1. Quins processos concrets de Holaluz heu transformat amb IA generativa, i per on vau començar?
A l’hora de transformar profundament Holaluz amb IA generativa, vam fer una anàlisi exhaustiva dels processos de la companyia i vam decidir començar per aquells projectes que presentaven una alta probabilitat d’èxit i un gran impacte, ja fos per la reducció de costos o per la generació de noves oportunitats.
Concretament, vam iniciar el nostre camí aplicant la IA a l’agilització de la creació i desenvolupament de programari, així com a l’assistència en la resolució de consultes d’atenció al client mitjançant la generació automàtica d’esborranys per als agents. Una vegada vam demostrar l’èxit, el valor afegit i el retorn de la inversió amb aquests primers projectes pilots, vam poder estendre la transformació digital a moltes altres àrees de l’empresa.
Actualment, comptem amb solucions basades en IA per a la qualificació automàtica de potencials clients (leads), la venda gestionada de principi a fi (end-to-end) per agents d’IA, la ingesta automatitzada d’informació i dades cap al nostre CRM, la supervisió automàtica de la qualitat de les trucades i la millora de la gestió operativa interna. Aquest enfocament progressiu ens ha permès ampliar l'ús de la tecnologia de manera segura, eficient i integrada en la cultura de l'empresa.
2. La cofundadora Carlota Pi va dir que l'aparició de la IA generativa va ser «providencial» per redreçar l'empresa. Què vol dir això, a la pràctica, des del producte i la tecnologia?
Afirmar que la IA generativa ha estat providencial significa que aquesta tecnologia ens ha obert un nou ventall de possibilitats estratègiques amb un cost operatiu significativament més baix i una eficiència exponencial.
De cara al desenvolupament de producte i tecnologia, la IA ens permet dissenyar, provar i posar en producció molts més productes, eines i funcionalitats (features) en un lapse de temps molt més curt del que necessitàvem tradicionalment. A més, ens permet oferir propostes de valor totalment personalitzades i adaptades a les necessitats reals dels nostres clients, basades al 100% en capacitats d’intel·ligència artificial.
En la pràctica diària, això es tradueix en una reducció dràstica del temps de sortida al mercat (*time-to-market*) i en l'automatització de tasques complexes que abans requerien grans inversions de temps i recursos. Des de la perspectiva de negoci, la IA generativa actua com un accelerador que optimitza els costos d'escala, millora la productivitat dels equips tècnics i ens permet iterar solucions a una velocitat sense precedents. Tot plegat ens atorga un avantatge competitiu decisiu per adaptar-nos al mercat energètic actual, oferint experiències d'usuari molt més àgils, intel·ligents i resolutives.
3. Què decideix la IA i què no li deixeu decidir mai, sobretot quan hi ha clients, contractes i factures pel mig?
Un gran avantatge de la nostra plataforma tecnològica és que combina agents d’IA generativa amb sistemes deterministes tradicionals. Aquesta arquitectura híbrida ens permet aconseguir que els agents siguin extremadament segurs i ens garanteix un control absolut sobre el grau d'autonomia de cada procés.
A la pràctica, tenim un sistema flexible on la IA gestiona de manera autònoma les interaccions amb els clients que impliquen un risc baix, mentre que les gestions d'alt risc o complexitat romanen sota la supervisió o execució directa d'un agent humà. Per exemple, si un client sol·licita l'enviament d'una factura o una consulta bàsica de dades, la IA gestiona la petició de principi a fi en pocs segons. En canvi, si es detecta una avaria greu, un problema de subministrament o una incidència complexa, el cas es deriva immediatament a un equip humà. Aquest model ens permet oferir temps de resposta excel·lents prioritzant la rellevància i l'impacte de cada gestió.
Pel que fa a les factures i la tarifació, utilitzem models d’aprenentatge automàtic (*machine learning*) per determinar les millors quotes per als clients gràcies a la gran quantitat de dades històriques que gestionem. Aquests models predictius, tanmateix, estan validats per regles de negoci estrictes i s'han anat perfeccionant durant més d'una dècada per evitar qualsevol marge d'error.
4. Com mesureu si una eina d'IA generativa funciona de debò (temps, errors, satisfacció dels clients…)? Què n'heu après dels casos que no van funcionar?
A Holaluz estructurem el seguiment de la IA mitjançant dos grups de mètriques. D'una banda, tenim mètriques globals de plataforma que avaluen la infraestructura tècnica, analitzant indicadors com el cost operatiu, l’estabilitat del sistema i la latència de resposta. Per a nosaltres és indispensable comptar amb una plataforma d’IA escalable, tant en rendiment tècnic com en sostenibilitat econòmica.
D’altra banda, cada eina o agent té assignats indicadors clau de negoci (KPIs). Tenim molt clar que allò que no es mesura, no existeix. Per garantir una bona adopció i maximitzar l’èxit dels projectes, definim prèviament quin problema concret volem resoldre. En l’àrea d’atenció al client, per exemple, mesurem la satisfacció directa de l'usuari (CSAT), el volum de gestions reobertes o no resoltes i el First Contact Rate (taxa de resolució al primer contacte).
Evidentment, també hem tingut iniciatives que no han funcionat com esperàvem. D’aquests casos hem tret aprenentatges molt valuosos. El més important ha estat entendre la necessitat de precisar des del primer dia el problema exacte que es vol solucionar —cosa que no sempre és evident— i evitar dissenyar sistemes extremadament complexos quan solucions més senzilles i directes poden oferir millors resultats i més facilitat de manteniment.
5. Què ha canviat per a les persones de l'equip: quines tasques han desaparegut, quines són noves i com us hi heu format?
Avui dia ja no concebem la nostra organització sense un equip que domini les eines d’IA. Esperem que tots els professionals utilitzin la tecnologia al seu abast en la seva rutina diària, i ho hem aconseguit combinant una estratègia clara d’adopció, formació contínua i l’accés a les eines adequades. L’adopció és la clau: hem après que una vegada es genera tracció inicial, el sistema es retroalimenta i avança de manera orgànica.
Per accelerar aquest canvi cultural, vam començar identificant la figura dels IA Champions dins de diferents departaments, que van actuar com a evangelitzadors de l'ús d'aquestes eines entre els seus companys. L'efecte demostració ha estat fonamental: quan un professional veu com un company resol tasques en la meitat de temps mitjançant la IA, l'adopció es multiplica. A més, hem organitzat de manera periòdica hackatons interns i tallers pràctics per promoure el desenvolupament d'idees sorgides directament dels empleats.
Pel que fa a les tasques, han après a automatitzar treballs repetitius de baix valor afegit, com la introducció manual de dades o la redacció de respostes tipus. En el seu lloc, han après a formular prompts efectius, auditar els resultats generats per la IA i dedicar més temps a la resolució de casos complexos, l'estratègia i l'atenció personalitzada.
6. Com tracteu les dades dels clients quan feu servir models de llenguatge, i com trieu entre models externs i desenvolupaments propis?
La seguretat i la privadesa de la informació són pilars fonamentals en la nostra arquitectura tecnològica. Quan utilitzem models de llenguatge (LLMs), apliquem protocols estrictes d’anonimització i xifratge abans que qualsevol dada sensible surti cap al model. Només quan és estrictament necessari, certs fluxos es processen mitjançant sistemes deterministes propis i entorns privats per garantir el compliment normatiu i la protecció de les dades dels nostres clients.
Pel que fa a la tria entre models externs i desenvolupaments propis, la nostra decisió depèn principalment del grau d’especialització que requereix la tasca. Optem per desenvolupar i entrenar els nostres propis models quan no hi ha opcions al mercat que ofereixin el rendiment o la precisió necessària per a funcions molt específiques del sector energètic.
Per exemple, tots els algoritmes i models relacionats amb la gestió, la predicció de la demanda, l’optimització de bateries i l’orquestració d’energia solar són desenvolupats de manera interna pel nostre equip de dades. En canvi, per a tasques més generals de processament de llenguatge natural o generació de respostes, aprofitem l'estat de l'art dels models comercials integrats de manera segura en la nostra infraestructura.
7. Què li diríeu a una empresa mitjana catalana que vol començar a fer servir IA generativa i no sap per on començar?
El meu consell principal seria que no intentin abastar-ho tot d'un plegat ni es deixin portar únicament pel tracte superficial de la novetat. Cal començar amb casos d’ús molt pràctics, reals, específics i ben delimitats, on el problema estigui clarament identificat i l'impacte es pugui mesurar des del primer dia.
És fonamental evitar la temptació de dissenyar grans projectes complexos des de l'inici. És molt més efectiu triar un o dos processos interns on hi hagi feina repetitiva o colls d'ampolla —com la redacció d’esborranys, el resum de documentació o l'assistència bàsica al client— i llançar un pilot senzill. Això permet a l'equip aprendre, familiaritzar-se amb les eines i validar el valor real de la tecnologia sense fer grans inversions de capital.
Finalment, els recomanaria invertir en la cultura interna i la formació. La tecnologia per si sola no transforma una empresa; la clau de l'èxit rau en aconseguir que les persones adoptin les eines amb confiança. Si s'identifiquen petits líders interns que impulsin l'ús de la IA i es mostren resultats visibles ràpidament, el procés d'adopció esdevindrà fluid i l'empresa podrà anar avançant cap a projectes de més complexitat de manera natural.