El GEO, o Generative Engine Optimization, és la pràctica d’optimitzar els continguts perquè els motors d’IA generativa —com ChatGPT, Perplexity, Gemini o les respostes generades de Google— entenguin la teva marca, la citin i la recomanin. És l’evolució natural del SEO cap a un món on molta gent pregunta directament a la IA.

El SEO busca posicionar una web als resultats dels cercadors perquè la gent hi faci clic. El GEO va un pas més enllà: busca que la IA faci servir el teu contingut per construir la seva resposta i que t’esmenti com a font. En comptes d’competir per un clic, competeixes per ser la referència que la IA cita.

• Escriure contingut clar, amb definicions directes i respostes concretes
• Afegir dades estructurades (schema) perquè la IA entengui qui ets
• Reforçar l’autoritat de marca amb mencions i fonts fiables
• Permetre l’accés dels rastrejadors d’IA i mantenir un fitxer llms.txt

Perquè cada cop més persones busquen informació preguntant a la IA en lloc d’obrir deu pestanyes al cercador. Si la teva marca no apareix en aquestes respostes, deixes de ser visible per a una part creixent del públic. El GEO és, avui, una part imprescindible de qualsevol estratègia de visibilitat.

El zero-shot prompting consisteix a demanar una tasca a un model d’IA sense donar-li cap exemple: només la instrucció. El model s’ha d’espavilar amb el que ja va aprendre durant l’entrenament. És la manera més habitual i ràpida de fer servir eines com ChatGPT o Claude.

Simplement li dius què vols. Per exemple: «Classifica aquesta ressenya com a positiva o negativa». No li ensenyes cap cas resolt abans; confies que el model ja entén la tasca. Per a coses habituals sol funcionar prou bé.

La diferència amb el few-shot prompting és clara: al zero-shot no dones cap exemple, i al few-shot n’hi afegeixes uns quants dins la instrucció. El zero-shot és més ràpid; el few-shot sol donar resultats més precisos quan la tasca és específica o vols un format concret.

Quan la tasca és senzilla o comuna i vols una resposta ràpida. Si veus que el model no acaba d’encertar el to o el format, aleshores val la pena passar a donar-li exemples.

La intel·ligència artificial general, o AGI, és una IA hipotètica que seria capaç d’entendre, aprendre i fer qualsevol tasca intel·lectual que pugui fer una persona. Ara mateix no existeix: és més aviat un objectiu i un tema de debat que una realitat.

La IA que fem servir avui és «estreta»: cada sistema fa bé una cosa concreta (traduir, generar text, reconèixer imatges), però no sap sortir del seu terreny. L’AGI, en canvi, seria capaç d’adaptar-se a problemes nous i molt diferents sense haver estat entrenada específicament per a cadascun.

No. Malgrat el gran avenç dels models de llenguatge, cap sistema actual té la flexibilitat i la comprensió general d’una persona. Els experts no es posen d’acord sobre quan (o si) s’arribarà a l’AGI: hi ha previsions molt optimistes i d’altres de molt escèptiques.

Perquè marca la frontera entre les eines que ens ajuden i una tecnologia que podria transformar-ho tot. El debat sobre l’AGI va molt lligat a les preguntes sobre seguretat, ètica i impacte de la IA en la feina i la societat.

Els models de difusió són el tipus d’IA que hi ha darrere de la majoria de generadors d’imatges actuals, com DALL·E, Midjourney o Stable Diffusion. La seva manera de crear imatges és curiosa: comencen amb pur soroll i el van netejant fins que apareix la imatge.

Durant l’entrenament, el model aprèn a fer el procés invers d’anar afegint soroll a una imatge fins a destruir-la. Un cop entrenat, parteix d’una imatge de soroll aleatori i, pas a pas, la va refinant seguint la teva instrucció de text, fins que obté un resultat coherent amb el que li has demanat.

Sobretot en la generació d’imatges a partir de text, però també per editar fotos, ampliar-les, canviar-ne l’estil o crear vídeo i àudio. Són la base de bona part de les eines creatives d’IA que han aparegut els últims anys.

Permeten crear imatges per a campanyes, xarxes socials o prototips de manera ràpida i econòmica. Això sí: cal tenir en compte els drets d’autor i revisar els resultats, perquè de vegades generen detalls estranys o poc realistes.

El biaix algorísmic és la tendència d’un model d’intel·ligència artificial a produir resultats que es consideren injustos, discriminatoris o esbiaixats. No és que la màquina «vulgui» discriminar: sovint reprodueix els prejudicis que ja hi ha a les dades amb què s’ha entrenat.

El biaix pot venir de dues bandes. D’una banda, de les dades: si un model aprèn de textos o exemples que contenen prejudicis o que no representen bé tota la població, els acabarà repetint. De l’altra, del propi disseny de l’algoritme i de les decisions de qui el construeix.

Perquè aquests sistemes ja s’utilitzen per prendre decisions reals: filtrar currículums, concedir crèdits o moderar continguts. Si el model està esbiaixat, pot perjudicar sistemàticament certs col·lectius sense que ningú se n’adoni.

• Fent servir dades més representatives i revisades
• Auditant els resultats del model per detectar patrons injustos
• Incloent supervisió humana en les decisions sensibles

L’RLHF (de l’anglès Reinforcement Learning from Human Feedback) és una tècnica d’entrenament que fa servir valoracions de persones per ajustar un model d’IA. És una de les claus perquè assistents com ChatGPT donin respostes útils i no diguin qualsevol cosa.

Després de l’entrenament inicial, es demana al model diverses respostes a una mateixa pregunta i unes persones les valoren, indicant quines són millors. Amb aquestes valoracions s’entrena el model perquè, a partir d’aleshores, tendeixi a generar el tipus de resposta que la gent prefereix.

Un model entrenat només amb text prediu paraules probables, però això no vol dir que les seves respostes siguin útils, educades o segures. L’RLHF ajuda a alinear el model amb el que esperen les persones: respostes clares, respectuoses i menys propenses a contingut problemàtic.

Sí. El model acaba reflectint els criteris de qui fa les valoracions, i encara pot cometre errors o al·lucinacions. L’RLHF millora molt el comportament, però no garanteix que tot el que digui sigui correcte.

La cadena de pensament és una tècnica de prompting que consisteix a demanar a la IA que raoni pas a pas abans de donar la resposta final, en lloc de contestar de cop. Sovint millora força els resultats en tasques que requereixen lògica o càlcul.

N’hi ha prou amb afegir a la instrucció una frase com «pensa-ho pas a pas» o demanar que expliqui el raonament abans de concloure. En descompondre el problema en passos, el model té més opcions d’arribar a la resposta correcta, igual que ens passa a les persones quan escrivim els càlculs en lloc de fer-los de memòria.

És especialment útil en problemes de matemàtiques, lògica, planificació o preguntes amb diverses passes. Per a respostes simples i directes no cal, i fins i tot pot allargar el resultat innecessàriament.

Si preguntes «quant és 17 x 24?», el model pot equivocar-se si respon de cop. Si li dius «resol-ho pas a pas», desglossarà l’operació i encertarà amb més facilitat. La mateixa idea val per a decisions de negoci amb diverses variables.

GPT és la família de models de llenguatge desenvolupada per OpenAI, la mateixa que hi ha darrere de ChatGPT. Les sigles volen dir Generative Pre-trained Transformer, i cada paraula explica com funciona.

• Generative: genera text nou, no només tria entre opcions.
• Pre-trained: primer s’entrena amb enormes quantitats de text abans d’usar-lo.
• Transformer: fa servir l’arquitectura transformer, basada en el mecanisme d’atenció.

El model llegeix una gran quantitat de text i aprèn a predir quina paraula ve després. Repetint això milions de vegades, acaba captant gramàtica, context i coneixements. Després s’afina amb valoracions humanes perquè respongui de manera més útil i segura.

Redactar i resumir textos, traduir, respondre preguntes, generar idees o escriure codi. En màrqueting, és una eina pràctica per accelerar la creació de continguts, sempre revisant el resultat abans de publicar-lo.

El transformer és el tipus d’arquitectura de xarxa neuronal que hi ha darrere dels grans models de llenguatge actuals, com ChatGPT, Claude o Gemini. És la peça que va fer possible el salt de la IA dels últims anys.

El transformer el van presentar investigadors de Google el 2017, en un article titulat «Attention Is All You Need». Aquell treball va canviar la manera d’entrenar models de llenguatge i és la base sobre la qual s’ha construït gairebé tota la IA generativa posterior.

La seva idea central és el mecanisme d’atenció: quan processa una frase, el model pot mirar totes les paraules alhora i decidir quines són més importants per entendre el context. A més, ho fa en paral·lel en lloc de paraula a paraula, cosa que permet entrenar models molt més grans i ràpids.

Sense el transformer no existirien els assistents d’IA que fem servir cada dia. De fet, la «T» de GPT ve precisament de «Transformer». Entendre’l ajuda a saber per què aquests models són tan bons captant context i matisos del llenguatge.

L’aprenentatge profund és una branca del machine learning que utilitza xarxes neuronals amb moltes capes per aprendre patrons complexos a partir de grans quantitats de dades. És la tecnologia que ha fet possible bona part de la intel·ligència artificial que fem servir avui.

La clau és la paraula «profund»: la informació passa per moltes capes de neurones artificials, una darrere l’altra. Cada capa aprèn a detectar coses cada cop més abstractes. En una imatge, per exemple, les primeres capes reconeixen vores i colors, i les últimes ja distingeixen una cara o un objecte. El model troba aquests patrons sol, sense que ningú els hi programi un per un.

Al machine learning tradicional, sovint una persona ha de decidir quines característiques ha de mirar el model. Amb l’aprenentatge profund, el model les descobreix ell mateix a partir de les dades. A canvi, necessita moltes més dades i més potència de càlcul.

• Reconeixement d’imatges i de veu
• Traducció automàtica
• Models de llenguatge com ChatGPT o Claude
• Generació d’imatges i vídeo