Artículo

Modelos como Jev: ¿puede un sí/no explicar una decisión de negocio?

Recientemente escribí sobre Jev y esta nueva categoría de modelos System One, que en lugar de devolver texto en lenguaje natural, están diseñados para elegir entre opciones, asignar scores y determinar qué tan probable es que una proposición sea verdadera.

En diversas tareas dentro de un sistema, un modelo de estos, funcionando como una caja negra, puede ser perfectamente aceptable, especialmente cuando ofrece un buen time-to-value: podemos incorporarlo rápidamente, obtener métricas buenas y consistentes y pasar a producción sin una complejidad excesiva. Es algo que llevamos años aceptando con modelos pre-entrenados de clasificación cuando la explicación del resultado no es relevante para el negocio.

Pero seamos honestos: trasladar este paradigma directamente a procesos de negocio presenta una barrera de adopción importante.

¿Por qué?

Porque en el mundo corporativo, un área de negocio difícilmente va a pasar a producción una automatización que toma decisiones sobre un proceso funcional si no puede entender por qué el sistema llegó a ese resultado.

Una decisión de negocio necesita ser comprensible para quienes deben utilizarla o hacerse responsables de ella: poder entenderla, cuestionarla cuando sea necesario y tener suficiente confianza para incorporarla al proceso. Dependiendo del contexto, también puede ser necesario justificarla ante un comité, un cliente o un regulador.

Y ahí es donde empecé a darle vueltas a una pregunta:

¿Y si con modelos como Jev realmente fuera posible?

¿Qué pasaría si descomponemos una decisión hasta el punto de que su justificación pueda construirse únicamente a partir de una secuencia de sí y no?

De una decisión generativa a primitivas verificables

Hoy, una aproximación habitual con un LLM generativo consiste en proporcionarle toda la información disponible sobre un caso y pedirle que tome una decisión y explique las razones que la sustentan:

Prompt al LLM: “Evalúa esta solicitud de crédito comercial adjunta y determina si procede la aprobación según las políticas vigentes. Justifica tu decisión.”

Respuesta: “No se aprueba la solicitud. Aunque el solicitante cumple con el historial crediticio mínimo, el balance financiero adjunto carece de firma digital y no se localizó en el expediente el ticket formal de preaprobación emitido por la gerencia regional.”

La capacidad de estos modelos para procesar representaciones latentes complejas, inferir relaciones dentro de información no estructurada y sintetizar razonamientos semánticos resulta especialmente útil cuando existe ambigüedad o alta entropía en el problema.

Pero surge una alternativa: ¿podríamos obtener esa misma trazabilidad sin depender de que un modelo generativo redacte una explicación después de tomar la decisión?

Aquí es donde entra la descomposición en primitivas.

En lugar de delegarle al modelo la resolución completa del caso en un único bloque no determinista, podemos reducir el problema a una serie de proposiciones suficientemente concretas:

• P1: ¿El solicitante presentó un documento de identidad oficial vigente? → Sí (99% de probabilidad)
• P2: ¿El archivo adjunto contiene una firma digital verificable del emisor? → No (97% de probabilidad)
• P3: ¿Existe un ticket formal de preaprobación de la gerencia regional en el sistema? → No (99% de probabilidad)

Jev se encarga de resolver esas primitivas: emitir una clasificación booleana junto con su distribución de probabilidad.

A partir de ahí, la decisión puede quedar fuera del modelo y ser resuelta por una estructura formal:

• Lógica proposicional: reglas explícitas como (P1 ∧ P2) ∨ P3 → Aprobado.
• Árboles de decisión: cada nodo evalúa una primitiva y la ruta de ejecución queda determinada por sus resultados.
• Scoring o lógica difusa: cuando el dominio requiere grados de pertenencia o umbrales, los scores pueden incorporarse a una función explícita sin perder la trazabilidad de las variables utilizadas.

El verdadero reto está en formular la pregunta y dominio

Hay una condición innegociable: un sí o un no solo aporta valor si responde a una proposición formalmente verificable.

Tomemos dos ejemplos:

• «¿La autorización comercial sigue vigente en la fecha de radicación?» → Sí.
• «¿La solicitud es razonable para el perfil del cliente?» → Sí.

Aquí emerge la verdadera fricción del enfoque. Reducir un proceso de negocio a primitivas binarias no es un problema de machine learning; es un ejercicio riguroso de modelado de dominio. Exige sentarse con los líderes funcionales, desarmar heurísticas implícitas, aislar variables observables y codificar los invariantes del negocio.

La complejidad no desaparece. Se mueve.

Pasa de estar principalmente en la inferencia del modelo a estar en el diseño del dominio y de las reglas que gobiernan la decisión.

Más ingeniería al principio, menos incertidumbre en ejecución

Al desacoplar la percepción (evaluar primitivas atómicas) del razonamiento (la lógica del flujo), no dependemos de un LLM generativo para sostener la coherencia del proceso. Un modelo System One ultrarrápido resuelve los predicados con latencia mínima, mientras un motor de reglas tradicional o un árbol de decisión gobierna el resultado final.

Las ventajas operativas son inmediatas:

• Costos y latencia drásticamente menores: frente al muestreo autorregresivo.
• Trazabilidad determinista: la auditoría se apoya en una traza lógica explícita, no en una justificación post-hoc generada por el modelo.
• Políticas versionables: los criterios cambian en código o configuración, sin reentrenar ni lidiar con regresiones silenciosas en el prompt.
• Superficie de prueba predecible: cada proposición y cada rama de decisión se pueden testear de forma aislada.

En términos de arquitectura: invertir más tiempo modelando el dominio compra predictibilidad y ahorros en producción.

No todo cabe en un sí o un no

Esta arquitectura tiene una frontera evidente: no todo problema tolera una reducción a primitivos.

Forzar este esquema en cualquier escenario es un error de modelado. Por citar solo algunos ejemplos de dónde no encaja (y seguro hay más):

• Tareas netamente exploratorias o de research: escenarios donde ni siquiera las preguntas iniciales están definidas y el objetivo es mapear el espacio, conectar puntos dispersos o descubrir patrones emergentes.
• Generación y articulación de contenido: situaciones donde el resultado esperado no es una clasificación o un score, sino sintetizar ideas, redactar un entregable o razonar sobre lenguaje sin un esquema predeterminado.
• Ambigüedad contextual: casos atípicos o disputas complejas donde la decisión depende de matices e intenciones que no se pueden parametrizar en reglas claras.

La meta no es prescindir de los LLMs generativos, sino dejar de usarlos donde resultan innecesariamente caros y lentos para hacer lo mismo. Al final, el punto central es que podemos resolver y justificar una decisión compleja descomponiéndola: dejamos que un modelo como Jev valide cada premisa atómica por separado, y la justificación queda servida de forma natural a través de las mismas respuestas.

Si quieres implementar Jev, estuve explorando cómo integrarlo con Vercel AI Gateway + LangChain. Dejé el ejemplo aquí: https://dcastillogi.com/blog/jev-typesafe-ai-langchain-vercel-ai-gateway