Los modelos de sistema uno aportan automatización fiable a la ingeniería de IA
Diogo Almeida y ingenieros de Glean, UiPath y Workday demuestran cómo modelos no generativos rápidos como Jev permiten una automatización de software fiable en la AI Engineer Code Summit.
Traducido automáticamente del original en inglés.
En la AI Engineer Code Summit del 12 de noviembre de 2026, líderes de la industria se reunieron para debatir un cambio desde los grandes modelos de lenguaje puramente generativos hacia alternativas más rápidas y deterministas. Diogo Almeida, cofundador de TypeSafe AI y creador principal de Jev, encabezó el evento con un llamado a integrar estos modelos de "sistema uno" directamente en el código de aplicación para lograr mayor fiabilidad.
Qué ocurrió
El tema central de la cumbre fue el auge de los modelos de sistema uno, que difieren significativamente de los grandes modelos de lenguaje centrados en el razonamiento que han dominado el desarrollo reciente de la IA. Estos nuevos modelos devuelven opciones estructuradas, puntuaciones o probabilidades en lugar de generar texto abierto. Son notablemente más rápidos y baratos de ejecutar, abordando un punto crítico para los ingenieros que necesitan rendimiento consistente en entornos de producción. Almeida describió este enfoque como "inteligencia fiable", argumentando que debe usarse para automatizar prácticamente cada aspecto de la interacción con el software donde se requiera predictibilidad.
Almeida enfatizó que el código es el lenguaje principal de la automatización y que los modelos de sistema uno deben estar incrustados dentro de él. Criticó el estado actual del software impulsado por LLM, señalando que, aunque estos modelos pueden rendir como Einstein el noventa y cinco por ciento del tiempo, ocasionalmente fallan de maneras reminiscentes de Mr. Bean. Esta inconsistencia hace peligrosa la automatización total si los desarrolladores no pueden distinguir entre salidas de alta calidad y pobres. Su discurso inaugural instó a los ingenieros a distribuir liberalmente llamadas a modelos de sistema uno a lo largo de sus bases de código para crear aplicaciones más inteligentes y robustas sin depender de técnicas frágiles de concatenación de cadenas.
Tras el discurso de Almeida, Chinmay Goyal de Glean presentó aplicaciones prácticas de estos modelos en la búsqueda empresarial. Goyal explicó que Glean utiliza modelos de sistema uno junto con clasificadores tradicionales y LLM para manejar espacios de decisión que cambian con frecuencia. La ventaja clave que destacó fue la flexibilidad zero-shot, que permite al sistema adaptarse a nuevas taxonomías sin requerir ajustes finos repetidos. Goyal señaló que los usuarios finales no necesitan saber qué modelo impulsa una función específica; solo les importa que el producto funcione de manera fiable. Para Glean, ocultar la complejidad de la selección de modelos detrás de una experiencia de usuario fluida sigue siendo el objetivo principal.
Cómo funciona
Los modelos de sistema uno operan evaluando las entradas contra un conjunto fijo de resultados o criterios de puntuación, en lugar de generar contenido novedoso token por token. Esta diferencia arquitectónica les permite ejecutar miles de llamadas en menos de un segundo, haciéndolos adecuados para tareas de toma de decisiones en tiempo real. En la cumbre, Chibi Vikram y Kevin Bernstein de UiPath demostraron esta capacidad mediante un torneo de clasificación de documentos. Su sistema utilizó Jev para seleccionar los fragmentos de texto más relevantes de grupos pequeños, avanzando a los ganadores a rondas subsiguientes hasta identificar las mejores coincidencias. Esta estrategia de múltiples pasos aprovechó la velocidad del modelo para lograr alta precisión sin el coste computacional de una pasada generativa completa.
Scott Roberts, Ingeniero Principal en Workday, mostró otra implementación donde el modelo predice la intención del usuario antes de que se complete una acción. En su prototipo, la interfaz comienza a rellenar una tarjeta de vacaciones mientras el usuario aún está escribiendo. Esto cambia el rol del software de simplemente predecir lo que un usuario quiere decir a anticipar lo que quiere hacer. Al integrar llamadas rápidas de modelos directamente en la lógica de la interfaz de usuario, la aplicación se vuelve proactiva en lugar de reactiva. Estos ejemplos ilustran que los modelos de sistema uno funcionan como bloques de construcción ajustables que ganan inteligencia a través de composición estratégica en lugar de recuento bruto de parámetros.
Detalles clave
- Los modelos de sistema uno devuelven datos estructurados como puntuaciones, probabilidades o opciones discretas en lugar de generación de texto abierto.
- Jev, lanzado en septiembre de 2026 por TypeSafe AI, se cita como ejemplo principal de esta tecnología, ofreciendo ventajas de velocidad y fiabilidad sobre los LLM de razonamiento.
- Glean utiliza estos modelos para flexibilidad zero-shot, permitiendo que su taxonomía de búsqueda evolucione sin reentrenamiento constante del modelo.
- UiPath demostró un sistema de clasificación estilo torneo donde Jev procesó miles de llamadas en menos de un segundo para identificar fragmentos de documentos relevantes.
- Workday prototipó una interfaz que predice acciones de usuario en tiempo real, rellenando formularios mientras los usuarios escriben para reducir la fricción.
- Diogo Almeida comparó la fase actual de experimentación con modelos de sistema uno con los primeros días de internet, animando a los desarrolladores a explorar nuevas fronteras del software.
Por qué importa
Para ingenieros de software y fundadores técnicos, el cambio hacia los modelos de sistema uno representa un movimiento desde prototipos experimentales hacia fiabilidad de grado de producción. La imprevisibilidad de los modelos generativos ha sido durante mucho tiempo una barrera para automatizar procesos empresariales críticos. Al usar modelos que proporcionan salidas estructuradas, los equipos pueden construir sistemas que se comporten como puertas lógicas estándar, asegurando que los flujos de automatización no se rompan debido a alucinaciones o comportamiento errático. Esta fiabilidad permite a las empresas automatizar flujos de trabajo más complejos con confianza, reduciendo la necesidad de supervisión humana extensa.
Además, los beneficios de coste y latencia de estos modelos los hacen viables para tareas de alto volumen que previamente eran demasiado caras para manejar con grandes modelos de lenguaje. Los ingenieros ahora pueden incrustar la toma de decisiones inteligente directamente en la lógica central de sus aplicaciones sin preocuparse por costes prohibitivos de API o tiempos de respuesta lentos. Esto democratiza el acceso a capacidades avanzadas de IA, permitiendo a equipos más pequeños construir funciones sofisticadas que alguna vez fueron dominio exclusivo de laboratorios de investigación bien financiados. La capacidad de iterar rápidamente sobre estos modelos también significa que el software puede adaptarse a requisitos empresariales cambiantes sin ciclos de reentrenamiento prolongados.
Qué puedes hacer
- Identifica partes de tu aplicación donde se necesiten decisiones estructuradas, como clasificación, ranking o enrutamiento, y reemplaza llamadas generativas con modelos de sistema uno.
- Experimenta con incrustar llamadas de modelos directamente en el código de tu aplicación para manejar la predicción de intención de usuario en tiempo real, similar al prototipo de Workday.
- Usa estrategias de clasificación estilo torneo para mejorar la precisión al procesar grandes conjuntos de datos, aprovechando la velocidad de los modelos de sistema uno para filtrar resultados eficientemente.
- Evalúa tus flujos de trabajo actuales de IA para oportunidades de reducir latencia y coste cambiando de LLM de razonamiento a alternativas no generativas más rápidas para tareas simples.
- Explora capacidades de clasificación zero-shot para manejar taxonomías evolutivas sin la sobrecarga de ajustes finos continuos del modelo.
- Únete a la comunidad de desarrolladores que experimentan con estas nuevas fronteras, tratando el panorama actual como una oportunidad para definir mejores prácticas para la automatización fiable de IA.



