La paraula agent IA ja s’usa per a gairebé qualsevol interfície conversacional. Això crea un problema pràctic: moltes empreses compren un “agent” esperant que resolgui tasques, però reben un chatbot amb respostes més llargues. La diferència no és en el to, ni en què el prompt sigui més sofisticat. És en l’arquitectura.
Un chatbot pot ser útil per orientar, respondre preguntes freqüents o recollir dades simples. Un agent IA comença a tenir sentit quan el sistema necessita usar eines, consultar dades, aplicar regles, mantenir context i lliurar una sortida útil per actuar per a un altre sistema o una persona.
Punts clau
- Un chatbot respon; un agent IA també pot observar, decidir, usar eines i preparar accions.
- L’agent necessita límits: permisos, validacions, registres i passos de revisió humana.
- La memòria no ha de ser un “record màgic”, sinó dades controlades: sessió, CRM, base de coneixement, historial i logs.
- En B2B, el valor sol aparèixer en qualificació, briefing, seguiment, suport preventa i registre en CRM.
- Si l’empresa no té regles de negoci clares, l’agent només automatitzarà ambigüitat.
Chatbot i agent IA: diferència operativa
La comparació més útil no és “chatbot antic contra IA moderna”, sinó resposta aïllada contra sistema connectat.
| Capa | Chatbot clàssic | Agent IA ben dissenyat |
|---|---|---|
| Objectiu | Respondre o guiar per un flux | Resoldre una tasca concreta o preparar el pas següent |
| Context | Missatge actual o arbre de decisió | Sessió, regles, dades del negoci, historial i eines |
| Sortida | Text per a l’usuari | Text, dades estructurades, esdeveniments, tasques o resum per a CRM |
| Control | Guions, intents o prompt | Validació, permisos, logs, handoff i límits per acció |
| Risc | Respostes pobres o genèriques | Excés d’autonomia si no es governa bé |
Aquesta distinció evita una expectativa perillosa: pensar que n’hi ha prou amb connectar un model al web per “tenir un agent”. En producció, el model és només una peça.
L’arquitectura mínima d’un agent IA real
Un agent útil sol combinar sis capes:
- Interfície: chat, formulari, email, WhatsApp, panell intern o webhook.
- Model de llenguatge: interpreta intenció, redacta i decideix quan necessita una eina.
- Eines: funcions controlades per consultar CRM, buscar en catàleg, crear tasques, enviar avisos o validar dades.
- Memòria i context: dades de sessió, informació recuperada d’una base de coneixement, historial rellevant i metadades de l’usuari.
- Regles de negoci: què pot fer, què no pot fer, quan ha de preguntar més i quan ha de derivar.
- Observabilitat: logs, resultats, errors, revisions humanes i mètriques de qualitat.
La part més delicada no és el prompt. És el contracte entre el model i el sistema. Una eina no s’hauria de dir hacer_cosas_crm. Hauria de tenir un nom clar, paràmetres estrictes, errors esperats i permisos limitats. Per exemple: crear_oportunidad_crm, consultar_estado_pedido o enviar_resumen_a_ventas.
Exemple pràctic: de consulta vaga a oportunitat comercial
Imagina que arriba aquest missatge: “Hola, estem valorant refer el web i automatitzar part de la captació. Ens podeu ajudar?”.
Un chatbot podria respondre amb una explicació general de serveis. Un agent IA comercial hauria de fer una cosa més útil:
- Detectar intenció: possible projecte web + automatització comercial.
- Preguntar només el necessari: tipus d’empresa, web actual, objectiu, terminis, pressupost orientatiu si escau.
- Consultar una base de coneixement per no prometre serveis fora d’abast.
- Classificar l’oportunitat segons regles: encaix alt, mitjà o baix.
- Crear un resum estructurat per a CRM.
- Derivar a una persona si hi ha senyals de projecte real.
La sortida no hauria de ser un paràgraf bonic, sinó una cosa que l’equip pugui usar:
{
"tipus_projecte": "web + automatització comercial",
"encaix": "alt",
"urgencia": "mitjana",
"dades_faltants": ["pressupost", "stack actual", "termini"],
"seguent_accio": "enviar preguntes de discovery i proposar trucada"
}Aquest JSON no substitueix el criteri comercial. El prepara.
Memòria: què recordar i què no
La memòria se sol vendre de manera exagerada. En un agent real, recordar no significa guardar-ho tot per sempre. Significa usar el context adequat en el moment adequat.
| Tipus de memòria | Ús raonable | Risc si es dissenya malament |
|---|---|---|
| Sessió | Mantenir una conversa coherent | Arrossegar errors o malentesos |
| CRM | Recuperar dades comercials existents | Exposar informació a qui no correspon |
| Base de coneixement | Respondre sobre serveis, processos o condicions | Usar documents obsolets o contradictoris |
| Logs | Auditar decisions i millorar el flux | Guardar dades personals sense necessitat |
Riscos que no apareixen en una demo
Una demo sol mostrar el camí feliç. Producció mostra excepcions: APIs que fallen, usuaris que escriuen dades ambigües, leads que demanen descomptes, intents de manipular instruccions, duplicats al CRM o consultes amb dades personals.
Per això un agent IA ha de tenir baranes:
- Permisos mínims: llegir no és el mateix que escriure; proposar no és el mateix que executar.
- Accions reversibles: començar per resums, classificació i esborranys abans d’accions crítiques.
- Revisió humana: necessària en preus, contractes, baixes, reclamacions o decisions sensibles.
- Traçabilitat: cada acció ha d’explicar quina dada ha usat i quina regla ha aplicat.
- Fallback clar: si no sap, pregunta o deriva; no inventa.
Quan n’hi ha prou amb un chatbot
No tot necessita un agent. Un chatbot pot ser suficient quan:
- Només cal respondre preguntes freqüents.
- No existeix integració amb CRM, catàleg o eines internes.
- El risc d’una resposta incorrecta és baix.
- El volum no justifica una arquitectura més complexa.
- L’objectiu és orientar, no operar.
En canvi, un agent IA té sentit quan la conversa ha d’acabar en una dada útil, una tasca, una classificació o una decisió de derivació.
Com ho implementaria de forma prudent
Començaria per un flux petit: per exemple, qualificació de formularis de contacte. L’agent no tancaria vendes ni canviaria preus. Només faria tres coses: completar context, classificar l’oportunitat i deixar un resum al CRM.
Després mesuraria:
- percentatge de formularis amb dades suficients;
- temps fins a primera resposta;
- reunions qualificades generades;
- falsos positius i falsos negatius;
- casos en què la IA va haver de derivar;
- feedback de l’equip comercial sobre la utilitat del resum.
Si aquest pilot millora la feina real, llavors tindria sentit afegir eines noves. Si no, probablement el problema no era la IA: era el procés.
Lectures relacionades
- Què és un agent IA comercial i quan utilitzar-lo
- Chatbot vs agent IA comercial: diferències, límits i casos
- Dissenyar un agent IA que pregunta, filtra i deriva oportunitats
- Privacitat i seguretat en agents IA comercials
Conclusió
Anomenar agent IA qualsevol chatbot crea expectatives equivocades. La pregunta útil no és si el sistema “sembla intel·ligent”, sinó si pot operar amb context, límits, eines i responsabilitat. Quan aquesta arquitectura existeix, l’agent deixa de ser una interfície cridanera i es converteix en una peça de procés.
Preguntes freqüents
- Un agent IA sempre és millor que un chatbot?
- No. Un chatbot pot ser suficient per respondre preguntes freqüents o guiar usuaris en fluxos simples. Un agent IA té sentit quan ha d'usar eines, aplicar regles, recordar context i preparar o executar accions controlades.
- Quina diferència tècnica hi ha entre un chatbot i un agent IA?
- La diferència és l'arquitectura: l'agent combina model, eines, memòria, regles, validació, logs i handoff humà. El chatbot sol limitar-se a respondre o seguir un arbre conversacional.
- Quin risc té donar massa autonomia a un agent IA?
- El risc principal és que executi accions sense prou control, usi dades fora de context o sigui manipulat per entrades malicioses. Per això convé limitar permisos i exigir revisió humana en accions sensibles.
- Què hauria de construir primer una empresa?
- Un flux petit i mesurable: per exemple, qualificar formularis, crear resums per a vendes o respondre preventa amb derivació humana. Després s'amplia amb eines i regles addicionals.