Què hem de saber abans de començar?

• El procés tradicional de lliçons apreses (vist al Bloc III) depèn d’un esforç puntual al final del projecte, quan gran part del context ja s’ha perdut o oblidat.
• La IA pot captar de forma contínua senyals rellevants durant l’execució —decisions documentades, canvis de rumb, converses sobre problemes— sense esperar a un exercici de tancament.
• Això no elimina la necessitat d’una sessió de tancament, però la transforma: en lloc de partir d’una pàgina en blanc, l’equip revisa i valida un primer esborrany ja construït a partir de l’activitat real del projecte.
• El resultat és una lliçó apresa més completa i fidel al que ha passat, perquè no depèn del que algú recordi mesos després, sinó del que realment es va dir i fer durant el projecte.

Com fer-ho a la pràctica

• Identifica les fonts d’informació que ja genera un projecte (actes, xats de treball, documents de decisió) i avalua si és viable que la IA les processi de forma contínua per captar senyals rellevants.
• Dissenya el tancament del projecte com una revisió i validació d’un esborrany ja generat, no com un exercici de redacció des de zero — això redueix dràsticament l’esforç humà necessari.
• Mantén sempre una sessió de tancament amb l’equip, encara que sigui més curta que abans: la validació humana del que realment va ser rellevant continua sent imprescindible.
• Comença per projectes on ja hi hagi bona documentació digital de per mig (xats, actes, gestors de tasques), on la captura contínua és més viable des del principi.

Errors freqüents i consells

• Substituir completament la sessió de tancament humana, assumint que l’esborrany generat per la IA ja capta tot el que és important.
• Intentar aplicar la captura contínua a projectes amb pràcticament cap documentació digital, on la IA no té prou material del qual partir.
• No comunicar a l’equip que les seves converses i decisions documentades s’estan fent servir per generar lliçons apreses, generant desconfiança si es descobreix després.

Consell: sigues transparent des del principi del projecte sobre quines fonts s’utilitzaran per construir les lliçons apreses — la confiança de l’equip és tan important com la qualitat del resultat.

Per seguir llegint

Les lliçons apreses amb IA transformen la memòria d’un projecte individual. La següent píndola aplica una lògica semblant a un format més immediat: la revisió després de l’acció i l’anàlisi retrospectiu, i com la IA ajuda a detectar patrons i antipatrons a escala, més enllà d’un sol projecte.

Cas relacionat: El cas de detectar antipatrons a escala en un històric de projectes, inclòs en aquest àmbit, mostra precisament com aprofitar lliçons apreses ja captades de molts projectes anteriors, no només d’un.