Casos d’èxit d’intel·ligència artificial: 20 preguntes per separar evidència i promesa.

És la documentació d’una aplicació real amb context, problema, intervenció, participants, tecnologia, governança, resultats i aprenentatges. Ha de distingir clarament una prova, un pilot, una implantació i una proposta de continuïtat.

Resol la dificultat d’avaluar si una solució pot ser rellevant en un altre context. També aporta transparència sobre què va funcionar, què va requerir esforç humà i què encara no està demostrat.

Una demo mostra que alguna cosa és possible; un cas explica què va passar en una organització concreta. Una arquitectura representativa pot inspirar, però no s’ha de presentar com una implantació del client.

Té sentit documentar un cas quan hi ha permís, abast verificable, responsables i aprenentatges útils. No cal esperar un resultat perfecte: els límits i correccions també tenen valor.

No convé publicar-lo si el client no ha autoritzat, les dades no es poden verificar o es barregen propostes amb fets. En aquest cas es pot crear un exemple representatiu identificat com a tal.

Cal ordenar problema inicial, línia de base, objectius, participants, cronologia, fonts, solució, controls, mètriques i evidències. També quines parts queden fora del relat públic.

S’utilitzen documents de projecte, proves, registres, mètriques acordades, entrevistes i materials aprovats. Les xifres necessiten període, definició, font i permís de publicació.

Participen l’equip del client, responsables del projecte, especialistes, usuaris i comunicació o legal. La persona propietària del cas valida fets i fronteres entre confidencial i públic.

La IA pot ajudar a ordenar materials, trobar contradiccions, preparar una cronologia i adaptar formats. No ha d’inventar resultats, testimonis, logos, cites ni relacions comercials.

Les persones validen els fets, la interpretació, els permisos i el llenguatge. També decideixen si un resultat es pot atribuir al sistema o només descriure com una observació.

Les eines serveixen per recollir evidència, analitzar dades i publicar el cas. La prioritat és la traçabilitat, no construir una visualització impressionant sobre dades incompletes.

El cas s’ha de connectar amb el sistema de projecte, analítica i repositori de permisos. Això facilita actualitzar-lo o retirar una afirmació si canvia l’evidència.

Una primera fitxa es pot preparar quan hi ha materials ordenats; la validació pot requerir diverses rondes. El calendari depèn dels permisos i de la disponibilitat de dades.

La inversió és principalment temps de recerca, anàlisi, validació, redacció, disseny i aprovació. Un cas rigorós pot necessitar menys producció i més contrast.

Es mesura per utilitat comercial i editorial, consultes qualificades, reutilització i confiança. Però el cas també és una eina interna d’aprenentatge, no només captació.

Els errors són inflar mètriques, ocultar la intervenció humana, usar logos sense permís i presentar una idea futura com a resultat. També eliminar tot context per fer el cas universal.

Es contrasta amb fonts, responsables i una llista explícita de claims. Una revisió final marca cada element com a documentat, representatiu, pendent o no publicable.

S’actualitza si hi ha noves fases, resultats o permisos. Cada canvi ha de conservar data i evitar reescriure el passat com si el nou resultat hagués existit des del principi.

Sí. Una pime pot documentar un procés petit si explica bé el punt de partida i l’impacte. La credibilitat no depèn de la mida del projecte, sinó de l’evidència.

Karmina separa casos documentats d’arquitectures representatives. Aena, Associació Alba i Ajuntament de Terrassa tenen pàgines pròpies amb abasts diferents; cap estructura visual substitueix la validació del que és real.