El 1 de octubre de 2026, Cloudflare anunció Clef y Clef-flash, los primeros modelos entrenados por el equipo de Workers AI de la compañía. A diferencia de los grandes modelos de lenguaje que generan prosa, un modelo de decisión lee un estado de entrada y un conjunto de preguntas tipadas y devuelve una probabilidad por cada respuesta permitida. El agente obtiene una decisión estructurada —enrutar el ticket, bloquear la petición, escalar a un humano— sin parsear texto libre ni esperar tokens de razonamiento.
Clef, de unos 27.000 millones de parámetros, apunta a la máxima precisión en decisiones; Clef-flash, de unos 9.000 millones, a latencias de milisegundos en el camino caliente. Ambos ofrecen una ventana de contexto de 64.000 tokens y son compatibles con la API estilo Jev de Typesafe, lo que facilita experimentos y migraciones. Cloudflare afirma que Clef lidera el Jev Decision Index en el momento del lanzamiento.
Los pesos se publican en Hugging Face bajo licencia Apache 2.0 para ejecución local, y los endpoints alojados viven en Workers AI como @cf/cloudflare/clef y @cf/cloudflare/clef-flash. Los desarrolladores pueden invocarlos con el binding env.AI.run() o por REST en /ai/run, e integrar AI Gateway para registrar tráfico.
Los casos de uso que destaca Cloudflare son triage de soporte, inteligencia de amenazas, trust & safety y guardrails de agentes. En una demo de clasificación de dominios con Browser Run, Clef habría clasificado un sitio en 2,2 segundos frente a 4,7 segundos de gpt-oss-120b en el mismo flujo. Para agentes, la promesa es comprobar «¿debo tomar esta acción?» en decenas de milisegundos antes de llamar a una herramienta.
Junto a los modelos, Cloudflare debutó un producto de fine-tuning por aprendizaje por refuerzo: capturar datos vía AI Gateway, generar rollouts en Workers AI, puntuar y rejugar acciones en Containers, actualizar pesos con un Trainer y redesplegar el modelo afinado. En la primera fase el ajuste lo acompañan ingenieros FDE; la meta es una plataforma self-serve.
El lanzamiento se produce el mismo día en que Perplexity y AWS Strands Labs también soltaron modelos de decisión, consolidando una categoría nueva: facturar solo entrada, salida gratuita o local, y optimizar para rutas de agente en lugar de ensayos largos. Capital & Compute contó diez modelos nuevos el 1 de octubre, ninguno de OpenAI, Anthropic, Google, xAI, Meta o DeepSeek.
Para Cloudflare, Clef encaja en la tesis del «agent cloud»: la red que ya termina SSL, filtra bots y ejecuta Workers quiere ser también el lugar donde los agentes deciden en el borde. Un modelo pequeño y tipado reduce coste y alucinaciones de formato frente a pedir a un LLM gigante que «responda solo sí o no».
Riesgos hay. Un modelo de decisión mal calibrado puede rechazar tráfico legítimo o aprobar acciones peligrosas con alta confianza. La calibración de probabilidades, las rúbricas de política y la supervisión humana en la cola de baja confianza siguen siendo imprescindibles. Apache 2.0 facilita auditoría, pero no sustituye evaluación en el dominio del cliente.
La competencia con Jev de Typesafe y con los deciders de Perplexity y AWS será por calidad F1, latencia, precio y facilidad de fine-tuning. Reportes de la semana citaban a Clef con F1 en torno a 94 frente a ~80 de Jev en un benchmark público, con latencia sustancialmente menor; esas cifras deben verificarse en cargas reales de cada empresa.
Empresas que ya usan Cloudflare para WAF, Bot Management o Workers tienen un camino corto para insertar Clef en pipelines existentes. Quienes viven en otros clouds deberán pesar el lock-in de Workers AI frente a los pesos abiertos que pueden correr en cualquier sitio.
Neural Pulse ve en Clef la maduración de una idea simple: muchos pasos de un agente no necesitan un ensayo; necesitan una distribución sobre un conjunto cerrado de acciones. El 1 de octubre de 2026 esa idea dejó de ser un paper niche y se convirtió en producto de un proveedor de infraestructura global.
Seguiremos precios, el roadmap de RL self-serve y si los laboratorios de frontera responden con deciders propios o siguen apostando a que un solo modelo generativo lo haga todo.
Integradores deberían versionar rúbricas de decisión como código: cada cambio de política es un cambio de modelo efectivo. Sin eso, el fine-tuning por RL optimizará un objetivo fantasma.
La compatibilidad Jev facilita pruebas paralelas Clef vs Jev vs Perplexity. Un harness único que hable los tres reduce el coste de cambiar de proveedor cuando el precio o la latencia se muevan.
En sectores regulados (banca, salud), documentar por qué se eligió un umbral de probabilidad será tan importante como el umbral mismo ante auditores.
