La IA más rentable de 2027 podría no hablar: decidirá con cifras como 0,82 o 0,16
Durante los últimos cuatro años, la inteligencia artificial se ha medido sobre todo por su capacidad para conversar. La calidad de un sistema parecía depender de si redactaba con naturalidad, respondía con seguridad o era capaz de producir un texto convincente en apenas unos segundos.
Pero la siguiente gran batalla tecnológica puede desarrollarse lejos de los chatbots. Google, OpenAI, Microsoft y Amazon están apostando por los llamados modelos de decisión: sistemas diseñados para responder preguntas cerradas con una opción concreta y un nivel de confianza numérico.
Una respuesta breve para decisiones constantes
Un modelo de decisión no está pensado para mantener una conversación ni para escribir un informe. Recibe un contexto, analiza una pregunta y devuelve una clasificación. Por ejemplo: determinar si un correo es urgente, enviarlo al departamento adecuado o escoger qué herramienta debe utilizar un agente automático.
El resultado puede ser algo parecido a una etiqueta acompañada de una probabilidad: urgente, 0,82; no urgente, 0,16. Ese valor intenta expresar hasta qué punto el sistema considera fiable su respuesta.
En lugar de generar cientos o miles de palabras, estos modelos realizan una tarea muy concreta en aproximadamente 150 milisegundos y con un coste reducido. Su función no es explicar, sino decidir de forma rápida y repetida.
La factura de los agentes dispara el interés
El cambio responde, en buena medida, a una cuestión económica. Las empresas han pasado de experimentar con la IA a revisar con más atención cuánto cuesta cada consulta. El problema se intensifica con los agentes de IA, programas capaces de ejecutar tareas por su cuenta y tomar pequeñas decisiones durante el proceso.
Cada paso de un agente puede implicar una llamada a un modelo de lenguaje. Utilizar un sistema avanzado para decidir algo tan simple como clasificar un ticket o elegir entre dos rutas puede ser innecesariamente caro y lento.
La alternativa consiste en reservar los modelos más potentes para las tareas complejas y emplear modelos de decisión para las operaciones rutinarias. En una clasificación interna de incidencias, Amazon habría reducido el coste más de 40 veces tras sustituir un modelo generativo por uno especializado.
La diferencia se explica también por los tokens, las unidades de texto que los modelos procesan. Un chatbot necesita analizar la petición y generar una respuesta. Un modelo de decisión puede limitarse a calcular una categoría y una puntuación, sin producir texto de salida. Menos procesamiento significa menos tiempo y, normalmente, una factura menor.
El movimiento de las grandes tecnológicas
La carrera comenzó con TypeSafe, una startup que presentó en septiembre su tecnología Jev, bautizada en referencia al llamado pensamiento rápido. Su propuesta despertó suficiente interés como para elevar la valoración de la compañía hasta los 7.500 millones de dólares en pocas semanas.
OpenAI presentó después su propio modelo de decisión. Microsoft y Amazon hicieron lo mismo en octubre, mientras que Google se incorporó a esta tendencia en noviembre. La coincidencia temporal sugiere que el sector considera estos sistemas una pieza importante para hacer viable la automatización a gran escala.
El atractivo no está únicamente en sustituir a los chatbots. También consiste en construir sistemas híbridos: un modelo económico decide qué hacer en cada paso y solo deriva los casos difíciles a una inteligencia artificial generativa más cara.
- Clasificación: asignar correos, reclamaciones o incidencias a una categoría.
- Enrutamiento: enviar una solicitud al departamento o herramienta adecuados.
- Priorización: decidir qué caso debe atenderse antes.
- Control de costes: reservar los modelos avanzados para consultas que realmente los necesitan.
El problema de confiar en un número
La eficiencia tiene una contrapartida. Un chatbot puede ofrecer una explicación, aunque sea imperfecta, y esa explicación permite detectar contradicciones, errores o prejuicios. Un modelo de decisión, en cambio, puede limitarse a devolver 0,16, 0,55 o 0,82.
La cifra no equivale necesariamente a una verdad objetiva. Es una puntuación de confianza calculada por el sistema. Para que resulte útil, debe estar bien calibrada: cuando indique una confianza del 80%, sus respuestas deberían ser correctas aproximadamente ocho de cada diez veces en condiciones similares.
Sin una calibración adecuada, un 0,82 puede transmitir una seguridad injustificada. Además, la puntuación no explica qué datos han influido en la decisión ni permite saber si el modelo ha aprendido patrones discriminatorios presentes en los datos de entrenamiento.
Decisiones invisibles que afectan a los usuarios
El riesgo aumenta porque estas herramientas operarán dentro de servicios que la mayoría de las personas no ven. Un sistema puede determinar si una reclamación se considera prioritaria, si una operación parece sospechosa o si una tarjeta debe bloquearse temporalmente.
También puede decidir qué usuarios reciben un modelo de IA más caro y capaz o cuál es atendido por una versión más limitada. Todo ello puede suceder en milisegundos, sin una explicación visible y sin que el afectado sepa que ha intervenido un sistema automatizado.
La expansión de los modelos de decisión obligará a reforzar la supervisión. Las empresas tendrán que conservar registros, establecer umbrales para pedir revisión humana y ofrecer mecanismos de reclamación cuando una clasificación tenga consecuencias relevantes.
La IA madura cuando deja de hablar
La popularidad de los chatbots ha hecho que asociemos la inteligencia artificial con respuestas largas y conversaciones fluidas. Sin embargo, buena parte de su valor empresarial no estará en escribir más, sino en tomar miles de decisiones pequeñas con rapidez y bajo coste.
La paradoja es que una tecnología más eficiente puede resultar menos visible y, por eso mismo, más difícil de cuestionar. La IA de 2027 quizá no intente convencernos con un párrafo brillante. Simplemente elegirá una opción, mostrará un número y continuará con el proceso.
El reto será garantizar que detrás de ese 0,82 exista algo más que una apariencia de precisión: datos adecuados, controles independientes y una vía clara para corregir los errores.
