Microsoft ha lanzado Microsoft-Decision-1, un modelo de inteligencia artificial diseñado específicamente para tomar decisiones estructuradas — no para generar texto libre ni razonar sobre problemas complejos. A diferencia de los LLM convencionales usados para chat, resumen de documentos y generación de código, Decision-1 es un modelo especializado en clasificación y puntuación probabilística de opciones predefinidas. Recibe un conjunto fijo de alternativas y, para cada una, calcula la probabilidad calibrada de que esa opción sea correcta.
El modelo fue anunciado por Achint Srivastava, vicepresidente de ingeniería de software de la Oficina del CTO de Microsoft, en un artículo técnico del 9 de octubre en el blog de la empresa. Según Microsoft, Decision-1 fue entrenado sobre Qwen3.5-9B, un modelo de peso abierto desarrollado por el laboratorio chino Alibaba, y luego pasó por un posentrenamiento enfocado en tareas de clasificación. La empresa promete que la próxima versión será reconstruida sobre sus propios modelos MAI (Microsoft AI) e incluso sobre bases OpenAI — una señal clara de que Decision-1 es una versión inicial de validación de mercado.
La propuesta es ambiciosa y, si funciona, podría cambiar la forma en que las empresas usan IA para triaje, filtrado de contenido y toma de decisiones automatizada. El modelo está disponible vía Microsoft Foundry y, pronto, vía OpenRouter, una plataforma de API para modelos de terceros.
Por qué 'decisión' es diferente de 'generación'
La distinción entre modelos de decisión y LLMs generales no es solo académica. Los modelos de lenguaje necesitan generar secuencias arbitrarias de tokens — lo que los hace increíblemente versátiles, pero también costosos y lentos para tareas simples. Clasificar un comentario de cliente en cinco categorías, decidir si un vídeo viola las directrices de la comunidad o verificar si un resultado de búsqueda es relevante son tareas que requieren clasificación binaria o múltiple, no generación creativa.
Decision-1 responde a esta brecha con un diseño intencional: en lugar de generar texto, produce puntuaciones probabilísticas. Esto significa que el modelo puede operar con latencia drásticamente menor y costo por solicitud significativamente menor que un LLM grande. Es el mismo razonamiento que llevó a la industria bancaria y de tarjetas de crédito a desarrollar sistemas especializados de puntuación de fraude — no usas un modelo general cuando sabes exactamente lo que necesitas.
Microsoft probó el modelo internamente en diversos escenarios. En la clasificación de relevancia de búsquedas, el modelo asignó etiquetas de prioridad a los resultados. En triaje de contenido, categorizó temas y decidió si cada pieza debería ser mostrada, filtrada o enviada a revisión humana. En análisis de código, evaluó fragmentos contra criterios definidos y señaló posibles defectos.
Xbox Research usó Decision-1 para procesar más de 10.000 comentarios abiertos de encuestas, STEAM y Twitter/X, clasificándolos en un conjunto fijo de temas. Según la empresa, el modelo fue más rápido y más barato que usar GPT-6 para la misma tarea.
Benchmarks: Microsoft dice que es 4,5× más rápido que el líder
Microsoft publicó benchmarks comparando Decision-1 contra otros modelos del mercado — incluyendo Jev de H2O.ai, otro modelo enfocado en decisión. Los números son impactantes: Decision-1 fue medido como 4,5 veces más rápido que Quyet-1.0-Large (de H2O) en la clasificación de opciones y 35 veces más rápido que GPT-6 Sol. En términos de costo, Microsoft afirma que Decision-1 es 200 veces más barato que GPT-6 Sol.
En términos de calidad, la empresa dice que el modelo es competitivo con GPT-6 Sol en tareas de clasificación, ejecutándose 14 veces más rápido. H2O ya respondió con sus propios benchmarks, cuestionando la metodología de Microsoft — un comportamiento esperado en el mercado de IA, donde cada empresa quiere demostrar que su producto es el mejor.
El modelo también fue probado en seguridad: Microsoft aplicó Decision-1 a 5.250 solicitudes a lo largo de 11 benchmarks que cubren contenido dañino, intentos de jailbreak e inyección de prompts. Según la empresa, el modelo logró rechazar comportamientos dañinos sin bloquear excesivamente solicitudes inofensivas — un equilibrio crítico en aplicaciones empresariales reales.
El contexto competitivo
El lanzamiento de Decision-1 coincide con una ola de modelos enfocados en decisión. OpenAI ya lanzó sus Decisions API en beta pública, con funcionalidad diseñada para proporcionar salidas estructuradas que el software pueda actuar inmediatamente. H2O.ai tiene Jev y Quyet, también enfocados en clasificación.
Pero el mercado aún es verde. Ninguno de estos modelos ha establecido un estándar dominante — y la propia Microsoft admite que Qwen3.5-9B es solo el primer paso. La empresa ya está planificando versiones basadas en sus propios MAI e incluso en OpenAI. Esto sugiere que Decision-1 es más un experimento de product-market fit que un producto final.
La elección de Qwen como base es interesante. Qwen3.5-9B es un modelo de peso abierto desarrollado por Alibaba, y su uso refleja una tendencia creciente: empresas occidentales dependiendo de modelos chinos como punto de partida, incluso en áreas sensibles. Esto plantea preguntas sobre dependencia tecnológica, pero Microsoft garantiza que la próxima generación será construida internamente.
Qué observar
¿Qué hace al Microsoft-Decision-1 diferente de un simple clasificador o de un LLM con un prompt de sistema bien escrito? La respuesta está en la calibración. Un modelo de decisión calibrado significa que cuando dice que una opción tiene un 80% de probabilidad de ser correcta, realmente significa 80% en 100 intentos — ni más, ni menos. Esta propiedad es fundamental en aplicaciones donde las decisiones automatizadas tienen impacto financiero o de seguridad.
La pregunta es si este tipo de modelo especializado se volverá tan ubicuo como los LLMs generales. O si permanecerá como una herramienta de nicho, usada por equipos de ingeniería para optimizar tareas específicas. La respuesta probablemente está en el medio — los modelos de decisión pueden no reemplazar LLMs, pero pueden complementarlos en capas donde la velocidad y el costo son decisivos.
Fuentes: The Register, Microsoft Command Line, The Next Web
✓ Fuentes independientes cruzadas y verificadas antes de la publicación
