¿A qué llamamos un modelo de decisión?

Por tres años, la industria de la IA trató cada problema de procesamiento como si fuera un problema de generar texto.

Cuando un agente autónomo necesita escoger una herramienta, verificar una transacción financiera, priorizar una vulnerabilidad de seguridad, ajustar un actuador robótico o definir si una acción requiere que una persona la apruebe, el estándar de la industria fue pedirle a un modelo de lenguaje de 70 mil millones de parámetros que genere un chorro abierto de tokens, y quedarse esperando. Después, los equipos arman patrones regex frágiles, parsers de JSON especulativos y bucles de reintento para sacar de esa respuesta una sola palabra o un booleano.

Ese camino no solo desperdicia cómputo. Gasta cientos de pasos de decodificación autorregresiva, en serie, para llegar a una salida que entra en dos bits. En el fondo, la arquitectura no corresponde al problema.

Los modelos de lenguaje generativos se entrenaron para maximizar la probabilidad del siguiente token sobre una distribución de texto infinita. Hablan, conversan y, por cómo están armados, alucinan cuando falta certeza. Pero el 95% del flujo de control en el software no necesita un texto largo.

Hace falta una decisión.

Variedad de muchas dimensiones que muestra estados de decisión deterministas y calibrados, cerrados por restricciones matemáticas. — Figura 1 · Transiciones de estado con límite, frente a secuencias de tokens sin restricción. Los modelos de decisión llevan la evidencia multimodal directo a distribuciones de acción calibradas.

Los modelos de lenguaje razonan. Los modelos de decisión toman la decisión.

Para ver la diferencia, hay que mirar la función objetivo que cada uno optimiza.

Un modelo de lenguaje grande (LLM) optimiza la probabilidad autorregresiva de los tokens sobre una secuencia abierta:

Loss_LLM = - Σ log P(w_t | w_<t)

Genera una secuencia de tokens w_1, w_2, ..., w_n sacada de un vocabulario sin tope, de más de 100,000 posibilidades. No puede decir que no le alcanza la evidencia para responder si no es generando frases que suenan modestas. No puede devolver una distribución de probabilidad nativa sobre un espacio de estados de operación. Y los números de confianza que él mismo reporta casi nunca están calibrados.

Un modelo de decisión optimiza otra cosa. Con un estado de evidencia explícito E y un espacio de decisión estructurado D, calcula un mapeo directo a una salida limitada y tipada y:

y_hat = argmax_y P(y | E, D)

Trae una distribución posterior calibrada de forma estricta, P(y | E), y una primitiva de operación de primera clase para abstenerse con criterio (DEFER).

Dimensión de la arquitectura	Modelos de lenguaje generativos (LLM)	Modelos de decisión (como Hanzo Kai)
Objetivo de fondo	Sintetizar y generar texto abierto	Transiciones de estado discretas, que se pueden verificar
Espacio de salida	Secuencias de tokens sin tope (vocabulario de 100k+)	Esquemas limitados y tipados de forma estricta (`Choice`, `Score`, `Predicate`, `Defer`)
Confianza y calibración	Sin calibrar; una softmax inventada sobre los tokens	Probabilidades calibradas con datos (`P = 0.90` quiere decir 90% de exactitud)
Cómo se representa el estado	Una ventana de contexto pasajera, hecha de cadenas de tokens	Un plano de evidencia multimodal estructurado, con procedencia criptográfica
Topología de ejecución	Decodificación autorregresiva en serie (latencia `O(N)`)	Resolución de grafos en paralelo y difusión de la decisión (paso hacia adelante `O(1)`)
Qué hace con la duda	Alucina completaciones que suenan creíbles	Abstención con criterio (`DEFER` hacia una política o un revisor humano)
Qué se puede auditar	Explicaciones verbales que no son deterministas	Paquetes de decisión inmutables, que se pueden repetir, con pruebas de hash criptográfico

Cuando ustedes separan el razonamiento de la decisión, la arquitectura del sistema queda órdenes de magnitud más simple, más rápida y más confiable.

Los cinco pilares de arquitectura de un modelo de decisión

Un modelo de decisión de verdad no es un LLM con el prompt «Responde con JSON válido». Es una arquitectura neuronal propia, diseñada desde cero para evaluar dentro de un límite. El modelo de decisión de pesos abiertos de Hanzo, Kai 1, se sostiene en cinco pilares:

1. Salidas con límite y con tipo (cero parseo de cadenas)

En el software de producción, cada interfaz entre sistemas tiene que estar tipada de forma estricta. Pedirle a un modelo de lenguaje que produzca una decisión y esperar que respete un esquema regex mete un riesgo de cola catastrófico.

Los modelos de decisión se sacan de encima el parseo de texto. Cada salida nace tipada en una de cuatro primitivas:

Choice<T>: una opción de un conjunto de candidatos explícito y enumerado, junto con la distribución de probabilidad completa sobre todas las alternativas (p_1, p_2, ..., p_k, donde Σ p_i = 1.0).
Score[min, max]: un puntaje cuantitativo, cerrado dentro de límites operativos fijos, con intervalos de confianza.
Predicate: una verificación booleana pura (true o false), con una certeza calibrada.
Defer: un rechazo explícito a adivinar cuando la evidencia no alcanza o se contradice, y la ejecución pasa a una política de respaldo ya definida o a una persona en el circuito.

Como la capa de salida queda atada al esquema válido en los logits, un modelo de decisión, en lo físico, no puede devolver un resultado fuera de rango, un valor de enum ilegal o un payload mal formado.

// Calling Hanzo Kai 1 via the unified SDK:
const decision = await kai.decide({
  question: "deploy_canary_to_production",
  schema: {
    type: "choice",
    options: ["promote", "rollback", "quarantine", "defer_to_sre"],
  },
  evidence: [
    { type: "p99_latency_ms", value: 142, threshold: 150 },
    { type: "error_rate_delta", value: "+0.002%", threshold: "+0.01%" },
    { type: "canary_health_score", value: 0.98 },
  ],
});

// The result is directly typed, validated, and calibrated:
console.log(decision.result);      // "promote"
console.log(decision.probability); // 0.964
console.log(decision.entropy);     // 0.12 (low uncertainty)

2. El plano unificado de evidencia multimodal

En el mundo real, las decisiones casi nunca dependen solo del texto. En dominios críticos, como finanzas soberanas, manipulación robótica, triaje médico automatizado y telemetría industrial, hay que leer señales distintas al mismo tiempo.

Corrientes de evidencia distintas —código, telemetría, documentos, sensores— codificadas en un núcleo de evidencia unificado, de muchas dimensiones, con procedencia criptográfica. — Figura 2 · El plano de evidencia multimodal. Las entradas distintas se codifican en una representación de evidencia compartida, y cada entrada guarda su procedencia criptográfica SHA-256.

Un modelo de decisión no convierte tablas, feeds de sensores y arreglos de radar en tablas Markdown incómodas para que un LLM las lea. Kai usa codificadores de modalidad especializados:

Telemetría y series de tiempo: ventanas móviles vectorizadas y rasgos del dominio de la frecuencia.
Visual y térmica: tokens visuales densos, salidos de backbones de visión.
Estado estructurado: proyecciones de entidades en grafo y relacionales, desde el Hanzo Datastore.
Código y especificaciones: embeddings semánticos a nivel de AST y matrices de requisitos formales.

Todas las modalidades caen en un plano de evidencia unificado. Lo que más importa: la evidencia guarda procedencia criptográfica. Cada tensor de entrada se hashea y queda con su huella. Si alguien audita una decisión seis meses después, el estado exacto de la entrada se reconstruye bit por bit.

3. Resolución de grafos en paralelo y difusión de la decisión

El cuello de botella más grande de los agentes autónomos de hoy es la ejecución en serie. Un ciclo de agente que necesita 50 decisiones intermedias, por lo general, llama a un LLM 50 veces seguidas. A 500ms o 2s por completación, el agente se pasa minutos solo recorriendo su propio flujo de control.

Además, el error se propaga de forma catastrófica en las cadenas seriales de LLM. Si cada paso acierta el 95% de las veces, una cadena de 20 pasos solo sale bien en:

0.95 ^ 20 ≈ 35.8%

Un grafo de decisión denso y conectado que se resuelve en pasadas de difusión en paralelo, cierra al instante los nodos de alta confianza y afina las aristas de alta entropía. — Figura 3 · Difusión de la decisión. En vez de docenas de idas y vueltas en serie a un LLM, un DAG de decisión se asienta en pasadas paralelas y solo afina los nodos de alta entropía.

Los modelos de decisión resuelven esto con difusión de la decisión sobre grafos acíclicos dirigidos (DAG).

En vez de evaluar una decisión detrás de otra, el programa de decisión completo se manda de una sola vez. En un paso hacia adelante:

Pasada 1 (convergencia inmediata): el 80–90% de los nodos con evidencia clara se resuelve en el acto, con confianza alta (P > 0.99).
Pasada 2 (difusión condicional): los nodos que dependen de otros reciben los estados ya cerrados de sus padres y afinan sus distribuciones de probabilidad.
Pasada 3 (satisfacción de restricciones): los nodos que siguen con entropía alta, o en conflicto, se evalúan contra restricciones de frontera formales.

Un flujo complejo, con 100 decisiones operativas que dependen unas de otras, se resuelve en milisegundos, no en minutos.

4. Calibración rigurosa y abstención con criterio

Si un modelo de IA les dice que tiene un 99% de confianza, ¿qué tan seguido acierta de verdad?

En los modelos generativos de estantería, la confianza que reportan ellos mismos casi no se correlaciona con la verdad. Se sobreconfían de forma grave con entradas fuera de distribución y alucinan, sin problema, justificaciones convincentes de salidas equivocadas.

En aplicaciones industriales, aeroespaciales y financieras, una respuesta equivocada y demasiado segura es fatal. Un modelo de decisión tiene que estar calibrado con datos:

E[ Indicator(y_pred == y_true) | P(y_pred) = p ] = p

Cuando Kai devuelve una probabilidad de 0.85, esa decisión es correcta, en la práctica, exactamente el 85% de las veces.

       Uncalibrated LLM (Overconfident)            Calibrated Decision Model (Kai)
  1.0 |                    /                 1.0 |                     /
      |                   /                      |                   /
A 0.8 |             _____/                 A 0.8 |                 /
C     |            /                       C     |               /
C 0.6 |           /                        C 0.6 |             /
      |          /                         |          /
  0.4 |    _____/                          0.4 |        /
      |   /                                      |      /
  0.2 |  /                                   0.2 |    /
      | /                                        |  /
  0.0 +----------------------                0.0 +----------------------
      0.0  0.2  0.4  0.6  0.8  1.0               0.0  0.2  0.4  0.6  0.8  1.0
             CONFIDENCE                                 CONFIDENCE

Cuando la entropía pasa una tolerancia al riesgo parametrizada τ, el modelo no adivina. Llama a la abstención con criterio:

Entropy(P(y | E)) = - Σ p_i * log(p_i) > τ  ==>  DEFER

El sistema le devuelve la ejecución a especialistas humanos o a reglamentos deterministas, y entrega un gradiente de sensibilidad explícito que marca qué pieza de evidencia faltante bajaría más la entropía.

5. Paquetes de decisión que se pueden repetir (el rastro de auditoría)

En empresas reguladas, «la IA generó este texto» no sirve como defensa legal ni como postura de cumplimiento.

Cada decisión que Kai evalúa produce un paquete de decisión inmutable, sellado con criptografía:

{
  "decision_id": "dec_8f0a2c91b4",
  "program_version": "fraud_triage_v2.4",
  "timestamp": "2026-09-30T19:00:00Z",
  "model": {
    "name": "kai-1-core",
    "weights_sha256": "e3b0c44298fc1c149afbf4c8996fb92427ae41e4649b934ca495991b7852b855"
  },
  "evidence_fingerprints": {
    "transaction_context": "sha256:7c9e...",
    "biometric_telemetry": "sha256:4a1d...",
    "historical_risk_profile": "sha256:9f8b..."
  },
  "posterior_distribution": {
    "approve": 0.012,
    "step_up_mfa": 0.976,
    "terminate_session": 0.009,
    "defer_to_fraud_desk": 0.003
  },
  "selected_action": "step_up_mfa",
  "entropy": 0.098,
  "signature": "ed25519:3b7a8f..."
}

Si un auditor o un ingeniero de respuesta a incidentes consulta una transacción años después, puede repetir el paquete de decisión contra la revisión exacta del modelo y comprobar que la salida fue determinista en lo matemático, a prueba de manipulación y alineada con la política.

Dónde van los modelos de decisión en su stack

Los modelos de decisión no reemplazan a los modelos generativos. Les quitan a los modelos generativos los trabajos para los que nunca fueron diseñados.

En las arquitecturas de empresa de hoy, los sistemas rinden cuando las tareas quedan bien separadas entre generación y control:

                          ┌──────────────────────────┐
                          │   Incoming Workload      │
                          └─────────────┬────────────┘
                                        │
                                        ▼
                          ┌──────────────────────────┐
                          │       Enso Router        │
                          │  (Task Intent & Triage)  │
                          └──────┬────────────┬──────┘
                                 │            │
             Generative Tasks    │            │   Control & Decision Tasks
       (Code, Research, Content) │            │   (Routing, Approvals, Safety)
                                 ▼            ▼
                     ┌───────────────┐    ┌───────────────┐
                     │  Zen Models   │    │  Kai Models   │
                     │ (LLM / Reason)│    │ (Decision Mod)│
                     └───────────────┘    └───────┬───────┘
                                                  │
                                                  ▼
                                          ┌───────────────┐
                                          │Typed Decision │
                                          │    Package    │
                                          └───────────────┘

Zen: los modelos generativos de frontera de Hanzo, hechos para razonar. Usen Zen cuando necesiten investigación de texto a fondo, pruebas de cadena de pensamiento de varios pasos, síntesis creativa y redacción de documentos.
Kai: la familia de modelos de decisión de pesos abiertos de Hanzo. Usen Kai cuando necesiten ruteo determinista, selección de herramientas, umbrales de seguridad, ejecución de operaciones, triaje y control del ciclo del agente.
Enso: el meta-enrutador de alto rendimiento que inspecciona las tareas que entran en la capa de los microsegundos, manda las tareas generativas a Zen y las de decisión a Kai.

Pesos en abierto. Infraestructura soberana.

Una infraestructura de decisión en la que se pueda confiar no puede quedar encerrada en una API cerrada de un tercero que cambia de comportamiento sin avisar. Cuando un modelo gobierna despliegues de producción, sistemas físicos o riesgo financiero, ustedes tienen que tener soberanía completa sobre sus pesos, su runtime y la privacidad de los datos.

Kai 1 es de pesos abiertos. Lo pueden correr:

En la nube soberana de Hanzo: a escala global, con garantías de egress en cero y latencias por debajo del milisegundo.
En su propia VPC o en sus instalaciones: se despliega con Docker o Kubernetes, en GPU NVIDIA, AMD ROCm o nodos de CPU de alta densidad.
En el edge: del todo desconectado, para robótica, aeroespacial y entornos de defensa soberana.

Dejen de pedirle a los modelos de lenguaje que escriban textos largos cuando su software solo necesita una decisión.

Les damos la bienvenida a la era de la inteligencia de decisión.

Kai 1 · Pesos en abierto

Decidir, no completar

Corran Kai hoy por la Hanzo Cloud API, o descarguen los pesos abiertos para desplegar modelos de decisión calibrados dentro de su infraestructura soberana.

Exploren Kai 1 →Lean la documentación técnica Conozcan a la autora ↗