La majoria dels projectes d’intel·ligència artificial no fracassen per manca de tecnologia: fracassen perquè ningú no els fa servir. Es llança una eina, es fa la demo, hi ha entusiasme durant dues setmanes i després l’equip torna a la seva manera de treballar de sempre. Per això resulta interessant el cas de Fyxer, una empresa que ha construït un assistent d’IA per a tasques de direcció —correu, reunions, seguiment de compromisos— i que publica dues dades que parlen d’adopció real, no d’expectatives: el 53 % dels esborranys que genera s’envien tal qual i més del 90 % dels seus usuaris continuen pagant i fent-lo servir als 90 dies (font: cas d’estudi d’OpenAI, How Fyxer built an AI executive assistant people trust, openai.com/index/fyxer).
No traduirem la seva història. L’interessant és una altra cosa: quines decisions de disseny expliquen aquesta confiança i com es tradueixen a una empresa privada espanyola que es planteja el seu primer projecte d’IA.
El problema real: allò fàcil per a una persona és difícil per a una màquina
Dues persones poden rebre el mateix correu i necessitar respostes completament diferents, segons la relació amb el remitent, allò que es va parlar fa tres setmanes i l’objectiu de cadascuna. Un bon assistent humà ho resol sense pensar; un model de llenguatge, sense context, escriu alguna cosa correcta i perfectament inútil.
És una situació que reconeixerà qualsevol que gestioni una empresa. El coneixement crític —quin client aguanta un retard, quin proveïdor cal perseguir, quina comanda no es serveix sense confirmar crèdit— no està escrit enlloc. Viu al cap de tres o quatre persones. Qualsevol projecte d’IA que ignori aquest context produeix resultats genèrics, i els resultats genèrics no es fan servir.
Quatre claus per construir un assistent d’IA que la gent faci servir
1. Trossejar la tasca en decisions petites
Fyxer no va demanar a un únic model "escriu un bon correu". Va descompondre la feina en desenes de models especialitzats, cadascun responsable d’una part estreta: això requereix resposta o només informació?, cap on va la conversa?, quins detalls d’intercanvis anteriors són rellevants ara?
La lliçó és transferible i molt pràctica: en lloc de plantejar "volem IA per al departament comercial", convé aïllar decisions concretes i avaluables. Classificar correus de comandes. Extreure dades d’un albarà. Detectar quins pressupostos mereixen seguiment aquesta setmana. Cada tros es pot mesurar per separat i, si falla, se sap exactament on.
2. Entrena amb el coneixement de l’ofici, no amb teoria
Abans de vendre programari, Fyxer operava un servei d’assistents humans. D’aquí en va sortir el seu avantatge: un conjunt de dades construït sobre més de 500.000 hores de feina real anotada, que recull els petits judicis de valor d’un bon assistent —quan respondre ràpid, quan esperar, quina conversa anterior importa—.
Traducció per a una pime: el teu avantatge competitiu en IA no és al model, que és el mateix al qual accedeix qualsevol. És a les teves dades i al teu criteri operatiu. L’històric de l’ERP, les pautes no escrites dels teus responsables de magatzem o del teu cap d’obra, la manera en què el teu equip comercial qualifica una oportunitat. Aquí és on un projecte es torna difícil de copiar.
I aquí hi ha també la part incòmoda: si aquestes dades estan disperses en fulls de càlcul, duplicades o sense propietari, la IA no rendeix. Per això a Tisa comencem pel més avorrit —identificar quines dades són rellevants i posar protocols de governança de dades— abans de parlar de models.
3. Converteix la correcció de l’usuari en aprenentatge
Quan algú edita un esborrany abans d’enviar-lo, està donant una lliçó gratis: la diferència entre el que la màquina va proposar i el que la persona va enviar és el senyal més honest que existeix. Fyxer captura aquesta diferència i la fa servir per millorar el sistema, i cada canvi passa per una prova A/B abans de desplegar-se: només es publica si millora de manera estadísticament significativa.
Per a una empresa de 50 o 200 empleats, la versió realista d’això no és un pipeline de reentrenament continu. És una cosa més modesta i perfectament assolible: un canal on l’usuari marqui "això està malament", algú que revisi aquestes correccions cada setmana i una rutina d’ajust del sistema. Sense aquest circuit, l’eina es congela el dia del llançament i perd credibilitat a la primera errada.
4. Mesura adopció i confiança, no només entusiasme
El cofundador de Fyxer ho resumeix bé: tothom parla de facturació, però la retenció és la prova de foc. Convé copiar aquest criteri a l’hora d’avaluar qualsevol pilot d’IA.
Abans d’arrencar, defineix dos o tres indicadors: percentatge de propostes acceptades sense canvis, minuts estalviats per expedient, errors detectats abans de facturar, usuaris actius als 60 dies. Si al cap de tres mesos ningú no fa servir l’eina, el projecte ha fallat, encara que la tecnologia funcioni impecablement. Un cas d’ús mesurable és la diferència entre un projecte i una anècdota.
Com ho aterrem a Tisa
La nostra línia d’intel·ligència artificial i dades treballa per nivells, segons la maduresa de cada empresa, i sempre amb el negoci davant de la tecnologia:
- Assessorament en IA: identificar els conjunts de dades rellevants, avaluar eines segons la capacitat real d’inversió, definir governança de dades alineada amb la normativa i capacitar l’equip.
- Anàlisi de dades: des de posar ordre i visualitzar la informació amb Power BI fins a treballar amb múltiples fonts per decidir amb dades i no per intuïció.
- Desenvolupament i execució d’un cas d’ús adaptat al negoci: un problema concret, un abast acotat i mètriques acordades abans de començar.
Tot això encaixa sobre la base que ja coneixem: Microsoft Dynamics 365 Business Central com a sistema de gestió i Power Platform per automatitzar i estendre processos. Portem des de 1987 implantant solucions en retail, distribució, construcció, indústria alimentària, hostaleria, centres esportius i flotes, i aquesta experiència sectorial és la que permet distingir quina automatització aporta marge i quina només afegeix soroll. Pots veure alguns exemples als nostres casos d’èxit.
Un advertiment honest: no tot el que s’anuncia avui està madur. Els assistents integrats al mateix ERP avancen ràpid, però convé verificar capacitats concretes a cada versió abans de construir-hi un procés crític al damunt
Per on començar
Si estàs valorant el teu primer projecte d’IA, l’ordre que recomanem és senzill: tria un procés que faci mal de debò, comprova en quin estat estan les dades que l’alimenten, acota un pilot amb mètriques i decideix als tres mesos si escala o es descarta. Un assistent d’IA útil no neix d’un gran desplegament, sinó d’un problema petit resolt molt bé.
Vols una valoració sense compromís del teu cas? Parlem-ne: (+34) 971 305 885 · info@grupotisa.com · grupotisa.com.
Font del cas comentat: OpenAI, "How Fyxer built an AI executive assistant people trust" (openai.com/index/fyxer). Les xifres citades són d’aquesta publicació i no de projectes de Tisa.
