Microsoft separates decision-making from generative AI with a new model
Microsoft has launched Decision-1, an AI model that returns probabilities for predefined answers, allowing software applications to use its outputs directly instead of processing a free-form response from a large language model (LLM).
Microsoft has launched Decision-1, an AI model that returns probabilities for predefined answers, allowing software applications to use its outputs directly instead of processing a free-form response from a large language model (LLM).
The model targets tasks such as classifying requests, prioritizing incidents, and checking AI-generated responses. Microsoft says it can handle these decisions with lower costs and latency than approaches that rely on general-purpose LLMs.
“Instead of writing a free-form response, it takes a fixed set of answer options and returns a calibrated probability for each one in a single pass,” Microsoft said in a blog post.
Microsoft-Decision-1 is available through Microsoft Foundry and OpenRouter, according to the company. Microsoft built the model by post-training Qwen3.5-9B and said it plans to rebase it on other models, including Microsoft AI (MAI) and OpenAI models.
Decision-1 supports yes-or-no judgments, choices among predefined options, ratings, and rubric-based assessments of AI responses and agent actions, Microsoft said. Developers can use its outputs to classify inputs, rank work, verify responses, or determine the next action in an AI agent workflow.
Unlike a general-purpose LLM, which can generate explanations and other natural-language content, decision models return probabilities for the available answers. Microsoft said its Decision-1 model can also evaluate multiple decisions in parallel within a single request.
In context
- Topic: Inteligencia Artificial — IA aplicada al negocio: casos, límites, costos y gobierno.
- Source: InfoWorld
- Published: 13/10/2026
Continue reading at the original source →
Excerpt published automatically by the site radar. The full text belongs to its publisher and is linked above.
Por qué importa
Cada semana hay un anuncio que promete cambiarlo todo, y cada semana la mayoría de las organizaciones sigue peleando con lo mismo: datos desordenados, procesos que nadie documentó y una expectativa que corre más rápido que la capacidad. Esta nota se entiende mejor con eso puesto encima.
Lo que miro primero no es la capacidad del modelo sino el dato que lo alimenta. Casi todos los proyectos que vi fracasar no fracasaron por el algoritmo: fracasaron porque el dato estaba en tres sistemas con tres definiciones distintas y nadie quiso ser el que arreglara eso.
Lo que suele salir mal
El error que más veces vi repetirse es no medir nada antes de empezar. Se implementa, todo el mundo siente que mejoró, y cuando alguien pregunta cuánto, no hay respuesta. Sin línea base no hay forma de defender el presupuesto del año siguiente, y ahí es donde mueren buenos proyectos.
Qué mirar
- Qué proceso concreto se toca y cómo se mide antes y después; sin línea base no hay resultado, hay opinión.
- Quién revisa las salidas del modelo y con qué frecuencia — el punto donde la IA se vuelve auditable.
- El costo por consulta a volumen real, no el del piloto: es la variable que más sorpresas da.
Cómo leo esta entrada
Si tuviera que llevar esto a una organización, empezaría por un proceso aburrido y medible — conciliación, atención de primer nivel, revisión documental — y lo dejaría andando con métrica antes de tocar nada vistoso. La credibilidad para los proyectos grandes se compra con un resultado chico que nadie puede discutir.
La noticia original está publicada en otro idioma; acá se cita el extracto tal como lo entrega el medio y el comentario se escribe en español.
Comentarios
Todavía no hay comentarios. El primero puede ser el tuyo.
¿Lo estás viviendo en tu equipo?
Abrí el chat y contame cómo lo están manejando. Me interesa comparar notas.
