La IA ha mogut el coll d’ampolla, no l’ha tret
Per Xavier Franco, CEO de Elternativa · Grupo Zemsania
· 7 min de lectura
Redactat amb ajuda d’IA i revisat per Xavier Franco

En aquest article
Ho vam viure nosaltres abans que ningú. Dones IA al teu equip de desenvolupament, el codi comença a sortir el doble de ràpid i, unes setmanes després, algú et diu que els lliuraments no han accelerat tant. El coll d’ampolla no ha desaparegut: s’ha mogut. Si dirigeixes tecnologia, t’interessa saber cap a on, perquè aquí hi ha la diferència entre tenir IA i que la IA escali.
Escriure codi ja no és el problema
Durant anys, el coll d’ampolla de l’SDLC, el cicle de vida del desenvolupament de programari, era escriure codi. Faltaven mans. La IA ha resolt aquesta part millor del que esperàvem: segons l’enquesta de Stack Overflow del 2025, amb més de 49.000 respostes, el 84 % dels desenvolupadors ja fa servir o pensa fer servir eines d’IA.
Però el cicle no s’acaba en escriure. Després cal revisar, provar, integrar, documentar i auditar. I aquestes fases continuen funcionant al ritme d’abans, amb les mateixes persones.
El resultat és fàcil d’imaginar: cada persona produeix el doble i qui revisa continua sent el mateix. La cua s’acumula just on ja teníem menys gent.
A la pràctica: mira les teves pull requests de l’últim mes. Quant de temps passa de mitjana entre que se n’obre una i s’aprova? Si aquest temps ha crescut des que feu servir IA, ja saps on és el teu nou coll d’ampolla.
El tècnic vol entendre-ho tot, i és raonable
Aquí hi ha un punt que em sembla important, perquè de vegades es planteja com un problema d’actitud i no ho és. El tècnic vol entendre tot el que fa la IA abans de donar-ho per bo. És raonable: no en té el control.
Les dades ho confirmen. A la mateixa enquesta de Stack Overflow, el 46 % dels desenvolupadors diu que no confia en la precisió del que generen les eines d’IA, davant del 31 % de l’any anterior. I per al 45 %, una de les principals frustracions és que depurar el codi generat per la IA porta molt de temps.
A això s’hi suma el desordre que apareix quan cadascú treballa amb la seva IA a la seva manera:
- el mateix fet de dues maneres en dues parts del sistema;
- el que s’ha après es queda en una conversa que ningú tornarà a llegir;
- ningú sap qui ha escrit què: si una persona o un model.
Amb això, revisar línia a línia no és desconfiança. És l’única forma de control que hem deixat al tècnic.
A la pràctica: pregunta al teu equip què els preocupa en revisar codi generat per IA. Et diran on falta el mètode.
El control és al contracte, no en llegir cada línia
La sortida no és revisar més de pressa. És moure el control al principi del cicle. Si abans que la IA escrigui una línia ja està fixat què ha de fer, amb quins límits i amb quines proves, la revisió deixa de ser una lectura completa i passa a ser una comprovació contra alguna cosa concreta.
Així ho plantegem nosaltres, fase a fase:
- Requisit i pla. Cada tasca neix amb els seus criteris d’acceptació fixats d’antuvi. No canvien després.
- Desenvolupament. Diverses instàncies d’IA treballen en paral·lel, sense que ningú les hagi de perseguir.
- Proves. Les executa una instància diferent de la que ha escrit el codi. Ningú valida el seu propi treball.
- Revisió i validació. Una persona del teu equip valida el tancament contra els criteris, i la seva signatura queda registrada.
- Pull request i desplegament. La IA obre la pull request i respecta el teu Git i el teu CI/CD.
- Evolutiu i suport. A la mateixa cua, amb el que s’ha après convertit en regles que la tasca següent ja rep.
El tècnic deixa de perseguir la IA. Defineix, valida i decideix.
A la pràctica: agafa la pròxima funcionalitat que vagiu a construir i escriu-ne els criteris d’acceptació abans de començar. Només això ja canvia la revisió.
Integrar, documentar i auditar també són part del cicle
Les altres tres fases que s’encallen necessiten el mateix: mètode, no més hores.
- Integrar. Un mateix mètode i les mateixes regles per a cada IA, i cada tasca reserva els recursos que toca, perquè dues feines en paral·lel no es trepitgin.
- Documentar. El coneixement del projecte (normes, decisions i reunions) viu en un sistema que la IA consulta, no al cap d’una persona ni en una conversa perduda.
- Auditar. Tot queda traçat: qui ho va demanar, qui ho va fer, qui ho va validar i quant va costar.
Quan aquestes fases funcionen, l’efecte de la IA es nota en els lliuraments i no només en la velocitat d’escriptura.
A la pràctica: busca en el teu últim projecte una decisió tècnica important. Està escrita en algun lloc on la pròxima persona, o la pròxima IA, la pugui trobar?
Què mesurar per saber si la IA escala
Hi ha un risc que veig molt: mesurar la IA per la sensació de velocitat. «Anem més de pressa» és una percepció, no una dada. L’informe DORA 2025 de Google, amb gairebé 5.000 professionals de tecnologia, ho posa en números: el 90 % fa servir IA a la feina i més del 80 % creu que ha guanyat productivitat. Però el 30 % confia poc o gens en el codi que genera.
I hi ha una dada del mateix informe que crec que tot director de tecnologia hauria de tenir al cap: l’adopció d’IA ja es relaciona amb més velocitat de lliurament, però continua relacionant-se amb menys estabilitat. Més canvis, més de pressa, i més coses que es trenquen si no hi ha proves sòlides, un control de versions madur i cicles curts. DORA ho resumeix en una frase: la IA no arregla un equip, amplifica el que ja hi ha.
Per això, si vols saber si la teva IA escala, mesura sobre el teu repositori, no sobre enquestes internes:
- lliuraments per setmana i temps fins a producció;
- temps de revisió de cada pull request;
- retreball, és a dir, quant del que s’ha lliurat cal tornar a tocar;
- errors després de desplegar;
- quina part dels lliuraments surt del flux amb IA i quina part continua fent-se a mà.
A la pràctica: treu aquestes cinc xifres avui, abans de canviar res. Sense una foto de l’abans, mai sabràs si el després és millor.
Per on començar
El meu consell és no intentar canviar tot el cicle de cop:
- Mesura el coll d’ampolla actual: temps de revisió, retreball i pull requests obertes.
- Tria un equip i un tipus de feina acotat i repetible: evolutiu, deute tècnic o proves.
- Fixa els criteris abans de començar i separa qui construeix de qui prova.
- Deixa que una persona validi, contra els criteris, no contra la seva intuïció.
- Compara durant unes setmanes lliuraments, retreball i temps fins a producció, sobre el teu propi repositori.
Si els números milloren, ja tens l’argument per escalar. I si no, sabràs exactament en quina fase.
Com t’ajudem
A Agentic Data & Software Engineering orquestrem les IA de desenvolupament que ja tens, com Claude Code, Cursor, Codex o Copilot, a tot l’SDLC: diverses instàncies en paral·lel, proves fetes per una instància diferent i una persona del teu equip que valida cada tancament. El codi queda al teu Git i el coneixement, en una base de dades teva. Al web publiquem el que mesurem sobre el codi dels nostres clients: fins a 2 vegades més capacitat en enginyeria de dades i de programari amb el mateix equip.
Ho fem amb Agentagile, la nostra metodologia per desenvolupar amb IA: la teva IA desenvolupa, prova i documenta; el teu equip decideix. Res no avança sense el teu vistiplau.
Qui revisa tot el que escriu la teva IA?
T’ensenyem en una demo com diverses IA de desenvolupament construeixen en paral·lel, una altra prova i el teu equip valida cada lliurament.


