# Databricks lanza ai_decide en versión Beta para acelerar el enrutamiento de modelos de baja latencia y la clasificación estructurada en datos gobernados

Source: TechNewsList (https://technewslist.com)
Canonical URL: https://technewslist.com/es/article/databricks-ai-decide-model-routing-beta-2026-10-05-morning-es
Section: AI (https://technewslist.com/es/ai)
Author: TechNewsList
Language: es
Published: 2026-10-05T05:50:19.313+00:00
Updated: 2026-10-05T05:50:19.458168+00:00

> Databricks lanzó ai_decide en versión beta pública para Runtime 15.4 LTS y 18.2+, incorporando modelos de decisión de baja latencia directamente en SQL y flujos de trabajo de agentes para reemplazar costosas llamadas generativas de LLM en datos empresariales gobernados.

## TL;DR
- Databricks lanzó la función SQL ai_decide en versión beta pública para Databricks Runtime 15.4 LTS y versiones posteriores.
- La herramienta utiliza modelos de decisión especializados en lugar de generación de texto autorregresivo para reducir la latencia de las consultas.
- Los equipos empresariales pueden enrutar solicitudes entre niveles de modelo y clasificar registros no estructurados directamente dentro de canalizaciones SQL.
- La arquitectura opera completamente dentro de los límites de gobierno de datos de Unity Catalog sin tránsito de red externa.
- La función admite evaluaciones de probabilidad binaria, opciones categóricas con nombre y rúbricas de puntuación numérica.

## Key points
- Los modelos de decisión eliminan los gastos generales de generación de tokens al producir selecciones categóricas directas.
- La ejecución en la base de datos reduce los costos de inferencia por consulta hasta en un ochenta por ciento en comparación con los LLM de vanguardia.
- La compatibilidad se extiende a todas las instancias modernas del almacén de Databricks y excluye los niveles de SQL clásico heredados.
- La arquitectura subyacente admite la integración con los modelos de decisión TypeSafe AI Jev para enrutamiento determinista.
- Los equipos de datos pueden aplicar el filtrado de contenido y el control de seguridad a escala de procesamiento por lotes en las mesas de Lakehouse.

## Qué pasó

A principios de octubre de 2026, el proveedor empresarial Databricks introdujo oficialmente ai_decide en la versión beta pública de su plataforma de inteligencia de datos. Disponible para Databricks Runtime 15.4 Long Term Support (LTS) y los entornos de ejecución 18.2 más nuevos, la capacidad agrega una función SQL especialmente diseñada para clasificación de alto rendimiento y baja latencia y enrutamiento de modelos automatizado. Los administradores del espacio de trabajo pueden activar la función directamente a través de la interfaz de administración de vistas previas de la plataforma.

A diferencia de las funciones de inteligencia artificial generativa convencionales que consultan grandes modelos de lenguaje para producir párrafos conversacionales, ai_decide se basa en modelos de decisión compactos. El sistema evalúa el texto de registro estructurado o no estructurado frente a criterios estructurados y devuelve resultados precisos: una puntuación de probabilidad, una selección de opciones categóricas designadas o una puntuación numérica en una escala ordenada. El servicio también expone puntos finales de API REST para canalizaciones de agentes en tiempo real.

Las implementaciones iniciales de la plataforma demuestran compatibilidad inmediata con arquitecturas especializadas, como los modelos TypeSafe AI Jev. Al omitir la etapa secuencial de generación de tokens autorregresivos que representa la mayor parte de la sobrecarga de procesamiento de LLM, la función ejecuta decisiones con una latencia informática significativamente menor y un gasto de infraestructura reducido.

## Por qué importa

Durante los últimos dos años, las organizaciones de ingeniería empresarial han luchado con la economía operativa insostenible del uso de LLM de frontera de propósito general para tareas operativas mundanas. Miles de flujos de trabajo automatizados envían repetidamente consultas de clientes, notas de transacciones y eventos de registro a modelos diseñados para escritura creativa simplemente para determinar si un mensaje es una escalada, una solicitud de reembolso o un envío de spam.

Esta discrepancia arquitectónica ha resultado en un gasto informático masivo, cuellos de botella de latencia persistentes y fallas de formato errático cuando las canalizaciones posteriores ingieren respuestas no estructuradas. Al introducir la puntuación de decisiones especializada en la capa SQL, Databricks proporciona a los desarrolladores un mecanismo determinista para categorizar millones de filas en segundos.

![Hardware de clúster informático de alto rendimiento que ejecuta algoritmos de procesamiento de datos distribuidos a gran escala](https://rkhynbcsbnkkcwgexzwg.supabase.co/storage/v1/object/public/media/api/1791178082225-0acz6y-databricks-ai-decide-model-routing-beta-2026-10-05-morning-inside-1-62a370c178.webp)

Además, la capacidad sirve como base esencial para el enrutamiento de múltiples agentes. En sistemas agentes complejos, un controlador primario debe decidir constantemente si enrutar una tarea entrante a un modelo local liviano, un asistente de codificación especializado o un costoso motor de razonamiento. Realizar esta clasificación a través de ai_decide permite a los orquestadores preservar el presupuesto y al mismo tiempo reducir la latencia de cara al usuario.

## Detalles técnicos

La implementación técnica de ai_decide se centra en esquemas de solicitud estructurados ejecutados dentro de los nodos de ejecución de SQL de Databricks. Los desarrolladores invocan la función utilizando expresiones SQL estándar, proporcionando texto de destino junto con una serie de etiquetas candidatas o una pregunta de evaluación definida. El motor de inferencia subyacente evalúa la entrada según los criterios especificados en un único paso paralelizado, devolviendo tipos de datos JSON estructurados o SQL nativo.

Debido a que el sistema opera como una función de IA nativa dentro del nivel de cómputo administrado, todo el procesamiento de datos permanece estrictamente dentro de los límites de seguridad corporativa. Los permisos de Unity Catalog gobiernan el acceso a las tablas subyacentes y aplican máscaras de acceso a nivel de columna, lo que garantiza que la información patentada del cliente nunca salga de los límites de la empresa.

![Instalación de servidor empresarial segura que aloja cargas de trabajo analíticas de bases de datos y inferencia de modelos automatizados](https://rkhynbcsbnkkcwgexzwg.supabase.co/storage/v1/object/public/media/api/1791178084748-35q8r9-databricks-ai-decide-model-routing-beta-2026-10-05-morning-inside-2-0e2a9f6c9b.webp)

Desde el punto de vista arquitectónico, la herramienta es compatible con almacenes SQL profesionales y sin servidor, mientras que las configuraciones heredadas de Databricks SQL Classic están explícitamente excluidas. Las pruebas de integración indican que ejecutar clasificaciones por lotes en cientos de miles de registros en canalizaciones paralelas logra ganancias de rendimiento que superan cinco veces las llamadas de finalización estándar, al tiempo que elimina prácticamente los errores de salida con formato incorrecto.

## Impacto en el mercado / la industria

El lanzamiento de ai_decide refleja un cambio decisivo en toda la industria hacia modelos de inteligencia artificial especializados y para tareas específicas en pilas de datos empresariales. A medida que los proveedores de modelos fundamentales compiten en puntos de referencia de razonamiento general, las plataformas de infraestructura empresarial como Databricks, Snowflake y Google Cloud se están optimizando cada vez más para lograr eficiencia de costos, latencia y previsibilidad de gobernanza.

Para las plataformas de datos competitivas, el lanzamiento intensifica la batalla por las cargas de trabajo de análisis de Lakehouse. Los clientes empresariales que evalúan el costo total de propiedad ahora pueden ejecutar transformaciones semánticas de gran volumen sin licenciar claves API de terceros externos ni aprovisionar clústeres de GPU dedicados.

Al mismo tiempo, el desarrollo acelera la adopción de la automatización agente en sectores regulados como la banca y la atención médica. Los responsables de cumplimiento que anteriormente se han resistido a la generación de texto generativo dentro de las bases de datos de producción pueden aprobar más fácilmente modelos de decisión acotados que generan etiquetas de categorías estrictamente auditadas.

## Qué observar ahora

En las próximas semanas, los ingenieros monitorearán las métricas de adopción empresarial a medida que más organizaciones migren de mensajes experimentales a scripts SQL de producción. Un hito técnico crítico será si Databricks extiende el soporte nativo a puntos de control de decisiones ajustados por el usuario y capacitados directamente en taxonomías organizacionales patentadas.

Los observadores de la industria también evaluarán comparaciones de referencia de terceros que miden la precisión de la clasificación con modelos de frontera dedicados en casos extremos complejos y entradas contradictorias.

Finalmente, los equipos de arquitectura empresarial deben observar cómo responden los proveedores de plataformas de datos de la competencia, específicamente si los motores de bases de datos rivales introducen funciones de clasificación semántica nativas para mantener la paridad entre los entornos de lagos de datos hasta finales de 2026.

## Fuentes

* [Documentación de ingeniería de Databricks](https://docs.databricks.com/en/large-language-models/ai-functions.html): documentación oficial de la plataforma que detalla la sintaxis SQL de ai_decide, la integración de Unity Catalog y los requisitos de tiempo de ejecución.
* [DataPhoenix](https://dataphoenix.info/databricks-introduces-ai-decide-function/): análisis técnico que examina la arquitectura de los modelos de decisión de Databricks y el rendimiento del procesamiento por lotes.
* [Remio AI](https://remio.ai/blog/understanding-databricks-ai-decide-architecture/): evaluación comparativa independiente que compara la latencia de ai_decide con los costos de invocación generativa estándar de LLM.

Mentions: Ladrillos de datos, Ali Ghodsi, Catálogo de unidad, Tipo de IA segura, SQL, casa del lago

## Sources
- [Documentación de ingeniería de Databricks](https://docs.databricks.com/en/large-language-models/ai-functions.html)
- [DatosPhoenix](https://dataphoenix.info/databricks-introduces-ai-decide-function/)
- [Remio IA](https://remio.ai/blog/understanding-databricks-ai-decide-architecture/)