LAVOIR incorpora preguntas de seguimiento inteligentes a las decisiones de IA de una sola pasada

Un equipo de investigadores dirigido por Furkan Yılmaz presentó LAVOIR en arXiv el 28 de septiembre de 2026. LAVOIR es una versión del motor de toma de decisiones Laya que puede determinar, en una misma pasada hacia delante, tanto la respuesta como qué datos faltantes permitirían mejorarla más. En pruebas con conjuntos de datos de referencia, aumentó la precisión en 14,1 puntos al hacer un máximo de media pregunta por conversación, y redujo la tasa general de preguntas del 93 % al 8,6 % en un gran conjunto de diálogos. El modelo sigue respondiendo en unos 31 ms, lo bastante rápido para mantener una conversación en tiempo real.

Cómo llegamos hasta aquí

Asistentes de IA anteriores, como Jev, de TypeSafe, y el modelo de código abierto Laya, respondían preguntas escritas en una sola pasada hacia delante. Producían probabilidades calibradas, pero nunca pedían aclaraciones. Si al mensaje del usuario le faltaba un dato —por ejemplo, a qué departamento se aplicaba una política—, el modelo tenía que adivinar. Los investigadores llamaron a esta limitación toma de decisiones de «Sistema Uno».

LAVOIR resuelve el problema añadiendo posibles datos faltantes junto a cada opción de respuesta. Una estimación del valor de la información (VOI) indica cuánto podría aumentar cada dato la probabilidad de tomar una decisión correcta. Los valores de VOI se aprenden sin etiquetas humanas: las reglas del esquema proporcionan las decisiones correctas, un modelo de lenguaje grande (LLM) redacta las preguntas y otro modelo revisa el texto. Un límite basado en la impureza de Gini impide que el modelo prometa mejoras excesivas. En un estudio controlado, la calidad de las decisiones de LAVOIR igualó el límite teórico de Bayes, y su política para formular preguntas tuvo un rendimiento casi idéntico al de un oráculo voraz que siempre elige la pregunta de mayor valor.

Qué viene ahora

El artículo incluye código de código abierto y puntos de control del modelo, para que los desarrolladores puedan integrar LAVOIR en herramientas existentes de chat o de apoyo a la toma de decisiones. Como formula muchas menos preguntas, la experiencia de usuario debería seguir siendo fluida y, a la vez, reducir errores costosos en ámbitos como la atención al cliente, la cumplimentación de formularios legales o el triaje médico. Los autores planean probar el modelo con tráfico de usuarios en vivo y explorar límites de VOI más precisos que se adapten a distintas velocidades de hardware.

Si se adopta de forma generalizada, LAVOIR podría cambiar la manera en que los asistentes de IA equilibran rapidez y precisión. En lugar de adivinar siempre, solo preguntarán cuando el beneficio previsto compense la interrupción, lo que hará que las conversaciones sean más útiles.