La IA más potente no siempre es la mejor para cada tarea

Qué ha ocurrido

Microsoft ha presentado Microsoft-Decision-1, un modelo pensado para decisiones estructuradas: clasificar una petición, elegir una ruta, ordenar prioridades o comprobar si una respuesta cumple unos criterios. En lugar de redactar una explicación larga, recibe un conjunto cerrado de opciones y devuelve una probabilidad para cada una.

El modelo ya está disponible en Microsoft Foundry y OpenRouter. Microsoft lo ha construido a partir de Qwen3.5-9B y afirma que, en sus propias pruebas, fue el más preciso de los comparados y respondió unas 35 veces más rápido que GPT-6 Sol. Son resultados del proveedor y todavía necesitan contraste independiente. El precio anunciado es de 0,042 dólares por cada millón de tokens de entrada, sin coste por los tokens de salida.

Generar, razonar y decidir no son el mismo trabajo

Un modelo generativo sirve para crear una respuesta, un resumen o un borrador. Un modelo de razonamiento dedica más trabajo a resolver problemas con varios pasos. Un modelo de decisión elige entre opciones definidas, por ejemplo si un correo trata de una factura, una avería o una consulta comercial.

La comparación más sencilla es una caja de herramientas. Un taladro potente puede hacer muchas cosas, pero no es la mejor herramienta para apretar cada tornillo. En IA, pedir siempre al modelo más grande que clasifique, redacte, revise y decida puede funcionar, pero también encarece el proceso y lo hace más lento.

Un ejemplo: ordenar el correo de atención al cliente

Ejemplo hipotético: una empresa recibe consultas sobre facturas, entregas, incidencias técnicas y nuevos pedidos. Un modelo de decisión puede clasificar cada mensaje y elegir la cola correcta. Un modelo generativo prepara después el borrador. Si el caso es ambiguo, sensible o supera un importe acordado, pasa a una persona.

La ventaja no depende solo del precio por token. También puede reducir el tiempo de respuesta y hacer más claro qué pieza falló. Si el correo fue a la cola equivocada, revisamos la clasificación. Si el tono no era adecuado, revisamos la redacción. Cuando un único modelo hace todo, resulta más difícil separar el problema.

Tres preguntas antes de elegir un modelo

Antes de pagar por más capacidad, conviene definir el trabajo real:

• ¿La tarea necesita crear algo nuevo, resolver un problema o elegir entre opciones conocidas?
• ¿Qué error sería aceptable y cuál debe obligar a pedir revisión humana?
• ¿Qué pesa más en ese paso: calidad, velocidad, coste o facilidad para explicar la decisión?

Cómo haríamos una prueba pequeña

No cambiaríamos un proceso completo por una cifra de laboratorio. Empezaríamos con una muestra real y reversible:

• Reunir casos ya resueltos y definir las categorías sin dejar opciones ambiguas.
• Comparar el modelo especializado con el sistema actual usando exactamente los mismos casos.
• Medir aciertos, errores importantes, tiempo total y coste por trabajo terminado, no solo el precio del modelo.
• Revisar especialmente los casos en los que el modelo muestra poca seguridad o las consecuencias son mayores.
• Ampliar solo si la mejora se mantiene con datos nuevos y el equipo entiende cuándo debe intervenir.

Cuándo no compensa especializar

Si hay pocos casos, las categorías cambian cada semana o una persona tarda segundos en decidir, añadir otro modelo puede crear más mantenimiento que ahorro. Tampoco conviene usar una clasificación automática como decisión final cuando afecta a crédito, empleo, salud, derechos o pagos sin los controles adecuados.

El objetivo no es llenar el proceso de modelos distintos. Es encontrar la combinación más sencilla que mantenga la calidad. A veces será una regla normal; otras, un modelo barato; y en los casos difíciles, un modelo más capaz o una persona.

Fuentes consultadas

• Microsoft — Microsoft-Decision-1: modelo para decisiones rápidas
• Microsoft Community Hub — Microsoft-Decision-1 en Foundry para clasificación y decisiones