OpenAI Decisions API: Clasificar, Enrutar, Puntuar
Convierte verificaciones sí/no, enrutamiento y niveles de gravedad en respuestas tipadas con la Decisions API de OpenAI (gpt-6-luna), con sus umbrales y revisión humana.
La mayoría de las herramientas de IA te devuelven un párrafo. La Decisions API de OpenAI te devuelve un número, una etiqueta o una calificación, y nada más. Pregunta «¿Esta foto muestra daños visibles?» y recibes una probabilidad. Pregunta «¿Qué departamento debería atender esta queja?» y recibes una de tus propias opciones con una probabilidad para cada una. Pregunta «¿Qué tan grave es este error?» y recibes una puntuación contra niveles que tú escribiste. Eso la convierte en la herramienta correcta para las decisiones aburridas y de alto volumen que atascan las colas de soporte, los formularios de ingreso y los pendientes de revisión.
También la hace fácil de usar mal. Una probabilidad de 0.92 se siente como «92 % de exactitud». No lo es. Es la estimación del modelo, y si esa estimación coincide con la realidad en tus datos es algo que tienes que medir. Por eso este curso dedica tanto tiempo a umbrales, comprobaciones de calibración, manejo de rechazos y la vía de revisión humana como a los tres tipos de pregunta. Al terminar la lección 2 habrás escrito una pregunta predicate real para una decisión de tu propio trabajo y leído su respuesta. Al terminar la lección 5 sabrás comparar umbrales posibles con ejemplos etiquetados y el costo de cada tipo de error. Al terminar el capstone tendrás un Decision Design Brief de una página que un desarrollador puede construir y un gerente puede aprobar.
Cada dato de producto proviene de la guía oficial de Decisions de OpenAI, la página del modelo, la página de precios y el changelog, todos leídos el 13 de octubre de 2026, una semana después del inicio de la beta pública. Donde la única evidencia es un reporte del foro de desarrolladores, la lección lo dice. Y como la API sigue en beta con un solo modelo, cada lección que cita un nombre de campo, un precio o un límite te dice exactamente qué volver a comprobar antes de confiar en él.
Lo Que Aprenderás
- Explicar qué devuelve la Decisions API, qué modelo la ejecuta y en qué se diferencia de Structured Outputs y de function calling
- Usar la estructura exacta del request para escribir una pregunta predicate con criterios observables y leer su probabilidad
- Diseñar preguntas choice y score con opciones bien diferenciadas, una opción de respaldo y niveles ordenados
- Evaluar un umbral a partir del costo de los falsos positivos y los falsos negativos, y explicar por qué una probabilidad no es una garantía de exactitud
- Diseñar el manejo de rechazos (refusals) y una vía de revisión humana para cada decisión que automatices
- Crear un Decision Design Brief con una lista de verificación de salida a producción en beta para una decisión real de tu trabajo
After This Course, You Can
What You'll Build
Programa del Curso
Requisitos Previos
- Saber leer un bloque corto de JSON (explicamos cada campo); no hace falta programar
- Para ejecutar los ejemplos opcionales: una cuenta de la API de OpenAI con facturación activa y una clave de API
- Una decisión repetitiva real de tu trabajo, de tipo sí/no, de clasificación o de calificación, para usarla como ejemplo a lo largo del curso
¿Para Quién Es Este Curso?
- Líderes de soporte, operaciones y compliance que quieren que la IA clasifique, marque y priorice trabajo sin perder el control
- Product managers y analistas que escriben especificaciones para desarrolladores y necesitan que la lógica de decisión quede bien
- Desarrolladores nuevos en la Decisions API que quieren el lado de diseño y revisión, no solo la estructura del request
- Cualquiera a quien le hayan entregado un «puntaje de confianza» y quiera saber qué significa de verdad
Preguntas Frecuentes
¿Qué es la Decisions API de OpenAI?
Un endpoint dedicado (POST /v1/decisions) que evalúa texto, imágenes o ambos y devuelve respuestas tipadas en lugar de texto libre: una probabilidad de que una condición sea cierta (predicate), una opción de un conjunto fijo (choice) o una calificación contra niveles ordenados (score). OpenAI la posiciona para clasificar contenido, enrutar solicitudes y priorizar trabajo. Al 13 de octubre de 2026 está en beta pública y solo funciona con gpt-6-luna.
¿Necesito ser desarrollador?
No. Seis de las ocho lecciones tratan de diseñar buenas preguntas, elegir umbrales y montar la revisión humana, que es donde fallan la mayoría de los proyectos reales. Las estructuras exactas de request y respuesta se muestran como JSON verificado con la documentación del proveedor, legible sin programar. Si programas, cada ejemplo refleja la documentación oficial de OpenAI.
¿En qué se diferencia de Structured Outputs o de function calling?
Con Structured Outputs el modelo genera un objeto que sigue tu esquema JSON (campos extraídos, una explicación redactada). Con function calling el modelo solicita una llamada a una herramienta con argumentos. Decisions devuelve uno de tres tipos de respuesta fijos con probabilidades, y nada más. La lección 1 te da una tabla de decisión para los tres.
¿Una probabilidad de 0.92 equivale a 92 % de exactitud?
No, y este curso lo repite a propósito. El número es la estimación del modelo, no una tasa de acierto medida. La lección 5 muestra cómo fijar un umbral a partir de ejemplos etiquetados y del costo de cada tipo de error, y cómo comprobar si los números del modelo coinciden con la realidad en tus datos.
¿Cuánto cuesta?
Según la guía de OpenAI al 13 de octubre de 2026: 0.10 USD por 1 millón de tokens de entrada en gpt-6-luna, sin cargos por salida, lectura de caché ni escritura de caché en este endpoint. Siguen aplicando los recargos por procesamiento regional y los multiplicadores de contexto largo. Los precios en beta pueden cambiar, por eso la lista de verificación del capstone te manda a releer la página de precios antes de lanzar.
