Una nueva arquitectura de inteligencia artificial está capturando la atención de equipos de desarrollo en empresas tecnológicas: los modelos basados en probabilidades, que en lugar de generar texto producen lo que sus creadores denominan "decisiones calibradas". A diferencia de los modelos de lenguaje grandes (LLM), este enfoque define las salidas con antelación, eliminando el riesgo de alucinaciones y reduciendo significativamente los tiempos de procesamiento.

El modelo en cuestión, desarrollado por TypeSafe AI —startup fundada por Diogo Almeida, investigador que contribuyó al desarrollo de ChatGPT en OpenAI—, ya registra casos de uso documentados en empresas de software. En Vercel, al sustituir un LLM convencional por este sistema en la revisión de comandos de seguridad, los resultados fueron entre 5 y 18 veces más rápidos y precisos. En Bryo AI, una prueba de clasificación de correos electrónicos comerciales arrojó un costo de operación entre 10 y 20 veces menor frente a alternativas como Gemini, aunque con una ligera diferencia en precisión a favor de este último.

Automatización sin alucinaciones: la apuesta técnica detrás del modelo

La propuesta central de esta arquitectura es que las computadoras no operan en lenguaje natural, sino en estructuras de datos y decisiones binarias. Forzar a un LLM a actuar como motor de automatización implica traducir constantemente entre dos paradigmas incompatibles, lo que genera latencia, errores y costos innecesarios. Al trabajar directamente con probabilidades y salidas predefinidas, el modelo elimina esa fricción.

Uno de los casos de uso más relevantes para operaciones a escala es el enrutamiento de modelos: predecir qué tipo de carga de trabajo requiere un modelo específico permite optimizar recursos computacionales y reducir costos de infraestructura. Además, el sistema puede funcionar como capa de verificación sobre LLMs existentes, evaluando la probabilidad de que una salida sea correcta antes de que llegue al usuario final o a otro proceso automatizado.

Implicaciones para la arquitectura de agentes de IA

Almeida propone un cambio de paradigma en la supervisión de agentes de IA: en lugar de usar un agente para monitorear a otro —práctica costosa y propensa a errores en cadena—, un modelo probabilístico puede rastrear las trazas de los LLM con mayor eficiencia y menor costo. Esto transfiere el control de calidad a una capa más ligera y auditable.

La demanda inicial fue suficiente para que la empresa limitara temporalmente el acceso a su API, señal de que el mercado de desarrolladores está buscando activamente alternativas a los LLM para casos de uso donde la velocidad, el costo y la predictibilidad son más críticos que la generación de lenguaje natural. Para organizaciones que están construyendo flujos de trabajo de automatización a escala, este tipo de arquitectura representa una variable técnica y financiera que merece evaluación en paralelo a las soluciones LLM convencionales.