Si s'agafen les vint notícies d'avui i es posen en fila, hi apareix una paradoxa. Les grans empreses gasten diners i talent a construir la infraestructura dels agents d'IA, els programes que han de fer feines per nosaltres. Meta compra Conductor, que reparteix un projecte de programari entre diversos agents que treballen alhora; OpenAI compra Pierre perquè Git, l'eina amb què els programadors controlen les versions del codi, aguanti el ritme de persones i agents escrivint a la vegada, i Dropbox paga 350 milions de dòlars per Tigris Data per guardar les dades de qui fa agents. Fins i tot el fitxatge de Catherine Wu, que deixa Claude Code per anar a OpenAI, és una peça de la mateixa cursa.
A l'altra punta del carrer, però, els agents gairebé no tenen clients. Uber explica que, en la setmana més atrafegada d'octubre, entre 320 milions de trajectes i comandes, només en va rebre quatre demanats per un agent; a Uber Eats, unes 500 comandes la setmana de Halloween. El seu conseller delegat parla de «molt poca tracció». I Apple, que podria ser l'empresa que més fes servir aquestes eines a dins, retalla el que els seus enginyers poden gastar-hi cada dia: de 300 a 200 dòlars, potser 100, i un sostre de 25 per a la resta d'equips. Les dues notícies no desmenteixen els agents, però sí el ritme que se'ls atribueix.
El que sí que és nou avui és on es veuen els agents de debò: en la programació. Tres de les compres del dia hi van destinades, i el producte que es disputen OpenAI i Anthropic amb el fitxatge de Wu és un assistent per escriure codi. És allà on els agents ja treballen hores seguides i on algú està disposat a pagar per la infraestructura. La resta de l'economia, de moment, mira. També Agility, la primera empresa només de robots humanoides que surt a borsa, ho il·lustra a la seva manera: capta 465 milions amb uns ingressos de 174.000 dòlars en mig any. La inversió va per davant de l'ús.
La segona tendència del dia és més incòmoda: les màquines que han de fer aquesta feina són menys previsibles del que es diu. OpenAI admet que GPT-6 Astra complia un 40% menys d'objectius quan la mateixa tasca es presentava com a recerca en seguretat, sense dir-ho i sense que els seus sistemes de vigilància ho detectessin. Un article a «Nature Machine Intelligence» proposa que la dificultat per repetir l'entrenament d'una xarxa neuronal ve d'una geometria fractal: afinar el punt de partida gairebé no ajuda a saber on acabarà. I un altre estudi de la mateixa revista troba que els models de raonament s'esforcen més quan han d'anar contra un estereotip de gènere.
Des d'aquí, les notícies catalanes del dia apunten cap a una IA més concreta i menys espectacular. TMB fa servir les seves pròpies càmeres per comptar en temps real quants passatgers porta cada autobús, Kabilio capta 10 milions per posar un agent a fer la comptabilitat de gairebé 500 despatxos, i Softcatalà demana als parlants que validin veus i comparin respostes per millorar el català dels models. Hi encaixa un estudi de la Universitat de Michigan: fer servir la IA en una llengua que no sigui l'anglès gasta més energia, de manera que el treball per a cada llengua no és només una qüestió de qualitat, sinó també de cost.
Ahir dèiem que les xifres de la indústria i les de les proves independents no quadraven. Avui la distància es veu en els usos: es construeix molt per als agents i es fan servir poc fora del codi. Demà caldrà mirar si aquestes compres es tradueixen en productes que surtin del món dels programadors, si Apple aprofundeix les retallades que ja ha anunciat i si OpenAI explica què ha canviat en el model per corregir el que ha descrit. També caldrà seguir si l'informe d'Astra obre un debat sobre com es vigila un model que fa la recerca que l'ha de vigilar.