De razonar a decidir: ¿puede la IA construir mejor juicio? Los modelos de decisión

Por Turing Post · Wed, 21 Oct 2026.

El episodio de Turing Post, dentro de la serie «AI Builds AI», parte de una idea central: tras la obsesión con los modelos de razonamiento, ahora el foco se desplaza hacia los modelos de decisión. El autor aclara que se necesitan ambos tipos de modelos (y más) para acercarse a lo que llama superinteligencia, pero que conviene tener una imagen completa de qué son los modelos de decisión, en qué se diferencian entre sí y cómo se relacionan con los de razonamiento.

El punto de partida es Jev, de TypeSafe, sobre el que Turing Post ya había escrito. Según el texto, el equipo tomó un problema conocido pero a menudo pasado por alto (el software necesita emitir juicios constantemente) y construyó un modelo específico para ello. El autor valora que puede ahorrar cómputo y tiempo en tareas adecuadas, y que TypeSafe llevó ideas de clasificación, calibración y predicción selectiva a una forma que encaja con cómo se construyen hoy el software y los agentes. Desde su lanzamiento, los modelos de decisión empiezan a parecer una categoría propia.

En las últimas semanas han aparecido más modelos: Decider 2B de Strands, la familia d1 de Liquid AI, Microsoft-Decision-1 y otros. No todos funcionan igual, lo que lleva a preguntarse qué significa exactamente «modelo de decisión» y cómo se relacionan unos tipos de decisión con otros. La serie plantea además si un modelo podría ayudar a construir otro que tome decisiones, y si un agente podría detectar problemas en el proceso de entrenamiento y ayudar a mejorarlo. Mejorar el juicio, dice el texto, va más allá del modelo: incluye cómo trabaja con el razonamiento, cómo se verifican sus respuestas y qué aprende el sistema de las consecuencias.

El índice del episodio incluye: por qué modelos de decisión y por qué ahora; qué tipo de decisión; si un modelo de lenguaje puede convertirse en modelo de decisión; si un agente puede ayudar a construir un especialista; cuánto tiempo llevamos preguntándonos cuánto pensar; qué puede enseñar AlphaGo sobre una decisión; quién verifica la decisión; qué cambiará esa decisión; dónde encajan los modelos del mundo; y qué hace falta para construir mejor juicio. Se añade una sección de recursos y lecturas.

En la sección «¿Por qué modelos de decisión y por qué ahora?», el texto describe un agente de programación que lee una incidencia, busca archivos relevantes, ejecuta una prueba e interpreta el resultado. En cada paso toma decisiones: si un archivo es relevante, si su cambio rompió la prueba, si debe buscar en otro sitio. Un modelo de lenguaje puede responder en formato estructurado, pero en cada turno tiene más material que procesar, lo que plantea qué ocurre con el coste a medida que el bucle se repite. En un estudio de ocho modelos sobre 500 tareas de programación, los costes variaron incluso al repetir la misma tarea; en el modelo examinado en detalle, la entrada acumulada explicaba gran parte del coste, y gastar más no garantizaba resolver el problema.

Jev aborda algunas de esas preguntas de otra forma: se le da un contexto y una pregunta (sí/no, elección o puntuación) y devuelve una respuesta estructurada con probabilidades. TypeSafe lo entrenó para emitir juicios calibrados y lo describe como un «System One Model». El texto recoge la crítica recibida tras su lanzamiento: ¿no es «solo un clasificador»? En un sentido importante, sí: elegir entre etiquetas es clasificación y ya existían clasificadores zero-shot. Lo que TypeSafe reunió fue una interfaz para plantear preguntas nuevas, devolver respuestas tipadas y usar las probabilidades dentro del software. Los clasificadores clásicos siguen mereciendo atención: en una comparación reciente, un clasificador entrenado con ejemplos etiquetados para cada tarea tuvo la mayor precisión en todos los benchmarks etiquetados menos uno.

En «¿De qué tipo de decisión hablamos?», el autor usa una alerta de seguridad como hilo conductor: ¿es sospechosa la actividad?, ¿se debe bloquear?, y después, ¿evitó el bloqueo un ataque? Un modelo puede responder las tres, pero juzgar la evidencia, elegir una acción y averiguar qué cambió requieren cosas distintas. Se presenta una tabla de enfoques para decidir: reglas y árboles de decisión (por ejemplo, enviar a revisión una alerta tras una secuencia de inicios de sesión fallidos); clasificadores y juicios estructurados (etiquetas, puntuaciones o probabilidades, y modelos como Jev que también eligen entre acciones dadas); toma de decisiones probabilística (comparar el coste de un falso bloqueo con el de no detectar un ataque); optimización (asignar un número limitado de analistas a las alertas que más lo necesitan); políticas aprendidas (decidir si pedir más registros, escalar o cerrar una alerta); planificación con un modelo del mundo (estimar qué ocurriría al aislar una máquina); y agentes basados en modelos de lenguaje (leer el incidente, recuperar registros y elegir el siguiente paso de investigación). Estos enfoques pueden combinarse y solaparse: un árbol es una representación, la optimización es un método y un modelo de lenguaje es una familia.

El texto ilustra con un ejemplo simplificado por qué la etiqueta más probable no basta. Si el sistema estima un 30 % de probabilidad de ataque, «benigno» es la etiqueta más probable, pero si un ataque no detectado cuesta 100 $, un falso bloqueo cuesta 10 $ y bloquear un ataque lo evita sin coste, permitir la actividad tiene una pérdida esperada de 30 $ (30 % de 100) y bloquearla de 7 $ (70 % de 10). La misma predicción lleva a decisiones distintas al cambiar los costes.

El autor recuerda que los investigadores han trabajado en esta brecha: en 2018, Bryan Wilder, Bistra Dilkina y Milind Tambe exploraron el aprendizaje centrado en la decisión (decision-focused learning), que entrena un predictor junto con un problema de optimización para que la calidad de las decisiones resultantes influya en lo que aprende el modelo. Jev puede seleccionar una acción además de clasificar una alerta, pero quedan preguntas abiertas: quién aporta las opciones, qué pasa si falta la acción correcta, y cómo se tienen en cuenta costes y restricciones.

Para el autor, lo interesante de esta nueva ola es que lleva juicios recurrentes al software, donde se puede ver cómo funcionan dentro de un sistema mayor. Incluso dentro de este grupo los equipos siguen rutas distintas: SemIf lee puntuaciones de un modelo de lenguaje existente sin entrenamiento adicional, mientras que Laya y GLiNER2.5-Decide usan codificadores entrenados para clasificación. (El resumen no cubre el resto del artículo).