Automatización de decisiones con IA: cómo las empresas pueden confiar en modelos de IA

En resumen: La automatización de decisiones con IA permite que un modelo tome decisiones rutinarias de negocio, como qué equipo atiende un ticket o si una reseña es spam, mientras las reglas de la plataforma deciden qué pasa después: el modelo decide, la plataforma gobierna. Dataiku, la empresa de plataformas de datos e IA, la describe, también con el nombre de AI decisioning, como el criterio de un modelo combinado con las reglas de negocio y la orquestación de workflows. Los modelos de decisión de IA, un nuevo tipo de modelo, eligen una de las opciones del negocio y devuelven una probabilidad para cada una. La Decisions API de OpenAI, que da acceso a uno de ellos, está en beta pública y cobra USD 0,10 por millón de tokens de entrada en su tarifa base. La principal advertencia: un modelo que recibe las opciones equivocadas responde de todos modos, y con confianza.

Entregarle a un modelo las decisiones rutinarias puede sonar a dejarlas sin gobernanza. Este artículo muestra cómo mantener la gobernanza de esas decisiones dentro de las plataformas que la empresa ya opera, en e-commerce, contenidos, personalización y procesos de negocio. También explica cómo probar un modelo antes de confiar en él. Aplyca desarrolla proyectos de tecnología de marketing, personalización, operaciones de contenido y automatización de procesos de negocio (vea sus casos de éxito), y es partner de Flowable en Colombia y América Latina. Flowable es una plataforma de procesos de negocio y gestión de casos. La lección que recorre este artículo viene de una prueba inicial que hizo Aplyca con un modelo de decisión de IA: las opciones importan tanto como el modelo.

Automatización de decisiones con IA: reglas tradicionales y modelos de decisión de IA

La automatización de decisiones con IA permite que un modelo tome decisiones rutinarias de negocio mientras las reglas de la plataforma deciden qué pasa después. Las empresas ya usan modelos de decisión tradicionales, que aplican reglas que alguien escribió; un modelo de decisión de IA evalúa información desordenada, como texto o imágenes, y elige una de las opciones que define el negocio. El estándar Decision Model and Notation (DMN) define uno como "un modelo formal de un área de toma de decisiones". En la práctica, eso suele significar tablas de decisión DMN, que un motor aplica siempre de la misma manera. Cada respuesta se puede explicar con las reglas que alguien dejó por escrito.

Flowable ejecuta tablas de decisión DMN sobre variables tipadas del proceso, por ejemplo en el onboarding de un cliente. El límite de una tabla de decisión DMN está en su entrada: recibe valores tipados, no un texto ni una foto.

Un modelo de decisión de IA, como Jev, de TypeSafe AI, o el modelo detrás de la Decisions API de OpenAI, lee texto, datos o imágenes. Devuelve una de las opciones que define el negocio, con una probabilidad para cada opción. Los modelos de TypeSafe también devuelven un nivel de confianza (confidence), una medida independiente de qué tan segura es la respuesta, sobre la cual el software puede fijar umbrales.

La respuesta de un modelo de decisión de IA es un criterio aprendido, no una regla escrita: viene acompañada de una probabilidad, no de una regla que pueda leer quien hace la revisión. Nuestra guía sobre modelos de decisión de IA explica cómo funcionan, cuáles existen y cómo se comparan con los large language models (LLMs) y los clasificadores entrenados. Este artículo se ocupa de dónde encajan en las plataformas que opera una empresa.

Los modelos de decisión tradicionales y los de IA funcionan juntos. En palabras de Vercel, empresa de plataformas web, "las tablas de decisión existentes pueden seguir a cargo de la política de negocio". El diagrama muestra esa división desde nuestra perspectiva.

Cada caso de uso que sigue reparte el trabajo de la misma manera entre el modelo y la plataforma:

En e-commerce, el modelo clasifica publicaciones, reseñas y devoluciones, y la tienda actúa según sus reglas

Una tienda toma muchas decisiones pequeñas: en qué categoría va una publicación, si una reseña es genuina, cuál es el motivo de cada mensaje. TypeSafe incluye la clasificación de publicaciones de productos y la detección de abuso en reseñas entre los usos de Jev, y su propio ejemplo ordena productos en una taxonomía estándar de e-commerce, sin reportar la exactitud (accuracy). Kev, desarrollado por Jared Palmer, es una familia de modelos de decisión de IA con pesos abiertos (open weights) que una empresa puede ejecutar por su cuenta. Con Kev, el mensaje de un cliente de retail se enruta hacia devoluciones, envíos o facturación: clasificación de tickets con IA. En la guía de la Decisions API de OpenAI, el modelo revisa si la foto de un producto muestra daños.

Laya PHP es un cliente PHP open source para Laya, un modelo de decisión de IA con pesos abiertos que una empresa ejecuta en sus propios servidores. Su ejemplo de moderación de reseñas muestra el patrón: las respuestas con una confianza inferior a 0,7 pasan a una persona. La confianza es un puntaje que el modelo devuelve junto con sus probabilidades. Laravel, el framework de PHP, registra el cliente automáticamente, y una aplicación Symfony o cualquier otra aplicación PHP puede llamarlo por HTTP.

Desde nuestra perspectiva, las reglas de moderación y de pedidos de la tienda se quedan donde están, y el modelo aporta una probabilidad sobre la cual actuar.

Aplyca construye tiendas en línea y marketplaces, con gestión de vendedores, "comisiones configurables" por vendedor y "flujos de aprobación". También desarrolla aplicaciones empresariales en PHP con Symfony.

Personalización en tiempo real: varias decisiones por visita, y Contentful actúa según sus reglas

Contentful, la plataforma de contenidos headless, personaliza por audiencias, es decir, grupos de visitantes "identificados por un conjunto de reglas". Con un modelo de decisión de IA, el equipo que administra las audiencias sigue a cargo de ellas: el modelo solo le añade un valor a cada visitante, y una regla de tipo "has trait" comprueba si lo tiene. La personalización de Contentful es determinista: un visitante que cumple las condiciones de una audiencia siempre ve la variante dirigida a ella. Aquí, "tiempo real" significa la siguiente página vista: el modelo clasifica al visitante entre dos páginas vistas, y la siguiente página ya usa la respuesta.

Desde nuestra perspectiva, las acciones recientes del visitante, guardadas en una cookie, en un session store o en una plataforma de datos de clientes (CDP), se envían al modelo con varias preguntas acotadas, en lugar de pedirle un único puntaje de intención o de lead. Las preguntas son qué viene a hacer el visitante (su propósito), si la visita es comercial, qué tan urgente es y qué tan cerca está de una acción. Cuando una respuesta tiene una confianza alta, el sitio web la envía a Contentful como ese valor, y la regla de la audiencia elige el contenido. Si no, el visitante sigue viendo el contenido base. El diagrama muestra ese flujo.

Para la prueba inicial de Aplyca, con sesiones sintéticas de un sitio web en el entorno de pruebas (playground) de TypeSafe, escribimos recorridos como estos, cada uno con su respuesta esperada definida antes de ejecutar el modelo. La última columna muestra, desde nuestra perspectiva, cómo actúa el sitio ante cada respuesta:

Las propias funciones de IA de Contentful ayudan a los equipos a redactar audiencias y variantes; ninguna clasifica a un visitante en el momento en que se entrega una página.

En la Unión Europea (UE), la Directiva ePrivacy exige consentimiento para leer o almacenar información en el dispositivo de un visitante, salvo que sea estrictamente necesario. El kit de desarrollo de software (SDK) de Contentful recibe el consentimiento del visitante con cada solicitud.

Aplyca implementa personalización web y pruebas A/B para Contentful, con contenido según "ubicación, comportamiento y dispositivo". Nuestro artículo sobre la personalización en una plataforma de experiencia digital cubre los conceptos básicos.

En operaciones de contenido, el modelo asigna tags y filtra, y el workflow editorial aprueba

Los modelos de decisión de IA pueden asignarle tags a una entrada de contenido y señalar si necesita revisión antes de publicarla. TypeSafe describe la moderación como la combinación de "severidad y confianza para permitir, advertir, revisar o bloquear contenido". En su propia prueba, que clasificó los informes anuales de 60 empresas por sector, 27 de las 30 respuestas con una confianza de 0,9 o más fueron correctas; por debajo de ese nivel, lo fueron 12 de 30. Databricks, la plataforma de datos, ofrece en beta una función similar,

, con ejemplos como asignar tags a reseñas de clientes y preguntar "¿Este documento necesita revisión humana?".

Desde nuestra perspectiva, el modelo propone tags y señala riesgos, pero la decisión sigue en el gestor de contenidos (CMS) o en la plataforma de experiencia digital (DXP). Sus workflows definen quién aprueba y, si una respuesta tiene baja confianza, se añade una persona más a la revisión.

Aplyca implementa plataformas de contenido headless como Contentful, con "versionado y workflows".

Clasificación de documentos con IA en Flowable: el modelo responde y DMN aplica la política

En un proceso de negocio, alguien tiene que actuar según la respuesta del modelo, dentro de unas reglas y dejando registro. Flowable cumple esa función con procesos en Business Process Model and Notation (BPMN), casos en Case Management Model and Notation (CMMN) y decisiones en DMN. Su Agent Engine, el entorno de ejecución (runtime) de los agentes de IA, funciona junto a ellos.

Tomemos el onboarding de clientes: cada documento que llega necesita una clasificación de documentos con IA antes de que el caso pueda avanzar. Aquí, clasificar un documento significa elegir el paso al que va. Kai Waehner, especialista en arquitectura empresarial, describe un control basado en la confianza dentro de un workflow, con DMN como alternativa para las decisiones que deben explicarse regla por regla. Desde nuestra perspectiva, la política reside en DMN:

1. El caso pregunta, el modelo responde. El caso envía el documento al modelo de decisión de IA. Sus opciones son los plan items abiertos en ese momento, es decir, los pasos que el caso puede dar a continuación, más "necesita revisión". El modelo CMMN del caso es el harness que limita lo que pueden elegir tanto el modelo de decisión de IA como el Orchestrator Agent, el agente coordinador de Flowable.

2. La confianza decide quién decide. Según los umbrales que fija la tabla de decisión DMN, una respuesta con confianza alta archiva el documento y hace avanzar el caso. Una con confianza media pasa al Orchestrator Agent, y una dudosa, a una persona.

3. Las probabilidades se convierten en variables y DMN aplica la política. Una tarea de decisión DMN, el paso del caso que ejecuta una tabla de decisión DMN, lee las probabilidades y la confianza como variables tipadas del caso, y es donde se definen los umbrales.

4. Los controles de bajo costo se ejecutan en cada paso. Flowable 2026.1 añade guardrails, una capa de seguridad que envuelve la entrada y la salida de un agente, y agent evaluators, que califican su resultado. Desde nuestra perspectiva, un modelo de decisión de IA invocado como servicio es un control más de ese tipo.

5. El registro de auditoría pasa a ser el conjunto de entrenamiento. Cada decisión, con la corrección de la persona cuando la hubo, se convierte en un ejemplo etiquetado. Esos ejemplos sirven para evaluar el modelo y, cuando hay suficientes, para entrenar un clasificador menos costoso para los documentos rutinarios. Según nuestra guía, esa es la siguiente etapa en el ciclo de vida de una decisión. El registro de auditoría también alimenta el process mining.

El diagrama muestra el flujo de onboarding desde nuestra perspectiva.

Flowable no tiene un conector específico para modelos de decisión de IA, pero un caso puede llamar a uno como servicio externo, ya sea un servicio alojado o uno que se ejecute en los servidores de la propia empresa. Una tarea HTTP o una operación REST del service registry de Flowable envía el documento a la API del modelo y guarda la respuesta como variables del caso, que después lee la tarea de decisión DMN. La tarea de decisión de un caso también puede marcarse como "AI Activated" para que el Orchestrator Agent pueda usarla. Desde nuestra perspectiva, la respuesta del modelo de decisión de IA le da al Orchestrator Agent un primer criterio, rápido y económico, antes de que razone en profundidad. Nuestra guía sobre modelos de decisión de IA llama System One a ese papel. El caso conserva un mecanismo de respaldo (fallback) para cuando el modelo no responde.

La clasificación de tickets con IA sigue el mismo patrón: el modelo de decisión de IA elige el equipo para cada mensaje de soporte, y las reglas de la plataforma deciden si lo enrutan según esa respuesta o lo envían a una persona. Strands Decider, el modelo de decisión de IA de AWS, enruta hacia facturación un mensaje de soporte sobre pagos que fallan en su documentación.

Como partner de Flowable en Colombia y América Latina, Aplyca implementa Flowable para procesos y casos con aprobaciones, auditorías y agentes de IA. También automatiza workflows de ventas, onboarding y soporte con n8n, una herramienta de automatización de workflows.

Antes de que un agente actúe, un control de bajo costo decide si puede hacerlo

Los agentes de IA que actúan por su cuenta necesitan la misma división entre el criterio del modelo y las reglas de la plataforma. TypeSafe, AWS con su modelo Strands Decider y Databricks documentan, cada uno, un control que se ejecuta antes de que un agente actúe o después de que responda. Nuestra guía muestra en código el control de AWS, y nuestro artículo sobre el Model Context Protocol explica cómo los agentes acceden a los sistemas empresariales. Desde nuestra perspectiva, la plataforma le hace al modelo una pregunta de bajo costo antes de cada acción, y decide qué ocurre ante un "no".

Aplyca desarrolla soluciones de IA generativa para empresas, desde chatbots "para atención, ventas y soporte" hasta agentes de IA.

Cuando falta la opción correcta, el modelo responde de todos modos

Un modelo de decisión de IA siempre elige entre las opciones que recibe. La prueba inicial de Aplyca con sesiones sintéticas de un sitio web mostró lo que eso implica: un visitante que recorría páginas de empleo se clasificó como investigación, con confianza alta, porque las opciones no incluían un propósito relacionado con el empleo. El rediseño añadió ese propósito y planteó una pregunta por concepto, como el propósito, la urgencia y la cercanía a una acción. También separó "otro", para un propósito que no encaja en ninguna de las opciones, de "desconocido", para cuando hay muy poca evidencia.

Los proveedores dan el mismo consejo. OpenAI recomienda una opción de respaldo, como "otro", que lleve a una cola de revisión. TypeSafe recomienda una opción "otro" o "ninguna de las anteriores", con una descripción para cada una. Nuestra guía explica cómo la redacción de una pregunta cambia las respuestas.

Las opciones merecen el mismo cuidado que una política, porque en la práctica lo son.

Calcule el costo de una decisión con gobernanza, no el de una llamada al modelo

El costo que importa es el de una decisión con gobernanza. Desde nuestra perspectiva, el total es el precio de la llamada más el costo de la revisión: la proporción de respuestas que el umbral envía a una persona, multiplicada por lo que cuesta cada revisión. En la prueba de TypeSafe con informes anuales, un umbral de 0,9 habría enviado 30 de 60 respuestas, la mitad, a una persona: con esa proporción, el costo de la revisión, no el precio del modelo, define el total.

La Decisions API de OpenAI cobra una tarifa base de USD 0,10 por millón de tokens de entrada, las unidades de texto con las que factura, y no cobra por la salida. Se aplican recargos por procesamiento regional y por entradas largas. Laya, ejecutado a través de Laya PHP, no cobra por llamada: el costo es el del servidor.

HatchWorks, una consultora, verifica si cada respuesta es válida, correcta y autorizada, y cada "no" suma una revisión o un error. Dataiku hace seguimiento a la tasa de error, el costo por decisión y la frecuencia con la que las personas anulan la respuesta del modelo.

Los umbrales, las versiones del modelo, los proveedores y el consentimiento forman parte de la política del negocio

El área del negocio que asume el riesgo define los umbrales, la versión del modelo, el proveedor y las reglas de consentimiento. Dataiku recomienda el modo sombra (shadow mode): ejecutar primero el modelo en paralelo con el proceso actual, con una persona como respaldo. Los umbrales deben formar parte del workflow, versionarse junto con él y estar ligados a una sola versión del modelo. Nuestra guía explica cómo definirlos a partir de datos etiquetados.

Las entradas también forman parte de esa política: envíe al modelo solo los campos que necesita cada pregunta. Lo mismo ocurre con el proveedor. Jev es un servicio alojado sin un acuerdo de nivel de servicio (SLA) publicado, mientras que Clef, el modelo de decisión de IA de Cloudflare, y Kev publican pesos abiertos que una empresa puede ejecutar por su cuenta.

En la UE, clasificar a los visitantes según su comportamiento es elaboración de perfiles según el Reglamento General de Protección de Datos (GDPR), y los visitantes pueden oponerse a ella. La regla de consentimiento de la Directiva ePrivacy también cubre las cookies que guardan sus acciones. Determinar qué normas se aplican a un uso concreto le corresponde a la asesoría legal; en Colombia, eso incluye la Ley 1581 de 2012.

Pruebe un modelo de decisión de IA antes de confiar en él, y no lo use donde una regla ya responde

Un modelo de decisión de IA no es la herramienta adecuada cuando la respuesta debe ser texto libre y no una opción de un conjunto, cuando las opciones no se pueden definir de antemano o cuando una regla ya resuelve la decisión.

Donde sí encaja, empiece por un solo punto de decisión. Escriba los resultados esperados antes de ejecutar el modelo, cambie una variable a la vez y ejecute el modelo en modo sombra, en paralelo con las decisiones actuales. La prueba de Aplyca se rediseñó para cambiar una variable a la vez, después de que sus primeros casos de prueba resultaron demasiado imprecisos para medir con ellos. En el rediseño, el mismo recorrido se ejecuta lento, luego rápido y luego rápido con un formulario de contacto iniciado, y la urgencia debería aumentar en ese orden. Unos casos trampa verifican que ninguno de estos se interprete como intención de compra: la página de precios por sí sola, una página de contacto abierta para consultar la dirección de la oficina o una ráfaga de clics rápidos.

Una perspectiva para América Latina: pruebe en español y sepa adónde van los datos

Ninguna evaluación publicada mide los modelos de decisión de IA en decisiones en español, así que pruebe cualquier modelo primero con sus propios casos de prueba en español o portugués. Nuestra guía resume lo que dicen quienes desarrollan estos modelos sobre otros idiomas.

OpenAI procesa los datos de la Decisions API en Estados Unidos o en Europa y no menciona ninguna región en América Latina.

En Colombia, la ley de protección de datos personales, la Ley 1581 de 2012, exige una autorización previa, expresa e informada para tratar datos personales y restringe las transferencias a países sin un nivel adecuado de protección. La Superintendencia de Industria y Comercio (SIC), autoridad de protección de datos del país, considera datos personales los datos recolectados mediante cookies.

Preguntas frecuentes

¿Necesitamos nuevas plataformas para usar modelos de decisión de IA?

No. El modelo se invoca como un servicio y cada plataforma conserva sus reglas. Una tienda en PHP lo llama a través de Laya PHP o por HTTP; un sitio web le pasa la respuesta a Contentful como un valor que una regla de audiencia evalúa, y un caso de Flowable lo llama como servicio externo.

¿Puede Flowable llamar a un modelo de decisión de IA?

Sí, mediante configuración y no con un conector integrado. Un caso envía el documento a la API del modelo con una tarea HTTP o con una operación REST del service registry de Flowable, y guarda la respuesta como variables del caso. Luego, una tarea de decisión DMN aplica los umbrales. Para los LLMs que usan sus agentes de IA, Flowable acepta modelos de OpenAI, Anthropic o Azure OpenAI, o cualquier modelo que exponga una API compatible con la de OpenAI o la de Anthropic, incluido uno que la empresa aloje por su cuenta.

¿Podemos ejecutar un modelo de decisión de IA en nuestros propios servidores?

Sí, con un modelo de pesos abiertos. Laya se ejecuta en los servidores de la propia empresa, sin costo por llamada, y Kev y Clef publican pesos abiertos. Jev y la Decisions API de OpenAI son servicios alojados. Cuando los datos personales deben permanecer en el país, el primer modelo que conviene probar es uno de pesos abiertos.

¿Se pueden usar modelos de decisión de IA en procesos regulados?

Sí, cuando el proceso conserva las reglas y el registro. La Ley de IA de la UE (AI Act) pide que los sistemas de alto riesgo registren eventos de forma automática y permitan una supervisión humana capaz de anular sus resultados o detenerlos. Un proceso que registra cada decisión y envía las dudosas a una persona facilita esa supervisión. En Colombia, la Ley 1581 de 2012 también rige los datos personales que use ese proceso; en otros países de América Latina y en Estados Unidos, las reglas son un tema para la asesoría legal.

¿Puede un modelo de decisión de IA personalizar una página mientras se carga?

No hay evidencia publicada de que pueda hacerlo. TypeSafe declara unos 100 ms para la mayoría de las consultas a Jev, sin indicar en qué condiciones, y esa cifra no es una medición de la carga de una página. Clasificar entre una página vista y la siguiente evita la espera.

La automatización de decisiones con IA empieza por una decisión rutinaria y las reglas que se conservan

Para cada equipo, la pregunta ahora es qué decisión rutinaria entregarle a un modelo y qué reglas conserva la plataforma. El modelo decide, la plataforma gobierna: las opciones, los umbrales, las personas que revisan y el registro siguen en manos del negocio. El mejor primer candidato es una decisión frecuente que hoy toman personas a partir de información desordenada, dentro de reglas que ya determinan lo que ocurre después. Un ejemplo es el propósito del visitante en un sitio web que personaliza con Contentful; otro, el paso que toma un documento entrante en un caso de onboarding en Flowable.

Hable con Aplyca sobre cómo configurar la personalización y las pruebas A/B en Contentful

Hable con Aplyca sobre cómo implementar Flowable para procesos y casos