Mucho del trabajo de la IA dentro del software no es escribir sino elegir: qué equipo debe recibir esta incidencia, qué urgencia tiene, si el cliente pide un reembolso. Una nueva clase de modelos de decisión responde a esas preguntas directamente con probabilidades en lugar de generar texto, y Hugging Face les ha dado ahora una interfaz común en sus herramientas. Para los desarrolladores, eso significa que un enrutador o clasificador construido sobre un modelo de decisión debería poder cambiarse por otro sin reescribir el código de integración.
La interfaz es sencilla. Se envía un estado, la información que hay que juzgar, como texto o JSON estructurado, junto con preguntas con nombre. Cada pregunta usa una de tres primitivas: choice, que elige entre opciones y devuelve una probabilidad para cada una; score, que puntúa algo en una escala ordenada y devuelve el nivel esperado; y noul, una pregunta de sí o no respondida con la probabilidad de que la respuesta sea sí. Las respuestas choice y score incluyen además una cifra de confianza, escalada para que un reparto igual entre opciones sea 0 y la certeza total sea 1. En el ejemplo de facturación de Hugging Face, el modelo dio 0,998 a facturación, lo que equivale a una confianza de 0,997.
La novedad está en la infraestructura. Transformers incluye ya DecisionPipeline, AutoModelForDecision y DecisionConfig, y transformers serve ofrece un endpoint /v1/systemone. llama.cpp, que analizamos, sirve modelos de decisión por el mismo endpoint, así que una petición escrita para un modelo en Hugging Face también funciona con un modelo GGUF local. El Hub tiene una etiqueta decision-model, y los modelos pueden ajustarse con el Trainer habitual, entrenando una pregunta choice con entropía cruzada simple sobre las opciones. La publicación señala que los modelos detrás de la interfaz varían, desde codificadores como ModernBERT hasta lecturas sobre grandes modelos generativos.
El contexto importa. Jev, de TypeSafe AI, que analizamos, popularizó la idea con el nombre de System One model, y Google acaba de lanzar su propia Gemini Decisions API con los mismos tres tipos de pregunta. Un formato abierto compartido facilita compararlos entre sí y con la opción de pedir JSON a un modelo de chat, que, como apunta la publicación, puede romper el esquema o responder fuera de las opciones permitidas.
Los límites son prácticos. Una interfaz estándar no hace preciso ni calibrado a ningún modelo, y la cifra de confianza es una probabilidad reescalada, no una garantía. Como señala un comentarista, lo difícil en producción es elegir umbrales y contrastarlos con resultados reales que llegan después. Que otros fabricantes adopten este formato, en lugar de mantener sus propias API, decidirá cuánto importa.