Gairebé tothom que ha provat la IA generativa reconeix el mateix: escriu més ràpid, resumeix reunions, redacta correus i ajuda a programar. I, tanmateix, quan es mira el compte de resultats, l’efecte costa de veure. Aquesta distància entre la productivitat personal i el benefici de l’empresa té una explicació força pràctica: la majoria de les decisions que mouen el marge d’un negoci no es prenen amb text, sinó amb dades estructurades —les taules de clients, comandes, albarans, estoc i cobraments que viuen dins de l’ERP.
En un article recent, SAP News Center («The Gap That No LLM Can Close», news.sap.com) plantejava exactament aquest problema citant un estudi de McKinsey: al voltant del 80 % dels usuaris d’IA diu que guanya productivitat personal, però només un 6 % de les empreses afirma que la IA hagi augmentat de manera significativa el seu benefici operatiu
Per què els LLM fluixegen amb les dades estructurades
Un model de llenguatge està entrenat per predir text. És brillant explicant, redactant i conversant, i amb tècniques com RAG pot consultar la documentació interna d’una empresa. Però una taula no és un text: és un sistema de relacions. El valor d’una fila depèn de la columna del costat, del període, del client al qual pertany i d’altres cinc taules que l’acompanyen.
La font citada apunta que diferents anàlisis independents mostren un rendiment sensiblement menor dels LLM en tasques de raonament sobre taules que en tasques de llenguatge
Llenguatge i predicció són dues eines diferents
La conclusió útil no és "els LLM no serveixen". És que resolen un problema diferent. El llenguatge natural és la interfície; la predicció sobre dades estructurades és el motor. Les empreses que estan traient rendiment real combinen totes dues coses: el model de llenguatge per interactuar, explicar i redactar; els models analítics per anticipar el que passarà amb els cobraments, l’estoc o la demanda.
El moviment del mercat: models pensats per a taules
Hi ha una tendència clara el 2025-2026: al costat dels models de llenguatge estan apareixent models fundacionals tabulars, entrenats específicament per trobar patrons en dades estructurades, i també models entrenats sobre sèries temporals. La promesa és interessant per a qualsevol direcció financera: en lloc de desenvolupar, entrenar i mantenir un model diferent per a cada pregunta (un per a previsió de demanda, un altre per a risc d’impagament, un altre per prioritzar oportunitats comercials), es parteix d’un model general aplicable a diverses preguntes de negoci.
SAP, per exemple, ha comunicat moviments en aquesta línia amb l’adquisició de Prior Labs i la seva família de models tabulars
Què significa això si la teva empresa treballa amb Business Central
Aquí hi ha la part accionable. Si el teu ERP és Microsoft Dynamics 365 Business Central —o estàs migrant des de Navision—, ja tens l’actiu que aquests models necessiten: anys d’operació registrada en un únic sistema, amb relacions ben definides entre clients, articles, comandes, magatzems i assentaments comptables.
Alguns exemples de preguntes que es responen amb dades estructurades i no amb text:
- Risc d’impagament. Quins clients tenen més probabilitat de pagar fora de termini, creuant historial de cobraments, patró de comandes i comportament de lliuraments.
- Previsió de demanda i estoc. Quines referències cal reposar i en quin magatzem, en una distribuïdora amb diversos centres.
- Rotació i obsolescència. Quin inventari s’està quedant aturat abans que ho digui l’inventari anual.
- Ocupació i tarifes. En hostaleria, anticipar buits d’ocupació per tipus d’habitació i canal.
- Manteniment de flota. Detectar vehicles amb cost per quilòmetre anòmal abans de l’avaria grossa.
A Tisa hem treballat aquests escenaris en sectors com retail, distribució, construcció, indústria alimentària, centres esportius i gestió de flotes (pots veure’n un resum a grupotisa.com/casos-de-exito). El patró es repeteix: el coll d’ampolla rarament és l’algorisme; és la qualitat i la traçabilitat de la dada.
Abans d’invertir en IA predictiva: quatre comprovacions
- Tens històric suficient i fiable? Un model que prediu impagaments necessita anys de cobraments registrats amb dates reals, no "data de factura" feta servir com a aproximació de tot.
- Són les dades en un sol lloc? Si vendes viu en un full de càlcul, magatzem en una altra aplicació i la comptabilitat a l’ERP, el primer projecte no és d’IA: és de consolidació. Aquí és on un ERP ben implantat es paga sol.
- Hi ha governança? Qui pot veure què, amb quina qualitat i sota quina normativa. Sense això, la IA es converteix en un risc en comptes d’un avantatge.
- El cas d’ús és mesurable? "Reduir en X dies el període mitjà de cobrament" és un objectiu. "Fer IA" no ho és.
Com ho aterrem a Tisa
El nostre enfocament és poc espectacular i força eficaç: primer ordenem la base —implantació o evolució de Business Central, consolidació de fonts, quadres de comandament a Power BI—, i després triem un cas d’ús amb impacte econòmic clar i el portem a producció. La nostra línia d’IA i dades inclou precisament això: identificar els conjunts de dades rellevants, definir protocols de governança, avaluar eines segons la capacitat d’inversió i desenvolupar un cas d’ús adaptat al negoci, amb formació per a l’equip.
La primera onada de la IA generativa ha fet les persones més productives. La següent, la que de debò mou el compte de resultats, consisteix a anticipar: veure abans l’impagament, el trencament d’estoc o la caiguda de marge. I això es juga en les dades estructurades del teu ERP.
En parlem, del teu cas?
Si vols saber què pot predir avui la teva empresa amb les dades que ja té, t’oferim una valoració sense compromís. Truca’ns al (+34) 971 305 885, escriu-nos a info@grupotisa.com o visita grupotisa.com. Més de 30 anys implantant solucions de gestió donen per distingir una moda d’una oportunitat.
Font de referència: SAP News Center, «The Gap That No LLM Can Close» (news.sap.com). Article original en anglès; aquest text és una interpretació pròpia de Tisa, no una traducció.
