En les respostes de persones inscrites a la nostra formació hi apareix una contradicció aparent: moltes es consideren principiants tot i que ja han fet servir alguna eina d’intel·ligència artificial. No crec que infravalorin el que saben. Assenyalen una diferència que sovint passem per alt: haver obtingut una resposta d’un xatbot no vol dir saber incorporar-lo a la feina.
Una demostració acostuma a ser fàcil d’entendre. Escrius una petició, apareix un text en segons i tots hi veiem el potencial. La dificultat comença l’endemà, quan aquell text ha de servir per respondre a un client, preparar un informe, prendre una decisió o construir un procés que una altra persona de l’equip també pugui utilitzar. Aleshores ja no n’hi ha prou de conèixer el nom de l’eina. Cal saber quin problema volem resoldre, quina informació pot rebre el sistema, com revisarem la resposta i qui se’n farà responsable si s’equivoca.
A CenteIA veiem aquesta distància en les preguntes de qui s’interessa per aprendre. Una persona ens va explicar que volia dedicar menys temps a interaccions repetitives amb clients. Tenia clara la tasca, però demanava coneixements, orientació sobre les eines i una guia per començar. Una altra volia evitar perdre possibles clients perquè trigava massa a respondre’ls. El seu obstacle no era la manca d’ambició: no sabia què podia fer cada solució d’IA ni com triar-ne una. I una tercera, després de veure els quatre vídeos gratuïts, encara buscava un camí clar per convertir el que havia après en una aplicació professional.
Són peticions reals, no històries d’èxit. No puc afirmar que després aquestes persones resolguessin els seus problemes, perquè les respostes no inclouen un seguiment de la seva feina. Justament per això són valuoses: mostren el punt en què una explicació general deixa de ser suficient. Abans de recomanar un model o una automatització, ens cal fer una pregunta molt més senzilla: «Quina tasca concreta voldries fer millor la setmana vinent?».
La resposta també canvia la manera d’ensenyar. En una classe podem recórrer els fonaments, les instruccions per als models, les eines i les automatitzacions. Tot això importa. Però una persona pot entendre cada bloc per separat i quedar-se encallada davant del seu propi cas. Per això hauríem de mostrar sempre el recorregut complet: el material de partida, la instrucció, el resultat, els errors i la decisió final de la persona. Si només mostrem una resposta brillant, ensenyem el moment més fàcil i amaguem la feina que permet repetir-lo.
Això és especialment important quan l’alumne arriba amb experiència professional i poca confiança tècnica. Entre les respostes d’inscripció hi ha persones que es consideren «des de zero» i que, alhora, ja han provat eines. Ser principiants en IA no les converteix en principiants en la seva professió. Coneixen els seus clients, els seus documents i les excepcions del seu ofici. La formació les ha d’ajudar a traslladar aquest coneixement a un procés nou, sense demanar-los que facin veure que són enginyers ni que cedeixin el seu criteri a la màquina.
Una prova interna per preparar una classe ens va recordar per què importa aquest recorregut. Vam posar a prova un assistent amb preguntes simulades sobre un servei. En respondre sobre la certificació, va afegir una condició que semblava raonable però que no figurava a la fitxa utilitzada com a font. Vam afinar les instruccions i la mateixa afirmació va tornar a aparèixer. Una persona va corregir la resposta comparant-la amb el document. La prova no es va fer amb alumnes reals ni mesura la fiabilitat general d’un model. Sí que ens va donar un error concret per mostrar: una resposta convincent pot afegir informació no verificada sense avisar. Ensenyar a detectar aquest salt és més útil que exhibir una altra resposta perfecta.
Aquesta lectura ens porta a revisar les sessions obertes: una tasca acabada, una via concreta per aplicar-la i el pas següent per a qui s’encalli. És una línia de treball, no una millora de resultats que puguem donar per demostrada. En educació és temptador comptar assistents, hores de vídeo o eines explicades i anomenar-ho impacte. Aquestes xifres descriuen activitat. Per saber si ensenyem bé, hem d’observar si algú pot repetir una tasca sense el professor, detectar un error, adaptar el mètode al seu context i mantenir-lo setmanes després.
També convé reconèixer el límit de la IA en aquest procés. Pot ajudar a preparar exemples, oferir una primera explicació o acompanyar una pràctica. Per si sola, no sap si l’alumne ha entès el contingut, si el cas té sentit per al seu negoci o si una resposta convincent és errònia. Aquí calen bons criteris d’avaluació, pràctica i algú a qui preguntar. Ensenyar a fer servir la IA també vol dir ensenyar quan cal aturar-se i revisar.
Després de treballar en formació, cada vegada m’interessa menys la pregunta «quines eines heu ensenyat?». En prefereixo una altra: «què pot fer ara una persona que abans no podia fer, i com ho sabem?». Mentre no puguem respondre-la per a cada programa amb proves millors que una demostració o una enquesta de satisfacció, la feina dels formadors continuarà oberta.