Sis de vuit agents trien el model per tu

Vuit agents i quatre decisions ja preses

Són dues peces de l'1 d'octubre de 2026, publicades el mateix dia: una comparativa que mesura vuit agents personals l'un al costat de l'altre i una anàlisi d'Ethan Mollick —professor de la Wharton School, l'escola de negocis de la Universitat de Pennsilvània— sobre com s'hi treballa. La resta és anterior i va datada: l'eixam d'agents d'OpenAI que va atacar un problema de matemàtiques és del 8 de setembre de 2026.

Els vuit són DOTS, d'OpenAI; Gemini Spark, de Google; Grok Bot, de xAI; Hermes, de Nous Research; Muse, de Meta; OpenClaw, al qual la comparativa no assigna cap empresa propietària; Poke, d'Interaction / Cognition, i Instinct, de Spear Street. De Nous Research, de Spear Street i d'Interaction / Cognition la comparativa només dona el nom: ni seu, ni mida, ni a què més es dediquen.

Dues dades donen la mida de l'assumpte. Muse, de Meta, és l'aplicació número u de l'App Store, de manera que la decisió de qui tria el model no la prenen quatre aficionats. I DOTS, d'OpenAI, només està disponible en comptes de pagament.

El que mesura la comparativa no és el repàs de funcions, que canvia cada setmana, sinó quatre decisions que ja venen preses de fàbrica.

Qui tria el model, i qui es queda amb el que li expliques

El repartiment és de sis a dos. Sis dels vuit agents trien el model pel seu compte: l'usuari contracta un agent, no un model, i el que treballi per sota el decideix el fabricant, que el pot canviar quan vulgui. Només Hermes i OpenClaw deixen portar el teu i executar-lo al teu propi maquinari.

Amb les dades, el repartiment és un altre i hi ha un cas únic. Gemini Spark és l'únic dels vuit que exigeix entrenar amb les teves dades: no hi ha manera de sortir-ne, ni als ajustos ni en cap altre lloc. DOTS, Grok Bot, Instinct, Muse i Poke també entrenen, però es pot desactivar als ajustos de privacitat, cosa que vol dir que està activat fins que no ho vagis a buscar. A DOTS, a més, les dades d'empresa queden excloses per defecte.

D'Hermes i d'OpenClaw la comparativa no recull aquesta dada, i la taula ho diu així. La deducció còmoda seria donar-ho per fet —un model que corre a la teva màquina difícilment entrena amb el que li dones—, però deduir no és saber: el que hi ha és una cel·la sense dada. Allà on diu «no consta» vol dir que ningú no ho ha mesurat, no que l'agent no ho faci.

La memòria: corregir-la, discutir-la o llençar-la

La columna «Qui corregeix la memòria» és la que menys es mira a l'hora de triar i la que més es nota al cap d'un mes d'ús, i aquí hi ha tres respostes diferents. Hermes i OpenClaw s'editen directament: obres el que l'agent ha anotat de tu i ho canvies. DOTS, Muse, Gemini Spark i Grok Bot es corregeixen per xat, és a dir, cal dir-los-ho i confiar que ho apuntin. Instinct i Poke només permeten esborrar la dada sencera.

La diferència entre les tres no és de comoditat. Un record que només es pot esborrar obliga a llençar la part bona amb la dolenta: si l'agent va apuntar bé a què et dediques i malament per a qui treballes, en esborrar-ho se'n van totes dues. I un record que es corregeix per xat depèn que l'agent accepti la correcció, que no és el mateix que haver-la feta tu.

Sumades les dues primeres formes, sis dels vuit agents deixen arreglar una dada sense perdre-la. Els dos que no, Instinct i Poke.

La lliçó amarga, aplicada a l'organigrama

El mateix 1 d'octubre, Mollick va publicar que s'havia equivocat de ple. Donava per fet que treballar amb agents obligaria a aprendre a gestionar-los com es gestiona una empresa, amb organigrama, jerarquia i repartiment de tasques. La seva correcció ocupa una línia: «Nope. I fell prey to the bitter lesson» —no, vaig caure en la lliçó amarga—. I el remat: «This is the bitter lesson applied to the org chart», la lliçó amarga aplicada a l'organigrama.

Hi ha un antecedent datat que ajuda a veure de quina escala es parla, i és del 8 de setembre de 2026, no d'ara. Aquell dia OpenAI va anunciar una demostració del problema d'existència i suavitat de Navier-Stokes —un dels set problemes del mil·lenni del Clay Mathematics Institute, la fundació estatunidenca que manté aquesta llista i paga un milió de dòlars per cadascun— amb milers d'agents, 88 hores i uns 2,7 milions de missatges entre ells, i una coordinació notablement fina.

D'aquí surt la conclusió que toca de prop el lector, i no és la que acostuma a acompanyar aquestes xifres: «Done well (…) this could mean more work for people, not less» —ben fet, això podria significar més feina per a les persones, no menys—. El raonament és senzill: quan organitzar s'abarateix, creix la llista de coses que val la pena intentar, i algú ha de decidir quines i revisar el resultat.

Les dues peces de l'1 d'octubre apunten al mateix lloc. Si coordinar agents deixa de ser un problema de l'usuari, el que queda per decidir és justament el que mesura la taula.