Eines com Claude Code o Cursor integren patrons agentic de manera nativa. És on més ràpid veurem equips treballant amb arquitectures multi-agent en producció.
Operacions IT i DevOps
Agents que monitoritzen pipelines CI/CD, detecten anomalies, suggereixen remediacions i en alguns casos les executen autònomament dins de dominis definits. La supervisió d'infraestructura és un cas perfecte per a agents: regles clares, feedback ràpid, accions acotades.
Suport tècnic i documentació
Agents que no només responen preguntes sinó que diagnostiquen problemes, naveguen bases de coneixement, executen accions correctives i escalen quan detecten que estan fora del seu domini. Un salt qualitatiu respecte als chatbots actuals.
d'apps enterprise tindran AI agents integrats per a finals de 2026 (Gartner)
de CIOs consideren la IA basada en agents una prioritat estratègica
mercat projectat per al 2030 (des de 7.800 M$ el 2025)
d'executives planegen augmentar els pressupostos d'IA per l'agentic AI
Els riscos d'adoptar Agentic AI sense arquitectura
Aquí és on la conversa es torna incòmoda però necessària. Agentic AI té un potencial enorme. Però també té riscos reals que no es resolen amb entusiasme.
Caos automatitzat: quan els agents multipliquen el desordre
Si un copilot en un entorn sense sistema ja genera codi inconsistent, un agent autònom ho fa a una escala més gran. Sense una arquitectura clara que defineixi convencions, restriccions i estàndards, els agents produiran codi funcional però incoherent amb la resta del sistema.
Un agent sense guardrails no és innovació. És caos automatitzat.
Deute tècnic a velocitat de màquina
Aquest és el risc més silenciós. Els investigadors l'anomenen "deute tècnic turboalimentat": codi generat que funciona però és difícil de mantenir, auditar o escalar. Quan un agent genera 50 arxius en una hora sense respectar l'arquitectura del projecte, el cost de manteniment pot superar el cost d'haver-lo escrit manualment.
No és casual que Gartner predigui que el 40% de projectes agentic AI seran cancel·lats abans de 2027. La majoria no fallaran per la tecnologia. Fallaran per falta d'arquitectura.
Superfície d'atac ampliada
El 2026, OWASP va publicar el seu Top 10 de riscos específics per a aplicacions agentic. Quatre destaquen especialment:
- Memory poisoning: Manipulació de la memòria de l'agent per alterar el seu comportament futur.
- Tool misuse: L'agent fa servir eines externes de maneres no previstes.
- Privilege escalation: L'agent obté permisos que no hauria de tenir.
- Cascading failures: En sistemes multi-agent, una fallada es propaga en cadena.
El 46% d'organitzacions ja cita la integració amb sistemes existents com el seu principal repte. La seguretat no és un problema futur. És un problema d'ara.
Senyals que estàs adoptant agentic AI sense l'arquitectura necessària
Si en reconeixes tres o més, necessites arquitectura abans de més autonomia.
L'avantatge competitiu serà arquitectònic, no tecnològic
Aquest és l'insight central de tot l'article.
La tecnologia d'agents estarà disponible per a tothom. Les APIs són les mateixes, els models són els mateixos, les eines són les mateixes. El que separarà els equips que multipliquen productivitat dels que multipliquen caos serà l'arquitectura amb què implementen aquests agents.
I "arquitectura" aquí no significa només infraestructura tècnica. Significa:
- Regles immutables que els agents han de respectar (la "constitució" del projecte).
- Especificacions estructurades que guien la generació de codi.
- Processos de revisió adaptats a l'output d'IA.
- Mètriques que mesuren impacte real, no volum de codi generat.
- Punts de control humà en decisions d'alt risc.
Això és exactament el que resol Spec-Driven Development. SDD proporciona la capa d'especificació i control que els agents necessiten per operar amb autonomia i sense caos. Constitució del projecte, templates d'especificació, playbooks de prompts i fluxos de code review dissenyats per a codi generat per IA. Els equips que adopten SDD abans d'escalar agents redueixen un 75% el temps per feature perquè l'arquitectura ja està dissenyada per controlar l'autonomia.
Les tres fases de maduresa agentic
L'adopció no és binària. Els equips transiten per tres fases:
Agents com a eines per a tasques discretes: generar tests, documentar codi, suggerir refactorings.
Agents gestionant fluxos multi-pas dins de dominis definits: feature completa, pipeline CI/CD, sprint de testing.
Agents operant cross-domain guiats per objectius de negoci, amb supervisió humana en punts estratègics.
La majoria d'equips estan a la Fase 1. Els que ja tenen sistema (especificacions, guardrails, mètriques) estan avançant a la Fase 2. Els que no tenen sistema... estan generant deute tècnic a velocitat d'agent.
Què hauria de fer un CTO avui
Si estàs liderant un equip de desenvolupament i agentic AI encara no és part del teu roadmap, aquestes són les accions concretes que recomanem:
- Audita la teva arquitectura actual. Abans d'afegir agents, avalua si la teva base de codi, les teves convencions i el teu sistema de treball estan preparats per a l'automatització autònoma.
- Defineix la "constitució" del teu projecte. Regles immutables que qualsevol agent ha de respectar: patrons d'arquitectura, convencions de naming, restriccions de seguretat.
- Comença per la Fase 1 amb estructura. No experimentis amb agents de manera descontrolada. Tria un domini acotat (tests, documentació) i defineix el flux complet: objectiu, guardrails, revisió humana.
- Mesura l'impacte real. No mesuris quant codi generen els agents. Mesura time-to-value, taxa de retreball, qualitat del codi en producció.
- Inverteix en context engineering. Els agents són tan bons com el context que reben. Instruccions compartides, especificacions estructurades i context curat són el diferenciador.
Conclusió: la cursa no és per l'eina, és per l'arquitectura
Agentic AI transformarà el desenvolupament de programari. Això no és una predicció arriscada, és una realitat que ja s'està desplegant. La pregunta no és si adoptaràs agents, sinó amb quina arquitectura ho faràs.
Els equips que adoptin arquitectures agentic abans — amb especificacions, guardrails i processos de revisió — tindran un avantatge competitiu difícil de replicar. Els que adoptin agents sense sistema tindran més velocitat aparent i més deute tècnic real.
Més autonomia sense més arquitectura no és progrés.
És caos més ràpid.
Lectura complementària: Spec-Driven Development: la metodologia per controlar la IA | Context Engineering per a equips | Qualitat del codi en l'era AI Coding
Metodologia: A onext implementem Spec-Driven Development com la capa arquitectònica que permet als equips escalar agents sense perdre control ni qualitat. 12 equips transformats, 0 sprints perduts.