A la lliçó anterior vam aprendre a auditar els nostres propis models: biaix, explicabilitat, privadesa, contingut sintètic. Però l'equip de TecnoMarket no opera en el buit. Cada model que desplega participa d'una transformació molt més gran: el deep learning està canviant quines feines existeixen, qui es pot permetre aquesta tecnologia, com funcionen sectors sencers i quanta energia consumeix la indústria digital. Aquesta lliçó fa zoom out: del model individual a la societat i l'economia. No per filosofar en abstracte, sinó perquè un professional de deep learning pren millors decisions —i respon millor en una entrevista, en un comitè de direcció o davant d'un periodista— quan entén el context en què treballa.

1. Transformació de l'ocupació: tasques, no llocs de treball
2. El cas TecnoMarket: què automatitzen els seus models i què creen
3. Reskilling: la resposta raonable
4. Concentració vs. democratització del deep learning
5. Impacte per sectors: beneficis i riscos
6. La bretxa digital i l'accés desigual
7. El cost ambiental del deep learning
8. La responsabilitat del professional individual

El debat públic acostuma a plantejar-se malament: "la IA destruirà X milions de llocs de treball?". El marc que usen els economistes és més útil: l'automatització opera sobre tasques, no sobre llocs de treball. Un lloc de treball és un paquet de tasques; el deep learning n'automatitza algunes —normalment les repetitives i perceptives— i deixa les altres. Això produeix tres escenaris diferents:

• Augment: el model fa la part mecànica i la persona fa més de la resta (criteri, tracte, excepcions). El lloc de treball canvia, no desapareix. És l'escenari més freqüent.
• Substitució parcial: si el model automatitza la majoria de les tasques d'un lloc, calen menys persones per al mateix volum. El lloc no desapareix, però s'encongeix.
• Substitució completa: rara a la pràctica, passa quan el lloc era essencialment una única tasca automatitzable.

Alhora, l'automatització crea tasques noves que abans no existien: preparar dades, etiquetar, supervisar models, revisar-ne les sortides, mantenir la infraestructura. La història de la tecnologia repeteix aquest patró (els caixers automàtics van reduir tasques de caixa però els bancs van obrir més oficines amb empleats fent altres coses); el que ningú no garanteix és que les persones desplaçades de les tasques velles siguin les mateixes que ocupin les noves, ni que la transició sigui indolora. Aquí hi ha el problema real: no en el saldo net de llocs de treball, sinó en la transició i en qui la paga.

Apliquem el marc tasca a tasca al nostre propi portfolio. Aquesta taula és l'exercici que qualsevol empresa hauria de fer abans de parlar d'"estalvi de personal":

Tres observacions honestes sobre la taula:

1. Cap lloc de treball de TecnoMarket no desapareix sencer, però diversos s'encongeixen: si el generador redacta el 80 % dels esborranys, potser calen 2 redactors on n'hi havia 4.
2. Els rols nous no són simètrics als vells: "etiquetador de dades" acostuma a estar més mal pagat que "redactor"; "enginyer de ML" més ben pagat. L'automatització tendeix a polaritzar: creix allò molt qualificat i allò poc qualificat, i s'estreny el mig.
3. La cua de revisió humana no és un residu: és un rol nou amb criteri propi (03-04, 07-02, 07-03). Dissenyar-lo bé —volum raonable, eines, capacitat de corregir el model— és disseny de llocs de treball, no només de programari.

Si el problema és la transició, l'eina principal és el reciclatge professional (reskilling) i la seva cosina menor, l'upskilling (aprofundir en el propi rol amb noves eines). Què sabem del que funciona:

• Reciclar des del coneixement del domini: el millor revisor de la cua de frau és algú de l'equip antifrau, no un nouvingut. El coneixement del negoci no s'automatitza; convé construir els rols nous a sobre.
• Formació amb pràctica real, no només cursos: etiquetar dades reals, revisar sortides reals del model. (Aquest curs ha seguit aquesta filosofia: cada concepte va aterrar en un projecte.)
• Anticipació: reciclar la gent abans de desplegar el model que canvia la seva feina, no després. A TecnoMarket, els redactors s'haurien de formar com a editors de contingut IA mentre el generador de 07-02 encara està en proves.
• Responsabilitat compartida: empreses (formar la seva plantilla en comptes de rotar persones), administracions (formació pública, xarxes de seguretat) i individus (assumir que la formació contínua ja no és opcional en carreres tècniques... com demostra que estiguis fent aquest curs).

Hi ha una tensió econòmica central en el camp, i TecnoMarket l'ha viscuda en primera persona:

Forces de concentració. Entrenar un model fundacional capdavanter (els LLMs de 05-05) costa desenes o centenars de milions d'euros en computació, a més de dades a escala d'internet i talent escassíssim. Això només està a l'abast d'un grapat de grans tecnològiques i laboratoris. Qui controla els millors models, els xips i el núvol captura una part creixent del valor: risc d'oligopoli tecnològic.

Forces de democratització. Alhora, mai no havia estat tan barat usar deep learning de primer nivell:

• Transfer learning (05-03): TecnoMarket va batre la seva pròpia CNN amb MobileNetV2 afinat (07-05, ~91 % davant de ~82-85 %) en una tarda i amb una GPU modesta. No va entrenar des de zero: es va enfilar a les espatlles d'un model preentrenat per altres.
• Models i pesos oberts: arquitectures, pesos preentrenats i biblioteques (TensorFlow, PyTorch, mòdul 6) publicats gratuïtament.
• APIs: accedir a un LLM capdavanter costa cèntims per consulta, sense infraestructura pròpia.
• Formació oberta: el coneixement del camp és a papers, cursos i documentació pública.

La síntesi honesta: l'ús es democratitza; la creació de models de frontera es concentra. Un equip petit com TecnoMarket pot construir productes excel·lents (ho hem demostrat durant set mòduls), però depèn estructuralment de models base, núvols i eines que produeixen uns pocs actors. Aquesta dependència és una decisió estratègica que les empreses han de prendre amb els ulls oberts: què passa amb el meu producte si el proveïdor del model apuja preus, canvia condicions o discontinua l'API?

El deep learning no impacta igual a tot arreu. Una panoràmica de quatre sectors, amb l'honestedat de posar riscos al costat de beneficis:

El patró transversal: els beneficis són d'escala i accés (fer arribar capacitats cares a més gent) i els riscos són de qualitat, equitat i poder (qui pateix els errors, qui queda fora, qui controla l'eina).

La transformació anterior no es reparteix uniformement:

• Entre països: la recerca, els xips i els centres de dades es concentren en poques regions; molts països participen només com a consumidors de tecnologia (i de vegades com a proveïdors d'etiquetatge barat: gran part de l'etiquetatge de dades mundial es fa en països de renda baixa amb condicions laborals discutibles — els datasets "màgics" del curs els van etiquetar persones).
• Entre empreses: una gran plataforma té dades, talent i infraestructura; el petit comerç de barri competeix contra la personalització de TecnoMarket sense poder replicar-la.
• Entre persones: l'accés a la formació (idioma anglès, connexió, temps) determina qui ocupa els rols nous ben pagats de la taula anterior. Els models, a més, funcionen millor en les llengües i cultures majoritàries de les seves dades: un LLM entén pitjor les llengües minoritzades, cosa que reforça l'avantatge de qui ja el tenia.

Per al professional, la implicació pràctica és doble: ser conscient de qui deixa fora el seu producte (la web de TecnoMarket amb IA funciona per a clients grans, amb poca banda ampla, en altres llengües?) i valorar l'efecte democratitzador real de les eines obertes que ell mateix usa.

Entrenar i servir models consumeix energia, i convé manejar ordres de magnitud honestos en lloc de titulars alarmistes o negacionisme:

• Entrenament: entrenar un model fundacional gran consumeix de l'ordre de gigawatts-hora — comparable al consum anual de centenars o milers de llars — i passa poques vegades. Entrenar els models de TecnoMarket (hores d'una GPU) consumeix de l'ordre del que una casa gasta en un dia o dos: l'escala ho és tot.
• Inferència: és el cost silenciós. Una consulta individual consumeix poc (de l'ordre de mil·lèsimes de kWh en models grans), però multiplicada per milers de milions de consultes diàries, la inferència agregada supera l'entrenament en el total del sector. Per a TecnoMarket: el classificador s'entrena una vegada al mes, però classifica fotos tot el dia, tots els dies.
• El context: els centres de dades (tots, no només IA) ronden una fracció de pocs punts percentuals de l'electricitat mundial, amb la IA com a component de creixement més ràpid. Ni "la IA fondrà el planeta" ni "és menyspreable": és un cost real, creixent i gestionable.

La bona notícia és que l'eficiència ja és una tendència tècnica dominant, i el curs l'ha practicada sense anomenar-la així:

• Arquitectures eficients: vam triar MobileNetV2 a 07-05 precisament perquè està dissenyada per fer més amb menys còmput.
• Transfer learning (05-03): reutilitzar un preentrenament existent evita repetir-ne el cost energètic milers de vegades.
• Quantització i compressió (esmentades a 06-05 en desplegar): pesos en menys bits ⇒ menys energia per inferència.
• Decisions operatives: no reentrenar sense necessitat (que ho decideixi el monitoratge de deriva de 06-05, no el calendari), dimensionar el model al problema (el baseline de 04-04 de vegades n'hi ha prou), i triar proveïdors de núvol amb energia renovable.

Què pot fer una sola persona davant de forces d'aquesta escala? Més del que sembla, perquè les decisions macro s'executen en decisions micro que algú com tu pren cada setmana:

• Triar el model proporcional al problema (de debò cal un model gegant per a això?): decisió econòmica, ambiental i de mantenibilitat alhora.
• Dissenyar els rols humans amb dignitat: una cua de revisió ben dissenyada (volum humà, eines, autoritat per corregir) és una decisió teva de disseny, no de recursos humans.
• Fer la taula tasca a tasca abans de prometre estalvis: dona a la direcció una imatge realista de què s'automatitza i quins rols nous cal crear i formar.
• Documentar dependències: quins models base, APIs i núvols sostenen el producte, i quin pla B existeix.
• Informar honestament: ni vendre màgia ("la IA ho resoldrà") ni sembrar pànic; els números d'aquesta lliçó són un bon antídot contra tots dos.
• Usar la teva posició: els professionals tècnics escassegen; això dona marge real per negar-se a construir el que no passa la checklist de 08-01 i per elevar els problemes d'aquesta lliçó a qui decideix.

• Pensar en "llocs de treball destruïts" en comptes de "tasques transformades". Condueix a paràlisi o a promeses falses. La taula tasca a tasca de TecnoMarket és l'exercici correcte i la pots replicar en qualsevol organització.
• Ignorar els rols nous en calcular l'"estalvi". El cost de l'etiquetatge, la revisió humana i el manteniment del model (ho veurem més a 08-04) redueix molt l'estalvi net aparent. Presentar només la meitat de l'equació acaba en projectes fallits i acomiadaments injustificats.
• Confondre "usar IA barata" amb "no dependre de ningú". El transfer learning i les APIs democratitzen l'ús, però creen dependència estructural del proveïdor. Documenta sempre el pla B.
• Citar xifres ambientals sense distingir entrenament d'inferència. Són règims diferents: l'entrenament és puntual i enorme; la inferència és diminuta i constant. En un producte en producció, la inferència acostuma a dominar.
• Consell: quan et demanin opinió sobre "l'impacte de la IA", baixa sempre a un cas concret (un lloc de treball, un sector, un model). Les discussions abstractes no es poden resoldre; les concretes sí.
• Consell: guarda la taula de sectors i la tasca a tasca com a plantilles. Són dels pocs artefactes d'aquesta lliçó directament reutilitzables en un comitè de direcció.

La direcció de TecnoMarket proposa: "amb el generador de descripcions i el classificador, podem reduir l'equip de catàleg de 6 a 2 persones i estalviar 160 000 €/any". Et demanen un informe. Usant el marc tasca a tasca i la taula del portfolio: (a) descompon la feina de l'equip de catàleg en tasques i classifica-les (automatitzada / augmentada / no automatitzable); (b) identifica els costos nous que la proposta omet; (c) formula una contraproposta realista amb nombre de persones i rols.

TecnoMarket estudia substituir el seu generador de descripcions propi (07-02) per l'API d'un LLM comercial: qualitat molt superior, cost de ~0,002 € per descripció, zero manteniment propi. Analitza la decisió amb els marcs d'aquesta lliçó: beneficis, riscos de concentració/dependència, impacte en els rols interns i cost ambiental relatiu. Quines condicions posaries per aprovar el canvi?

L'equip debat dues polítiques de reentrenament del classificador de fotos: (A) reentrenar cada nit "per estar sempre al dia"; (B) reentrenar només quan el monitoratge de deriva de 06-05 superi un llindar, amb un mínim trimestral. Compara totes dues en cost energètic/econòmic, risc de degradació del model i càrrega de feina de l'equip, i tria de manera justificada.

Solució 1. (a) Tasques típiques de l'equip de catàleg: categoritzar fotos (automatitzada per 07-05, amb cua de revisió per als dubtosos), redactar descripcions (augmentada: el generador de 07-02 fa esborranys, la persona edita i verifica — la revisió és obligatòria segons la nostra pròpia política), verificar veracitat de fitxes (no automatitzable: el generador pot inventar característiques), gestionar la taxonomia de categories (no automatitzable), atendre venedors amb productes mal classificats (no automatitzable), control de qualitat global (augmentada). (b) Costos omesos: revisors de la cua humana (el volum de fotos casolanes de 08-01 l'omple), etiquetatge periòdic per a reentrenaments, edició de tots els esborranys generats, manteniment i auditoria dels dos models, i el cost de transició (formació). A més, el risc reputacional de publicar descripcions inventades sense revisar té cost esperat no nul. (c) Contraproposta raonable: de 6 a 4 persones, amb rols redefinits: 2 editors-revisors de contingut IA (antics redactors, formats abans del desplegament), 1 responsable de taxonomia i qualitat que a més audita biaix per subgrups (08-01), 1 gestor de venedors que atén els casos de la cua. Estalvi menor que el promès (~80 000 €/any) però sostenible, sense risc de catàleg inventat i amb la transició pagada amb reskilling intern, no amb acomiadaments i contractacions externes.

Solució 2. Beneficis: qualitat superior immediata, zero manteniment del model propi, cost marginal baixíssim (a 0,002 €, fins i tot 1 milió de descripcions/any són 2 000 €, molt per sota del cost de mantenir el model propi). Riscos de dependència: el proveïdor pot apujar preus, canviar termes, degradar el model o discontinuar-lo; les descripcions (dades de producte, potser dades de clients als prompts) surten a un tercer — revisar amb legal (08-01, punt 9 de la checklist); dependència difícil de revertir un cop desmantellat el coneixement intern. Rols interns: l'editor-revisor continua sent necessari (el LLM també inventa); el coneixement de ML de l'equip s'atrofia si s'externalitza tot — convé mantenir el model propi com a fallback documentat. Ambiental: la inferència en un LLM gran consumeix més per consulta que el model petit propi, però s'evita el reentrenament propi; a aquest volum, la diferència és menor davant de la resta de factors. Condicions raonables: contracte amb garanties de preu i versió; prohibició d'enviar dades personals als prompts; mantenir el generador propi com a pla B; revisió humana intacta; mètriques comparatives (qualitat i cost) avaluades als 3 mesos sobre un conjunt congelat, com a 06-05.

Solució 3. Política A: cost energètic i econòmic ~90 reentrenaments/trimestre davant de ~1-3 de la política B (dos ordres de magnitud més), sense benefici proporcional: les dades de catàleg no canvien tan ràpid, i cada reentrenament introdueix risc de regressió (cal revalidar sobre el conjunt congelat i reauditar biaix per subgrups cada vegada, 08-01 — amb reentrenaments diaris, aquesta auditoria se saltarà a la pràctica, que és el veritable perill). Política B: alinea la despesa amb la necessitat real mesurada (la deriva de 06-05 és exactament el senyal dissenyat per a això), manté les auditories viables i deixa el mínim trimestral com a xarxa de seguretat contra derives lentes que el llindar no capti. Elecció: B, amb una millora: revisar el llindar de deriva després del primer trimestre. La lliçó general: "sempre al dia" sona a rigor però aquí és malbaratament energètic i d'equip sense guany mesurable; el rigor real és reentrenar quan les dades ho demanen.

Hem situat la feina de TecnoMarket en el seu context real: l'automatització opera tasca a tasca —i la taula del portfolio mostra que crea revisors, etiquetadors i enginyers alhora que encongeix altres rols—, la resposta assenyada a la transició és el reskilling anticipat, el camp viu la tensió entre concentració (crear models de frontera) i democratització (usar-los, com vam fer amb transfer learning a 05-03/07-05), cada sector rep beneficis d'escala al costat de riscos d'equitat, la bretxa digital decideix qui hi participa, i el cost ambiental és real però gestionable amb l'eficiència que ja practiquem. I sobretot: les forces macro s'executen en decisions micro que pren gent com tu. Amb la dimensió ètica (08-01) i la social (aquesta lliçó) cobertes, toca mirar endavant: cap a on va tècnicament el deep learning i què signifiquen aquestes tendències per a un equip com el de TecnoMarket? Aquest és el tema de la propera lliçó: les tendències futures del camp.