Què és un LLM i per què no cal el més potent per a cada tasca

Un model de llenguatge gran, o LLM, és un sistema entrenat per predir quina paraula ve després d’una altra a partir d’haver llegit una quantitat enorme de text. D’aquí ve la seva capacitat per escriure, resumir, traduir, classificar o mantenir una conversa: no perquè “entengui” com una persona, sinó perquè ha après els patrons estadístics del llenguatge amb una precisió sorprenent.

El que interessa a una empresa no és aquesta definició tècnica, sinó una conseqüència pràctica que sovint passa per alt: no tots els LLM són iguals, i el model més potent del mercat gairebé mai no és el que convé fer servir per a la majoria de tasques del dia a dia.

Per què hi ha models de diferents “mides”

Els LLM s’entrenen amb diferents quantitats de paràmetres, que, simplificant, són els valors numèrics que el model ajusta durant l’entrenament per representar patrons del llenguatge. Més paràmetres solen donar més capacitat de raonament en tasques complexes, però també impliquen més cost de computació, més lentitud i un preu per ús molt més alt.

El mercat del 2026 s’ha organitzat, de manera força consistent entre proveïdors, en tres nivells. El nivell econòmic inclou models petits i barats que resolen bé tasques com classificar textos, extreure dades d’un document, resumir o respondre preguntes senzilles d’atenció al client. El nivell intermedi inclou models amb una capacitat notable per raonar sobre problemes més complexos, generar codi o fer anàlisis detallades. I el nivell de frontera queda reservat per als problemes més difícils: raonament jurídic o científic en diversos passos i decisions d’alt risc en què una resposta incorrecta té conseqüències reals.

La xifra que sorprèn la majoria

Una anàlisi del 2026 sobre l’arquitectura de sistemes d’IA en producció calcula que la majoria d’aplicacions ben dissenyades haurien d’enviar entre el 60% i el 75% de les sol·licituds al nivell econòmic, entre el 20% i el 35% a l’intermedi i menys del 5% al nivell de frontera. Dit d’una altra manera: en un sistema ben construït, el model més car i potent del mercat s’utilitza en una fracció mínima dels casos, no en tots.

Això no és una limitació, sinó una decisió de disseny. Si un model petit assoleix, per exemple, un 92% de precisió en una tasca concreta i el més gran arriba al 95%, la millora marginal gairebé mai no justifica multiplicar el cost per deu o per vint. La pregunta important no és quin model obté la puntuació més alta en una prova genèrica, sinó quin assoleix la qualitat que necessita aquella tasca concreta al cost més raonable.

Per què no és només una qüestió d’estalvi

A banda del cost, hi ha un altre factor que sovint es menysté: la velocitat. Un model petit respon en una fracció del temps que tarda un model de frontera, i en tasques d’atenció al client o de processament en temps real aquesta diferència es nota directament en l’experiència de qui hi ha a l’altra banda. Un sistema ben dissenyat no tria el model més intel·ligent disponible, sinó el que és prou capaç per a la tasca i reserva la potència extra per als pocs casos que realment la necessiten.

Les empreses que envien cada sol·licitud al model més barat que la pot resoldre i només escalen quan cal declaren reduccions del cost d’entre el 40% i el 85%, sense una davallada perceptible en la qualitat del resultat. El motiu és senzill: la majoria de sol·licituds reals d’una aplicació mai no van necessitar el model més car.

Una analogia que ajuda a decidir

Demanar al model més potent i car del mercat que classifiqui un correu entrant com a “urgent” o “no urgent” s’assembla a trucar a un cirurgià perquè posi una tireta. Ho pot fer perfectament, però no cal, i costa molt més que una alternativa igual d’eficaç. La clau no és trobar “el millor model” en abstracte. És fer la pregunta adequada per a cada tasca: quin nivell de precisió necessito aquí i què passa si m’equivoco? Si l’error té conseqüències menors, com ara una classificació, un resum intern o una resposta rutinària, un model econòmic és més que suficient. Si pot costar diners, reputació o compliment legal, té sentit pagar pel model més capaç.

Dissenyar bé un sistema d’IA no és triar el model amb el màrqueting més convincent. És entendre quina tasca s’ha de resoldre i assignar-hi una eina adequada, no pas la més gran disponible.