Decision-1.1 llega a AI Gateway: qué cambia en tu stack de agentes
Un modelo que no escribe ni una palabra acaba de sumarse al catálogo de Vercel. Decision-1.1, de Microsoft AI, ya está disponible en AI Gateway y devuelve respuestas estructuradas —booleanos, opciones o puntajes— en lugar de texto libre. Para un founder que paga la factura de inferencia todos los meses, la pregunta es directa: ¿cuántas de las llamadas que hoy haces a un modelo grande son en realidad una decisión disfrazada de conversación?
Vercel lo plantea con precisión en su changelog: el modelo sirve para tareas como enrutar solicitudes de soporte, elegir el siguiente paso de un workflow o calificar respuestas generadas por IA. No conversa. Decide.
¿Qué hace exactamente Decision-1.1?
El modelo acepta el mismo formato de request que Decision-1 —solo hay que cambiar el ID a microsoft/decision-1.1— y devuelve tres tipos de respuesta:
¿Y esto cómo se aplica en tu negocio?
Dueños de negocio de Latinoamérica y España usan un agente de IA para ganar más y recuperar su tiempo. El Kit «tu mano derecha con IA» te muestra cómo en un video de 11 minutos, con una ficha para armar el tuyo. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.
👥 Quiero el Kit →- Boolean: la probabilidad de que una condición sea verdadera.
- Choice: una categoría seleccionada más las probabilidades de cada opción.
- Score: una calificación numérica en la escala que tú definas.
Una particularidad útil para producción: varias preguntas pueden compartir la misma entrada en un solo request. En lugar de hacer cinco llamadas para clasificar, puntuar y validar el mismo texto, haces una sola.
Se puede invocar a través del AI SDK, la API de Decisions compatible con OpenAI o la AI CLI. Los ejemplos de Vercel requieren la librería ai 7.0.128 o superior en TypeScript, o el SDK de Python de OpenAI 3.26.0 o superior. Además, las requests aparecen en los logs, consumen presupuesto y soportan decision fallbacks, el mismo mecanismo de resiliencia que ya usas con otros modelos.
¿Por qué un modelo de decisión y no un LLM generalista?
La diferencia es arquitectónica, no de prompt. Un LLM genera token por token: una respuesta de 30 palabras exige 30 pasadas secuenciales. Un modelo de decisión procesa todo el contexto en una sola pasada y puntúa directamente las opciones predefinidas, sin entrar en la fase de decodificación.
Microsoft sostiene que Decision-1 —el antecesor de esta versión— logró la mayor precisión en una comparación de 36 benchmarks con casi 150.000 preguntas, y que fue unas 2,5 veces más rápido que el segundo clasificado y 35 veces más rápido que GPT-6 Sol, según reportó Computerworld. Son cifras de la propia compañía y no fueron verificadas de forma independiente.
El costo sigue la misma lógica. De acuerdo con la documentación citada por Computerworld, el precio es de 4,2 centavos por millón de tokens de entrada y la salida no se cobra. En un ejemplo de priorización de incidentes, Microsoft calculó que un request de 86 tokens de entrada y dos de salida costaba aproximadamente US$0,0000036, una tasa con la que un dólar cubriría más de 275.000 decisiones similares.
¿Cuánto pesa esta capa en la economía de un agente?
Decision-1 se lanzó el 9 de octubre, según TechTimes, y llegó después de una carrera que se desató en apenas semanas. TypeSafe AI puso Jev en acceso anticipado el 15 de septiembre con una ronda semilla de US$40 millones liderada por DCVC, según reportó CryptoBriefing. Cloudflare respondió el 1 de octubre con Clef y Clef-flash, y Amazon publicó Strands Decider 2B ese mismo día.
La adopción en el gateway de Vercel da una pista de la demanda real. Según datos que publicó TechCrunch, Jev alcanzó el 35% de los equipos de pago en dos semanas, casi el doble que el segundo modelo más popular. Antes, CryptoBriefing había reportado que llegó a cerca del 13% de esos equipos en las primeras 24 horas.
Ese dato importa porque mide lo mismo que tú puedes medir en tu producto: cuántas decisiones por segundo atraviesan tu sistema y cuánto de eso no necesita generar ni una sílaba.
¿Qué significa esto para tu startup?
Tres movimientos concretos:
- Audita tus llamadas al LLM y separa las que terminan en una decisión. Si tu producto clasifica tickets, enruta consultas, valida respuestas de otro agente o decide si escalar a un humano, esas llamadas no necesitan generar texto. Ahí está el ahorro, no en recortar tokens de un prompt.
- Prueba con tus propios datos antes de migrar. Microsoft recomienda a los equipos medir sobre su propio tráfico antes de reemplazar clasificadores existentes, y los benchmarks publicados son de la propia compañía. Instrumenta costo y latencia por workflow completado con éxito, incluyendo fallbacks y errores, no por llamada aislada.
- Empieza por tareas reversibles. Enrutamiento y triage son buenos puntos de partida: si el modelo se equivoca, el costo es bajo. Las decisiones que afectan a personas o tienen implicancias regulatorias piden revisión humana.
Si ya construyes sobre Vercel, el costo de probar es casi cero: cambias el ID del modelo y comparas contra tu clasificador actual con el mismo tráfico.
El riesgo de una probabilidad que parece certeza
El punto débil es la explicabilidad. Decision-1.1 devuelve puntajes, no razones. La documentación de Microsoft advierte que los resultados pueden cambiar según cómo se formulen las preguntas, según señaló a Computerworld Amit Kumar Jena, development manager de IA en Kanerika. Su preocupación, en sus palabras, es que una probabilidad de aspecto preciso puede darle a una decisión incierta más autoridad de la que merece.
Charlie Dai, vicepresidente y analista principal de Forrester, recomendó pruebas de calibración, controles sobre la redacción de las preguntas y los umbrales de puntaje, logs de auditoría y revisión humana en decisiones de alto impacto.
La traducción práctica: una confianza de 0,9 solo vale si acierta nueve de cada diez veces en tus casos reales. Si no calibras, tu código va a automatizar errores con la misma seguridad con la que automatiza aciertos.
La capa que decide qué llega al modelo caro
El movimiento de Microsoft también es una jugada de infraestructura. En un workflow agéntico, el modelo de decisión determina qué consulta llega a GPT, a Claude o a Gemini. Quien controla ese enrutamiento controla el punto de paso entre la intención del usuario y la respuesta del modelo de frontera.
Para un equipo que quiere mantener flexibilidad entre proveedores, la pregunta de compra cambia: ¿mi capa de decisión puede enrutar a varios backends? ¿Puedo sustituirla si cambia el precio o la política? Conviene responderlo antes de que esa capa quede enterrada en el código de producción.
Conclusión
Decision-1.1 no reemplaza a tu LLM: le quita trabajo. La parte del stack que enruta, clasifica y valida es la de mayor volumen y menor glamour, y es exactamente donde un modelo que no genera texto cobra sentido económico. La advertencia es igual de clara: una probabilidad sin calibración es una opinión con formato de dato.
Fuentes
- Vercel Changelog: Decision-1.1 now available on AI Gateway
- Computerworld: Microsoft separates decision-making from generative AI with a new model
- TechTimes: Microsoft Decision-1 Completes Four-Way Race
- TechCrunch: Jev is Vercel’s fastest-adopted AI model ever
- CryptoBriefing: Vercel says TypeSafe’s Jev is the fastest-adopted AI model on its gateway
¿Y esto cómo se aplica en tu negocio?
Dueños de negocio de Latinoamérica y España usan un agente de IA para ganar más y recuperar su tiempo. El Kit «tu mano derecha con IA» te muestra cómo en un video de 11 minutos, con una ficha para armar el tuyo. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.
👥 Quiero el Kit →













