La intel·ligència artificial ha passat de ser un concepte de ciència ficció a una eina del dia a dia en menys de cinc anys. L'ACTIC 2026 reconeix aquest canvi incorporant la IA com a competència digital obligatòria en tots els nivells. Aquesta guia cobreix tot el que pot aparèixer a l'examen: des dels conceptes bàsics fins al AI Act europeu i les tècniques de prompt engineering.
Indicadors ACTIC on apareix la IA (3.4.4 i 5.1.7)
L'ACTIC 2026 incorpora la intel·ligència artificial en dos indicadors principals:
- Indicador 3.4.4 (Àrea 3 · Creació de continguts digitals): "Identifica sistemes d'intel·ligència artificial i les seves possibilitats creatives i productives". Afecta especialment als nivells Bàsic i Mitjà.
- Indicador 5.1.7 (Àrea 5 · Resolució de problemes): "Identifica i usa críticament la intel·ligència artificial, blockchain i el big data com a eines per a la resolució de problemes professionals i quotidians". Afecta el nivell Mitjà i Avançat.
Tipus d'IA: discriminativa vs generativa
La distinció fonamental que has de conèixer per a l'examen:
- IA discriminativa: Analitza dades existents per classificar-les o detectar patrons. Exemples: detecció de spam, reconeixement facial, diagnosi mèdica per imatge. No crea contingut nou.
- IA generativa: Crea contingut nou (text, imatges, àudio, vídeo, codi) a partir d'instruccions (prompts). Exemples: ChatGPT, DALL-E, Gemini, Midjourney, Stable Diffusion, Sora.
Altres categories:
- IA supervisada: Aprèn amb dades etiquetades (exemple: imatges de gats marcades com "gat").
- IA no supervisada: Troba patrons en dades sense etiquetes (clustering, segmentació de clients).
- Aprenentatge per reforç: L'agent aprèn per premi/penalització en un entorn (jocs, robòtica).
Models de llenguatge gran (LLMs): ChatGPT, Gemini, Copilot, Llama
Els Large Language Models (LLMs) son la base de la majoria d'assistents d'IA actuals. Son xarxes neuronals entrenades amb enormes quantitats de text per predir el següent token (paraula) en una seqüència:
- ChatGPT (OpenAI): Basat en GPT-4o. El més popular per a tasques generals. Disponible via web, API i app mòbil.
- Gemini (Google DeepMind): Integrat a Google Search, Gmail i Google Workspace. Multimodal (text + imatge + vídeo).
- Microsoft Copilot: Integrat a Windows, Office 365 (Word, Excel, PowerPoint) i Bing. Basat en GPT-4.
- Llama (Meta): Model de codi obert que permet executar-se localment. Base de moltes solucions empresarials privades.
- Mistral: LLM europeu de codi obert. Eficient i lleuger, popular en entorns d'authohosting.
IA generativa d'imatges: DALL-E, Midjourney, Stable Diffusion
Els models de generació d'imatges creen imatges fotorealistes o artístiques a partir de descripció textual (text-to-image):
- DALL-E 3 (OpenAI): Integrat a ChatGPT. Excel·lent per a imatges realistes i creativitat controlada per prompt.
- Midjourney: Reconegut per la seva qualitat artística. Funciona via Discord o web. Popular en disseny i art digital.
- Stable Diffusion: Model de codi obert que es pot executar localment. Base de moltes eines de tercers.
- Adobe Firefly: Integrat a Adobe Photoshop i Illustrator. Dissenyat per a ús comercial amb contingut llicenciat.
Altres modalitats de IA generativa:
- Text-to-video: Sora (OpenAI), Kling, Runway ML
- Text-to-audio/música: Suno AI, Udio
- Text-to-code: GitHub Copilot, Cursor, Claude
Deepfakes: riscos i com detectar-los
Els deepfakes son continguts (vídeos, imatges o àudios) manipulats o generats per IA per fer semblar que una persona diu o fa alguna cosa que no ha dit ni fet:
Riscos principals:
- Desinformació política i social (vídeos falsos de líders polítics)
- Suplantació d'identitat en estafes (vishing deepfake)
- Difamació i violència de gènere digital
- Fraus financers (clonació de veu de directius)
Com detectar un deepfake:
- Analitzar inconsistències en parpelleig, moviment dels llavis i llum facial
- Verificar la font original del vídeo/imatge
- Usar eines de detecció: Intel Fake Catcher, Deepware Scanner, Microsoft Video Authenticator
- Fer cerca inversa d'imatge (Google Images, TinEye)
Al·lucinació en LLMs: que és i com verificar
L'al·lucinació és un dels problemes centrals dels models de llenguatge gran. Ocorre quan un LLM genera informació factual incorrecta però presentada amb un to confident i plausible:
- Cites bibliogràfiques inventades (autors i títols de llibres que no existeixen)
- Dates, noms i dades estadístiques errònies però presentades amb confiança
- Codis de programació que semblen correctes però contenen errors subtils
- Lleis o regulacions citades incorrectament
Com minimitzar les al·lucinacions:
- Verificar totes les dades fàctiques en fonts primàries
- Demanar al model que citi les fonts (tot i que pot inventar-les)
- Usar models amb cerca web integrada (ChatGPT amb Bing, Perplexity AI)
- Aplicar pensament crític i no acceptar les respostes sense verificació
Biaix algorísmic i l'AI Act europeu
El biaix algorísmic sorgeix quan un model d'IA perpetua o amplifica prejudicis presents a les dades d'entrenament, generant resultats discriminatoris:
- Exemple clàssic: Models de reconeixement facial que funcionen pitjor amb persones de pell fosca per subrepresentació als datasets d'entrenament.
- Altres exemples: Algoritmes de selecció de personal que discriminen per gènere, sistemes de concessió de crèdits que discriminen per ètnia, models de diagnosi mèdica menys precisos en dones.
Per combatre el biaix, és necessari: datasets representatius, auditories de biaix, avaluació d'impacte en drets fonamentals i transparència.
AI Act (Reglament Europeu d'IA, UE 2024/1689):
El primer marc regulatori mundial vinculant per a la IA. Classifica els sistemes per nivell de risc:
- Risc inacceptable (prohibits): Sistemes de puntuació social massiva, manipulació subliminal, reconeixement facial en espais públics en temps real (amb excepcions).
- Risc alt (regulats estrictament): IA en medicina, educació, justícia, policia, infraestructures crítiques. Cal registre, auditoria i supervisió humana.
- Risc limitat (obligació de transparència): Chatbots i deepfakes han d'indicar que son IA.
- Risc mínim: La majoria d'aplicacions (filtres de spam, recomanadors de contingut). Sense restriccions específiques.
Prompt engineering: bases per a l'examen
El prompt engineering és l'art i la tècnica de dissenyar instruccions eficaces per obtenir resultats òptims d'un LLM. És una habilitat fonamental per a l'ACTIC 2026:
Tècniques bàsiques:
- Role prompting: "Actua com un expert en fiscalitat i explica-m'ho..." — assigna un rol a l'IA per obtenir respostes en un registre específic.
- Few-shot prompting: Proporcionar exemples dins del prompt. "Exemple 1: [input] → [output]. Ara fes el mateix amb..."
- Chain-of-thought: Demanar que raoni pas a pas. "Pensa pas a pas i explica el teu raonament". Millora notablement la precisió en problemes lògics.
- Zero-shot: Donar la instrucció directament sense exemples, confiant en el coneixement general del model.
Bones pràctiques:
- Ser específic: "Escriu un email professional de 3 paràgrafs..." és millor que "Escriu un email"
- Definir el format de sortida: "Respon en format llista numerada"
- Iterar: refinar el prompt en base als resultats obtinguts
- Verificar sempre: mai acceptar el resultat sense revisar els fets clau
Preguntes típiques d'examen sobre IA
Basant-nos en la tipologia de l'ACTIC 2026, aquí tens les preguntes més probables:
Nivell Bàsic:
- "Quin és un exemple d'eina d'IA generativa?" → ChatGPT (no Google Maps ni Excel)
- "Quin risc presenten els deepfakes?" → Desinformació i suplantació d'identitat
- "Quin és el nom del sistema d'IA de Google?" → Gemini
Nivell Mitjà:
- "Quina diferència hi ha entre IA discriminativa i generativa?" → Discriminativa classifica; generativa crea contingut nou
- "Quin terme descriu quan un LLM genera informació incorrecta amb confiança?" → Al·lucinació
- "Quins indicadors ACTIC tracten la IA?" → 3.4.4 i 5.1.7
Nivell Avançat:
- "Quin és el biaix algorísmic i per que és rellevant?" → Perpetuació de prejudicis de les dades d'entrenament; AI Act exigeix avaluació de risc
- "Quins nivells de risc defineix l'AI Act?" → Inacceptable, alt, limitat, mínim
- "Quin és el rol del prompt engineering?" → Dissenyar instruccions eficaces per maximitzar la qualitat de les respostes dels LLMs
- "Quin és un benchmark per avaluar LLMs?" → MMLU, HumanEval, HELM
Resum: les 10 claus de la IA per a l'ACTIC
- IA generativa crea contingut nou; discriminativa classifica dades existents
- ChatGPT (OpenAI), Gemini (Google), Copilot (Microsoft), Llama (Meta)
- DALL-E, Midjourney i Stable Diffusion generen imatges des de text
- Deepfakes = vídeos/imatges falses amb IA. Risc: desinformació i suplantació
- Al·lucinació = LLM genera informació factual incorrecta amb confiança
- Biaix algorísmic = perpetuació de prejudicis de les dades d'entrenament
- AI Act (2024): reglament europeu vinculant. 4 nivells de risc
- Prompt engineering: role, few-shot, chain-of-thought
- Indicadors ACTIC: 3.4.4 (identificar IA) i 5.1.7 (usar críticament IA/blockchain/Big Data)
- Sempre verificar les respostes de la IA en fonts primàries