La IA que solo decide: menos discurso, más trabajo resuelto

Imagina que una automatización recibe un correo y tiene que decidir a quién enviarlo. Le preguntas a un asistente y te contesta: «Por el contenido del mensaje, parece tratarse de una consulta relacionada con un contrato de arrendamiento, por lo que recomendaría…». El programa solo esperaba una etiqueta: «arrendamientos».

Esa distancia entre lo que la máquina sabe escribir y lo que el trabajo necesita empieza a tener productos propios. Jev, los modelos de ScaleDown y Decisions API ponen el foco en respuestas que otro programa puede utilizar directamente. Una opción. Una puntuación. Un dato localizado. Se termina la operación y el proceso sigue.

Ya escribí sobre cómo dimensionar la IA cuando entra en los procesos. Aquí me interesa el siguiente paso: cambiar la clase de respuesta que le pedimos. Hay muchísimo trabajo profesional cuyo resultado cabe en una casilla.

Del discurso a la decisión

Los grandes modelos de lenguaje nos acostumbraron a conversar con la IA. Preguntamos, recibimos una explicación y seguimos preguntando. Ese formato es extraordinario para explorar un problema, preparar un escrito o discutir una estrategia. Una automatización necesita a menudo resolver algo mucho más delimitado: qué categoría corresponde, qué condición se cumple o qué camino debe seguir.

TypeSafe presentó Jev en septiembre como un modelo «System One». Recibe información y preguntas con tipos de respuesta definidos; devuelve decisiones acompañadas de probabilidades, sin generar prosa. Las opciones forman parte del encargo que recibe el modelo. TypeSafe.

Ahora ScaleDown amplía ese movimiento con modelos especializados para clasificar, extraer y resumir. En Classify, su modelo de decodificación restringida —CDM—, la respuesta puede quedar en una etiqueta y su probabilidad. Extract busca fragmentos del documento. Summarize sí escribe resúmenes: cada herramienta tiene su función. La integración con LangChain Deep Agents ya permite incorporarlas a procesos de agentes. LangChain.

Veo aquí una tercera ola: después de acostumbrarnos a los modelos que conversan y de ver propuestas como Jev, empieza a formarse una oferta de herramientas especializadas en resolver piezas del trabajo. El resultado útil pasa a ser una decisión que encaja en el proceso.

Lo que devuelve importa tanto como lo que entiende

El anuncio de OpenAI de este jueves refuerza esa dirección. Decisions API, basada en GPT-6 Luna, ya está disponible de forma general. Devuelve probabilidades, opciones o puntuaciones. Según OpenAI, puede resolver estas tareas hasta diez veces más rápido que el mismo modelo mediante Responses API y no cobra tokens de salida. Documentación oficial. Lo recogimos en las noticias del 23 de octubre.

Ese ejemplo me parece revelador: un mismo modelo puede servir a una conversación o a una decisión delimitada, con una interfaz y una ejecución especializadas. La transformación afecta al modo de usar la inteligencia, además de al tamaño del modelo.

La promesa es reducir coste y espera, con respuestas más previsibles para el programa que las recibe. Son anuncios recientes y las cifras proceden de los proveedores; una respuesta limitada a opciones también puede elegir la equivocada, y su probabilidad estimada debe servir para organizar la revisión.

Quien quiera entender la factura tiene dos lecturas complementarias: qué consumen realmente los tokens y por qué una automatización puede cobrarse aparte del plan de chat. Aquí la novedad es que una tarea puede terminar sin producir un párrafo.

Tres trabajos que caben en una respuesta corta

Volvamos al correo del despacho. Podemos definir categorías como contratos, facturación, nuevos asuntos y otros, y evaluar por separado la urgencia. El resultado alimentaría las bandejas de trabajo. «Otros» permite reconocer que un mensaje necesita otra mirada. La explicación larga deja de ser un paso obligatorio para mover el correo.

Pensemos después en un contrato acompañado de un PDF de trescientas páginas. Nos interesa localizar la fecha de firma, el vencimiento y la cláusula de preaviso. Un extractor puede devolver los fragmentos y su posición en el documento, para comprobarlos en contexto. Así describe ScaleDown su herramienta Extract.

Una entrada extensa puede acabar en una salida mínima. ScaleDown anuncia una ventana de hasta un millón de tokens para estos modelos. El trabajo consiste en encontrar lo pedido dentro de mucho material. Copiar la cláusula de preaviso deja preparado el dato que el abogado necesita para valorar el plazo aplicable.

El tercer ejemplo es decidir el siguiente paso de una consulta: pedir documentación, concertar una cita o pasarla a revisión de un abogado. Las respuestas posibles se fijan de antemano. El sistema podría preparar esa primera distribución y dejar la valoración del asunto a quien debe asumirla.

En los tres casos hay una pieza que encaja entre recibir información y actuar sobre ella. Esa pieza puede ser muy pequeña y, aun así, quitar mucho trabajo repetitivo.

La pregunta sigue siendo nuestra

Elegir bien la pregunta cerrada es trabajo humano. «¿Es urgente?» exige acordar qué significa urgente en ese despacho. «¿Necesita revisión?» exige concretar qué situaciones deben llegar siempre a una persona. El modelo recibe ese criterio; alguien tiene que formularlo y comprobar cómo funciona con ejemplos.

Yo empezaría por una decisión repetida que hoy obliga a leer para después marcar una casilla. Miraría si las opciones describen bien el trabajo y si la respuesta permite dar el siguiente paso. Ahí se puede medir una mejora concreta.

Creo que el futuro profesional de la IA tendrá forma de caja de herramientas. El modelo grande para pensar y redactar. El pequeño y especializado para decidir. Y el humano para fijar el criterio, revisar y hacerse cargo de lo que importa.