IA

La personalización emerge como tendencia clave en el sector en rápido crecimiento de IA con modelos de decisión

Tendela Briefing ·
4 lecturas · 0 Comentarios
As decision model use skyrockets, is customization the next frontier? | TechCrunch

Image: TechCrunch · Source

A medida que los modelos de decisión se adoptan rápidamente para elecciones eficientes impulsadas por IA, startups como Sqwish Labs son pioneras en la personalización al entrenar modelos con datos de clientes para mejorar precisión y relevancia.

Los modelos de decisión, una rama especializada de los grandes modelos de lenguaje (LLMs) diseñados para seleccionar entre opciones preestablecidas en lugar de generar texto abierto, han experimentado un crecimiento explosivo desde su reciente introducción. Para octubre de 2026, más del 25 % de las solicitudes de modelos de IA en la plataforma de Vercel estaban dirigidas a modelos de decisión, destacando la creciente demanda de toma de decisiones automatizada rápida y rentable en entornos de producción.

A diferencia de los LLM tradicionales, que se centran en generar razonamientos detallados o respuestas, los modelos de decisión priorizan elecciones rápidas y fiables con métricas de confianza, lo que los hace invaluables donde la latencia y el costo son importantes. La familia de modelos de decisión Jev de TypeSafe estableció un alto estándar de adopción, procesando más de 1.500 millones de consultas semanalmente a través de servicios como OpenRouter y generando una valoración de 7.500 millones de dólares para su creador.

La relativa facilidad para crear modelos de decisión ha impulsado la entrada de numerosos actores, incluidos proveedores de nube a gran escala como Microsoft, que recientemente lanzó su modelo Microsoft-Decision-1.1 de forma generalizada en Azure. Esta proliferación subraya el reconocimiento creciente de que los modelos de decisión son componentes críticos en las pilas de IA.

La startup británica Sqwish Labs, cofundada por los graduados de Cambridge Ushnish Sengupta y Federica Freddi, se distingue por permitir a los clientes personalizar constantemente los modelos de decisión con sus propios datos de producción. Este enfoque va más allá de la dependencia de datos sintéticos, que tanto Sqwish como TypeSafe usan extensamente, para afinar el juicio del modelo en entornos reales después del entrenamiento. Sengupta describió esta capacidad como clave para evitar la comoditización y ofrecer mejoras continuas adaptadas a las necesidades del cliente.

Los puntos de referencia para comparar modelos de decisión aún son proxies imperfectos del rendimiento en el mundo real. Los líderes de la industria advierten que las altas puntuaciones en los benchmarks no siempre se traducen directamente en éxito empresarial debido a restricciones como el costo, la latencia y la calibración en casos de uso no vistos, que juegan un rol decisivo. Tanto Microsoft como TypeSafe enfatizan el rendimiento equilibrado sobre los resultados máximos en benchmarks.

De cara al futuro, los expertos anticipan que los modelos de decisión (denominados inteligencia “Sistema Uno”) complementarán a los LLMs más generalizados y avanzados (inteligencia “Sistema Dos”), creando sistemas de IA sinérgicos. Para startups como Sqwish, centrarse exclusivamente en modelos de decisión representa una oportunidad de mercado sustancial, distinta de las ambiciones de varios trillones de dólares de los gigantes del sector.

Esta evolución refleja una frontera emergente en la IA donde la personalización a medida, basada en datos, sustenta el despliegue práctico, satisfaciendo las necesidades de empresas que requieren capacidades de toma de decisiones precisas y eficientes, en lugar de solo modelos generativos expansivos.

Fuentes e informes originales

Comentarios (0)

Aún no hay comentarios.

Escribe un comentario

Los comentarios se publican tras moderación. Tu nombre y comentario serán públicos. Cuenta