La Decisions API de OpenAI vende veredictos, no charla: exige primero registros de auditoría

¿Qué pasa cuando la empresa de IA más famosa deja de venderte una conversación y empieza a venderte un número? Pasa que aparece la Decisions API, un producto que en nuestra opinión tiene más trascendencia que otra mejora de chatbot, precisamente porque es muy aburrido.

Resumen rápido. OpenAI anunció la disponibilidad general de la Decisions API, basada en GPT-6 Luna. Defines una pregunta y sus respuestas permitidas, le pasas texto, imágenes o JSON y recibes una de tres respuestas tipadas: una probabilidad de que se cumpla una condición, una opción de tu lista o una puntuación según un baremo. OpenAI afirma que es hasta 10 veces más rápida que Luna a través de la Responses API, con hasta 400 preguntas por solicitud y un precio de 0,10 dólares por millón de tokens de entrada, sin cargo por tokens de salida.

El chatbot era la demo; este es el producto

Fíjate en los ejemplos que da la propia OpenAI: clasificar una entrada, dirigir una solicitud, decidir si un agente debe continuar, reintentar o pedir una aclaración. Nada de eso es conversación. Es control de flujo, los if del software, ahora subcontratados a un modelo. Los equipos de la propia compañía lo usan para categorizar transacciones y clasificar la cobertura de prensa, lo que ayuda a identificar qué «merece una revisión más detallada».

Ese es el cambio. Un asistente habla con una persona, que puede notar cuándo algo suena raro. Un endpoint de decisiones habla con código, y el código no levanta una ceja. Una probabilidad entra en una rama y ocurre algo. Creemos que ahí acabará una buena parte del peso económico real de la IA: no en la ventana del chat, sino en miles de microjuicios invisibles por minuto.

El diseño es inteligente, hay que reconocerlo. Eliminar el bucle de prompt, análisis y reintento quita de en medio toda una clase de errores de formato, y la documentación deja claro que tu aplicación ejecuta las acciones que seleccionen las respuestas. Es el reparto de tareas correcto.

Una probabilidad no es una garantía, y la palabra «confianza» carga con mucho peso

Aquí está nuestra preocupación. Un número parece más riguroso que un párrafo, pero no tiene por qué serlo. Un análisis de Firecrawl recoge a un comentarista de Hacker News que señala con acierto que este tipo de restricción garantiza el formato, no la corrección. Compartimos el espíritu de esa objeción, aunque acotar el espacio de respuestas sea una ganancia real de eficiencia.

La cuestión clave es la calibración: cuando el modelo dice 0,90, ¿acierta el 90 % de las veces con tus datos? Nada en el material que hemos revisado lo responde. La comparativa de CometAPI señala que las cifras del proveedor no establecen un ganador en precisión frente a su rival Jev, y advierte de que no se debe tratar un campo de API llamado confianza como si fuera una probabilidad calibrada sin comprobar su definición. Con la velocidad pasa algo parecido: compara el modelo de OpenAI consigo mismo, no con el mercado.

Así que la lectura sensata es que la cifra de 10x es marketing de verdad y probablemente ingeniería de verdad, mientras que la fiabilidad con tus tickets, tus fotos y tus reembolsos es una cuestión empírica abierta que solo tú puedes cerrar.

Lo que los desarrolladores deberían exigir antes de conectarlo a algo importante

Primero, mantén la autoridad en tu código. Un modelo puede decir que un ticket parece un cargo duplicado; solo un servicio autorizado o una persona debería emitir el reembolso. Una puntuación alta nunca debe conceder un permiso que el sistema no tuviera ya.

Segundo, registra todo: el texto de la pregunta, las opciones de respuesta, el identificador del modelo, las pruebas de entrada y las probabilidades devueltas. Versiona el baremo como versionas el código, porque cambiar las opciones cambia el significado de los resultados históricos. Si una decisión se discute algún día, deberías poder reproducirla.

Tercero, mide antes de fiarte. Etiqueta una muestra de tráfico real, comprueba la calibración, fija los umbrales de revisión a partir de esos datos y envía los casos dudosos a personas. El precio barato por token es tentador, pero el coste real es lo que cuesta, más adelante, un error de enrutamiento o una aprobación automática equivocada.

Cuarto, y esto es lo que le pedimos a OpenAI: dad a los desarrolladores algo más que un número. El endpoint está diseñado para no devolver ninguna explicación, que es justo por lo que es rápido y justo por lo que es difícil de auditar. Vale para clasificar temas de cobertura; vale mucho menos para cualquier cosa que afecte al dinero, a la seguridad o al acceso de las personas a servicios.

Nuestro veredicto

Usadla. Para enrutamiento de alto volumen y bajo riesgo parece una victoria clara, y la competencia de modelos especializados como Jev debería mantener los precios a raya. Pero trátala como un asesor rápido y falible con una correa de reglas deterministas y un rastro documental que controlas tú. La era de la IA como infraestructura de decisión ha llegado; los hábitos de auditoría tienen que llegar con ella, y nadie te los va a dar hechos.