OpenAI Decisions API: cómo cambian las decisiones tipadas el software

Resumen: el software de IA obtiene un endpoint de decisiones

OpenAI anunció Decisions API en beta el 6 de octubre de 2026. Su objetivo es más específico que el de una API general de generación: evalúa texto, imágenes o ambos y devuelve respuestas tipadas que una aplicación puede utilizar. La guía oficial describe tres formas: una probabilidad de predicado, una elección entre valores fijos y una puntuación basada en niveles ordenados. OpenAI afirma que este tipo de tareas puede ser hasta diez veces más rápido que usar Responses API.

No es un sustituto universal de la generación. Puede encajar mejor en enrutamiento, triage, moderación, priorización e inspección de imágenes cuando el software necesita un resultado limitado y no un párrafo. Consulta la guía oficial de Decisions API y compara herramientas relacionadas en el directorio de software de BTTC.

Qué se ha lanzado

El endpoint es POST /v1/decisions. La solicitud contiene un modelo, una entrada compartida y una o más preguntas con nombre. La guía beta actual indica que gpt-6-luna es el único modelo disponible. Cada pregunta define qué evaluar y, cuando corresponde, incluye opciones permitidas o niveles ordenados. La respuesta devuelve un array de respuestas identificadas por el nombre de la pregunta.

La idea central es separar la evidencia del formato de salida. Una reclamación puede enviarse a facturación, soporte técnico o envíos. Una imagen puede evaluarse para detectar daños visibles. Un documento puede recibir una puntuación de gravedad. No siempre hace falta prosa abierta; hace falta un valor que pueda consumir una cola, una regla, un panel o un flujo.

Usa predicate para comprobar una condición, choice para categorías sin orden y score para niveles ordenados. Las preguntas independientes pueden compartir una solicitud. Si una respuesta determina la siguiente pregunta, envía otra solicitud para que la dependencia quede clara.

Por qué importa para la arquitectura

Muchos productos de IA siguen tratando cada solicitud como un chat. Eso ayuda en un prototipo, pero en producción obliga a analizar texto, controlar campos ausentes, definir fallbacks y comprobar si una respuesta puede iniciar una acción.

Una respuesta tipada aclara el límite. Una probabilidad se puede comparar con un umbral, una opción puede mapearse a una cola y una puntuación puede activar revisión humana. La incertidumbre no desaparece; se convierte en un valor que la aplicación puede medir y gobernar.

Si necesitas explicaciones, JSON personalizado, llamadas a herramientas o texto abierto, Responses con Structured Outputs o function calling puede ser mejor. Si solo necesitas una clasificación o señal de prioridad limitada, un endpoint dedicado puede reducir la latencia y el código posterior.

Cuatro comprobaciones antes de producción

1. Formula preguntas observables

“¿Es un buen cliente y debemos priorizarlo?” mezcla varios juicios. Sepáralo en “¿el mensaje describe un problema de facturación?” y “¿incluye una fecha límite?”. Las preguntas distintas son más fáciles de probar y explicar. En imágenes, describe criterios visibles y evita pedir una opinión general ambigua.

2. Ajusta los umbrales con ejemplos etiquetados

Una probabilidad no es automáticamente una regla de negocio. Mide falsos positivos y negativos con ejemplos representativos y elige el umbral según el coste de cada error. Revisa los umbrales si cambian el tráfico, el idioma, los productos o los patrones de abuso.

3. Conserva evidencia y revisión

El resultado debe poder relacionarse con la entrada, la pregunta, la versión del modelo, el umbral y cualquier corrección humana. La documentación de controles de datos de OpenAI explica la retención y el procesamiento regional de /v1/decisions, incluido Zero Data Retention para clientes elegibles. Verifica las condiciones de tu organización antes de enviar datos sensibles.

4. Diseña fallos y fallback

Los límites de tasa, timeouts, entradas inválidas y casos ambiguos son normales. Decide qué hacer si la API no responde, la confianza es baja o la puntuación queda entre dos niveles. Una revisión humana o una cola sin acciones irreversibles suele ser un buen valor predeterminado.

Más rápido no significa automáticamente más barato

La guía indica un coste de entrada de 0,10 dólares por un millón de tokens para gpt-6-luna, aunque pueden aplicarse recargos regionales y multiplicadores por contexto largo. Incluye reintentos, supervisión, etiquetado, revisión, almacenamiento, integración y errores de enrutamiento en el cálculo. Un modelo rápido que envía los casos al equipo equivocado puede costar más que un flujo lento con una buena barrera de revisión.

Al elegir software alrededor de la API, busca registros, replay, controles de umbral, exportación, permisos y disponibilidad clara del modelo. Una demo no basta si el producto no muestra evidencias, no recupera fallos parciales o no permite cambiar de proveedor.

Preguntas frecuentes

La documentación oficial es la referencia para el comportamiento beta y los modelos compatibles.

Conclusión

Decisions API muestra una división útil: generación para trabajos ricos en lenguaje y decisiones tipadas para lógica acotada. Puede simplificar el enrutamiento y el triage, pero exige preguntas medibles, umbrales calibrados, entradas trazables, revisión de privacidad y un fallback seguro.