El desenvolupament i l’adopció de la intel·ligència artificial (IA) han adquirit un gran interès com a motor de productivitat. Aquests sistemes permeten la presa de decisions automatitzada i la predicció (o recomanació) en diferents àrees funcionals. De fet, el 46,2% de les empreses a Espanya la utilitzen per a l’automatització de la feina.
XAVIER BUSQUETS, PHD. Professor d’Estratègia Digital, Esade. Membre del Comitè Científic de l’Associació Catalana d’Enginyeria de Telecomunicació
LA INTEL·LIGÈNCIA ARTIFICIAL COM A MOTOR DE TRANSFORMACIÓ ECONÒMICA
No obstant això, la incorporació efectiva de la IA generativa en el teixit empresarial continua enfrontant-se a obstacles. La transició des de la recerca i el desenvolupament (R+D), passant pel producte comercial, fins a l’aplicació industrialitzada de la IA, continua sent un repte per a les empreses.
Segons la proveïdora d’estudis de mercat IDC, només el 19% de les empreses han aconseguit desplegar solucions d’IA a gran escala. Alguns sectors destaquen —entre altres, les comunicacions, les tecnologies de la informació i de la salut— en el diagnòstic i en el descobriment de nous fàrmacs. A escala general, el 35% de les empreses es troben en la fase de proves de concepte (moltes, estancades) i el 44% continuen en una fase experimental, sense avanços tangibles. Aquest panorama evidencia la necessitat d’una estratègia d’escalabilitat que permeti superar els desafiaments actuals i consolidar la IA com un element clau en l’estructura empresarial. Per això, hem iniciat un procés de recerca per comprendre els factors habilitadors i les barreres. En aquest article, presentem alguns resultats preliminars.
FACTORS QUE LIMITEN L’ESCALABILITAT DE LA INTEL·LIGÈNCIA ARTIFICIAL
Segons diversos informes, menys del 13% de les proves de concepte (POC) en IA generativa van aconseguir arribar a la fase de producció el 2024, cosa que indica l’existència de barreres significatives que n’obstaculitzen l’adopció a gran escala. Segons els primers resultats del nostre projecte, aquests factors poden agrupar-se en dues categories: oferta i demanda.
Des de la perspectiva de l’oferta, la principal limitació en l’escalabilitat de la intel·ligència artificial és que els preus d’aquests sistemes són confusos, en relació amb les seves prestacions. Com més paràmetres s’especifiquen, més precisió s’obté en les respostes. Tanmateix, el creixement del nombre de paràmetres no es veu acompanyat per les tradicionals economies d’escala que s’apliquen en el programari. Mentre que, en les fases d’entrenament i ajustament fi, models com els d’OpenIA presenten uns costos marginals decreixents, en les fases d’inferència i raonament en explotació presenten costos marginals creixents perquè requereixen l’ús de xips especialitzats, com les GPU H100 d’NVIDIA.
A escala general, el 35% de les empreses es troben en la fase de proves de concepte (moltes, estancades) i el 44% continuen en una fase experimental
Per contra, la xinesa DeepSeek ha desenvolupat models com l’R1 en codi obert, amb 671.000 milions de paràmetres. Aquest model ha estat entrenat amb un cost aproximat de 5,6 milions de dòlars per l’arquitectura, que divideix cada pregunta en problemes més petits i optimitza la capacitat de computació en paral·lel amb xips com les GPU H100 d’NVIDIA o els Ascend 910C de Huawei, i necessita un volum de dades menor. Per això pren força l’anunci de Microsoft en què ofereix DeepSeek-R1 com a part del servei Azure AI Foundry, la plataforma de Microsoft que reuneix diversos serveis d’IA per a empreses sota un mateix paraigua, després d’haver “sotmès DeepSeek a rigoroses avaluacions de seguretat i proves”.
En termes estratègics, un altre aspecte fonamental és el model de negoci i l’estratègia de mercat d’aquesta mena de models. OpenAI aposta per la diferenciació del producte, a diferència de l’enfocament de plataformes i ecosistemes de codi obert com DeepSeek, però també d’IBM i Meta. El model Llama 3 de Meta té uns 405.000 milions de paràmetres i, tot i no publicar xifres exactes dels costos d’entrenament, se sap que Meta ha invertit a una escala similar en OpenAI.
Un ecosistema, a diferència d’una estratègia de producte, afavoreix la creació d’un estàndard de facto pels efectes de xarxa que genera, fet que facilita la connexió de desenvolupadors i start-ups que permet la innovació incremental de les tecnologies auxiliars. Cap tecnologia sobreviu sense connectar-se amb altres d’existents. Les estratègies de codi obert poden generar un nombre més alt de “complements” i aplicacions, fet que redueix els costos d’entrada per a l’empresa i els costos d’integració amb els sistemes corporatius. Tanmateix, l’enfocament de codi obert pot implicar riscos relacionats amb la privacitat i la seguretat de les dades.
Des de la perspectiva de la demanda, la baixa adopció interna de la IA en les empreses requereix molta més recerca. Factors com la falta de formació especialitzada i la resistència al canvi tecnològic han frenat la implementació de solucions basades en IA en sectors clau. A això se sumen la desconfiança en la IA, els riscos reguladors que porta associats i les incerteses sobre la legalitat i l’ètica de l’ús de models automatitzats en la presa de decisions empresarials. Creiem que les principals barreres es troben en els models operatius, en la divisió del treball entre persones i màquines i en els models de negoci tradicionals. El resultat és incert i això ocasiona dificultats a l’hora de justificar la inversió inicial i la monetització de les capacitats tecnològiques desenvolupades.
Com a conclusió, podem assenyalar que l’estratègia de vendes dels models IA és un factor crític en la seva adopció; mentre que la no-adequació dels models de negoci i operatius és el factor clau perquè un nombre tan baix de prototips d’IA generativa escali.
ESTRATÈGIES PER A LA INDUSTRIALITZACIÓ I L’ESCALABILITAT DE LA IA
La incorporació de la IA en l’empresa no és un procés de venda a l’ús, sinó de transferència tecnològica que requereix la transmissió de coneixement per a la capacitació de l’empresa. Per això, proposem un model en què la innovació funcioni com a motor central (vegeu la figura 1) que generi un cicle continu d’innovació.
Aquest nou enfocament requereix la integració de diversos elements. En primer lloc, la inversió en infraestructures i en talent especialitzat ha de ser una prioritat per a les organitzacions que busquen escalar la IA. L’adquisició de maquinari avançat, la implementació de plataformes de dades robustes i la contractació d’experts en intel·ligència artificial són fonamentals per garantir el rendiment i la fiabilitat dels models implementats. Així mateix, l’adopció d’un model d’organització àgil i la creació de factories d’IA es presenten com una estratègia essencial per a la industrialització del cicle de vida dels models d’IA, millorant-ne l’eficiència operativa i reduint costos d’accés i d’integració.
Situar un procés d’innovació al centre (vegeu la figura 1) permet desenvolupar capacitats o coneixements compartits mitjançant: 1) la transferència de coneixement explícit; 2) el desenvolupament de coneixement experiencial, en forma de proves de concepte amb equips compartits entre els proveïdors i l’empresa i 3) un procés d’innovació per identificar limitacions en les infraestructures i en les estructures organitzatives, fet que genera feedback per dissenyar àrees de millora en les següents interaccions.
Quan la innovació se situa al centre del procés, les estratègies de monetització de la IA han d’evolucionar cap a models més flexibles, en funció de l’abast del projecte, en lloc de dependre exclusivament de les rigideses de la venda tradicional. Les empreses tecnològiques han d’entendre com integrar equips d’innovació en les iniciatives de vendes de solucions d’intel·ligència artificial. Estem descrivint un procés de cocreació d’innovació amb l’objectiu de desenvolupar noves aplicacions entre fabricants d’IA i clients; un procés que permetrà una millor eficiència, però també generar noves oportunitats d’ingressos conjunts amb noves aplicacions i en forma de propietat intel·lectual.
Les implicacions per a la direcció són molt significatives. El govern de processos, en què està present la transferència de coneixement explícit i tàcit, requereix un tipus de lideratge molt diferent del tradicional. El govern de processos de transferència de coneixement no pot mesurar-se amb “retorns d’inversió” de la posada en marxa d’“eines tecnològiques” en contextos amb un alt grau de previsibilitat. El resultat d’un procés de capacitació en contextos d’alta incertesa ha de centrar-se a mesurar els “retorns de l’aprenentatge” i la generació de “capital intel·lectual” i d’actius intangibles com a font d’avantatge competitiu. Encara que la nostra recerca es troba en la primera fase, creiem que les organitzacions que hem estudiat aconseguiran millors resultats si integren la IA de manera estratègica. Pensem que aquesta estratègia pot millorar les probabilitats d’èxit en les trajectòries d’implantació d’aquesta mena de sistemes. Amb això, les empreses no sols milloraran la competitivitat, sinó que també lideraran la revolució digital del futur i aconseguiran consolidar-se com a actors clau en l’economia del segle XXI
Referències:
1 Ministeri d’Economia, Comerç i Empresa (2023). «Crece el número de empresas que incorporan la inteligencia artificial y el big data en su transformación digital». 23 de març. Disponible a: https://portal.mineco.gob.es/es-es/comunicacion/Paginas/Informe_ONTSI.aspx
2 IDC (2025). «IDC Futurescape Summit. Creating the Sustainable AI-fueled Business of the Future». Disponible a: https://www.idc.com/eu/events/71805-idc-futurescape-summit
3 SHARMA, Asha (2025). «DeepSeek R1 is now available on Azure AI Foundry and GitHub». 29 de gener. Disponible a: https://azure.microsoft.com/en-us/blog/deepseek-r1-is-now-available-on-azure-ai-foundry-and-github/
DAVE, P.; KNIGHT, W. (2024). «Meta’s Next Llama AI Models Are Training on a GPU Cluster ‘Bigger Than Anything’ Else». Wired, 30 d’octubre. Disponible a: https://www.wired.com/story/meta-llama-ai-gpu-training/?utm_source=chatgpt.com.
