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.
