Al día siguiente del lanzamiento de Jev, el primer modelo System One, un amigo nos envió un mensaje preguntando cómo se relacionaba con nuestra herramienta, DecisionRules. De hecho, ambos se utilizan para automatizar decisiones: Jev es un modelo de decisión; DecisionRules es un motor de decisiones. El propósito de este artículo es responder la pregunta de ese amigo (que implícitamente plantea cuál solución es mejor). La conclusión, para sorpresa de nadie, es que una comparación competitiva inicial parte de supuestos falsos. Estas dos herramientas no son rivales; más bien, se complementan en la automatización de decisiones. Sin embargo, esto debe demostrarse mediante una argumentación abierta.
Tesis
Existe una intersección entre Jev y DecisionRules en la automatización de decisiones. Ahora queremos demostrar, mediante una estructura de prueba por casos, que 1. Si suponemos una intersección competitiva entre Jev y DecisionRules, el resultado es que son herramientas componibles, y 2. Si suponemos una intersección complementaria entre ellas, el resultado también es que son herramientas componibles. Por lo tanto, son herramientas componibles, una buena combinación para la transformación digital prevista para los próximos años.
Justificación
1. Desde el principio, aclaramos que pertenecen a familias de sistemas diferentes, por lo que una comparación puede parecer problemática. Sin embargo, son líderes en sus respectivas categorías y su alta calidad ofrece la mejor base para evaluar el enfoque general de ambos sistemas.
a. Jev: Una solución de IA. El modelo se llama System One Model y tiene una estructura interna similar a la de los LLM, pero modificada para garantizar respuestas con seguridad de tipos. Afirma ofrecer una solución de IA confiable para una revolución económica.
b. DecisionRules: Un motor moderno de reglas de decisión. Basado en el legado de los motores de reglas de negocio (BRE), este software diseña y centraliza los estándares de una empresa, es decir, sus reglas de negocio. Afirma ofrecer una interfaz fácil de usar, sin código o de bajo código, para el uso directo por equipos no técnicos.
2. El panorama actual de la transformación digital impulsa a las empresas a preparar sus arquitecturas tecnológicas para el futuro. Los CTO y los arquitectos de soluciones enfrentan presión para seleccionar las mejores herramientas para esta transformación, equilibrando requisitos tecnológicos, comerciales y legales. Una evaluación precisa de estas dos importantes herramientas de automatización de decisiones ofrece una orientación útil para esta tarea. Además, si los directivos están eligiendo entre proveedores externos y soluciones internas, este artículo aporta antecedentes valiosos para sus decisiones.
3. En un sentido más amplio, el escepticismo y la esperanza se entrelazan en cada inversión en IA. En este contexto, comparar soluciones de IA con otras herramientas del mercado puede ayudar a formar opiniones más maduras y debates más saludables en el sector.
Metodología
Comparamos Jev y DecisionRules y, a partir de los resultados, deducimos que las propiedades comparadas no enfrentan a las dos herramientas, sino que revelan que son componibles. Cuando suponemos que son complementarias, resulta intuitivamente claro que esto implica componibilidad; además, el propio análisis ilustra cómo pueden combinarse.
Para la comparación, dividimos las propiedades (funcionalidades de los sistemas) en dos grupos:
- Similitudes: Características comunes a ambas plataformas.
- Diferencias: Características exclusivas de cada plataforma.
La evaluación de cada funcionalidad será distinta según el grupo.
En el primer grupo, las características se evalúan con base en la experiencia práctica en automatización digital. Dado que los proyectos reales de automatización con impacto económico son inherentemente prácticos, la experiencia profesional (corroborada por documentación teórica y ejemplos) constituye el mejor marco. Clasificamos como óptima la característica superior en cada categoría.
En el segundo grupo, las características son originales y, por lo tanto, se evalúan según los beneficios adicionales que aportan a la automatización práctica. Clasificamos estos beneficios como ventajas.
Para la conclusión, combinamos las características óptimas y las ventajas de cada sistema. En conjunto, permiten argumentar que Jev no reemplaza a DecisionRules; más bien, el entorno digital actual ha cultivado una fuerte simbiosis entre ambos.
Similitudes
Modelo de salida estructurada
A diferencia de los LLM actuales, la IA con seguridad de tipos recientemente presentada como Jev no devuelve texto generado para lectura humana. Al igual que DecisionRules, Jev está restringido a devolver un elemento de un conjunto predefinido de salidas. Este conjunto puede contener uno, dos o cientos de elementos posibles, pero el sistema solo puede devolver salidas que pertenezcan a él. Las ventajas son numerosas: no es necesario analizar sintácticamente los resultados porque están estructurados por diseño; se puede asegurar el comportamiento del sistema; y los usuarios obtienen más control.
El primer System One Model admite tres primitivas (o tipos de preguntas), cada una correspondiente a un conjunto distinto de resultados posibles:
- Choice: Un conjunto fijo de opciones
- Score: Posiciones fijas en un espectro definido por el usuario
- Noul: La probabilidad de que una afirmación sea verdadera (0 o 1)
Para cada uno de estos conjuntos predefinidos, la selección es directa. Ante una pregunta, la IA realiza un análisis probabilístico y selecciona la opción, posición o valor de verdad con la mayor probabilidad.
DecisionRules define los conjuntos de salida de forma visual, y los distintos tipos de reglas los representan de maneras diferentes. Por ejemplo, en una tabla de decisión, la columna de resultados puede enumerar cualquier cantidad de salidas posibles, lo que permite expresar opciones, posiciones, valores booleanos y más.
Hasta aquí, los enfoques son similares. La característica óptima se hace evidente cuando un escenario requiere respuestas con estructuras complejas.
En DecisionRules, la respuesta es directa: la plataforma devuelve un arreglo de objetos JSON personalizables. Este modelo sencillo permite crear estructuras JSON más complejas para cada elemento del arreglo. Por ejemplo, se puede devolver el mejor producto o los tres mejores de una lista; devolver un estado de error junto con un arreglo de validaciones fallidas; o generar múltiples mapas de datos.
Las respuestas de Jev son deliberadamente atómicas: cada pregunta devuelve un valor tipado junto con su distribución de probabilidad, y TypeSafe recomienda combinar estas respuestas mediante programación. Son posibles patrones avanzados, como recorrer una taxonomía mediante varias preguntas, pero la forma de cada respuesta individual permanece igual. Los escenarios complejos, como adjuntar un ID de producto a un descuento resultante, no se admiten de forma nativa.
Por lo tanto, el modelo de salida estructurada de DecisionRules ofrece mayor flexibilidad y capacidad para distintos escenarios de resultados y, en consecuencia, es óptimo.
Entrada en lenguaje natural
Hace dos años, no era evidente que un BRE pudiera procesar lenguaje natural. Sin embargo, los rápidos avances de la IA han permitido que los motores modernos de reglas de decisión incorporen esta capacidad. En el segundo trimestre de 2026, DecisionRules fue uno de los primeros motores en lanzar una nueva AI Agent Rule, integrando capacidades de los LLM en flujos de decisión rigurosos.
La idea detrás de AI Agent Rule se asemeja a la visión de Jev. Los ingenieros de DecisionRules crearon un marco que permite a los usuarios conectar su propio proveedor de LLM (por ejemplo, OpenAI, Anthropic, Google, etc.) dentro de un modelo de entrada/salida restringido. La regla recibe las entradas definidas en su modelo de entrada—como texto libre, documentos o transcripciones—y devuelve salidas estructuradas en JSON con seguridad de tipos. El lenguaje natural ingresa mediante el prompt de IA, donde los usuarios insertan atributos dinámicos de la entrada; el resto del prompt permanece estático. La lógica de cada salida posible se define de manera similar a Jev, vinculando descripciones de criterios con los elementos de salida.
Para conocer con más detalle cómo AI Agent convierte la entrada en lenguaje natural en datos estructurados para las reglas posteriores, consulta AI Agent en DecisionRules: El primer tipo de regla que piensa.
Claramente, los modelos System One como Jev consumen lenguaje natural. La cuestión de qué solución es más óptima aquí se reduce al rendimiento.
Tras realizar pruebas con tareas reales de decisión de casos de uso financieros, Jev proporcionó respuestas más rápidas y precisas que AI Agent Rule basada en LLM generales. En este sentido, un System One Model realiza mejor la tarea de transformar entradas no estructuradas en datos estructurados. Por lo tanto, el procesamiento de lenguaje natural de Jev es óptimo.
Confianza
Jev busca ser un modelo confiable, por lo que el sistema devuelve un valor de confianza junto con cada Choice o Score. Esto añade una medida de fiabilidad al resultado. Destacan dos beneficios. Primero, aporta control: los sistemas que consumen las salidas de Jev pueden establecer un umbral mínimo de confianza y procesar resultados solo cuando la certeza es alta. Segundo, Jev está entrenado para ser honesto respecto a su certeza. Si se recopilan todas las respuestas en las que Jev indica un 80% de confianza, aproximadamente el 80% serán correctas. TypeSafe denomina este método de entrenamiento RLCD.
DecisionRules también proporciona confianza, pero no como un valor adjunto al resultado. Dado que el nivel de confianza es siempre el mismo para cada respuesta, puede considerarse implícito. El nivel para el software predecible y determinista es del 100%. La interfaz diseñada para usuarios no técnicos no compromete la lógica condicional subyacente de la programación estándar.
La característica óptima depende del caso de uso, ya que distintos escenarios implican prioridades diferentes. Sin embargo, en la práctica, sectores como las finanzas, los seguros, la manufactura y la logística exigen una predictibilidad total. Esto no es negociable para los equipos técnicos y los proveedores.
Aunque los System One Models se optimizan con respecto a los resultados, lo que produce probabilidades mejor calibradas, afirman explícitamente: no se garantiza que las respuestas individuales sean correctas. En entornos empresariales, las decisiones óptimas se apoyan en sistemas predecibles y deterministas donde, además, los procesos pueden inspeccionarse paso a paso, como las auditorías en DecisionRules.
Por lo tanto, el modelo de confianza de DecisionRules es óptimo.
Antes de llegar a conclusiones, debemos examinar las funcionalidades que ubican a estas herramientas en familias de sistemas diferentes. Esto ayudará a explicar por qué abordan de manera distinta las características similares analizadas anteriormente y aclarará cómo se relacionan sus objetivos y soluciones.
Diferencias
Registros de auditoría - DecisionRules
DecisionRules va más allá de los motores de reglas de negocio (BRE) típicos al ofrecer un sistema sólido de registros de auditoría. Veamos qué lo hace único.
La salida de Jev se divide en tres componentes atómicos: la respuesta tipada (uno de los tres resultados primitivos), las probabilidades y el valor de confianza. Aunque esto permite controlar el modelo, no constituye un registro de auditoría. Un sistema completo de registros que documente la entrada y salida de la API y los metadatos (fecha, estado, tiempo de ejecución) debe construirse externamente. En cambio, los registros de auditoría están integrados y disponibles "de fábrica" en DecisionRules.
Controles de retención de datos: Cumplimiento en tus términos
Además, otras plataformas del mercado también ofrecen registros de auditoría que incluyen entrada, salida y tiempo de ejecución. Sin embargo, las instituciones suelen necesitar más: la capacidad de justificar por qué se devolvió un resultado específico. Una función sólida de auditoría debe mostrar exactamente qué condición se cumplió (o no) en cada caso individual, incluso dentro de cadenas complejas de lógica AND/OR. DecisionRules ofrece esto en el registro de cada decisión porque sus cadenas de condiciones están definidas explícitamente y son legibles para las personas.
Las ventajas son claras, pero consideremos una pregunta relacionada:
¿Llegarán los System One Models a generar registros de auditoría sólidos?
Nunca hay que decir nunca, pero las tendencias actuales sugieren que no está en la hoja de ruta. Por ahora:
- Añadir informes con entradas, salidas y explicabilidad a las respuestas de IA mejoraría la transparencia (actualmente, Jev no ofrece explicabilidad). Pero esto por sí solo no basta: esas explicaciones suelen estar en lenguaje natural, mientras que los sistemas confiables requieren registros estructurados y consistentes.
- Incluso si los resultados de explicabilidad estuvieran estructurados, la naturaleza probabilística del modelo implica que cada entrada del registro tendría su propio valor de confianza. En consecuencia, la trazabilidad de auditoría se vuelve probabilística. Sin embargo, los marcos regulatorios exigen registros deterministas y factuales en gran parte de la cadena de decisiones, independientemente de que la confianza sea alta. Además, solicitar explicabilidad para esas probabilidades podría dar lugar a un bucle explicativo infinito.
En resumen: Cumplir los estándares es fundamental en los registros de auditoría; por lo tanto, el determinismo no es negociable en algunas decisiones reguladas. DecisionRules se ocupa de esas decisiones.
Instrucciones y criterios - Jev
En una solicitud a Jev, el usuario proporciona una pregunta o problema de decisión bajo la etiqueta instructions, y esto es único. Tenemos dos ventajas:
- El uso del lenguaje natural.
- La incorporación de claridad mental al proceso de decisión.
El segundo punto suele subestimarse, pero es crucial. Pensemos en la comunicación y la transferencia de conocimiento: explicar una decisión tomada por un sistema automatizado requiere comprender claramente el problema de decisión, no solo intuirlo. O pensemos en el mantenimiento por una nueva generación: especificar explícitamente la pregunta que estamos respondiendo puede ser mucho más claro que depender de etiquetas vagas de casos de uso.
Para analizar el uso del lenguaje natural, también es importante abordar el campo criteria en una solicitud a Jev.
Por supuesto, DecisionRules también hace explícitos los criterios de decisión al diseñar reglas. Pero la manera de hacerlo difiere: Jev utiliza lenguaje natural, mientras que DecisionRules utiliza lógica formal y visual.
La capacidad de definir lógica en inglés sencillo fue durante mucho tiempo un objetivo de los proyectos de TI. En ese sentido, Jev representa un sueño hecho realidad. Pero el contraargumento siempre ha existido y sigue siendo interesante.
La motivación original de este sueño surgió de una objeción: las personas no técnicas no pueden comprender la lógica formal, por lo que incluso las interfaces visuales exigen demasiados conocimientos técnicos. Esta preocupación se basaba en casos reales en los que los equipos de negocio se resistían a adoptar BRE debido a dificultades de aprendizaje.
En ese contexto, las explicaciones en lenguaje sencillo de las razones detrás de una decisión son útiles y representan una ventaja clara.
Sin embargo, esta ventaja tiene dos caras. El lenguaje natural ofrece claridad intuitiva, pero reduce la claridad de la herramienta. Debemos recordar que la lógica se formalizó para garantizar transparencia, precisión y seguridad en el razonamiento. Pese a ser universal, la lógica formal no se adquiere sin esfuerzo. Eliminar el formalismo de las máquinas puede sacrificar la transparencia y la seguridad del propio sistema.
Esto merece un análisis más profundo que excede nuestras capacidades. Sin embargo, para cerrar, consideremos una cita de Alfred North Whitehead:
“Al liberar al cerebro de todo trabajo innecesario, una buena notación le permite concentrarse en problemas más avanzados y, en efecto, aumenta la capacidad mental de la humanidad.”
Aceptando que exigir demasiados conocimientos formales y técnicos no es realista, debemos reconocer que cierto grado de tecnicidad es beneficioso para los usuarios de negocio y sus equipos. Les permite pensar con claridad, actuar con precisión e innovar de manera sostenible.
Facilidad de uso - DecisionRules
Una diferencia clave radica en los usuarios a quienes se dirigen:
- Jev está diseñado para desarrolladores.
- DecisionRules está diseñado para usuarios de negocio.
Esto significa que, pese a utilizar lenguaje natural, la manera en que Jev describe reglas o criterios no está orientada al uso por personas no técnicas.
Permítanme utilizar una comparación visual de ambas interfaces para mayor claridad:
Comparación de las interfaces de Jev y DecisionRules
Esto no es un defecto de Jev; de hecho, no busca resolver este problema. Su objetivo es integrar IA de forma segura en infraestructuras técnicas sólidas, donde los arquitectos e ingenieros se apoyan en componentes predecibles y modulares.
DecisionRules, en cambio, aborda un desafío diferente de la transformación digital: ¿quién utilizará y mantendrá las herramientas digitales?
Esta pregunta no tiene una respuesta sencilla. Pero, según la experiencia, cuando las decisiones dependen de la pragmática humana y la semántica contextual, es esencial que los expertos del área, y no solo los desarrolladores, puedan gestionar las reglas detrás de la automatización. DecisionRules reduce drásticamente el tiempo de salida al mercado y disminuye la barrera técnica para cambiar reglas, haciendo que la automatización sea sostenible a lo largo del tiempo.
Esta es la característica que más ayuda a mostrar que cada herramienta optimiza una dimensión distinta de la automatización de decisiones.
Juicio semántico - Jev
Jev afirma abarcar una gama más amplia de casos de uso aplicables. Hasta ahora nos hemos centrado en las decisiones, pero los System One Models van más allá. Realizan lo que denominan juicio semántico y decisiones.
Esta sección destaca casos de uso exclusivos de Jev, que DecisionRules no puede admitir:
- Descubrimiento científico
- Análisis semántico de código
- Videojuegos
- Generación de leads
- Grafos y grafos de conocimiento
Estas aplicaciones surgen de la adaptabilidad del modelo: su capacidad para trabajar con entradas diversas y no estructuradas sin restricciones estrictas de datos. Esto hace más flexibles los escenarios posibles.
La originalidad de estos escenarios ofrece una ventaja independiente para Jev y, además, su rendimiento y preparación lo hacen significativamente más útil que otros LLM tradicionales.
Suite de pruebas - DecisionRules
Los equipos de TI conocen las metodologías de pruebas, pero este conocimiento rara vez llega a otros departamentos. Los usuarios de negocio suelen proponer cambios en las reglas, pero, sin importar su magnitud, TI debe probarlos para garantizar la estabilidad del sistema. Esto genera un proceso de ida y vuelta: solicitud, prueba, comentarios, revisión y una nueva solicitud mejorada. Crea un gran cuello de botella en muchas organizaciones.
DecisionRules va más allá de otros BRE al ofrecer Rule Testing: un módulo para crear y ejecutar conjuntos de pruebas personalizados. Los usuarios pueden simular cientos de escenarios por regla y entre versiones. Con un solo clic, pueden ingresar datos de prueba y comparar resultados.
Esto pone el control en manos de los usuarios de negocio y mantiene la seguridad y el rigor necesarios para realizar cambios seguros. Para fines de auditoría, todas las ejecuciones de pruebas se almacenan y sus resultados históricos son totalmente accesibles.
Pruebas unitarias y de regresión: Todo en un solo lugar
En cambio, Jev delega por completo las pruebas a los desarrolladores, que pueden resolverlas mediante código o servicios externos. Del mismo modo, el control de versiones también queda a cargo del equipo de ingeniería.
Esto refleja una diferencia fundamental: una herramienta empodera a los usuarios; la otra presupone que los desarrolladores se harán cargo.
Conclusión: herramientas componibles
Al reunir las ocho observaciones (similitudes y diferencias), podemos deducir dos conclusiones:
- Independientemente de las capacidades que se intersectan, ambas herramientas resuelven áreas distintas del problema de automatización sin superponerse, por lo que las dos son valiosas por sí mismas.
- Si adoptas una, la otra surge naturalmente en la intersección como su socio simbiótico para optimizar por completo la automatización de decisiones.
Utilidad independiente
Desde las definiciones tentativas del principio, era posible ver que ambas herramientas cumplen propósitos diferentes en la automatización de decisiones. Y ahora, aun suponiendo que una pueda sustituir a la otra en algunas funcionalidades, llegamos nuevamente a la misma conclusión: áreas y propósitos diferentes.
Gracias a las ventajas de facilidad de uso y suites de pruebas, vimos que los usuarios a quienes se dirigen son diferentes.
Las áreas de los casos de uso también son diferentes:
- Los registros de auditoría y las suites de pruebas indican un enfoque en entornos regulados, donde el cumplimiento, la trazabilidad y la estabilidad son críticos.
- El juicio semántico, por otro lado, apunta a tareas intelectuales que implican comprensión, clasificación y descubrimiento—donde la seguridad absoluta es menos central.
Las similitudes en los modelos de entrada y salida revelaron que también optimizan modelos de datos diferentes:
- DecisionRules: Entrada estructurada → salida estructurada
- Jev: Entrada en lenguaje natural → salida atómica estructurada
| DecisionRules | Jev | |
|---|---|---|
| Usuarios objetivo | Usuarios no técnicos | Usuarios técnicos |
| Modelo de datos | Entrada estructurada → Salida estructurada | Entrada en lenguaje natural → Salida estructurada |
| Área de casos de uso | Empresas reguladas | Proyectos de comprensión semántica |
Desde una perspectiva arquitectónica, esto significa que ambas herramientas son útiles para distintos tipos de proyectos. Por ejemplo, en DecisionRules, un caso de uso común es devolver un arreglo de validaciones fallidas de un flujo de decisión. En Jev, la preocupación es si el nivel de confianza alcanza un umbral que permita continuar el flujo de trabajo. Estos comportamientos distintos también dan una pista sobre su compatibilidad: los flujos.
Componibles para una práctica óptima
Construyamos el argumento a partir de tres premisas:
- Jev está diseñado para flujos de trabajo programáticos. TypeSafe AI afirma explícitamente que los resultados de Jev están pensados para ser procesados mediante código. Los mecanismos de seguridad, por ejemplo, los umbrales de exceso, la lógica alternativa y los controles de confianza, se implementan en el código de la aplicación, no en Jev.
- Jev supera a los LLM generales en tareas de decisión. Como se mostró anteriormente, Jev ofrece salidas estructuradas más rápidas y precisas que los LLM generales. Como también se analizó antes, la naturaleza probabilística de sus salidas estructuradas significa que la lógica basada en confianza debe imponerse externamente, nuevamente mediante código.
- DecisionRules permite la orquestación estructurada de decisiones. Su Decision Flow permite a los usuarios encadenar reglas, definir dependencias lógicas y controlar el orden de ejecución. En DecisionRules Academy, se recomienda integrar siempre AI Agent Rule en Decision Flows para combinar la potencia de la IA con el control determinista.
A partir de las premisas dos y tres, podemos deducir que Decision Flow permite orquestar las decisiones tomadas por Jev junto con las decisiones tomadas por las reglas deterministas de DecisionRules en un solo flujo.
Así es como se combinan en la práctica:
- Jev maneja la parte del flujo de trabajo que requiere consumir lenguaje natural y producir salidas estructuradas atómicas de alta calidad.
- DecisionRules utiliza su interfaz nativa para construir lógica determinista de transformación que actúa sobre las salidas de Jev—especialmente en función de los niveles de confianza.
- Decision Flow orquesta todo el proceso, garantizando decisiones confiables y auditables que cumplen los estándares de la empresa.
A partir de las premisas uno y tres, podemos deducir que los mecanismos de seguridad que Jev espera pueden implementarse en DecisionRules para obtener un mejor rendimiento. Cada herramienta cubre las carencias de la otra:
| System One Model (Jev) | DecisionRules |
|---|---|
| Se integra de forma segura con código | Proporciona un entorno centralizado y seguro para la lógica de seguridad |
| Ofrece IA de alto rendimiento | Reglas auditables y predecibles gestionadas por usuarios de negocio |
| Procesa entradas no estructuradas | Permite a expertos no técnicos mantener la lógica de cumplimiento |
| Permite a TI centrarse en la integración semántica, no en las pruebas de reglas |
En conjunto, permiten:
- Que los equipos no técnicos se beneficien de la entrada en lenguaje natural y conserven la auditabilidad y el control.
- Que los sistemas impulsados por IA alcancen una automatización completa sin sacrificar el cumplimiento ni la trazabilidad.
En conclusión, si estás considerando una de estas herramientas, la otra surgirá naturalmente como el socio ideal. Si automatizas decisiones con usuarios no técnicos, combinar la comprensión del lenguaje natural de Jev con las funciones de gobernanza de DecisionRules aporta accesibilidad e inteligencia. Si construyes automatización impulsada por IA, integrar Jev con DecisionRules garantiza umbrales de confianza, trazabilidad de auditoría y aplicación de reglas de negocio—sin sobrecargar a los desarrolladores. No son rivales. Son socios componibles en el futuro de la automatización de decisiones.
Coautor Ivan Peresta
Ivan Peresta es analista de producto y trabaja en Servicios Profesionales en DecisionRules. Ayuda a definir funciones del producto, probarlas y documentarlas, y apoyar a los clientes en la implementación de la automatización de decisiones. También contribuye a las funciones de reglas basadas en IA y al servidor MCP de DecisionRules. Más información en el perfil de Ivan.