Fa només uns mesos, un titular sobre Uber va resumir millor que molts informes el moment que viu la intel·ligència artificial dins les empreses: la companyia hauria esgotat abans de temps el pressupost anual destinat a IA a causa de l’adopció massiva d’eines de programació assistida. El titular té força perquè combina dues coses que avui conviuen en tensió: d’una banda, la sensació que la IA multiplica la productivitat; de l’altra, la constatació que aquesta productivitat no és gratuïta i que, si no es governa bé, pot disparar el cost operatiu amb una velocitat terrorífica.

Aquest és, en realitat, el nucli del problema al que comencen a fer front. Moltes organitzacions han après a incorporar models generatius als seus fluxos de treball, però encara no han après a pensar-los econòmicament. Entenen la promesa, intueixen el retorn i experimenten amb entusiasme, però sovint continuen pressupostant aquestes eines com si fossin programari tradicional. I no ho són. A mesura que creixen els casos d’ús i augmenta la dependència funcional de la IA, el que entra en joc ja no és només la qualitat dels resultats, sinó la sostenibilitat del seu cost tant en el curt como en el mitjà i en el llarg termini.

Per això el debat important no és si la IA compensa o no compensa. La pregunta rellevant és una altra: com es dissenya una arquitectura de treball amb IA que sigui útil, escalable i alhora assumible. És aquí on el cas Uber esdevé interessant, no tant per l’espectacularitat del titular com per la lliçó de fons que deixa entreveure.

Uber com a símptoma d’un canvi de model

Uber és una gran empresa tecnològica de mobilitat, repartiment i serveis digitals amb una estructura corporativa de desenes de milers de treballadors a escala global. Quan una organització d’aquesta mida decideix incorporar eines d’IA al cor de la seva operativa tècnica, no està fent una prova de laboratori: està alterant la manera com produeix, desenvolupa i pren decisions.

La incorporació d’eines de programació assistida per IA va créixer amb molta rapidesa dins de la companyia fins a arribar a milers d’enginyers de programari fent-ne ús diari. En paral·lel, l’ús d’aquestes eines no es va limitar a tasques anecdòtiques o experimentals, sinó que es va integrar en processos recurrents de desenvolupament. Quan aquesta mena d’adopció es produeix a gran escala, el cost deixa de dependre del nombre de persones amb accés a una eina i passa a dependre de la intensitat amb què se’n fa ús.

Aquest matís és essencial. El problema no és que Uber fes servir IA, sinó que la seva adopció efectiva va desbordar el model mental amb què probablement s’havia pensat el pressupost. Si una empresa calcula la despesa en termes de llicències o seients, però el cost real depèn del volum de tokens consumits, de la longitud del context processat i del nombre de crides executades pels agents, tard o d’hora es produeix el desalineament. I quan l’eina funciona bé, aquest desalineament encara s’accelera més. En realitat, el que està fent UBER és vendre un cas d’èxit, no ens enganyem.

Per què un LLM no es gestiona com un software convencional

Durant anys, les empreses han après a conviure amb un ecosistema de software relativament previsible. Es contracten eines, s’assignen usuaris, es negocien llicències i es treballa amb uns costos mensuals o anuals raonablement estables. Aquest esquema ha funcionat bé per a CRMs, ERPs, eines de creativitat, recursos d’ofimàtica, plataformes de col·laboració i la majoria de solucions habituals de productivitat corporativa.

La IA generativa, en canvi, trenca aquesta lògica. Aquí no es paga només per tenir accés a una plataforma, sinó per cada procés d’inferència, per cada fragment de context processat i per cada output que es genera. Dit d’una manera molt simple: no paguem només per entrar a l’eina, sinó per cada vegada que la fem pensar, llegir, calcular o escriure.

Aquesta diferència és decisiva perquè introdueix tres fonts de tensió pressupostària. La primera és la mida del model i de la finestra de context: com més informació es carrega a cada consulta, més recursos es consumeixen. La segona és el pas del simple assistent conversacional cap a agents que operen de manera més autònoma, encadenant accions, consultant fonts i executant processos complexos. La tercera és la variabilitat extrema de l’ús: dues persones amb la mateixa eina poden generar costos mensuals radicalment diferents segons la naturalesa del que li demanen.

Des del punt de vista financer, això s’assembla menys a comprar software d’oficina i més a gestionar infraestructura de computació. Cal pensar en pics d’ús, en eficiència operativa, en càrregues de treball i en límits de consum. És una altra cultura pressupostària i cal que ens en fem a la idea molt aviat.

Quan la productivitat també encareix l’operació

La idea que ens estem tornant dependents de la IA descriu una realitat força tangible i que no es nega als despatxos i oficines. Quan una eina redueix friccions, escurça terminis i eleva la capacitat de producció, els equips la incorporen a la seva rutina amb una rapidesa sorprenent. Al principi és una ajuda puntual; poc després es converteix en una peça central de la manera de treballar. Genera dependència i qualsevol sap que tornar a enrere, a treballar com fa 4 o 5 anys, és mentalment impossible d’assumir per a tots aquells que ja portem unes quantes hores de vol acumulades treballant de la ma de LLMs.

Això està passant tant en grans corporacions com en empreses mitjanes. Redactar, sintetitzar, analitzar, programar, documentar, investigar o preparar entregables són activitats que avui ja es poden accelerar de manera significativa amb IA. El que sovint s’infravalora és que cada millora percebuda en productivitat tendeix a generar més ús, i més ús significa més consum de recursos computacionals.

En aquest sentit, el cas Uber és útil perquè posa damunt la taula una veritat incòmoda: l’èxit d’una eina també pot convertir-se en un problema de cost. Quan la tecnologia és prou bona perquè els equips la facin servir per a gairebé tot, la qüestió deixa de ser l’adopció i passa a ser la governança. És aquí on moltes empreses encara no han arribat però s’hi estan dirigint costa avall i sense frens. El problema apareixerà i hi hauran de fer-hi front més d’hora que tard.

Els pressupostos ja no es poden fer comptant només usuaris

Si una empresa vol escalar l’ús de la IA, ha d’aprendre a pressupostar d’una manera diferent. La unitat de mesura rellevant ja no és només el nombre d’usuaris, sinó el volum de tokens que es consumeixen i el tipus de càrrega de treball que s’està executant. No costa el mateix una consulta breu que un procés que analitza documentació extensa, fa diverses passes intermèdies i genera una resposta complexa. No és el mateix que demanis un markdown que un PDF, per il·lustrar el cas amb un exemple molt concret.

Això obliga a treballar en base a nous i diversos escenaris. Cal distingir entre usos lleugers i usos intensius, entre fluxos puntuals i automatitzacions recurrents, entre assistents simples i agents capaços d’orquestrar múltiples accions. Aquesta manera de pensar encara és nova per a moltes organitzacions, però és imprescindible si es vol evitar que un pilot exitós es converteixi en una pífia operativa cara i difícil de sostenir. Qui estigui lliure de pecat pot llençar la primera pedra i segurament el que ens estarà indicant és que realment no té hores de vol reals barallant-se amb models de IA.

La situació també ens obliga a revisar el mix de models utilitzats. No totes les tasques necessiten el millor model disponible ni la màxima finestra de context. En molts casos, una part molt important del cost neix d’haver sobredimensionat la solució. Quan es generalitza l’ús del model més potent per defecte, el pressupost comença a degradar-se sense que l’organització sempre obtingui un retorn proporcional.

Eficiència d’ús: on es decideix bona part del marge

Una part considerable del sobrecost associat a la IA no prové tant de la tecnologia en si com de males decisions de disseny. A les empreses és habitual prioritzar que un procés funcioni ràpid i demostrar que el cas d’ús és viable. El problema és que, un cop el sistema ja està en marxa, sovint no es dedica prou temps a optimitzar-lo.

Aquest és un error comprensible però car. Hi ha moltes tasques rutinàries que poden funcionar perfectament amb models més econòmics, contextos més delimitats i fluxos més simples. En canvi, tendim a operar amb el màxim de potència per defecte, com si qualsevol petició requerís el màxim nivell de sofisticació. Aquesta inèrcia és còmoda i genera inevitablement sensacions molt agradables, però acostuma a ser ineficient.

Dissenyar patrons d’ús intel·ligents vol dir, entre altres coses, reservar els models més exigents per als casos que realment ho demanen, limitar el context quan no aporta valor clar i reutilitzar resultats intermedis sempre que sigui possible. També vol dir ordenar millor la documentació, delimitar bé els projectes i construir entorns on l’eina no hagi de redescobrir contínuament el mateix coneixement. Quan això es fa bé, no només baixa el cost: també millora la coherència del sistema i la qualitat del treball.

Sense visibilitat del consum no hi ha control real

Un altre error habitual és pensar que la despesa en IA es podrà revisar amb la mateixa calma amb què es revisen altres partides de software. No és així. La variabilitat d’ús pot ser tan alta que un canvi aparentment menor en un flux de treball pot duplicar o triplicar el consum en poques hores.

Per això la monitorització en temps real no és un luxe, sinó una necessitat. Les empreses que vulguin operar amb IA de manera madura necessiten quadres de comandament que permetin veure cost per usuari, per equip, per projecte i fins i tot per agent. No per afany de control excessiu, sinó perquè sense visibilitat és molt difícil corregir desviacions abans que siguin problemàtiques.

Aquesta monitorització hauria d’anar acompanyada de límits concrets. Límits de despesa, alertes de consum, auditories periòdiques de prompts, revisió de fluxos i control sobre quins processos estan generant valor i quins simplement consumeixen recursos. La IA pot ser molt rendible, però només quan l’organització sap distingir entre ús intensiu i ús intel·ligent.

Un repte que no és exclusiu dels grans 

Aquest repte pot ser encara més rellevant en empreses mitjanes o petites. Una gran corporació pot assumir millor una desviació pressupostària important perquè té més múscul financer, més marge d’error i més capacitat per absorbir econòmicament el cost d’aprenentatges cars. En canvi, en organitzacions més compactes, un mal dimensionament del cost pot afectar directament la rendibilitat d’un servei, el marge d’un projecte o la viabilitat d’una línia sencera de treball.

Els riscos, en essència, són els mateixos. És fàcil subestimar què passa quan un pilot es converteix en desplegament real. També és habitual que els equips, un cop descobreixen la utilitat pràctica de la IA, incrementin l’ús de manera orgànica i contínua. I a tot això s’hi afegeix una altra dificultat: els models evolucionen molt de pressa, canvien les seves capacitats, es modifiquen els patrons d’ús i el perfil de cost pot variar en molt poc temps.

Per això qualsevol empresa que vulgui integrar la IA amb seriositat necessita alguna cosa més que entusiasme i eines atractives. Necessita criteri operatiu, disciplina de seguiment i una visió realista del que costa produir amb intel·ligència artificial quan aquesta deixa de ser una prova i es converteix en infraestructura de treball.

La lliçó de fons és clara. Implantar IA en una empresa no consisteix només a obrir comptes, provar models i celebrar els guanys inicials de productivitat. Consisteix a entendre que cada procés automatitzat, cada agent desplegat i cada capa d’intel·ligència afegida amplia també la necessitat de governar millor el consum. En aquest terreny, els tokens no són un detall tècnic: són una variable central del negoci.