Hi ha un cas clàssic de l’escola de negocis de Harvard sobre un entrenador de rem que forma el seu millor equip amb els vuit remers més forts i deixa els vuit més febles a la barca júnior. Contra tot pronòstic, la barca dels "millors" perdia una vegada i una altra. El motiu? Cada estrella remava amb tota la seva força en solitari, trencava el ritme comú i frenava la barca. Els remers júnior, conscients del seu límit individual, remaven acompassats. És la millor imatge per entendre per què necessites pensar en IA per a tota l’empresa i no només a fer més fort cada persona: el resultat col·lectiu pot ser pitjor encara que cada individu rendeixi al màxim.
Moltes empreses viuen avui exactament això amb la intel·ligència artificial. Han donat eines potents a cada empleat, i tanmateix el negoci en el seu conjunt no rema més ràpid. La diferència entre optimitzar la persona i optimitzar el sistema és la que separa el "hem provat la IA" del "la IA ens fa guanyar diners".
Del rendiment individual a la IA per a tota l’empresa
Aquest fenomen té nom: sub-optimització. Passa quan es maximitza una part del sistema i, sense voler, es perjudica el conjunt. Una anàlisi recent de SAP ho explica molt bé i aporta una dada reveladora del State of AI de McKinsey: encara que l’adopció d’IA és gairebé universal (un 88% de les organitzacions la fan servir de manera habitual en almenys una funció), només una minoria reconeix un impacte real en els seus resultats a nivell d’empresa (font: news.sap.com, "How to Optimize AI for the Entire Enterprise, Not Just the Individual", 2026).
Nosaltres treballem amb pimes que avaluen o ja fan servir Microsoft Dynamics 365 Business Central, i veiem el mateix patró a menor escala. La IA generativa entusiasma a l’escriptori de cada persona, però el valor no "puja" al negoci. Hi ha tres raons que ho expliquen: intensitat, context i predicció. Anem amb les tres, aterrades a la realitat d’una empresa privada.
Intensitat: la IA no sempre treu feina, de vegades la multiplica
La promesa és "faràs el mateix en menys temps". La pràctica sol ser una altra: com que generar coses és ara immediat, la gent genera més. Més informes, més anàlisis, més esborranys de correu. El problema és que algú ha de llegir, revisar i absorbir tota aquesta producció. És com una autopista de vuit carrils que desemboca en una única cabina de peatge: es crea moltíssim, però el coll d’ampolla el paguen les persones i, sobretot, l’organització.
La solució no és fer servir menys IA, sinó canviar on i com apareix. Una IA útil entén el que necessites i et retorna la resposta o executa l’acció, en lloc de fabricar un document més per afegir a la pila. En l’ecosistema Microsoft, això es tradueix en assistents integrats en el mateix ERP i en Power Platform que actuen sobre les dades reals del negoci, no en una app a part que t’obliga a saltar de sistema en sistema.
Context: la IA entén el món, però no la teva empresa
Un model genèric sap molt del món i gairebé res de com funciona la teva companyia. I una empresa es mou amb dos tipus de coneixement: el que és al sistema de registre (transaccions, mestres, lògica de processos que viu a l’ERP) i el coneixement tàcit (correus, xats, regles no escrites, criteris que només són al cap de les persones).
Una pregunta aparentment trivial com "a quins proveïdors puc demanar aquest material?" en realitat exigeix conèixer compres, cadena de subministrament, compliment i finances alhora. Si la IA només veu la part transaccional, la seva resposta pot ser tècnicament correcta i alhora equivocada a la pràctica, perquè ignora que "només comprem al proveïdor A tret d’excepció aprovada per direcció". Per això el treball previ importa tant: dades ordenades i governades, processos ben modelats i regles explícites. Aquí Business Central juga a favor, perquè concentra en un sol sistema finances, compres, inventari, vendes o projectes, i dona a la IA un terreny fiable sobre el qual respondre amb el context del teu negoci, no només amb teoria.
Predicció: la decisió de negoci és, gairebé sempre, una predicció
"Arribarà la comanda a temps?", "reordeno estoc d’aquest producte?", "quin risc d’impagament té aquest client?". Són preguntes de predicció, i es recolzen en dades estructurades i tabulars. Aquí convé ser honestos: els models de llenguatge són excel·lents amb text, però no són l’eina ideal per calcular previsions fiables sobre taules numèriques. I l’enfocament tradicional —extreure dades, passar-les a un especialista i esperar setmanes— sol arribar tard: quan l’anàlisi està llesta, la pregunta ja ha canviat.
La conclusió pràctica és que la previsió i l’avaluació de risc no haurien de ser un truc individual, sinó una capacitat del sistema, disponible per a qui decideix. Combinar l’ERP amb eines d’analítica com Power BI i models adequats per a dades estructurades permet que un responsable d’operacions faci la pregunta i obtingui una resposta recolzada en dades reals de l’empresa, sense dependre d’un coll d’ampolla d’especialistes.
Com ho aterrem a Tisa
De poc serveix encadenar tres conceptes si no es tradueixen en passos concrets. El nostre enfocament amb pimes i empresa privada és aquest:
- Començar per un cas d’ús mesurable, no per "posar IA". Un problema real, amb un abans i un després que es puguin comparar.
- Ordenar i governar les dades abans de demanar-li miracles al model. Sense dades netes, la IA al·lucina o s’equivoca amb seguretat.
- Integrar la IA on ja treballa la gent: dins de Business Central i Power Platform, per reduir la intensitat en lloc de multiplicar-la.
- Mesurar l’impacte en el conjunt, no només la comoditat d’una persona.
Portem des del 1987 implantant solucions de gestió i hem acompanyat empreses de retail, distribució, construcció, indústria alimentària, centres esportius i hostaleria. Aquesta experiència sectorial és la que ens permet distingir el cas d’ús que mou l’agulla del que només genera soroll.
Vols passar de la IA individual a una IA per a tota l’empresa que es noti en els teus resultats? Parlem-ne sense compromís: truca’ns al (+34) 971 305 885, escriu-nos a info@grupotisa.com o visita grupotisa.com. Estudiem el teu cas i et diem, amb franquesa, per on començar.
Font d’inspiració: news.sap.com, "How to Optimize AI for the Entire Enterprise, Not Just the Individual" (Florian Kunzke, 2026). Interpretació i enfocament propis de Tisa.