IA discriminativa: modelos de decisión, ejemplos y aplicaciones
Descubre cómo la IA discriminativa y los modelos de decisión clasifican, enrutan y asignan puntuaciones a las entradas, en qué se diferencian de la IA generativa y cómo pueden utilizarlos los desarrolladores.
Llega una solicitud al equipo de soporte: «Me han cobrado dos veces y necesito un reembolso». Es posible que tu aplicación no necesite un párrafo generado por un modelo de IA. Puede necesitar una decisión: ¿este ticket debe dirigirse al departamento de facturación, al soporte técnico o al equipo de ventas?
La IA discriminativa está diseñada para predecir una etiqueta, una puntuación u otro objetivo a partir de una entrada. Un grupo reciente de modelos de decisión lleva esta idea a las API para desarrolladores: proporciona contexto y una pregunta definida al modelo, y este devuelve una decisión estructurada o probabilidades que el software puede utilizar. Esta guía explica cómo funcionan estos modelos, qué lugar ocupan junto a la IA generativa y cómo evaluarlos.
¿Qué es la IA discriminativa?
La IA discriminativa predice una característica de una entrada. Un filtro de spam predice si un correo electrónico es correo no deseado; un clasificador asigna un ticket de soporte a un equipo; un modelo de riesgo estima la probabilidad de un resultado específico.
En el aprendizaje automático, los modelos discriminativos suelen aprender una correspondencia entre una entrada x y un objetivo y, o estimar la probabilidad condicional P(y | x). El objetivo puede ser una clase, un valor numérico u otro resultado estructurado. La regresión logística, las máquinas de vectores de soporte y muchos clasificadores neuronales son ejemplos de enfoques discriminativos. No todos los modelos discriminativos devuelven una probabilidad ni todas las puntuaciones numéricas están calibradas.
La idea fundamental es anterior a los asistentes de IA actuales. La novedad reside en la disponibilidad de API de decisión de propósito general que aceptan descripciones de tareas y opciones de respuesta en lenguaje natural. Esto permite a los desarrolladores aplicar una misma interfaz a distintas tareas de clasificación o puntuación.
¿Qué es un modelo de decisión de IA?
En el panorama actual de las API, un modelo de decisión suele referirse a un modelo o servicio diseñado para responder preguntas delimitadas sobre una entrada proporcionada. En lugar de redactar una respuesta abierta, devuelve un resultado tipado, como:
- Probabilidad de sí/no: ¿Qué probabilidad hay de que este mensaje contenga una solicitud de reembolso?
- Opción: ¿Qué departamento debe recibir este ticket?
- Puntuación: ¿Qué posición ocupa esta respuesta dentro de una rúbrica de calidad definida?
Por ejemplo, un modelo de decisión puede devolver una etiqueta de facturación y estimaciones de probabilidad para cada departamento. Tu aplicación puede utilizar esos resultados para dirigir el ticket, solicitar más información o enviarlo a un revisor humano.
TypeSafe denomina a su familia Jev modelos «System One». Liquid AI describe su modelo de decisión d1 como un modelo que acepta texto e imágenes y devuelve probabilidades sin generar tokens de salida. El Codelab de Google sobre modelos discriminativos muestra cómo utilizar un modelo de decisión junto a un modelo generativo dentro de una aplicación.
Los términos están relacionados, pero no son intercambiables. El modelado discriminativo es un concepto amplio del aprendizaje automático; un modelo de decisión es un producto o una interfaz para tomar decisiones delimitadas. Un modelo generativo también puede clasificar texto mediante instrucciones, aunque su proceso de generación y el formato de respuesta sean distintos.
IA discriminativa frente a IA generativa
| IA discriminativa | IA generativa | |
|---|---|---|
| Pregunta habitual | «¿Qué categoría corresponde a esta entrada?» | «¿Qué respuesta o contenido se debe producir?» |
| Salida habitual | Etiqueta, predicción, puntuación o probabilidad | Texto, código, imagen, audio u otro contenido generado |
| Ejemplo de tarea | Dirigir un ticket de un cliente | Redactar una respuesta para el cliente |
| Ventaja que se debe evaluar | Decisiones delimitadas coherentes y puntuaciones útiles | Síntesis flexible, explicaciones y creación |
| Principal aspecto de evaluación | Errores de clasificación, calibración y umbrales | Precisión, seguimiento de instrucciones, seguridad y utilidad |
La distinción no implica que cada modelo pueda realizar una única tarea. Un LLM puede devolver etiquetas en formato JSON, y un sistema de decisión puede utilizar un modelo generativo dentro de un flujo de trabajo más amplio. La diferencia práctica reside en la función que cada componente está optimizado y preparado para realizar. Una respuesta estructurada de una API no demuestra por sí sola que sus probabilidades estén calibradas ni que el modelo subyacente sea discriminativo.
Considera el ticket de reembolso. Un modelo de decisión puede identificar el problema como una cuestión de facturación y estimar su urgencia. Después, un modelo generativo puede redactar una respuesta empática basada en la política de reembolsos correspondiente. La aplicación debe comprobar las políticas, los permisos y cualquier requisito de aprobación humana antes de ejecutar una acción.
Cómo funcionan los modelos de decisión en una aplicación
El esquema exacto depende del proveedor, pero una solicitud de decisión habitual contiene tres elementos:
- Estado: La información que se debe evaluar, como el texto de un ticket o una imagen.
- Pregunta y criterios: La decisión que se debe tomar y las descripciones de las respuestas o niveles de puntuación permitidos.
- Respuesta tipada: Una etiqueta, una puntuación o una distribución de probabilidades que la aplicación debe interpretar.
Por ejemplo:
State: "I was charged twice for my subscription."
Question: Which team should handle this request?
Options: billing, technical support, sales
Illustrative result: billing
Este es un ejemplo conceptual, no una respuesta real de una API. El modelo también puede proporcionar un nivel de confianza o probabilidades, según el endpoint. Consulta la documentación del modelo y de la API específicos en lugar de asumir que todos los proveedores utilizan el mismo formato de solicitud o admiten las mismas modalidades.
¿Qué significan las puntuaciones de probabilidad?
Una probabilidad prevista solo resulta útil si conoces su fiabilidad. Si un sistema asigna un valor de 0,8 a muchas predicciones similares, un sistema bien calibrado debería acertar cerca del 80 % de las veces dentro de ese grupo. Una puntuación individual de 0,8 no garantiza que una decisión concreta sea correcta.
Comprueba la calibración con tus propios datos, sobre todo después de cambiar de modelo, etiquetas, idiomas o fuentes de entrada. Puedes utilizar umbrales para enviar los casos con baja confianza a revisión, pero establece esos umbrales según el coste de los falsos positivos y los falsos negativos. Una cola de revisión de fraudes y una recomendación de contenido inofensiva requieren reglas distintas.
Ejemplos y casos de uso de la IA discriminativa
Clasificación y enrutamiento de tickets de soporte
Un modelo de decisión puede asignar los mensajes entrantes a los departamentos de facturación, soporte técnico o gestión de cuentas. Añade una opción «otro» o «requiere revisión» para las solicitudes ambiguas y prueba mensajes que contengan varios problemas. Evalúa la tasa de error por categoría, no solo la precisión global: un modelo que no detecta reclamaciones urgentes de facturación puede obtener buenos resultados en un conjunto de datos dominado por preguntas rutinarias.
Moderación de contenido
Un flujo de moderación puede preguntar si un contenido pertenece a una categoría definida por una política. Proporciona al modelo criterios y ejemplos claros, evalúa los casos límite y dirige los casos inciertos o con consecuencias importantes a revisores capacitados. Una puntuación de decisión es un dato de entrada para el proceso de aplicación de políticas, no una prueba de que un contenido infrinja una norma.
Enrutamiento de LLM y agentes
Antes de llamar a un LLM, una aplicación puede clasificar la solicitud según el tema, la complejidad o la modalidad requerida. Un componente de enrutamiento puede elegir un flujo de trabajo o solicitar información adicional. Prueba el enrutamiento junto con el sistema posterior: un primer paso de bajo coste pierde su utilidad si envía solicitudes difíciles por una ruta incorrecta de forma recurrente.
Clasificación inicial de documentos e imágenes
Un modelo de decisión multimodal puede clasificar si una imagen o un documento pertenece a una categoría predefinida, como una factura, un recibo o una captura de pantalla de soporte. Comprueba que el endpoint concreto admita el formato de entrada y el procesamiento de imágenes que necesitas. La clasificación no equivale a extraer todos los campos de un documento; verifica si el modelo y la API elegidos admiten ambas tareas.
Puntuación mediante rúbricas
Un modelo puede situar una respuesta en una escala ordenada mediante descripciones como «falta evidencia clave», «respaldo parcial» y «respaldo completo». Comprueba si los revisores coinciden con las etiquetas y si el modelo trata de forma coherente las respuestas similares. Evita presentar las puntuaciones de una rúbrica como mediciones objetivas sin validación.
Modelos de decisión disponibles en el catálogo de modelos de Felo
El catálogo de modelos de Felo incluye un filtro de salida denominado Decisions. Según la información del 2 de noviembre de 2026, algunos ejemplos son:
| Modelo del catálogo | Uso descrito | Entradas mostradas en el catálogo |
|---|---|---|
| TypeSafe Jev 1.14 | Enrutamiento, clasificación y moderación | Texto e imagen; la ficha describe el soporte de imágenes como experimental |
| LiquidAI d1.1 | Decisiones de sí/no, selección y puntuación | Texto e imagen |
| Baseten Joey 1 | Clasificación y enrutamiento | Texto e imagen |
| Perplexity Decider Flash V1.2 | Clasificación, enrutamiento y puntuación | Texto e imagen |
Estas descripciones reflejan la información del catálogo, no pruebas de rendimiento independientes ni una recomendación de que un modelo sea superior. La disponibilidad, las funciones admitidas, los límites de contexto y los precios pueden cambiar. Consulta la ficha y la documentación del endpoint antes de desarrollar tu aplicación, sobre todo si utilizas funciones experimentales o multimodales. La presencia de un modelo en el catálogo no demuestra por sí sola que todas las funciones de la API nativa de cada proveedor estén disponibles en todas las plataformas.
Cómo evaluar un modelo de decisión de IA
Empieza con una decisión concreta y un conjunto de ejemplos representativos con etiquetas verificadas. Incluye casos difíciles, categorías minoritarias, falta de contexto y ejemplos que requieran intervención humana. Después, compara el modelo con una referencia sencilla, un clasificador existente o un LLM con salida estructurada.
Evalúa más aspectos que la precisión:
- Precisión y exhaustividad: ¿Qué errores importan y con qué frecuencia aparecen en cada clase?
- Calibración: ¿Las probabilidades previstas coinciden con los resultados observados en distintos grupos de casos?
- Cobertura: ¿Qué porcentaje de solicitudes puede gestionarse de forma automática con el umbral elegido?
- Latencia y fiabilidad: ¿La llamada completa a la API cumple los requisitos de producción?
- Coste: ¿Cuál es el coste por decisión útil, incluidos los reintentos, las preguntas múltiples, el procesamiento de imágenes y la revisión humana?
- Robustez: ¿Se mantiene el rendimiento en distintos idiomas, formatos, ejemplos desconocidos y cambios en el tráfico?
Utiliza un conjunto de prueba independiente después de ajustar las etiquetas y los umbrales. En producción, registra los resultados cuando corresponda, revisa los desacuerdos y vuelve a evaluar el sistema cuando cambien la versión del modelo, las políticas o la distribución de las entradas. Para decisiones con consecuencias importantes, establece una supervisión humana efectiva y verifica los requisitos aplicables.
Preguntas frecuentes
¿La IA discriminativa es lo mismo que un modelo de decisión?
No exactamente. La IA discriminativa describe un enfoque amplio para predecir un objetivo a partir de una entrada. Los modelos de decisión son una categoría de productos reciente centrada en resultados delimitados, como opciones, puntuaciones y probabilidades. Algunos modelos de decisión utilizan técnicas discriminativas, pero ambos términos no describen conceptos idénticos.
¿Puede un LLM clasificar o tomar decisiones?
Sí. Se puede indicar a un LLM generativo que clasifique contenido o devuelva resultados estructurados. Que un modelo de decisión especializado ofrezca un mejor rendimiento, mayor velocidad o menor coste depende de la tarea, el modelo, el proveedor y el método de evaluación. Prueba ambas opciones con tus propios ejemplos.
¿Las probabilidades de los modelos de decisión son siempre precisas?
No. Un modelo puede generar probabilidades con una calibración deficiente en un conjunto de datos o subgrupo específico. Mide la calibración y las consecuencias de los errores antes de utilizar umbrales para automatizar un flujo de trabajo.
¿Cuándo debo utilizar IA generativa en su lugar?
Utiliza un modelo generativo cuando la tarea requiera redactar, explicar, sintetizar o producir contenido abierto. En muchas aplicaciones, un modelo de decisión y uno generativo trabajan en conjunto: uno dirige o clasifica, mientras el otro crea la respuesta.
La IA discriminativa ofrece a los desarrolladores una forma de incorporar decisiones explícitas y medibles a un flujo de trabajo. Empieza con una tarea delimitada, evalúa los errores importantes y determina qué nivel de automatización respaldan las pruebas.
Explora los modelos de decisión en el catálogo de Felo →
Esta publicación también está disponible en English, 简体中文, 日本語, 한국어, 繁體中文, हिन्दी, Français, العربية, Русский, اردو, Bahasa Indonesia, Deutsch, Tiếng Việt, Türkçe, Italiano, ไทย, বাংলা and Português.