Insights
Pàgina 2 de 6
Automatitzar sinistres amb IA: què entra en vigor el 2 d'agost i què s'ha ajornat a 2027
El Reglament (UE) 2026/1744 es va publicar al DOUE el 24 de juliol de 2026 i és en vigor des del 27: les obligacions dels sistemes d'alt risc de l'Annex III s'ajornen al 2 de desembre de 2027 i les de l'Annex I al 2 d'agost de 2028. Però la transparència de l'article 50 no es va ajornar i entra el 2 d'agost de 2026 —amb marcatge de contingut sintètic exigible des del desembre per als sistemes generatius que ja eren al mercat—, així que si un assistent obre el comunicat o redacta la comunicació a l'assegurat, això ja t'afecta. Aquesta peça desglossa les sis fases d'un sinistre i on encaixa la IA sense arriscar, la delimitació de l'Annex III 5(c) (tarifació en vida i salut, no la tramitació; No Vida fora), els tres motius pels quals els pilots de sinistres no arriben a producció —condicionat inaccessible, zero traçabilitat, humà al lloc equivocat— i un camí de set passos per començar per una tipologia acotada amb el context ordenat.
Com redactar la memòria tècnica d'una licitació
Redactar la memòria tècnica d'una licitació no és descriure la teva empresa: és respondre, punt per punt, a un plec que ja t'ha dit com et puntuarà. Aquest article recorre el mètode —llegir el plec al revés, començant pels criteris de valoració, i construir l'índex al voltant d'ells amb extensió proporcional als punts—, l'error que descalifica sense remei (barrejar informació econòmica o valorable per fórmula al sobre tècnic), i la regla de respatller: si una afirmació no pot apuntar a un document de la teva empresa que la sostingui, o es converteix en alguna cosa que sí que pot, o cau. I després el problema estructural que cap consell de redacció resol: una empresa que licita amb regularitat ja ha escrit gairebé tot el que necessita, però viu dispers, així que cada licitació comença a prop de zero i la decisió real acaba sent a quina de les tres presentar-se. Amb el cost invisible d'externalitzar (el coneixement se'n va amb el tercer) i on encaixa la IA i on no: accelera localitzar, seleccionar i adaptar material propi citant la font; no guanya la licitació, no substitueix la revisió humana i no inventa el que no tens.
Shadow AI: la IA que els teus equips ja fan servir sense control (i com governar-la)
El shadow AI és l'ús d'eines d'IA dins de la teva empresa sense l'aprovació ni el control de tecnologia: el successor del "shadow IT", amb l'agreujant que la IA s'empassa dades. Quan fas l'inventari en una empresa mitjana, el número sorprèn: desenes d'eines en ús avui —ChatGPT individual, copilots sense política, IA al CRM o al correu— sense auditoria. Aquest article desglossa què és i per què gairebé totes les empreses el tenen, el risc real que no veus en cap pressupost (fuga de dades, compliment/AI Act, inconsistència, cost invisible, decisions sense rastre), per què prohibir-lo no funciona (es torna més ocult i apagues un senyal de demanda real), i com governar-lo sense matar-lo: inventari sense caça de bruixes, una política clara i usable, i —la clau— un entorn corporatiu d'IA governada que sigui millor que la drecera individual, perquè el shadow desaparegui sol. Buyer CIO/CISO/COO, angle governança.
Automatitzar el customer support B2B amb IA, sense al·lucinar als teus comptes
Automatitzar el customer support B2B amb IA és de les apostes de més retorn: gran part dels tickets són variacions de les mateixes preguntes. Però el suport B2B té una diferència crítica respecte al de consum: cada client és un compte amb un contracte, i una resposta inventada o genèrica és una esquerda en una relació cara de guanyar. Aquest article desglossa per què el suport és el candidat perfecte per a la IA i per què fa mal avui, per què un chatbot genèric és perillós en B2B (al·lucina respostes sobre el teu producte, no coneix el context del compte, escala malament cap a la persona, no deixa rastre) i què exigeix una automatització que puguis posar davant del client: enginyeria de context del teu producte i polítiques, verificació amb límits (que digui "no ho sé" i escali en lloc d'inventar), escalat humà net amb context, i traçabilitat. Començant per deflexió assistida i mesurant deflexió, temps de resolució i CSAT.
AWS Bedrock vs Azure OpenAI per a mid-market: quin triar
Si compares AWS Bedrock i Azure OpenAI per a la teva empresa, aquesta guia dona una lectura honesta de les dues —per a què encaixa cadascuna pels eixos que importen al mid-market: catàleg de models, portabilitat, encaix amb el teu cloud, governança i residència de dades, cost— i després ataca l'error car: creure que la decisió de plataforma determina el resultat. Triar plataforma és, de facto, triar a quin núvol et cases durant anys, i el que més pesa en el cost no és la tarifa d'avui sinó el cost de sortida. La resposta no és "Bedrock o Azure", és arquitectura: tria per encaix real però dissenya multi-model des del dia u, mantén el teu context de negoci fora del vendor i mesura el cost per tasca útil. Amb avís de biaix declarat (onext construeix Enterprise AI sobre Bedrock pel seu accés multi-model) i tesi de portabilitat / sense lock-in.
Agent d'IA al teu producte SaaS: construir l'equip o portar un partner?
Posar un agent d'IA al teu producte és la feature que tot Head of Product té al roadmap de 2026: un copilot, un agent que executa un flux. La part fàcil és ensenyar que funciona; la difícil —i la que costa diners de veritat— és decidir com el construeixes i sostens. Aquest article ordena la decisió: què és un agent al teu producte (i per què no és un chatbot), per què el demo enganya (el 80% invisible: fiabilitat amb casuística real, avaluació, cost per tasca, seguretat, manteniment), i la decisió de 50-300k€ entre construir l'equip in-house (control màxim però car, lent i difícil de retenir), comprar una solució tancada (ràpida però sense diferenciació) o portar un partner que construeix i transfereix (velocitat de comprar amb la propietat de construir). La regla: el que et diferencia construeix-ho (amb partner si no tens l'equip); el que és infraestructura, compra-ho. Track E, ticket alt, buyer Head of Product / CTO de producte.
Automatitzar comptes a pagar amb IA, sense errors comptables
Automatitzar comptes a pagar amb IA és de les apostes de retorn més clar per a un CFO: alt volum, molt manual i repetitiu (capturar la factura, casar-la amb la comanda i la recepció, codificar-la, aprovar-la, comptabilitzar-la). També és on l'error té conseqüència directa: un import mal llegit es paga de més, un compte mal assignat descquadra el tancament, un duplicat no detectat és diners que surten dues vegades. Aquest article desglossa per què és un candidat ideal a automatitzar, per què la IA genèrica falla en finances (extreu malament imports, codifica al compte equivocat, no detecta duplicats, no deixa rastre auditable), i què exigeix una automatització governada: context del teu pla de comptes, mestre de proveïdors i regles d'aprovació; verificació d'imports i three-way match; detecció de duplicats i anomalies; traçabilitat per a auditoria; integració amb el teu ERP i humà en les excepcions. El procés financer del clúster d'automatització documental d'onext Enterprise AI.
Respondre RFP amb IA: de setmanes per proposta a una resposta governada
Automatitzar la resposta a RFP amb IA és temptador: respondre una petició de proposta és car, lent i repetitiu, i bona part ja la vas escriure en propostes anteriors. Però és el procés on pitjor senta fer-ho a ull: en una oferta un error es negocia; en una RFP, un requisit que se t'escapa et deixa fora abans que ningú llegeixi la teva proposta. Aquest article desglossa per què respondre RFP és tan car (matrius de requisits, terminis, corpus de respostes prèvies, equips multidisciplinaris), per què la IA genèrica és més perillosa aquí que en una oferta (es salta requisits → descart; al·lucina compliments i certificacions → risc legal; cita specs que no són; respon en genèric i puntua baix), i què exigeix una automatització governada: context de les teves propostes guanyades, verificació de cobertura requisit a requisit, traçabilitat de cada afirmació i l'equip de bid al control. L'altra cara del procés documental que onext automatitza a Enterprise AI.
Automatitzar les teves ofertes comercials amb IA, de manera governada
Automatitzar la generació d'ofertes comercials amb IA és una de les oportunitats de més retorn immediat en una empresa mitjana: és repetitiu, intensiu en documents i consumeix hores de la teva millor gent. També és dels que pitjor surten sense mètode. L'experiment típic —demanar a un chatbot que redacti la proposta— impressiona en la demo i falla en producció perquè la IA no coneix el teu negoci: inventa preus, ignora els teus descomptes, aplica condicions que no corresponen. I en una oferta, un preu malament és diners o un problema legal. Aquest article desglossa per què les ofertes són el procés perfecte per automatitzar, per què el primer intent amb ChatGPT no arriba a producció, i què exigeix una automatització governada: enginyeria de context (catàleg, regles de preu, plantilles), verificació humana en el que toca preu, traçabilitat per a finances i legal, integració amb CRM/ERP i cost per oferta mesurat. Amb la generació d'ofertes com un dels processos que onext automatitza dins d'Enterprise AI.
Claude vs Cursor vs Copilot per a empreses: quin triar
El teu equip demana (o ja fa servir) Claude, Cursor o GitHub Copilot, i toca decidir en quina estandarditzar i quant pressupostar. Aquesta guia dona una lectura honesta de les tres —per a què brilla cadascuna i en quina situació encaixa, pels eixos que li importen a un CTO (integració, governança enterprise, treball agèntic, model de cost, corba d'adopció)— i després ataca l'error car: creure que la decisió d'eina determina el retorn. No ho és. La mateixa llicència produeix ×3 o ×0 segons com es treballi. El 80% que decideix el ROI és el mètode —especificació (SDD), enginyeria de context i verificació humana— amb què el teu equip converteix qualsevol de les tres en throughput mesurable. Amb avís de biaix declarat (onext treballa sobre Claude) i tesi agnòstica.
IA per a healthtech: la IA del teu producte de salut, a producció
Personalitzar el pla de cada usuari, un assistent que respongui dubtes, contingut adaptat: la IA promet molt en un producte de salut o benestar, i la demo surt bé en una tarda. El difícil arriba després: que funcioni amb milers d'usuaris reals, sobre dades personals de salut, sense un equip d'IA en plantilla. Aquest salt és on gairebé tots els productes de salut s'encallen, i no és pel model. Aquest article desglossa per què la IA d'un producte de salut es queda en la demo (personalització genèrica, dades sensibles i regulades, sense equip IA in-house), què exigeix de veritat producció (enginyeria de context, verificació i límits de seguretat, privacitat des del disseny, cost per interacció útil) i com donar-lo per casos d'ús concrets amb un partner que construeix el producte end-to-end. Amb el cas Hacktua com a prova —i una nota honesta: benestar B2C, no sistema clínic.
IA per a asseguradores: per què els pilots no arriben a producció
Les asseguradores mid-market s'omplen de pilots d'IA que impressionen en la demo i s'encallen abans de producció. Un proveïdor ensenya que la IA llegeix un comunicat de sinistre o classifica un risc de subscripció en segons; sis mesos després, continua sent un pilot. No és un problema de model: és de context (la IA no coneix els teus rams, regles ni condicionats), de criteri de qualitat reproduïble (sense evals, cada release és una aposta sobre primes i pagaments) i de traçabilitat i cost (sense registre de decisions ni cost per expedient, compliment bloqueja el desplegament i el cas de negoci es dilueix). Aquest article desglossa els tres processos on més promet i més s'encalla la IA asseguradora —sinistres, subscripció, resposta documental/RFP—, què exigeix de veritat producció en un sector regulat (context, verificació, AI Act, cost mesurat) i com començar per un procés concret en lloc d'un gran projecte que ho promet tot.
Com mesurar si la IA del teu producte funciona: evals i cost
«Sembla que funciona» no és una mètrica: és una impressió, i amb IA generativa les impressions enganyen. Per portar una feature d'IA del teu producte SaaS a producció i mantenir-la rendible necessites mesurar dues coses, i només dues: la qualitat verificada (evals reproduïbles que et diuen si la sortida és correcta, no si sona bé) i el cost per tasca útil (crèdits consumits entre outputs que van passar l'eval i es van usar de veritat). Aquest article és la guia pràctica: com muntar evals que sí que serveixen per nivells, com calcular el cost per tasca útil amb un exemple numèric, quin tauler mínim mirar cada setmana, quan una feature d'IA mereix seguir viva, i les errades que rebenten la mesura. Sense això, cada release és una aposta i cada factura una sorpresa.
Integrar IA al teu producte SaaS sense hipotecar el roadmap
Posar IA al teu producte SaaS —RAG, agents, features amb LLM— és fàcil de començar i difícil d'acabar: funciona a la demo i es trenca amb la casuística real, perquè no coneix el teu producte ni té criteri de qualitat reproduïble, i el cost es dispara sense que ningú sàpiga quant costarà mantenir-lo. El problema no és el model: és que producció exigeix consistència, govern i escala, i això només ho dona l'enginyeria de context (recollir com funciona el teu producte i convertir-ho en el context que fa servir la IA) amb verificació humana a cada pas i el cost per tasca útil mesurat des del dia u. Com fer-ho sense hipotecar el roadmap: què construir primer, com mesurar si funciona, i quan build vs. buy.
Enginyeria de context vs. prompt engineering
Si el teu equip fa mesos que afina prompts per a ChatGPT, Claude o Copilot, aconsegueix demos brillants i tot i així res no arriba a producció de manera fiable, no és l'eina ni el model: és que hi ha dues disciplines diferents darrere de "treballar amb IA" i confondre-les et deixa encallat en la que té sostre. El prompt engineering afina la instrucció d'una interacció: no acumula, viu al cap de qui l'escriu i depèn del model de torn. L'enginyeria de context construeix el que el model sap del teu negoci —regles, criteris, domini— com un actiu reutilitzable, teu, que sobreviu al canvi de model. El prompt és com preguntes; el context és el que el model sap de tu quan preguntes. Per què aquesta distinció decideix si la IA arriba a producció.