Introducción

Qué es Dcision — decisiones estructuradas sobre un estado (preguntas de choice, score y probability, más políticas que eligen una acción), desplegadas como una sola API — y por qué existe.

Dcision es Decision as a Service — la capa de decisión para la IA. Los LLM razonan, los agentes actúan, Dcision decide qué pasa después.

La mayoría de los eventos de un producto de IA no necesitan un párrafo generado. Necesitan una respuesta pequeña, rápida y tipada: ¿este lead debe ir a ventas?, ¿este ticket necesita a una persona?, ¿este fragmento es relevante?, ¿qué herramienta debe llamar el agente? Dcision convierte cada una de esas preguntas en una decisión que diseñas una vez, despliegas como un endpoint y llamas millones de veces.

Por qué decisiones y no texto

La mayor parte de la IA está hecha para una conversación entre un modelo y una persona. La automatización en producción es sobre todo de máquina a máquina: código que le pide a un modelo un juicio concreto que puede inspeccionar y sobre el que puede actuar. Eso requiere lo que TypeSafe llama machine native intelligence: IA con las propiedades del software — estructura, fiabilidad, observabilidad, testeabilidad, velocidad, consistencia y bajo costo.

Dcision funciona sobre motores de decisión — modelos que devuelven decisiones y probabilidades en lugar de texto generado. Eliges el motor por workspace o por decisión (Motores y BYOK):

  • Jev (predeterminado) — el modelo System One de TypeSafe, entrenado con RLCD, reinforcement learning for calibrated decisions: entre muchas respuestas, las que se dan con 0.8 deberían acertar alrededor del 80% de las veces. Lee el AI primer de TypeSafe para conocer el contexto.
  • OpenAI Decisions — la API Decisions de OpenAI (gpt-6-luna), con tu clave de OpenAI; también lee imágenes.
  • Laya — un modelo de decisión de código abierto (Apache 2.0) de Convai Innovations, en tu propio servidor.

Los modelos de chat se ajustan hacia las respuestas que prefieren las personas, lo que puede premiar errores que suenan seguros; una probabilidad es algo que tu software puede comparar con un umbral, escalar y auditar. Dcision agrega lo que producción necesita alrededor de cualquier motor: un contrato tipado por decisión, cualquier entrada (texto, JSON, imágenes, voz, documentos), políticas que convierten respuestas en acciones, deploys versionados, logs de ejecución, claves de API, cuotas y facturación.

Cómo funciona

Describes una decisión con un esquema de decisión:

  • Estado — la entrada que envía tu aplicación: un objeto JSON con campos tipados, texto plano o una lista, como la transcripción de un chat. Los campos de objeto también pueden contener archivos — image, audio y file — como una foto, una nota de voz o un PDF; consulta Entradas.
  • Preguntas — qué decidir sobre el estado, hasta 64 por decisión, todas respondidas en una sola llamada. Tres tipos:
    • choice — elige una opción (un equipo, una categoría, una herramienta). Una opción reservada other permite al motor decir "ninguna de estas".
    • score — ubica el estado en una escala ordenada (low → critical).
    • probability — una pregunta de sí/no respondida con un número entre 0 y 1.
  • Compuestos — combinaciones ponderadas opcionales de respuestas, como un puntaje de lead, calculadas por Dcision.
  • Políticas — reglas evaluadas después de las respuestas, como si route = spam entonces block, con condiciones and opcionales. Definen la acción sobre la que actúa tu código: continue, block, escalate o fallback.
  • Destinos — opcionales: qué pasa después con cada resultado. Devuelve una respuesta fija o una respuesta de un LLM, pasa el control a tu agente, dispara un workflow, envía un webhook firmado, llama a una API o indica a tu código qué función ejecutar. Consulta Destinos.

Pruebas la decisión en el Playground, la despliegas como una versión inmutable y la llamas:

curl -X POST https://api.dcision.io/v1/decisions/lead-qualification \
  -H "Authorization: Bearer $DCISION_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{ "state": { "message": "We need pricing for 500 users and want to start next month.", "company_size": 500 } }'
Respuesta (resumida)
{
  "result": { "purchase_intent": 0.9412, "priority": "high", "route": "sales" },
  "confidence": { "purchase_intent": 0.8824, "priority": 0.69, "route": 0.85 },
  "scores": { "priority": 2.81 },
  "composites": { "lead_score": 0.8414 },
  "action": "continue",
  "action_reason": { "type": "default" }
}

Cada respuesta es tipada: un choice siempre es una de tus opciones, un score siempre es una de tus etiquetas, una probability siempre es un número en [0, 1]. No hay nada que parsear ni ningún prompt que mantener sincronizado con tu código.

Qué pasa en cada llamada

state ──▶ validate ──▶ read files (documents → text, audio → transcript, images) ──▶ engine-neutral representation
      ──▶ engine (Jev, OpenAI Decisions or Laya)
      ──▶ typed answers, confidence, weighted levels ──▶ composites ──▶ policies ──▶ action + reason
      ──▶ destinations ──▶ execution log ──▶ response
  1. El estado se valida contra el esquema de estado de la decisión y el presupuesto de tokens del motor. Un estado incorrecto falla rápido con 422 INVALID_STATE y nunca llega al motor.
  2. Se leen los archivos del estado: los documentos se convierten en texto, el audio en una transcripción, y las imágenes van a OpenAI Decisions como imágenes (o se describen como texto para Jev y Laya). Luego la decisión se compila en una representación neutral respecto al motor y se envía a su motor — Jev, OpenAI Decisions o Laya — dentro del presupuesto de tiempo de la decisión, con reintentos.
  3. El motor devuelve una distribución de probabilidad para cada pregunta. Dcision la normaliza en result (la respuesta), confidence y, para las preguntas score, scores (el nivel ponderado).
  4. Se calculan los compuestos; después, las políticas, la opción reservada other y los umbrales de confianza mínima producen la action y su action_reason.
  5. Se ejecutan los destinos de la decisión que coinciden con el resultado: las respuestas y las funciones se devuelven, las respuestas de LLM y de agentes se esperan, y los webhooks, workflows y solicitudes de API se ponen en cola para su entrega.
  6. La ejecución se registra como una ejecución — con o sin la entrada y la salida, según lo configures.

Por qué Dcision

  • Lo bastante barato para cada evento. Jev y OpenAI Decisions facturan solo tokens de entrada; Laya se ejecuta en tu hardware. Cada respuesta informa metrics.input_tokens y metrics.estimated_cost_usd, y los planes incluyen millones de decisiones al mes — el plan gratuito Genesis incluye 1M. Una decisión se factura una sola vez, sin importar cuántas preguntas haga.
  • Tipado y estable. El contrato de respuesta sale de tu esquema, indexado por las claves de tus preguntas. Si el motor alguna vez responde fuera del contrato, la llamada falla con ENGINE_ERROR en lugar de devolver datos mal formados.
  • Honesto con la incertidumbre. La confianza calibrada, la opción other, la confianza mínima por pregunta y una acción de fallback convierten "no estoy seguro" en un resultado explícito y enrutable — consulta Manejar baja confianza y other.
  • Hecho para componerse. Los cuatro patrones de TypeSafe — fan-out, enrutamiento filtrado por confianza, puntuación compuesta y enrutamiento por intención — son funcionalidades del esquema, cada una con una plantilla.
  • Auditable. Las versiones desplegadas son snapshots inmutables. Cada ejecución guarda la versión, el motivo de la acción, la confianza, las distribuciones, el modelo, la latencia y el ID de la solicitud.
  • Independiente del motor. El esquema de decisión no depende de ningún motor. Ejecuta Jev con la clave de Dcision o con tu propia clave (OpenRouter, TypeSafe, Vercel AI Gateway), OpenAI Decisions con tu clave de OpenAI, o Laya en tu servidor — y cambia sin tocar el código.
  • Cualquier entrada. Texto, JSON, imágenes, notas de voz y documentos (PDF, Word, Excel…) en el mismo estado, con cualquier motor — consulta Entradas.

Buenos casos de uso

Enrutamiento (leads, tickets, herramientas de agentes), triaje y priorización, moderación y spam, comprobaciones de relevancia antes de una llamada a un LLM, puntuación y ranking, control de paso ("¿esto necesita a una persona?" / "¿esto necesita un modelo más grande?"). Dcision no es un generador de texto: úsalo para decidir si enviar el trabajo y a dónde, y luego deja que tu LLM, tu agente o tu equipo lo haga.

Mantén a una persona en el circuito para decisiones con consecuencias

Las respuestas son probabilidades, no garantías. Para decisiones con efectos legales o igualmente significativos — crédito, empleo, salud, asuntos legales — usa Dcision para hacer triaje y enrutar, y deja la decisión final a una persona (por ejemplo, con una política escalate).

Próximos pasos

En esta página