Una bandeja con treinta enlaces sobre IA parece una oportunidad de contenido, hasta que intentas leerlos todos. Algunos son lanzamientos reales; otros repiten una función antigua o venden una promesa sin acceso público. El 22 de octubre de 2026, OpenAI anunció que su Decisions API pasó de beta pública a disponibilidad general. Para un creador, su uso interesante no es publicar automáticamente, sino ordenar qué merece revisión humana hoy.

El registro oficial de la API confirma la fecha y las novedades: caché de entrada compartida, imágenes en instrucciones de preguntas, datos estructurados con input_json y hasta 400 preguntas por petición, frente a 200 en beta. La guía de Decisions indica que el único modelo admitido por ahora es gpt-6-luna. Es una API de respuestas tipadas: puede elegir una categoría, evaluar una condición o puntuar con una rúbrica. No es un investigador que comprueba por sí mismo si un anuncio es verdadero.

Qué cambia para un radar editorial

Imagina tres rutas para cada señal: revisar para publicar, probar antes de escribir o descartar por ahora. Envías a Decisions el texto del anuncio y haces una pregunta de elección. La respuesta puede incluir una opción, probabilidades y una medida de confianza. Eso permite construir una cola pequeña para el editor. El siguiente paso, indispensable, es abrir la fuente primaria, confirmar fecha, acceso, límites y utilidad para vibecoders o creadores. Una puntuación alta sobre un texto promocional no transforma ese texto en evidencia.

La disponibilidad general importa si estabas evitando construir sobre la beta. También amplía algunos usos: input_json permite pasar una ficha con título, fecha y producto sin concatenarla manualmente en un párrafo; las imágenes por pregunta pueden servir para comparar portadas contra una referencia. Son capacidades del producto, no pruebas propias de precisión. OpenAI afirma que Decisions ofrece respuestas aproximadamente diez veces más rápidas que Responses para este tipo de tarea; ese dato es del proveedor y debe medirse en tu flujo antes de prometer una mejora al equipo.

Una prueba que puedes copiar

Esta petición sigue el ejemplo de la documentación oficial. Requiere una clave API válida en OPENAI_API_KEY y genera costo. Cambia el texto de input por una señal real que ya hayas guardado con su URL original. El comando está preparado como ejemplo documentado; no se ejecutó aquí con una clave privada.

curl https://api.openai.com/v1/decisions \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-6-luna",
    "input": "El proveedor anuncia una nueva API para clasificar texto e imágenes. El changelog oficial dice que está disponible desde el 22 de octubre de 2026.",
    "questions": [{
      "type": "choice",
      "name": "siguiente_revision",
      "instructions": "Elige el siguiente paso para un editor de IA práctica. No afirmes haber verificado hechos externos; usa solo el texto recibido.",
      "choices": [
        {"value": "revisar", "description": "Tiene una novedad concreta y conviene verificar la fuente primaria hoy."},
        {"value": "probar", "description": "La utilidad depende de una prueba reproducible antes de escribir."},
        {"value": "descartar", "description": "No cambia una decisión de la audiencia o falta información esencial."}
      ]
    }]
  }'

El resultado no debe disparar published=true. Úsalo para crear una tarea con la categoría elegida y guardar el texto original, la URL y la hora. Si la respuesta es ambigua o la confianza es baja, envíala a revisión manual. Define un umbral con tus propios ejemplos etiquetados; no hay un número universal. El modelo solo ve el material que le proporcionas y puede clasificar mal una afirmación falsa redactada con seguridad.

Cómo evaluar si sirve en tu negocio

1. Arma una muestra pequeña. Reúne 30 señales recientes: lanzamientos útiles, noticias repetidas y anuncios vagos. Guarda el enlace oficial y tu decisión editorial antes de consultar el modelo.
2. Compara decisiones. Ejecuta la misma pregunta para las 30 señales y cuenta falsos positivos (relleno que pide revisar) y falsos negativos (una novedad útil descartada). Revisa especialmente los falsos negativos: allí podrías perder una historia importante.
3. Mide el trabajo completo. Calcula tiempo desde enlace recibido hasta decisión humana, costo por señal y porcentaje de señales que terminan en artículo o experimento. No uses la velocidad del endpoint como sustituto del valor editorial.
4. Introduce una puerta humana. Antes de publicar, exige enlace primario, fecha, disponibilidad, limitaciones, ejemplo reproducible y una portada asignada. Decisions puede priorizar; la responsabilidad factual y editorial sigue en tu flujo.

Decisions también admite preguntas de condición y puntuación, pero para empezar elegiría una sola pregunta de ruta. Si necesitas redactar un resumen extenso o devolver un objeto con tu propio esquema, OpenAI recomienda Structured Outputs con Responses para ese trabajo. No fuerces una API de clasificación a escribir el artículo completo.

Acceso y límites: la API está en disponibilidad general según OpenAI, con gpt-6-luna como único modelo admitido y un máximo documentado de 400 preguntas por petición. El precio y las condiciones regionales están en la guía oficial y pueden cambiar; no hemos medido latencia, precisión ni costo en una cuenta de SoyJB. Próxima prueba útil: etiquetar señales reales del radar durante una semana y comparar el filtro con las decisiones de Joseph antes de automatizar cualquier publicación.