Microsoft presentó Decision-1, un modelo de inteligencia artificial diseñado para resolver tareas específicas de clasificación y toma de decisiones sin recurrir a la generación de texto. La herramienta, disponible a través de Microsoft Foundry y OpenRouter, busca reducir los costos y tiempos de respuesta de los sistemas empresariales que utilizan agentes de IA.
A diferencia de los grandes modelos de lenguaje (LLM), que producen respuestas en lenguaje natural, Decision-1 recibe un conjunto de opciones predefinidas y asigna una probabilidad a cada una. Esto permite que las aplicaciones utilicen directamente sus resultados para clasificar solicitudes, priorizar incidentes, verificar respuestas o determinar la siguiente acción dentro de un proceso automatizado.
El modelo fue desarrollado mediante un entrenamiento adicional de Qwen3.5-9B. Microsoft adelantó que planea trasladar esta tecnología a otras arquitecturas, incluidos sus modelos Microsoft AI (MAI) y los de OpenAI.
Menores costos y tiempos de respuesta
Según las pruebas publicadas por Microsoft, Decision-1 obtuvo la mayor precisión en una comparación de 36 evaluaciones que abarcaron cerca de 150.000 preguntas excluidas del entrenamiento. La compañía también reportó que el modelo fue 2.5 veces más rápido que su competidor más cercano en velocidad y aproximadamente 35 veces más rápido que GPT-6 Sol.
Su estructura de precios apunta a operaciones de gran volumen. Microsoft estableció una tarifa de US$ 0.042 por millón de tokens de entrada, sin cobrar por los tokens de salida. En un ejemplo de priorización de incidentes, una solicitud de 86 tokens de entrada y dos de salida tendría un costo aproximado de US$ 0.0000036. Bajo esas condiciones, un dólar permitiría procesar más de 275,000 decisiones similares.
No obstante, estas cifras corresponden a pruebas y cálculos realizados por Microsoft y no han sido verificados de manera independiente. Tampoco implican que un proceso empresarial completo pueda ejecutarse 35 veces más rápido, pues su desempeño depende de las demás operaciones que intervienen en cada flujo de trabajo.
La compañía también presentó resultados de aplicaciones internas. Xbox Research utilizó Decision-1 para clasificar más de 10,000 comentarios y reseñas de usuarios en categorías definidas por sus investigadores. Según Microsoft, el modelo alcanzó una calidad competitiva frente a GPT-6 Sol, con una velocidad más de 14 veces superior y un costo 200 veces menor en esa tarea específica.
Un nuevo enfoque para escalar agentes de IA
La especialización del modelo plantea una alternativa para las organizaciones que utilizan LLM en operaciones que no requieren generar contenido o desarrollar razonamientos extensos.
Charlie Dai, vicepresidente y analista principal de Forrester, señaló a Computerworld que las tareas de enrutamiento, clasificación y verificación de aprobaciones pueden representar una proporción importante de las interacciones de los agentes de IA. Por ello, considera que utilizar modelos especializados podría reducir costos y latencia, reservando los sistemas generativos para tareas de razonamiento y creación de contenido.
En la misma línea, Amit Kumar Jena, gerente de desarrollo de IA en Kanerika, destacó que trasladar las verificaciones rutinarias fuera de los grandes modelos generativos supone un cambio relevante en la arquitectura de las soluciones empresariales.
Esta diferenciación permitiría evaluar qué operaciones necesitan realmente las capacidades de un LLM y cuáles pueden ejecutarse mediante sistemas más especializados. La reducción del costo de una decisión individual cobra especial importancia cuando los agentes deben realizar múltiples clasificaciones y verificaciones antes de completar una tarea.
Sin embargo, Jena advirtió que los resultados de las pruebas de Microsoft no deberían utilizarse directamente para proyectar ahorros empresariales. Su recomendación es medir el costo y la latencia de cada proceso completado satisfactoriamente, considerando también los errores y las intervenciones de sistemas de respaldo.
Los desafíos de gobernanza y explicabilidad
La principal limitación de Decision-1 está relacionada con la interpretación de sus resultados. El modelo devuelve puntuaciones probabilísticas, pero no proporciona una justificación de cada decisión. Además, las respuestas pueden variar según la formulación de las preguntas.
Esta característica plantea riesgos cuando las organizaciones utilizan esas puntuaciones para activar acciones automáticamente. Una probabilidad aparentemente precisa no garantiza que la decisión sea correcta ni que resulte apropiada para un proceso empresarial determinado.
Dai advirtió que la ausencia de explicaciones puede dificultar la validación y revisión de los resultados. Por ello, recomendó incorporar pruebas de calibración, controles sobre la formulación de preguntas y los umbrales de puntuación, registros de auditoría y supervisión humana en decisiones de alto impacto.
Jena, por su parte, planteó comenzar con aplicaciones reversibles, como la clasificación de solicitudes y la priorización de incidentes, antes de extender el uso del modelo a procesos que puedan afectar significativamente a las personas.
Decision-1 se encuentra disponible en versión preliminar pública a través de Microsoft Foundry. Su incorporación a operaciones empresariales dependerá no solo de los ahorros y mejoras de velocidad que puedan comprobarse, sino también de la capacidad de las organizaciones para validar sus resultados y establecer controles sobre las acciones que estos desencadenen.
