Tema emergent · Gartner Hype Cycle 2026

BPM amb agents d’IA: la nova orquestració de processos

Els agents d’IA canvien el BPM perquè hi introdueixen una capa que decideix, llegeix documents i raona dins del flux. Resolen el que l’RPA no podia: processos amb criteri, dades no estructurades, conversa amb l’usuari i excepcions difícils.

Gartner situa l’agentic orchestration com una de les tendències dominants del seu Hype Cycle for Process Automation 2026, amb una previsió d’adopció àmplia en empreses mitjanes i grans durant els propers 18-24 mesos.

La pregunta ja no és "farem servir agents d’IA?", sinó "com els governem sense perdre traçabilitat ni control humà?". Aquí és on el BPM clàssic, amb BPMN 2.0 i supervisió humana, torna a ser la peça estratègica.

Aquesta guia explica què és un agent d’IA dins d’un procés, com es diferencia de l’RPA, cinc casos d’ús reals, l’stack tècnic que el sustenta i com començar amb un pilot mesurable en setmanes.

Resum executiu

Actualitzat: 14 de maig de 2026 · Anàlisi tècnica de l’equip de Producte de Dokuflex

1. Què és un agent d’IA en un procés BPM?

Un agent d’IA és una unitat de programari que rep una entrada (un document, un missatge, un esdeveniment, un conjunt de dades), raona amb un model de llenguatge (LLM) i produeix una sortida estructurada que el procés pot consumir: una classificació, un camp extret, una decisió justificada o una resposta conversacional. A diferència d’un microservei tradicional, l’agent no segueix un algorisme tancat; aplica un skill entrenat i s’adapta al context que se li proporciona.

Dins d’un BPM, aquest agent viu com un pas més del procés. Una factura entrant entra al flux, una tasca automàtica del BPMN crida l’agent "clasificador-facturas", l’agent retorna {tipo: "energía", proveedor: "Iberdrola", confianza: 0.94}, i la tasca següent decideix si s’aprova automàticament o s’escala a un humà. Tot queda registrat al registre del procés.

La diferència respecte d’un "bot" o un RPA és de naturalesa: un bot executa una seqüència fixa de passos, un RPA imita la interacció d’un humà amb una interfície, i un agent d’IA decideix amb criteri sobre dades no estructurades. Això últim obre els processos que fins ara eren intractables sense intervenció manual: llegir un contracte, classificar un correu, interpretar una nòmina o decidir si una excepció és legítima.

2. RPA vs. agent d’IA: la diferència clau

No són tecnologies rivals; cobreixen necessitats diferents. La regla ràpida: RPA per a tasques deterministes amb una interfície estable; agent d’IA per a tasques amb criteri o dades no estructurades.

Característica RPA Agent d’IA
Naturalesa Determinista. Executa clics i seqüències fixes. Raonadora. Decideix en funció del context.
Dades Estructurades (formularis, fulls, camps). Mixtes: estructurades + no estructurades (PDF, correus, veu).
Adaptació Cap. Si la interfície canvia, es trenca. Sí, al context. Tolera la variabilitat de l’entrada.
Traçabilitat Registres d’execució (quin clic, quan). Registres + reasoning trace (què ha decidit i per què).
Manteniment Alt si canvia la interfície o el sistema font. Baix si l’LLM millora; només s’ajusten prompts i regles.
Quan fer-lo servir Processos repetitius rígids amb interfície estable. Processos amb decisió, lectura o context.

La realitat pràctica és que conviuen: un procés real sol combinar agents d’IA per a la lectura i la decisió, RPA o connectors API per moure dades entre sistemes, i un BPM que ho orquestra tot.

3. Tipus d’agents d’IA en BPM

No tots els agents fan el mateix. En un BPM productiu hi conviuen quatre categories típiques, cadascuna amb el seu skill especialitzat, les seves mètriques d’èxit i el seu patró d’integració en el procés.

Agent classificador

Classifica entrades segons taxonomies de negoci: factures (energia, telecomunicacions, subministrament), contractes (NDA, laboral, comercial), correus entrants (incidència, comercial, RH), tiquets de suport. La seva sortida encamina cap al flux correcte i estalvia el triatge manual.

Agent extractor

Llegeix PDF, imatges o correus i n’extreu els camps clau: imports, IBAN, CIF, dates de venciment, clàusules. És un IDP (Intelligent Document Processing) sense plantilles: aprèn a llegir qualsevol format del proveïdor sense configuració manual.

Agent de decisió

Rep les dades del procés i proposa una recomanació amb justificació: aprovar una factura, denegar un permís, escalar una incidència, acceptar una alta. Sempre amb un raonament explicable; mai com una caixa negra. L’humà valida o anul·la amb un clic.

Agent conversacional

Conversa amb el client o l’empleat dins del flux: demana les dades que falten, resol dubtes amb la base de coneixement, valida una identitat o recull una signatura. És la cara visible del procés en els casos en què un formulari rígid provoca abandonament.

4. 5 casos d’ús reals de BPM amb agents d’IA

Aquests cinc escenaris concentren la major part del valor dels agents d’IA en BPM. Comparteixen patró: volum alt, decisió repetitiva amb criteri, dades no estructurades i necessitat de traçabilitat.

1

Factures de proveïdor

Agents en sèrie: classificador (quin tipus de factura) → extractor (import, IVA, IBAN, CIF de l’emissor, venciment) → decisió (aprovar si l’import és < 1.000 € i el proveïdor és recurrent; si no, escalar al responsable).

Resultat típic: el 65-80% de les factures s’aproven sense tocar-les; la resta va a l’humà amb tot el context ja extret. Coll d’ampolla eliminat.

2

Onboarding de clients (banca, assegurances, telecomunicacions)

Agents en paral·lel: extractor sobre DNI/passaport + agent de KYC (comparació amb llistes de sancions, PEP, compliment) + agent conversacional per demanar les dades que falten + decisió "alta automàtica" o "revisió per un analista".

L’alta passa de 3-7 dies a hores. El compliment queda registrat pas a pas per al regulador.

3

Atenció al client

Agents en cascada: classificador (incidència, comercial, RH, altres) → encaminament a l’equip correcte → agent conversacional amb la base de coneixement (FAQ + tiquets anteriors) → resposta automàtica per als casos resolts → escalat a un humà per als casos sensibles o de clients prèmium.

El temps de primera resposta baixa a minuts; la càrrega del nivell 1 baixa dràsticament; els agents humans se centren en els casos en què realment aporten valor.

4

RH: permisos, baixes i altes

Agents: triatge del tipus de permís → verificació documental (extractor sobre justificants mèdics, certificats familiars) → validació amb el conveni aplicable → decisió "aprovar automàticament" o "escalar al responsable directe".

L’equip de persones s’allibera del flux administratiu i se centra en la relació, el talent i els casos sensibles.

5

Compliance: revisió contractual

Agents: extractor sobre el contracte → detector de clàusules crítiques (limitació de responsabilitat, jurisdicció, no competència, dades personals) → comparació amb la plantilla aprovada → informe de desviacions per a l’equip legal.

L’advocat rep un informe preprocessat en lloc d’un PDF en blanc. La revisió passa d’hores per contracte a minuts, sense perdre rigor.

5. Com es governen els agents d’IA amb BPMN 2.0

L’estàndard BPMN 2.0 ja tenia la primitiva adequada: la Service Task. Un agent d’IA es modela com una Service Task amb una configuració específica: skill (classificar, extreure, decidir, conversar), prompt o instrucció de negoci, dades de context que rep del procés, sortida esperada amb el seu esquema (JSON tipat) i política de fallback si l’agent no respon amb prou confiança.

El BPM manté tres responsabilitats que l’agent tot sol no pot cobrir. Primer, l’orquestració: quin agent s’invoca, en quin ordre, amb quines dades i què passa amb la seva sortida. Segon, la traçabilitat: cada invocació queda registrada amb marca de temps, entrada, sortida, model utilitzat, cost i nivell de confiança. Tercer, la supervisió humana: el flux decideix quan escalar a una persona en funció de regles (import, risc, confiança, tipus de client).

Aquesta arquitectura permet versionar processos com si fossin codi: quan es millora un prompt o es canvia el model, queda registrat a la nova versió del BPMN. Les instàncies en curs continuen amb la versió antiga fins que acaben; les noves adopten la versió actualitzada. Sense això, un agent d’IA "en producció" és ingovernable a escala.

6. Traçabilitat i supervisió humana ("human in the loop")

En qualsevol procés productiu amb decisions de negoci, la supervisió humana no és un extra: és una obligació de governança i, en molts sectors (banca, salut, assegurances, sector públic), també legal. El Reglament UE d’IA (AI Act, 2024/1689) reforça explícitament la necessitat d’una supervisió humana significativa per als sistemes d’alt risc.

El patró human-in-the-loop en un BPM amb agents funciona així. Cada agent retorna, a més de la seva sortida, un nivell de confiança (0-1). Si la confiança supera el llindar configurat (per exemple, 0.85), el procés continua automàticament. Si és per sota, el flux encamina la tasca a una safata humana amb tot el context: entrada original, proposta de l’agent, justificació i dades comparables.

L’audit trail complet inclou: marca de temps de cada invocació, model d’LLM utilitzat, versió del prompt, entrada exacta enviada (sanejada si conté dades personals), sortida estructurada, confiança, decisió final (automàtica o humana) i qui la va prendre si va ser humana. Aquest registre és el que permet respondre, mesos després, a una auditoria interna o a una sol·licitud reguladora.

Sense traçabilitat explícita del raonament de l’agent i sense escalat humà per llindar, no hi ha projecte d’IA productiu. Només hi ha una demo. Com s’aplica al producte, amb permisos per rol, dades a la UE i validació humana, ho detalla la pàgina de governança d’agents d’IA a Dokuflex.

7. L’stack tècnic d’un agent d’IA en BPM

Sense entrar en codi, així es compon un agent d’IA productiu dins d’un BPM. Cinc capes que es trien i es combinen segons el cas d’ús.

Capa 1

LLM (model de llenguatge)

El motor de raonament: GPT (OpenAI/Azure), Claude (Anthropic), Gemini (Google) o models de codi obert desplegables on-premise (Llama, Mistral). El multimodel permet triar segons el cost, la latència i la sobirania de les dades.

Capa 2

Vector store + RAG

Una base vectorial emmagatzema el coneixement de l’empresa (manuals, contractes, FAQ, casos anteriors) de manera que l’LLM el pugui consultar. L’RAG (Retrieval-Augmented Generation) recupera el que és rellevant abans de raonar i evita al·lucinacions.

Capa 3

Tools / funcions

L’agent pot invocar accions del sistema: consultar l’ERP, llegir un client del CRM, cridar una API REST, comprovar un IBAN, generar un document. Cada tool té un contracte clar d’entrada/sortida.

Capa 4

Regles de negoci

Decision Tables, DMN o regles codificades que validen o restringeixen la sortida de l’agent. Exemple: "aprovar només si l’import és < 1.000 € i el proveïdor és a la llista blanca". És la xarxa de seguretat determinista que cobreix l’LLM.

Capa 5

BPM + audit trail

La capa d’orquestració, govern i traçabilitat. El BPMN defineix l’ordre, l’escalat humà, els SLA, les versions i els registres. És el que converteix l’stack tècnic en un procés de negoci auditable.

8. ROI esperat i com mesurar-lo

L’ROI d’un projecte de BPM amb agents d’IA no és una xifra única; depèn del procés, del volum i de quanta intervenció humana hi havia abans. Els intervals que veiem en projectes reals es mouen en aquestes magnituds (orientatius, no garantits):

Per mesurar-lo, cal tenir una línia de base abans del projecte. Si no es mesura el procés previ a l’agent (temps, errors, cost, satisfacció), després no es pot demostrar l’ROI. Per això un pilot ben governat sempre inclou 4-8 setmanes de línia de base abans d’activar l’agent en producció.

9. Com començar amb agents d’IA al teu BPM

No comencis pel procés més complex ni pel que promet més impacte. Comença pel més mesurable i amb menys risc d’excepció. Cinc passos:

1

Identifica el procés candidat

Volum alt, decisió repetitiva amb criteri, dades no estructurades i mètriques clares d’abans/després. Les factures i el triatge de tiquets són els preferits.

2

Defineix l’skill de l’agent

Classifica, extreu, decideix o conversa? Quina entrada rep? Quina sortida estructurada retorna? Quina confiança mínima exigeix abans d’actuar?

3

Configura el BPMN amb el pas "Agent d’IA"

Modela el flux en BPMN 2.0, afegeix la Service Task de l’agent, connecta l’entrada/sortida amb les tasques veïnes, defineix les regles d’escalat humà i els SLA.

4

Pilot amb supervisió humana al 100%

Durant 4-8 setmanes, l’agent proposa però l’humà valida cada decisió. Això permet ajustar el prompt, les regles i els llindars sobre dades reals sense risc.

5

Activa KPI i escala

Quan la precisió és estable, apuja progressivament el llindar d’automatització. Mesura el temps de cicle, els errors i el cost abans/després. Repeteix el patró amb el procés següent.

10. Riscos i mitigacions

Els agents d’IA en producció tenen riscos reals. La bona notícia és que estan ben identificats i tenen mitigacions estàndard.

Risc

Al·lucinacions de l’LLM

El model "s’inventa" una dada que no és a l’entrada.

Mitigació:

RAG sobre fonts verificables, validació amb regles de negoci abans d’actuar, escalat humà si la confiança és baixa i prompts que exigeixen citar la font.

Risc

Dades sensibles i RGPD

Informació personal o confidencial enviada a un LLM extern.

Mitigació:

Desplegament amb dades a la UE, contracte DPA amb el proveïdor de l’LLM, xifratge en trànsit i en repòs, anonimització prèvia al prompt quan escaigui i opció de model on-premise per als casos crítics.

Risc

Dependència de l’LLM extern

Canvi de preu, de política o de disponibilitat del proveïdor.

Mitigació:

Arquitectura multimodel (GPT, Claude, Gemini, codi obert) amb abstracció del proveïdor, prompts portables i possibilitat de fallback automàtic a un model alternatiu.

Risc

Biaixos i decisions injustes

L’agent discrimina per biaixos heretats del model o de les dades.

Mitigació:

Auditoria regular de les decisions, mètriques d’equitat per segment, supervisió humana obligatòria en decisions amb impacte legal (AI Act art. 14) i revisió periòdica del prompt i de les dades utilitzades a l’RAG.

Preguntes freqüents

En què es diferencia un agent d’IA de l’RPA tradicional?▾

Un RPA executa clics deterministes sobre interfícies; es trenca si la interfície canvia i no decideix. Un agent d’IA raona sobre dades estructurades i no estructurades, decideix amb justificació i s’adapta al context. L’RPA serveix per a tasques rígides i repetitives; l’agent d’IA és per a processos amb criteri, lectura de documents o conversa.

Puc fer servir agents d’IA sense saber programar?▾

Sí. A Dokuflex un agent d’IA es configura com un pas del procés BPMN: tries l’skill (classificar, extreure, decidir, conversar), defineixes el prompt i les dades de context, i connectes la sortida al pas següent. No requereix codi; sí que requereix disseny de procés i validació humana del pilot.

Els agents d’IA compleixen l’RGPD?▾

Compleixen l’RGPD si estan desplegats amb dades a la UE, amb xifratge en trànsit i en repòs, amb traçabilitat del tractament i amb base legal documentada. Per a decisions automatitzades amb efectes jurídics rellevants (art. 22 RGPD) cal mantenir una supervisió humana significativa. L’AI Act (Reglament UE 2024/1689) afegeix requisits extra per als sistemes d’alt risc.

Com s’evita l’al·lucinació en decisions crítiques?▾

Amb tres capes: RAG (Retrieval-Augmented Generation) perquè l’agent respongui només sobre dades verificables; regles de negoci que validin la sortida abans d’executar-la; i human-in-the-loop amb llindar de confiança per escalar qualsevol cas dubtós a un revisor humà. La traçabilitat del raonament de l’agent queda al registre del procés BPM.

Els agents d’IA substitueixen els empleats?▾

No en els escenaris reals que veiem. Els agents assumeixen la part repetitiva i de poc valor (classificar, extreure, redactar l’esborrany) i deixen a l’humà la decisió final, l’excepció i la relació amb el client. El que canvia és la capacitat: un mateix equip gestiona diverses vegades més volum sense perdre qualitat.

Quin LLM fa servir Dokuflex?▾

Dokuflex és multimodel: integra GPT (OpenAI/Azure), Claude (Anthropic) i models de codi obert desplegables en infraestructura privada. El client pot triar segons el cost, la latència, la sobirania de les dades o la necessitat de desplegament on-premise. Això evita la dependència d’un únic proveïdor.

Com es factura l’ús d’agents d’IA?▾

Per consum mesurat (tokens o execucions de l’agent) més la llicència BPM. A Dokuflex es factura per procés o per volum d’execucions de l’agent, amb previsió de cost per unitat de treball. Per a entorns enterprise s’ofereix una tarifa plana anual amb un pressupost de tokens tancat.

Necessito un BPMS per fer servir agents d’IA?▾

Tècnicament pots invocar un agent d’IA solt des d’un script. Però sense BPMS no tindràs orquestració, traçabilitat, supervisió humana ni govern de versions. El BPMS és el que converteix un agent d’IA aïllat en un procés productiu, auditable i mantenible. És la diferència entre una demo i la producció.

Fonts i referències

Informació orientativa. Les xifres d’adopció i els intervals d’ROI són estimacions de mercat i resultats típics observats; no constitueixen cap garantia de resultats. Per a casos específics, consulta-ho amb el teu equip d’IT i de compliment.

Automatitza els teus processos amb agents d’IA governats per BPM

Modela el flux, afegeix els agents d’IA on aporten valor, mantén la supervisió humana i mesura l’impacte des del primer pilot.

✓ BPMN 2.0 estàndard ✓ LLM multimodel ✓ Dades a la UE ✓ Audit trail complet