OpenAI desarrolla un clon de Jev para neutralizar la autonomía descontrolada de sus agentes

OpenAI ha movido ficha en su última conferencia para desarrolladores, el Dev Day 2026, introduciendo la denominada Decisions API. Este movimiento estratégico busca resolver uno de los problemas más persistentes de la Inteligencia Artificial actual: el coste prohibitivo y la latencia operativa cuando se despliegan agentes autónomos a gran escala. La nueva interfaz permite que modelos avanzados, como el sistema Luna de la propia compañía, operen sobre un conjunto predefinido de opciones, optimizando la capacidad de respuesta y manteniendo al mismo tiempo las salvaguardas de seguridad necesarias.

La arquitectura de la inmediatez y la eficiencia operativa

La irrupción de la Decisions API no es un hecho aislado, sino una respuesta directa al éxito de Jev, un modelo desarrollado por TypeSafe AI que ha redefinido las expectativas del sector. Mientras que los grandes modelos de lenguaje tradicionales, conocidos por su capacidad de razonamiento profundo, resultan ineficientes para tareas de clasificación rápida, estos nuevos modelos especializados actúan como clasificadores de alta potencia. Al restringir el espacio de posibilidades, la ejecución se vuelve exponencialmente más barata y rápida, permitiendo una integración más fluida en entornos de software empresarial que exigen una toma de decisiones instantánea.

• Eficiencia de costes: La implementación de modelos de decisión permite reducir drásticamente el gasto en cómputo; un proceso de supervisión que costaría 372 dólares con un modelo de lenguaje convencional puede ejecutarse por apenas 2,94 euros utilizando esta nueva arquitectura.
• Arquitectura de Sistema Uno: La industria está virando hacia modelos inspirados en la psicología cognitiva, priorizando el pensamiento intuitivo y rápido frente al razonamiento deliberativo, lo cual es fundamental para la automatización de software.
• Seguridad proactiva: Estos modelos permiten monitorizar el comportamiento de agentes autónomos en tiempo real, bloqueando acciones malintencionadas antes de que comprometan la integridad del sistema.
• Ventaja competitiva: El valor diferencial reside en la calidad de los datos sintéticos utilizados para el entrenamiento, lo que permite una calibración estadística superior a la de los sistemas genéricos.

La inteligencia es la parte compleja, y mi objetivo principal es siempre maximizar la curva de Pareto de inteligencia por cada dólar invertido, afirma Diogo Almeida, consejero delegado de TypeSafe AI y co-inventor del aprendizaje por refuerzo.

El fin de los agentes desbocados y el control de riesgos

Uno de los puntos críticos que la industria ha enfrentado recientemente es la proliferación de agentes que actúan de manera errática en la red. Hasta ahora, la única forma de mitigar estos riesgos era someter cada acción a la supervisión de modelos de lenguaje de gran envergadura, una solución que, además de lenta, resultaba económicamente insostenible para cualquier empresa que operara con cientos de agentes simultáneos. La adopción de este tipo de APIs de decisión cambia las reglas del juego al permitir una capa de revisión constante y asequible.

Expertos en ciberseguridad, como Shapor Naghibzadeh de QueryStory, han demostrado en entornos de pruebas que es posible validar cada acción de un agente contra sus objetivos originales. Esta capacidad de filtrar, bloquear o señalar comportamientos sospechosos a un coste marginal supone un salto cualitativo en la fiabilidad de los sistemas autónomos. La capacidad de ejecutar esta verificación en cada paso del proceso, en lugar de realizar auditorías esporádicas, es el factor que finalmente permitirá que las corporaciones confíen en la automatización a gran escala.

Impacto en la infraestructura y el mercado

La incursión de OpenAI en este terreno valida la tesis de que los modelos de lenguaje generalistas no son la solución única para todos los problemas de software. Existe una clara división en el mercado: por un lado, los modelos de razonamiento profundo y, por otro, los modelos de ejecución rápida orientados a la decisión. Esta bifurcación obligará a los departamentos de ingeniería a replantear sus arquitecturas de despliegue, buscando un equilibrio entre la potencia de cómputo y la agilidad de respuesta.

A medida que otras empresas tecnológicas comiencen a lanzar sus propias versiones de modelos de decisión, el mercado se enfrentará al reto de la calibración. No basta con que el sistema sea rápido; su capacidad para tomar decisiones precisas y alineadas con los objetivos corporativos será el verdadero estándar de calidad. En este escenario, la capacidad de generar datos sintéticos de alta fidelidad se convertirá en el foso defensivo más valioso para las compañías que lideran esta nueva ola de computación avanzada.