En els últims 12 mesos, la majoria d'empreses han començat a experimentar amb models de llenguatge. El primer pas ha estat gairebé sempre el mateix: fer servir ChatGPT per generar continguts, redactar ofertes, resumir informació o donar suport a tasques internes. Al principi, l'impacte és evident. Però després d'aquesta primera fase apareix sempre el mateix problema: "Funciona, però no ho podem convertir en un procés fiable."
I les dades ho confirmen. Segons un estudi del MIT de juliol 2025, el 95% de pilots d'IA enterprise no genera impacte mesurable en P&L. Només el 5% aconsegueix resultats que justifiquin la inversió. No és un problema de tecnologia. És un problema de com s'està fent servir.
El fals avanç: fer servir LLMs com a eina individual
Eines com ChatGPT han democratitzat l'accés a la IA. Però també han creat una falsa sensació d'adopció. El 92% de les empreses Fortune 500 fa servir ChatGPT o la seva API. Sona a adopció massiva. Però quan mires més de prop, el 90% dels empleats fa servir eines d'IA personals per a tasques de la feina, i el 68% no ho comunica als seus responsables.
El que passa a la pràctica és això:
- Cada persona fa servir els seus propis prompts
- No hi ha consistència en els resultats
- El coneixement no es comparteix entre l'equip
- No existeix integració amb els sistemes de l'empresa
Resultat: Millores individuals, però cap impacte estructural. I, sobretot, cap escalabilitat. Cada persona reinventa la roda cada cop que obre ChatGPT.
És la diferència entre que el teu equip tingui accés a una calculadora i que la teva empresa tingui un sistema de comptabilitat. La calculadora ajuda. Però no escala, no s'audita, no s'integra i no produeix resultats consistents.
L'error: tractar els LLM com a eines, no com a sistemes
Quan les empreses intenten fer el següent pas, el patró es repeteix. "Farem servir IA per generar ofertes." "Automatitzarem el màrqueting amb IA." "Filtrarem CV automàticament." Però continuen construint sobre el mateix enfocament:
- Prompts aïllats, sense context del negoci
- Proves sense estructura ni criteris d'èxit
- Solucions desconnectades dels sistemes existents
Sense context. Sense integració. Sense control. El resultat és predictible: outputs inconsistents, baixa confiança del negoci i abandonament del projecte.
La dada: Les organitzacions abandonaran el 60% dels projectes d'IA no recolzats per dades preparades per a IA abans que acabi el 2026 (Gartner). I el 63% de les organitzacions no té, o no sap si té, les pràctiques de gestió de dades necessàries per suportar IA.
El que sí que funciona: dissenyar sistemes, no prompts
Els LLM no són una feature que s'afegeix a un producte. Són una nova capa operativa. Perquè funcionin en producció, necessiten convertir-se en un sistema amb quatre components:
1. Context estructurat
Un model no pot treballar "en el buit". Necessita dades internes (CRM, documents, històric), regles de negoci i memòria del procés. Sense context, el LLM genera respostes genèriques que no serveixen per al teu cas específic.
A la pràctica, això significa que abans d'enviar un prompt, el sistema injecta automàticament el context rellevant: dades del client, històric d'interaccions, restriccions del producte, to de marca. L'usuari no ha d'explicar-ho tot cada cop.
2. Flux de treball definit
No és una crida única al model. És un procés amb passos clars:
- Entrada: Input estructurat (formulari, dades del CRM, brief del client)
- Transformació: Un o diversos passos amb IA (generació, refinament, validació)
- Validació: Automàtica (regles de negoci) o humana (revisió lleugera)
- Sortida: Resultat utilitzable pel negoci (document al CRM, email enviat, contingut publicat)
Cada pas té criteris clars d'entrada i sortida. El model no opera com una caixa negra: és una peça dins d'un flux controlat.
3. Integració real
Si el resultat del LLM no s'integra en el flux de treball existent, no existeix. Una oferta generada que no arriba al CRM no serveix. Un contingut que no es publica no escala. Un CV filtrat que ningú revisa no aporta valor.
La integració no és opcional. És el que transforma un experiment en una operació.
4. Control i qualitat
Sense control, no hi ha adopció. El negoci necessita confiar que els outputs compleixen un estàndard mínim. Això requereix:
- Criteris de qualitat: Definir què és un output acceptable abans de posar el sistema en marxa
- Mecanismes de validació: Automàtics (regles, checks) i humans (revisió quan el score no supera el llindar)
- Mètriques de rendiment: Temps per tasca, taxa d'acceptació, ràtio d'intervenció humana
Eina individual vs sistema integrat
ChatGPT com a eina
- Cada persona escriu els seus propis prompts
- Resultats inconsistents entre membres de l'equip
- Sense integració amb CRM, ERP o eines internes
- Impossible mesurar impacte ni auditar resultats
- El coneixement es perd entre sessions
LLM com a sistema
- Context injectat automàticament des de dades internes
- Outputs estandarditzats amb qualitat predictible
- Integrat en el flux de treball (CRM, publicació, email)
- Mètriques de rendiment i traçabilitat completa
- Coneixement acumulat i reutilitzable
Cas real: generació d'ofertes B2B
Context: Empresa B2B amb procés manual de generació de propostes comercials. Equip de 5 comercials que dedicaven 2-3 hores per proposta, amb alta variabilitat en qualitat i dependència de perfils sènior per a les ofertes complexes.
Abans: ChatGPT com a eina individual
- Cada comercial feia servir ChatGPT amb els seus propis prompts
- Les propostes sortien amb tons i estructures diferents
- No hi havia integració amb el CRM: l'oferta es generava a part i es copiava manualment
- Sense criteris de qualitat definits: cadascú decidia quan la proposta "estava llesta"
Després: LLM integrat com a sistema
- El sistema extreu automàticament dades del client des del CRM (històric, sector, mida, interaccions prèvies)
- Genera una proposta estructurada seguint el template de marca i les regles comercials
- Validació automàtica: checks de preus, marges i condicions abans de presentar-la al comercial
- Revisió humana lleugera (5-10 minuts vs 2-3 hores de redacció)
- La proposta aprovada es registra directament al CRM
Resultats
Per què això importa ara
Moltes empreses ja han invertit en IA. Moltes ja fan servir ChatGPT cada dia. Però molt poques han aconseguit convertir aquest ús en processos sòlids, repetibles i escalables. La inversió mitjana en GenAI per empresa és d'1,9 milions de dòlars, però el ROI mitjà d'iniciatives enterprise és del 5,9% davant d'un 10% d'inversió de capital.
La diferència entre les empreses que obtenen retorn i les que no està consistentment en el mateix: les que funcionen han construït un sistema al voltant del model. Les que no, continuen fent servir prompts aïllats i esperant resultats diferents.
I hi ha un factor addicional que fa això urgent: els equips que ja construeixen amb LLMs integrats estan acumulant un avantatge que s'amplia amb el temps. Cada interacció millora el sistema. Cada feedback refina el context. Les empreses que continuen en la fase de "cadascú fa servir ChatGPT pel seu compte" no només no avancen: es queden enrere respecte a les que ja operen amb sistemes.
Conclusió: la diferència entre fer servir IA i construir amb IA
Els projectes amb LLM no fracassen perquè la tecnologia no funcioni. Fracassen perquè es queden en la capa superficial: ús individual, prompts aïllats, eines sense sistema. I no evolucionen cap al que realment genera impacte: processos estructurats, sistemes integrats i operacions escalables.
Aquesta és la diferència entre fer servir IA i construir un avantatge competitiu amb IA.
Si a la teva empresa ja feu servir IA però no està generant impacte real en processos clau, probablement no és un problema d'eina. És un problema de sistema.