Un decision model es un modelo de inteligencia artificial que recibe información y una lista de opciones, y responde cuál elige junto con la probabilidad que le asigna a cada una. Como no redacta texto, contesta en fracciones de segundo y cuesta mucho menos que un modelo de lenguaje como ChatGPT. Eso permite automatizar miles de decisiones pequeñas que antes no justificaban el gasto.
La categoría tiene pocas semanas. TypeSafe lanzó Jev a mediados de septiembre de 2026 y, desde entonces, OpenAI, Cloudflare, Perplexity, AWS y Microsoft presentaron sus propias versiones. Aquí explicamos qué son y cómo decidir qué tareas delegarles, a partir de la conversación con Ignacio Alarcón, de EvoAcademy, en el episodio #183 del podcast Inteligencia Artificial para los Negocios.
Qué es un decision model
Cómo funciona
El esquema es simple. Le entregas al modelo un contexto, como un correo o un reclamo, junto con una pregunta y las respuestas posibles. El modelo devuelve la opción elegida, la probabilidad de cada alternativa y, en algunos casos, un nivel de confianza en su propia respuesta.
Un ejemplo ilustrativo: llega el mensaje «me llegaron las zapatillas en otra talla» y la pregunta es qué quiere el cliente. El modelo responde «devolver, 0,93» y el sistema deriva el caso sin que nadie lo lea antes.
Ignacio lo explicó así en el episodio:
«El modelo te puede decir, por ejemplo, este comentario es 99% bueno y tengo un 30% de confianza.»
(Ignacio Alarcón, EvoAcademy, en el episodio #183 del podcast Inteligencia Artificial para los Negocios)
Separar la respuesta de la confianza es lo que la vuelve útil para automatizar.
Qué tipo de respuestas entrega
Lo más común es una elección entre opciones definidas de antemano, hasta 255 por pregunta en Jev y en la API de OpenAI. También pueden estimar la probabilidad de que una afirmación sea cierta («la foto muestra daño visible») o asignar un puntaje en una escala de gravedad o prioridad.
Decision models, decision intelligence y modelos de toma de decisiones
Los nombres se parecen. Decision intelligence es una disciplina de gestión que Gartner define como la práctica de diseñar cómo se toman las decisiones y cómo mejoran sus resultados. Los «modelos de toma de decisiones», como el modelo racional, vienen de la teoría administrativa. Un decision model, en cambio, es una pieza de software que se conecta a un proceso.
Decision models frente a LLM y modelos de visión
| LLM (ChatGPT, Claude) | Decision model | Modelo de visión | |
|---|---|---|---|
| Qué recibe | Texto, imágenes, archivos | Texto (algunos también imágenes) y una lista de opciones | Imágenes o video |
| Qué entrega | Texto libre | Una opción con probabilidades | Objetos detectados |
| Velocidad | De segundos a minutos | Milisegundos | Milisegundos |
| Costo relativo | Más alto, se cobra la entrada y la salida | Mucho más bajo, la salida no se cobra | Variable |
| Para qué sirve | Redactar y razonar | Clasificar y derivar | Ver qué hay en una imagen |
Pensar rápido y pensar lento
Ignacio usó la idea de Daniel Kahneman. Una tabla de multiplicar exige esfuerzo al principio y con la práctica se vuelve automática. Los LLM se parecen al pensamiento lento: razonan, pero tardan. El decision model hace de pensamiento rápido.
Según TypeSafe, Jev responde en 70 a 500 milisegundos y es entre 40 y 200 veces más rápido que un LLM en este tipo de tareas. Su método de entrenamiento, RLCD (aprendizaje por refuerzo para decisiones calibradas), busca que la probabilidad informada coincida con el acierto real: si dice 80 %, debería acertar cerca de 8 de cada 10 veces.
Cómo se combinan
Rara vez trabajan solos. Un modelo de visión detecta qué hay frente a la cámara y el decision model resuelve qué hacer con eso. En el episodio se mostró una demostración de OpenAI que clasifica huevos en una cinta transportadora.
Qué cambió en 2026
Clasificar texto con modelos como BERT ya era posible, pero había que entrenar uno para cada decisión. Los decision models actuales aceptan cualquier pregunta con opciones definidas en el momento.
Las fechas muestran la velocidad del cambio. TypeSafe abrió Jev en acceso anticipado el 15 de septiembre. OpenAI anunció su Decisions API el 29 de septiembre, en su conferencia DevDay, como vista previa limitada, y la abrió a todos los desarrolladores en beta pública el 6 de octubre. El 1 de octubre Cloudflare publicó Clef, con pesos abiertos, y AWS presentó Strands Decider 2B, un modelo pequeño que corre en un computador local. Perplexity lanzó su propia API ese mismo mes y Microsoft anunció Microsoft-Decision-1 el 9 de octubre.
«Decision models are built for business automation in ways LLMs aren’t: cost, speed, transparency and confidence in every answer.» (Los decision models están hechos para automatizar negocios de una forma que los LLM no lo están: por costo, velocidad, transparencia y confianza en cada respuesta.)
(Pedram Abrari, CTO de Pramata, en X, 12 de octubre de 2026)
Para una gerencia, la consecuencia es económica. Hay decisiones que se toman miles de veces al mes y que nadie automatizaba porque un LLM salía caro para ese volumen. Con un costo por decisión mucho menor, el cálculo cambia.
Dónde se aplican en una empresa
Los siguientes son ejemplos ilustrativos, basados en los que se discutieron en el episodio.
Atención al cliente
Clasificar cada mensaje según lo que pide la persona y derivarlo al equipo que corresponde. Si la confianza es baja, el caso va a una bandeja general que revisa una persona.
Revisión de documentos y reclamos
Comprobar si un ticket o un reclamo de seguro trae todos los antecedentes antes de que un analista lo tome. Así nadie pierde tiempo con casos incompletos.
Seguridad y calidad en planta
Una cámara y un modelo de visión detectan si alguien entra sin casco. El decision model resuelve si basta con registrar el evento o si hay que alertar a un supervisor. Lo mismo sirve para separar productos defectuosos.
Logística
Detectar quiebres de stock en una góndola o marcar paquetes dañados antes del despacho.
Ventas y comercio electrónico
Decidir en tiempo real si mostrar una oferta a quien ha visitado varias veces el mismo producto.
Cuánto delegar: umbrales de confianza y revisión humana
El costo del error define el umbral
La pregunta clave es cuánto cuesta equivocarse. Un error en un diagnóstico médico es grave. Uno en la clasificación de una factura menor, dentro de millones de transacciones, casi no importa. Con esa referencia se fija un umbral: sobre cierto nivel de confianza, el sistema actúa solo; bajo ese nivel, el caso pasa a una persona.
«Me da un nivel de confianza a mí de OK, si estoy dispuesto a jugar con ese 5%, démosle.»
(Ignacio Alarcón, en el episodio #183)
OpenAI recomienda en su documentación definir los umbrales con ejemplos etiquetados de tu operación, según lo que cuesta cada tipo de error.
Automatizar una parte también rinde
Ignacio advirtió sobre proyectos que solo se consideran exitosos si automatizan el 100 %. Si el modelo resuelve el 90 % y una persona revisa el resto, el equipo igual ganó semanas. Incluso un modelo imperfecto sirve para ordenar la fila de trabajo, porque los casos urgentes llegan primero.
Quién responde por cada decisión
Cada decisión automatizada necesita un responsable y un registro que permita auditarla. Lo desarrollamos en nuestro artículo sobre supervisión humana y gobernanza de IA.
Límites y riesgos
Las cifras de rendimiento son, en su mayoría, de los propios proveedores, y las pruebas independientes muestran que el resultado depende mucho de la tarea.
Stanislav Sorokin, fundador de Bles Software, comparó la API de OpenAI con Jev en 262 casos etiquetados de 17 sistemas en producción. OpenAI fue tres veces más rápido (0,35 frente a 1,07 segundos de mediana), pero acertó 195 casos contra 205 de Jev. Al invertir el orden de las opciones, la API de OpenAI cambió su respuesta en 27 casos y Jev en 4.
En nuestra prueba con la PAES, comentada en el episodio, el mejor modelo general llegó al 100 % y los decision models se quedaron cerca del 83 %, a cambio de responder unas 200 preguntas por minuto frente a 2 o 3. En una tarea acotada, un modelo pequeño ajustado con datos propios puede rendir igual que una API general. La elección de proveedor debería salir de una prueba con tus casos.
La seguridad también cuenta. El equipo de investigación de HiddenLayer mostró que un anuncio malicioso en una página web logró desviar la decisión de un agente basado en Jev: el modelo le asignó 91 % al botón del anuncio. Si el modelo va a ejecutar acciones, las críticas deben pasar por controles adicionales.
Además, los modelos líderes se usan por API, así que cada consulta envía datos a un tercero. Antes de conectar información sensible, revisa el contrato y dónde se procesan los datos.
Cómo empezar: un piloto acotado
- Elige una decisión repetitiva y de alto volumen, con opciones claras.
- Reúne casos ya resueltos. Unos cientos de ejemplos con su respuesta correcta bastan para medir. Más sobre esto en tus datos son tu ventaja.
- Mide la precisión en distintos umbrales y compara al menos dos proveedores con esos mismos casos.
- Parte con revisión humana en los casos de baja confianza y ajusta el umbral con lo que vayas observando.
¿API de un proveedor o modelo propio? Lo analizamos en desarrollar o comprar IA.
La mirada de EvoConsulting
Los decision models encajan en la etapa de implementación de nuestro servicio de consultoría en inteligencia artificial. Antes de elegir tecnología, mapeamos las decisiones repetitivas de cada área y cuánto cuesta equivocarse en cada una.
Como OpenAI Select Partner conocemos de cerca la Decisions API, y recomendamos la opción que mejor se ajuste a cada caso, sea de OpenAI o de otros proveedores. La decisión sale de una prueba con datos de la propia empresa.
Escucha la conversación completa en el episodio #183 de Inteligencia Artificial para los Negocios, con Ignacio Alarcón.
Preguntas para tu próximo comité
- ¿Qué decisiones tomamos miles de veces al mes con criterios que podríamos escribir?
- ¿Cuánto nos cuesta un error en cada una?
- ¿Tenemos casos históricos con la respuesta correcta para medir un modelo?
- ¿Quién revisa los casos que el modelo no resuelve con confianza?
Preguntas frecuentes
¿Qué es un decision model en inteligencia artificial?
Es un modelo que recibe información y un conjunto de opciones, y devuelve la opción elegida con la probabilidad de cada alternativa.
¿En qué se diferencia un decision model de un LLM como ChatGPT?
Un LLM genera texto y razona sobre problemas abiertos, pero es más lento y caro. Un decision model solo elige entre opciones definidas y responde en milisegundos, con probabilidades que permiten fijar umbrales.
¿Qué es Jev de TypeSafe?
Es el decision model que abrió la categoría, lanzado en acceso anticipado el 15 de septiembre de 2026. Su costo por decisión es mucho menor que el de un LLM, porque la salida no se cobra.
¿Qué es la Decisions API de OpenAI?
Es el servicio de OpenAI para este tipo de decisiones, basado en GPT-6 Luna. Se anunció el 29 de septiembre de 2026 y está en beta pública desde el 6 de octubre.
¿Qué es un umbral de confianza?
Es el nivel mínimo de confianza que exiges para que el sistema actúe sin intervención humana. Se define con casos reales de tu empresa y según el costo de equivocarse.
¿Un decision model reemplaza a las personas?
En la mayoría de los procesos las apoya: resuelve los casos claros y deja a las personas los dudosos.
¿Decision models y decision intelligence son lo mismo?
Son conceptos distintos. Decision intelligence es una disciplina de gestión; un decision model es una herramienta de software que puede formar parte de ella.
Artículo elaborado a partir del episodio #183 del podcast Inteligencia Artificial para los Negocios. Borrador con apoyo de IA, revisado y editado por el equipo de EvoConsulting.