El martes 6 de octubre de 2026, OpenAI abrió en beta pública la API Decisions, un nuevo punto de acceso que devuelve respuestas tipificadas a preguntas que define el desarrollador sobre textos e imágenes. Según el registro de cambios de la API recogido por Unite.AI, el servicio funciona exclusivamente con el modelo gpt-6-luna y se ofrece a través de una ruta dedicada, POST /v1/decisions. La compañía espera que alcance la disponibilidad general en las próximas semanas.
La API no es del todo nueva. OpenAI la presentó en su DevDay 2026, donde estuvo disponible en una vista previa limitada. En aquel momento la empresa explicó que la herramienta aplica el razonamiento del modelo Luna a un conjunto de preguntas definidas por el usuario, cada una con un conjunto finito de respuestas posibles. GPT-6 Luna es un modelo de razonamiento que OpenAI lanzó junto a GPT-6 Sol el 22 de septiembre de 2026.
La promesa principal es la velocidad. Según la documentación, la API Decisions produce sus respuestas aproximadamente 10 veces más rápido que la API de Respuestas, la interfaz general de OpenAI para generar texto. La razón es que el modelo no tiene que redactar una contestación libre: solo debe estimar probabilidades entre opciones conocidas. Eso la hace adecuada para clasificar contenidos, enrutar solicitudes o decidir el siguiente paso de un agente.
Cada solicitud tiene tres partes. El campo model selecciona el modelo evaluador, que por ahora solo puede ser gpt-6-luna. El campo input contiene la evidencia compartida, como texto o como mensajes de usuario con texto e imágenes. Y la matriz questions enumera lo que debe evaluarse: el tipo de cada pregunta, sus instrucciones y las opciones o niveles permitidos. Cada pregunta lleva un nombre único, que la API devuelve junto con su respuesta.
Hay tres tipos de preguntas. Las de predicado comprueban una condición, como si una foto de producto muestra una grieta, y devuelven una probabilidad entre 0 y 1; en el ejemplo de la guía, la respuesta ilustrativa es 0,92. Las de elección seleccionan un valor entre opciones fijas y devuelven el valor elegido, las probabilidades de cada opción y un campo de confianza; el ejemplo envía la queja de un cliente por un cargo doble a la categoría de facturación.
El tercer tipo son las preguntas de puntuación, que califican una entrada según niveles ordenados de menor a mayor, como la gravedad de un problema. El resultado es el promedio ponderado por probabilidad de los índices de nivel, que empiezan en 0, por lo que puede quedar entre dos niveles. En el ejemplo de la documentación, probabilidades de 0,1, 0,7 y 0,2 en tres niveles producen una puntuación de 1,1 con una confianza de 0,55. Las respuestas también pueden ser de tipo rechazo.
La guía incluye recomendaciones prácticas. OpenAI aconseja añadir una opción de reserva como «other» para entradas que las categorías no anticipan, mantener preocupaciones distintas en preguntas separadas y definir niveles que se diferencien con claridad. También pide calibrar los umbrales con ejemplos etiquetados de la propia aplicación, sopesando el coste de los falsos positivos frente al de los falsos negativos. Para salidas con un esquema JSON propio, remite a Salidas estructuradas.
Existen límites técnicos. Las imágenes deben enviarse como URL de datos en base64 incrustadas; no se admiten imágenes alojadas en direcciones HTTP o HTTPS ni identificadores de archivo. Las preguntas independientes pueden ir juntas en una misma solicitud, incluso con tipos distintos, pero cuando una decisión depende de otra, la aplicación debe hacer peticiones separadas, por ejemplo, confirmar primero un daño y después pedir la categoría de reparación.
El precio es uno de los aspectos más llamativos. Usar el punto de acceso con gpt-6-luna cuesta 0,10 dólares por millón de tokens de entrada, y solo se facturan esos tokens: las lecturas de caché, las escrituras de caché y los tokens de salida no tienen coste. Siguen aplicándose los recargos por procesamiento regional y los multiplicadores por contexto largo. Las peticiones a gpt-6-luna fuera de /v1/decisions mantienen la tarifa normal del modelo.
En materia de datos, la API admite retención cero y uso conforme a HIPAA para clientes elegibles, con residencia de datos y procesamiento regional en Estados Unidos y en Europa, entendida como el Espacio Económico Europeo más Suiza. Para aplicaciones de voz, la delegación de cliente con la API Live permite que un agente elija acciones a partir de peticiones habladas y comunique después el resultado al usuario. La API también puede probarse en el Playground.
El lanzamiento llega en plena moda de los llamados modelos de decisión. Según TechCrunch, el interés se disparó tras la publicación de Jev, de TypeSafe AI, en septiembre, seguida de modelos de decisión de OpenAI y de Amazon. En lugar de producir texto, estos modelos devuelven probabilidades sobre resultados predeterminados, lo que les permite ser más rápidos y baratos que un modelo de lenguaje convencional sin perder la flexibilidad de la arquitectura transformer.
El mismo martes, la empresa Musubi presentó PolicyLM-1.7B, un modelo de decisión ligero y de pesos abiertos para moderar contenidos en tiempo real. Según TechCrunch, toma una política escrita en inglés llano y la aplica a mensajes en menos de 50 milisegundos, con un coste y una velocidad similares a los clasificadores que ya usan las redes sociales. Su ventaja es que no necesita reentrenarse cuando cambia la política, lo que permite a los equipos humanos iterar libremente.
«Los equipos de producto quieren entender mejor lo que ocurre en su plataforma, sobre todo porque el volumen de contenido crece de forma exponencial», explicó a TechCrunch Filip Jankovic, cofundador y director de IA de Musubi. Jankovic sitúa el origen de su interés en GLiNER, un proyecto de 2024 para reconocimiento de entidades con técnicas similares. Uno de los usos tempranos de estos modelos, señala el medio, es frenar el mal comportamiento de los propios agentes de IA.
En conclusión, la API Decisions convierte una idea de nicho en un producto de uso general: preguntas cerradas, respuestas con probabilidades, baja latencia y un precio que solo cobra la entrada. Para los desarrolladores, la clave estará en calibrar bien los umbrales y no confundir una probabilidad alta con una certeza. Para el mercado, la coincidencia con PolicyLM-1.7B muestra que los modelos de decisión ya compiten tanto en la nube como en versiones abiertas que cualquiera puede ejecutar.
