Del "prompt perfecte" al loop que aprèn sol

La intel·ligència artificial (IA) supera la fase en què el centre de tot era l'habilitat de redactar el "prompt perfecte", la instrucció exacta que es dona a l'eina. La nova frontera és el loop engineering —és a dir, l'enginyeria de bucles—, una manera de treballar que transforma la IA d'una eina passiva en un sistema autònom capaç d'executar, revisar i millorar tasques per si mateixa.

Així ho explica Antonio Pita, professor dels Estudis d'Informàtica, Multimèdia i Telecomunicació de la UOC, que assenyala que el canvi de paradigma implica una transformació tant tècnica com conceptual en la manera com les persones interactuen amb els sistemes d'intel·ligència artificial.

Prompt vs. loop: una diferència de control i responsabilitat

La diferència fonamental entre treballar amb un bon prompt i dissenyar un loop depèn de qui valida el resultat i decideix com es pot millorar. Quan es fa servir el prompting —treballar donant instruccions soltes—, una persona formula una petició i la IA genera una resposta. L'usuari l'ha de revisar i validar, i ha de demanar els canvis necessaris. Aquest procés avança com una conversa en què l'humà dirigeix cada iteració.

En el loop engineering, no obstant això, es delega part d'aquesta validació al mateix sistema. Una IA genera un resultat i, després, ella mateixa o una altra IA l'analitza en funció de criteris predefinits. Si detecta errors o deficiències, elabora automàticament una nova instrucció i sol·licita una versió alternativa. El cicle es repeteix fins que el resultat supera la validació establerta. Com explica Antonio Pita, "el prompt defineix una petició; el loop organitza un procés de generació, validació i millora". "La persona deixa d'intervenir a cada volta, però adquireix una responsabilitat més important: definir correctament què vol dir que el resultat sigui vàlid", afegeix.

Avantatges, riscos i la nova responsabilitat humana

L'avantatge principal del looping —és a dir, del fet d'utilitzar loops— és l'automatització de la validació i la millora. Un loop pot estalviar molt de temps perquè la IA genera una solució, la contrasta amb un conjunt de criteris i produeix noves versions sense que l'usuari hagi de dirigir cada iteració. Això permet passar de fer servir la IA com a eina de consulta a convertir-la en un sistema capaç de treballar de manera més autònoma.

No obstant això, el looping pot ser menys eficaç en camps en què la qualitat depèn de criteris ambigus, subjectius o contradictoris. Com assenyala Pita, quan no sabem expressar amb precisió què vol dir que una resposta sigui correcta, tampoc podem esperar que la IA sàpiga quan l'ha acabat de millorar. Per contra, el loop engineering troba el terreny més fèrtil en àmbits en què la validació és clara i binària, com ara la programació o les matemàtiques. Aquí, un senyal inequívoc permet que el cicle iteratiu avanci amb seguretat cap a una solució.

El risc principal sorgeix quan les especificacions estan incompletes o es contradiuen entre si. Si no es defineixen bé les regles de validació, la IA podria quedar atrapada en un cicle de correccions interminables. Com assenyala el professor i investigador del grup ICSO  (Internet Computing & Systems Optimization) de la UOC, "un loop pot estalviar molt de temps, però la seva eficàcia depèn de la nostra capacitat per convertir una expectativa humana en criteris que una màquina pugui validar". Per això, els loops acostumen a incorporar condicions d'aturada i l'obligació de sol·licitar intervenció humana quan el sistema no aconsegueix avançar.

Un exemple quotidià i un altre d'empresarial

Pita il·lustra aquest canvi amb dos exemples, un de quotidià i un d'empresarial. Un particular pot fer servir un loop per generar un vídeo familiar amb intel·ligència artificial: en lloc de revisar cada versió i demanar correccions una a una, defineix des del principi els criteris que ha de complir el resultat —cares estables, moviments naturals, ombres coherents amb la llum, sense deformacions, etc.

Una IA genera el vídeo i una altra l'avalua; si detecta un defecte, com una mà amb sis dits o una ombra mal orientada, genera automàticament les instruccions per corregir-lo. L'usuari només veu el resultat final, després de diverses rondes internes de generació i validació.

Una empresa audiovisual podria aplicar la mateixa lògica a una escala més gran. Mentre que una IA creadora produeix les diferents escenes d'una campanya publicitària, una segona IA revisa aspectes tècnics i corporatius: continuïtat visual, presència del producte, compliment de la identitat de marca, durada, il·luminació o possibles continguts inadequats. Cada incompliment activa automàticament una nova versió.

Segons Pita, la diferència respecte a l'ús particular és la quantitat i la formalització dels controls: l'empresa pot convertir el seu manual de marca, els seus requisits tècnics i la seva normativa legal en criteris de validació, de manera que l'equip dediqui menys temps a detectar errors evidents i més a prendre decisions creatives i estratègiques.

El futur: agents proactius i l'"enginyer de bucles"

Més enllà del loop engineering, ja es desenvolupen noves formes d'interacció. Si el prompt engineering consisteix a donar instruccions i el loop engineering a dissenyar sistemes que validen la seva tasca, el pròxim pas seran els agents proactius (sistemes que actuen per iniciativa pròpia, sense esperar cap petició). Aquests sistemes no esperarien una tasca explícita, sinó que identificarien per si mateixos quan hi ha feina per fer.

L'expert de la UOC Antonio Pita assenyala que "primer vam aprendre a donar instruccions a la IA; després, a ensenyar-li a validar la seva tasca. El pròxim pas serà decidir en quines condicions pot identificar per si mateixa que hi ha una feina per fer".

Amb tot, Pita adverteix que aquesta evolució no allibera les persones de la seva responsabilitat última: "Delegar la validació operativa no implica delegar tota la responsabilitat. El sistema pot comprovar si un resultat compleix unes regles, però algú ha de validar que aquestes regles representen realment l'objectiu que perseguim".

En el món empresarial, aquest advertiment cobra una rellevància especial: quan un agent pot executar centenars o milers d'iteracions, una petita diferència en el disseny del loop es pot traduir en grans diferències de cost, temps i consum de recursos.

El professor Pita complementa aquesta visió amb una analogia quotidiana. Primer, quan fèiem servir la IA mitjançant prompts, era com engegar un robot aspirador, seleccionar un programa i, en acabar, comprovar el resultat. Si una zona continuava bruta, modificàvem les instruccions i el tornàvem a posar en marxa.

En un segon nivell, el del loop engineering, activem l'aparell i definim quin nivell de brutícia considerem acceptable. El robot neteja, comprova el terra i, si detecta que hi ha alguna zona que no compleix aquest criteri, hi torna a passar. L'ordre humana activa el procés, però el mateix sistema decideix quantes iteracions necessita.

El tercer nivell, que ja es comença a albirar, és aquell en què el robot mesura contínuament la brutícia i, quan detecta que s'ha superat un llindar determinat, comença a netejar per iniciativa pròpia. En altres contextos, un agent podria detectar una factura pendent, una anomalia en un sistema informàtic o una reunió que s'ha de reorganitzar, i actuar sense esperar un nou prompt.

Aquest pas, encara sense un nom consolidat, representa la frontera següent: decidir en quines condicions la IA pot identificar per si mateixa que hi ha feina per fer.

Dos casos recents citats per Pita il·lustren amb especial claredat el potencial i els riscos d'aquesta lògica iterativa. El juliol del 2026, un agent autònom va aconseguir penetrar en la infraestructura de Hugging Face —una plataforma on s'allotgen i comparteixen models d'intel·ligència artificial— després d'executar durant dies milers de petites decisions: provava una via d'accés, n'observava el resultat i, quan trobava un obstacle, adaptava l'estratègia i ho tornava a intentar.

La mateixa lògica iterativa contribueix, aquesta vegada de manera positiva, a avenços rellevants en matemàtiques i informàtica teòrica, en què els sistemes d'IA han generat resultats per a diversos problemes oberts (problemes matemàtics que fins ara ningú havia resolt), o han permès avançar substancialment. Tots dos casos comparteixen una característica decisiva: resulta relativament fàcil verificar si una acció ha funcionat, fet que permet repetir el cicle i orientar cada nou intent amb claredat.