«Determinista»: tres usos de la misma palabra y cuál se puede comprobar

Cuando alguien dice que su sistema de IA es determinista, puede estar hablando de tres cosas distintas: de un flujo que recorre siempre los mismos pasos, de un modelo que da la misma respuesta a la misma pregunta o de un núcleo que toma la misma decisión con los mismos datos. Las tres sirven para algo. Solo la última la puede comprobar cualquiera que tenga los datos de entrada, sin depender de quién sirve el modelo.

En Andruna la palabra tiene un sentido estrecho: determinista es lo que, con la misma entrada, devuelve exactamente lo mismo, byte a byte. La definición no habla de acertar. Una decisión determinista puede ser errónea, y será el mismo error cada vez que se repita con los mismos datos. Como sale igual, cualquiera puede repetirla y comprobarla.

Un flujo de pasos fijo

Microsoft publicó el 3 de abril de 2026 la versión 1.0 de Agent Framework, sus herramientas para construir agentes. Un agente es un programa que usa un modelo de lenguaje, el sistema que genera texto a partir de una pregunta, para decidir y ejecutar los pasos de una tarea.

Según el anuncio, el motor de flujos de Agent Framework sirve para componer agentes y funciones en «procesos deterministas y repetibles». Ese motor fija el camino: el orden de los pasos, con sus bifurcaciones, y los puntos de control donde se guarda el trabajo para reanudarlo.

La garantía alcanza al orden. Si uno de los pasos es un agente que redacta un texto, el flujo pasará por él siempre en el mismo punto, y el texto podrá cambiar de una ejecución a otra. El registro de la ejecución permite comprobar qué pasos se dieron y en qué orden. Para saber si el agente habría escrito lo mismo, ese registro no basta.

Un modelo que responde igual

Thinking Machines Lab puso a prueba en septiembre de 2025 el segundo sentido de la palabra: que un modelo de lenguaje dé la misma respuesta a la misma pregunta. Hizo la misma petición 1000 veces al modelo abierto Qwen3-235B, a temperatura cero, y obtuvo 80 respuestas distintas. La temperatura es el parámetro que regula cuánto azar hay al elegir cada fragmento del texto. A cero, el modelo toma siempre la opción más probable, y en teoría con eso basta.

Las primeras diferencias aparecían en el token 103 (un token es la unidad de texto con la que trabaja el modelo). La causa estaba en el servidor, que agrupa en lotes las peticiones de varias personas. El tamaño del lote cambia con la carga y, con él, el orden de las operaciones. En la aritmética de coma flotante, la que usan los ordenadores para los números con decimales, sumar en otro orden puede dar otro resultado. En Python:

(0.1 + 0.2) + 0.3   # 0.6000000000000001
0.1 + (0.2 + 0.3)   # 0.6

Con rutinas de cálculo que dan lo mismo sea cual sea el tamaño del lote, el mismo equipo obtuvo 1000 respuestas idénticas. La repetibilidad de un modelo depende, por tanto, de cómo está montado el servidor, y quien usa un servicio en la nube no lo controla. Hay proveedores que ni siquiera dejan elegir la temperatura. Según la referencia de la interfaz de programación (API) de Anthropic, consultada el 7 de octubre de 2026, sus modelos posteriores a Claude Opus 4.6 no admiten fijarla.

Un núcleo que decide igual

Una regla de gastos puede decir que se aprueba un gasto si el importe no pasa de 500 y lleva justificante. Esa regla la aplica el núcleo de decisión, la parte del sistema que recibe unos datos, les aplica las reglas y devuelve una decisión. El núcleo es determinista si, con los mismos datos, devuelve los mismos bytes.

Eso se comprueba sin pedir permiso a nadie: se repite la decisión y se compara su huella, un resumen corto del resultado que cambia en cuanto cambia un solo byte. La función de abajo aplica la regla a una solicitud y calcula la huella de su decisión.

import hashlib, json

def decidir(s):
    ok = s["importe"] <= 500 and s["justificante"]
    salida = {"id": s["id"], "aprobado": ok}
    return json.dumps(salida, sort_keys=True, separators=(",", ":"))

entrada = {"id": "G-17", "importe": 320, "justificante": True}
huella = hashlib.sha256(decidir(entrada).encode()).hexdigest()
print(huella[:16])  # 21193c8aea1fdfa3

La huella de esta solicitud sale igual hoy y dentro de un año, en este ordenador o en otro, porque la función está escrita para eso. No lee el reloj, que daría una salida distinta en cada ejecución, ni usa decimales, cuyo resultado puede depender del orden de las operaciones. Además, escribe el resultado siempre con las claves en el mismo orden y sin espacios variables, porque dos textos que dicen lo mismo con distinto formato tienen huellas distintas.

Cuál se puede comprobar

Uso	Qué queda fijo	Quién lo puede comprobar
Flujo de pasos fijo	El orden de los pasos	Quien tiene el registro de la ejecución
Modelo que responde igual	La respuesta, si el servidor lo permite	Quien controla el servidor
Núcleo de decisión	La decisión, byte a byte	Cualquiera con los datos de entrada

Los tres usos pueden coincidir en un mismo sistema, y ninguno lo hace determinista en su conjunto. Si un producto se te presenta como determinista, pregunta a qué parte se refiere y con qué datos se puede repetir la comprobación.

Qué queda hoy

Los motores de decisión de la formación de Andruna se construyen con un reparto que sale de esta distinción. El modelo de lenguaje propone, porque su salida puede variar, y el núcleo decide, porque su decisión tiene que poder repetirse. Algunos modelos ya entregan su propuesta como una respuesta elegida entre opciones permitidas, como Clef, que abrió Cloudflare el 1 de octubre, y la API Decisions que OpenAI presentó cinco días después.

El reparto completo se explicará en el curso «Introducción a los motores deterministas», en preparación.