Hi ha un punt d'inflexió que canvia les converses: quan les dades passen de "potencial" a "retorn mesurable". En agents d'IA, aquest punt ja ha arribat. Un estudi recent amb més de 500 líders tècnics d'empreses com Thomson Reuters, Doctolib, L'Oréal i eSentire ho confirma: el 80% reporta retorns econòmics mesurables de les seves inversions en IA.
I el més rellevant no és aquesta xifra. És el que ve després.
Els tres principals obstacles per escalar agents d'IA no són tècnics. Són integració amb sistemes existents (46%), accés i qualitat de dades (42%) i change management (39%). És a dir: el fre no és al model de llenguatge. És en com treballen els equips.
Això connecta directament amb una cosa que a onext fa temps que observem en cada implementació: la tecnologia funciona. El que falta és el sistema de treball que la sostingui.
L'estat real dels agents d'IA el 2026
Abans d'entrar en l'anàlisi, convé contextualitzar la magnitud de l'adopció. Els números de l'estudi "State of AI Agents 2026" d'Anthropic i Material no deixen gaire marge a la interpretació:
Dades clau: State of AI Agents 2026
Font: Anthropic + Material | 500+ líders tècnics enquestats
Això ja no és una fase d'experimentació. És adopció en producció. I les xifres d'estalvi ho reforcen: el 59% reporta estalvi en generació de codi, un altre 59% en documentació, 59% en code review i testing, i un 58% en planificació i ideació.
El patró és clar: els agents estan absorbint la feina repetitiva i rutinària perquè els equips dediquin més temps a decisions, arquitectura i estratègia.
Quatre casos que expliquen on és el valor real
Les dades agregades expliquen una història. Els casos individuals n'expliquen una altra de més concreta. Quatre empreses de l'estudi il·lustren patrons que veiem repetir-se en les nostres pròpies implementacions:
Thomson Reuters: d'hores a minuts en investigació legal
Thomson Reuters va desplegar CoCounsel, un agent legal que dona accés a 150 anys de jurisprudència. El que abans requeria hores de cerca manual ara es resol en minuts.
La clau no va ser només el model. Va ser la integració amb el corpus de dades existent. Sense accés estructurat a 150 anys de documents, l'agent no serveix per a res. L'avantatge competitiu no és al LLM. És en el context que li proporciones.
eSentire: anàlisi de ciberseguretat de 5 hores a 7 minuts
eSentire va construir un agent d'anàlisi d'amenaces que redueix el temps d'investigació de 5 hores a 7 minuts, amb un 95% d'alineament amb les conclusions d'analistes sènior.
Dada crítica: 95% d'alineament amb experts sènior. No és un chatbot genèric. És un sistema que ha internalitzat el criteri dels millors analistes de l'equip. Això només és possible si algú va dissenyar, estructurar i validar el context que l'agent consumeix. Exactament el que a onext anomenem context engineering.
Doctolib: reemplaçar infraestructura legacy en hores, no setmanes
Doctolib va fer servir agents de codi per reemplaçar infraestructura de testing legacy. El que normalment portaria setmanes es va completar en hores. El resultat: 40% més ràpid en entrega de features.
Aquest cas és particularment rellevant perquè demostra que els agents no només serveixen per escriure codi nou. Serveixen per modernitzar codi existent, que és on la majoria d'equips tenen el veritable coll d'ampolla.
L'Oréal: analytics conversacional amb 99.9% de precisió
L'Oréal va desplegar un sistema d'analytics conversacional que assoleix 99.9% de precisió i és utilitzat per 44.000 usuaris mensuals.
Aquí el patró és diferent: no és desenvolupament de programari, és democratització de l'accés a dades. 44.000 persones que abans depenien d'un equip d'analytics ara consulten dades directament. Això allibera l'equip tècnic per a feina estratègica.
El patró que comparteixen els quatre casos
Els tres obstacles que no són tècnics
Si el 80% reporta retorn econòmic, la pregunta lògica és: i l'altre 20%, i els que encara no escalen, què els frena?
L'estudi és força precís al respecte:
No és un problema d'API. És un problema d'arquitectura, de silos de dades i de processos legacy que ningú no ha redissenyat perquè un agent hi pugui operar.
Els models són tan bons com les dades que consumeixen. Si la teva documentació està dispersa, el teu codi sense documentar i les teves decisions arquitectòniques al cap d'una persona, l'agent no pot fer la seva feina.
Els equips necessiten canviar la seva manera de treballar. No n'hi ha prou de donar accés a l'eina. Cal redefinir rols, processos i criteris de qualitat. I això requereix lideratge explícit.
Fixa-t'hi: cap dels tres és "el model no és prou bo" o "la tecnologia no està madura". Són problemes d'organització del treball, del coneixement i de la gestió del canvi.
Això confirma una cosa que hem anat articulant en insights anteriors: l'èxit de la IA en equips de desenvolupament és organitzatiu. Les dades de 500+ empreses ho validen a escala.
D'on ve l'estalvi real: no és on penses
Quan es parla d'IA i productivitat, la primera associació és "generar codi més ràpid". Però les dades de l'estudi pinten un quadre més matisat:
Estalvi de temps reportat per àrea
% d'organitzacions que reporten estalvi de temps significatiu en cada àrea
El que crida l'atenció és la distribució uniforme. No hi ha una àrea que domini sobre les altres. L'estalvi ve de tot el cicle: planificació, codi, review, testing, documentació. Els agents actuen com a multiplicadors del flux complet, no només d'una fase.
I hi ha una dada que sovint passa desapercebuda: el 60% fa servir agents per a anàlisi de dades i reports, i el 48% per a automatització de processos interns. És a dir, els agents no només són al codi. Són a les operacions.
"9 de cada 10 líders reporten que els agents estan canviant com treballen els seus equips, dedicant més temps a activitats estratègiques, relacions i desenvolupament d'habilitats en lloc d'execució rutinària."
-- State of AI Agents 2026, Anthropic + Material
Aquesta cita resumeix el canvi fonamental: no és que els equips facin més. És que fan coses diferents. Més estratègia, menys execució mecànica. Més decisions, menys tasques repetitives.
El desenvolupament de programari com a epicentre de l'adopció
Una dada de l'estudi mereix la seva pròpia secció: el 90% de les organitzacions fan servir IA per a desenvolupament de programari. No per a màrqueting, no per a atenció al client. Per escriure, revisar i desplegar codi.
I dins d'això, el 86% desplega agents específicament per a codi en producció. No proves de concepte. No demos. Producció.
Això té implicacions directes per a qualsevol CTO:
- Si el teu equip no està fent servir agents d'IA per a desenvolupament, competeixes amb un 90% d'empreses que sí que ho fan.
- Si els estàs fent servir però sense un sistema de treball adaptat, probablement estàs al grup que no veu retorn real.
- Si els estàs fent servir amb context estructurat, especificacions clares i processos redissenyats, estàs al grup del 80% que reporta retorn mesurable.
La diferència entre el segon i el tercer grup no és l'eina. És el sistema.
El salt que ve: de workflows a processos cross-funcionals
Les dades de l'estudi mostren una evolució en tres fases que coincideix amb el que observem en implementacions reals:
Autocompletat, generació de codi, resums. El 90% ja és aquí. És la línia base.
Agents que coordinen entre equips i departaments. El 56% planeja implementar-los per a investigació i reporting. Aquí hi ha el major potencial sense explotar.
La fase 3 és on la complexitat organitzativa es dispara. Ja no es tracta que un developer faci servir un agent. Es tracta que un agent operi entre equips, amb dades de múltiples fonts i decisions que afecten diversos departaments.
I és exactament on els tres obstacles de l'estudi (integració, dades, change management) es tornen crítics.
El que l'estudi valida sobre la nostra tesi
Des d'onext fa temps que implementem agents d'IA en equips de desenvolupament amb una premissa específica: la tecnologia és condició necessària però no suficient. El sistema de treball és el que determina el resultat.
Les dades de l'estudi validen tres pilars del nostre enfocament:
1. Context engineering com a base. El cas de Thomson Reuters (150 anys de jurisprudència estructurada), el d'eSentire (95% alineament amb experts sènior) i el de L'Oréal (99.9% precisió) demostren el mateix: el resultat depèn del context que proporciones a l'agent. No de l'agent en si. A onext, això és context engineering: la pràctica de dissenyar i gestionar el context com un actiu d'enginyeria.
2. Especificacions estructurades sobre prompts ad hoc. Quan el 86% desplega agents en producció, ja no pots dependre que cada developer escrigui el seu propi prompt. Necessites especificacions que garanteixin consistència, traçabilitat i qualitat. Això és Spec-Driven Development (SDD).
3. Centres d'Excel·lència com a mecanisme de transformació. L'obstacle de change management (39%) no es resol amb formació puntual. Es resol amb un equip dedicat que redissenya el sistema de treball, mesura l'impacte i escala el que funciona. Exactament el que fa un Centre d'Excel·lència d'IA.
El que SDD resol: Els tres obstacles principals de l'estudi -- integració (46%), dades (42%) i change management (39%) -- són exactament el que aborda un Centre d'Excel·lència d'IA amb SDD. La "constitució" del projecte estructura el context. Els templates d'especificació garanteixen la qualitat de les dades que consumeix l'agent. I el playbook de prompts i el flux de code review són el mecanisme de change management: canvien com treballa l'equip, no només quina eina fa servir.
Autodiagnòstic: el teu equip està preparat per a agents d'IA?
Basant-nos en les dades de l'estudi i en les nostres implementacions, aquests són els senyals que diferencien els equips preparats dels que es trobaran amb els tres obstacles:
Si marques 5 o més, el teu equip està en bona posició per escalar agents. Si marques menys de 3, els obstacles organitzatius frenaran la teva adopció abans que qualsevol limitació tècnica.
El 80% que ve
L'estudi també mira endavant. El 81% de les organitzacions planeja abordar casos d'ús més complexos durant 2026. El 56% planeja implementar agents per a investigació i reporting. El 29% està desenvolupant agents cross-funcionals.
Això significa que la bretxa entre empreses que dominen agents d'IA i les que no s'ampliarà. No per la tecnologia, que estarà disponible per a tots, sinó per la capacitat organitzativa d'integrar-la en el sistema de treball.
Els equips que arribaran primer a la fase 3 (processos cross-funcionals) no seran els que tinguin millor accés a models. Seran els que tinguin:
- Context estructurat com a actiu d'enginyeria.
- Especificacions que garanteixin consistència a escala.
- Processos redissenyats, no apedaçats.
- Lideratge tècnic que tracti l'adopció d'IA com un canvi de sistema, no com un deployment d'eina.
El 80% ja genera retorn. L'obstacle per a la resta no és la tecnologia. És el sistema de treball. I això es pot canviar.
Font principal: "State of AI Agents 2026" -- Investigació d'Anthropic i Material, enquestant més de 500 líders tècnics d'empreses com Thomson Reuters, Doctolib, L'Oréal i eSentire. Publicat al blog d'Anthropic (anthropic.com).
Lectura complementària: Context Engineering: la disciplina que satisfà equips amb IA i sense IA | El 70% de l'èxit de la IA és organitzatiu
Metodologia onext: Els Centres d'Excel·lència d'IA d'onext implementen context engineering i Spec-Driven Development perquè els agents generin impacte estructural. Sense paralitzar lliuraments.
Jordi García és Tech Lead a onext. Treballa a portar la IA a producció governada en equips de desenvolupament i de producte —amb Spec-Driven Development, enginyeria de context i verificació humana a cada pas— i signa els insights tècnics d'onext sobre mètode, qualitat i cost de la IA aplicada.
LinkedIn →