---
title: "Parallel Decisions API: RAG, ejemplos y límites"
canonical: https://wavect.io/es/blog/parallel-decisions-api-rag-decision-models/
language: es
description: "Parallel Decisions API combina búsqueda web y respuestas acotadas. Ejemplo de integración, fuentes compartidas, confianza opcional, costes y límites."
image: "https://wavect.io/img/blog/headers/header_parallel-decisions-api-rag-decision-models.png"
author: ["Kevin Riedl"]
published: "2026-11-03"
updated: "2026-11-03"
reviewed: "2026-11-03"
---

# Parallel Decisions API: RAG para modelos de decisión en la práctica

[**Volver**](/es/blog/overview/)

[![Kevin Riedl](/img/team/kevin.webp)](/es/team/kevin-riedl/)

[Kevin Riedl](/es/team/kevin-riedl/) https://linkedin.com/in/wsdt

13 min de lectura · 3 de noviembre de 2026 Última revisión 3 de noviembre de 2026

[**Siguiente**](/es/blog/jev-ai-decision-model-review/)

Resumen

Parallel Decisions API reúne búsqueda en la web pública y preguntas tipadas en una solicitud. Encaja en comprobaciones breves sobre hechos cambiantes de empresas o proveedores. Agrupa preguntas relacionadas, distingue unknown de refusal y verifica el producto y el plan exactos. Las fuentes se comparten entre las preguntas; la confianza es opcional en choice y score. Nuestro ejemplo prepara resultados para revisar sus fuentes. La guía también explica precios, controles de recuperación y límites de los benchmarks del proveedor.

Un proveedor incorpora una función el lunes. El viernes, tu proceso de evaluación todavía la marca como no disponible porque el modelo nunca recibió el anuncio. Una respuesta JSON perfectamente válida puede contener una decisión desactualizada.

**Parallel Decisions API combina búsqueda web y preguntas con respuestas acotadas en una sola solicitud.** Le proporcionas el contexto y las opciones que entiende tu aplicación; el servicio recupera información pública y devuelve respuestas tipadas. Tu aplicación puede utilizar esas clasificaciones después de comprobar que las fuentes respaldan el producto, el plan y la fecha exactos.

Parallel anunció la API el 25 de octubre de 2026. Su [artículo de lanzamiento de Decisions API](https://parallel.ai/blog/decisions-api) describe el flujo integrado. **Fuentes revisadas: 3 de noviembre de 2026.** Hemos revisado la documentación y el esquema de la API, y comprobado el ejemplo adjunto con respuestas sintéticas sin conexión. No hemos medido aquí la exactitud ni la latencia de la API en funcionamiento.

## ¿Qué aporta RAG a los modelos de decisión?

**RAG para modelos de decisión consiste en recuperar información de respaldo antes de responder una pregunta predefinida.** La salida puede ser una categoría, una probabilidad o una puntuación ordenada. Parallel realiza la recuperación dentro de la solicitud, de modo que tu aplicación puede pedir directamente la decisión.

La [guía oficial de inicio de Decisions](https://docs.parallel.ai/decisions/decisions-quickstart) describe el estado compartido `state`, las preguntas con nombre en `questions` y las respuestas tipadas. La integración reúne recuperación y clasificación en una misma API.

Jev evalúa preguntas tipadas sobre el estado que le proporcionas, como explica la [introducción de TypeSafe](https://docs.typesafe.ai/introduction). Puedes recuperar información actual e incorporarla tú mismo a ese estado. Nuestra [guía del modelo de decisión Jev](/es/blog/jev-ai-decision-model-review/) explica esa interfaz. Parallel incluye la recuperación en su servicio de decisiones.

## ¿Cuándo conviene Parallel y cuándo separar la búsqueda del modelo?

**Utiliza el endpoint integrado de Parallel cuando necesites una respuesta breve sobre información pública y sus controles de recuperación encajen con la tarea.** Mantén una capa de recuperación separada si necesitas elegir el conjunto de documentos, aplicar permisos de acceso o controlar qué fragmentos recibe el modelo.

| Enfoque | De dónde sale la información | Cuándo encaja | Qué sigue a tu cargo |
| --- | --- | --- | --- |
| Modelo de decisión sobre un estado proporcionado | Tu aplicación aporta los datos relevantes | Clasificar una incidencia de soporte o un registro conocido | Mantener el estado actualizado y completo |
| Recuperación separada y modelo de decisión | Un sistema de recuperación que configuras, seguido del modelo que eliges | Documentos privados, restricciones de fuentes o trazabilidad detallada | Calidad de la recuperación, permisos, integración del modelo y evaluación |
| Parallel Decisions API | Información de la web pública recuperada dentro del servicio | Verificar funciones de proveedores, clasificar empresas y comprobar hechos actuales | Diseño de preguntas, revisión de fuentes y reglas de actuación de la aplicación |

Para consultar conocimiento privado de la empresa, aplica los permisos de acceso antes de proporcionar información al modelo. Nuestra [guía de RAG con permisos para SharePoint, Confluence y Drive](/es/blog/rag-permissions-sharepoint-confluence-drive/) desarrolla esa arquitectura.

## ¿Qué devuelve Parallel Decisions API?

**Parallel devuelve una respuesta tipada por cada pregunta con nombre y una lista de fuentes compartida para toda la solicitud.** Su tipo de predicado se llama `noul`. Las preguntas de elección seleccionan una opción declarada; las de puntuación valoran una rúbrica ordenada. Cualquier pregunta puede recibir un rechazo. Comprueba el tipo de respuesta antes de leer su valor.

| Tipo | Definición de la pregunta | Respuesta | Interpretación |
| --- | --- | --- | --- |
| `noul` | Una condición en `instructions` | `noul`, entre 0 y 1 | Probabilidad estimada de que la condición sea verdadera |
| `choice` | Un objeto `criteria` con opciones identificadas por nombre | `choice` y `probabilities` | Una categoría seleccionada y su distribución |
| `score` | Un array ordenado `criteria` | `score`, `legend` y `probabilities` | Media de los índices de nivel, desde cero, ponderada por sus probabilidades |
| `refusal` | Posible para cualquier pregunta | Sin valor de decisión ni probabilidades | Un resultado distinto que debes gestionar |

La [documentación de los tipos de pregunta](https://docs.parallel.ai/decisions/question-types) recomienda incluir una opción explícita `unknown` cuando la información pueda ser insuficiente. No equivale a un rechazo, que puede deberse a filtros de un proveedor interno. La falta de documentación no debe convertirse silenciosamente en una afirmación segura de que una función no está disponible.

El [esquema OpenAPI publicado](https://docs.parallel.ai/public-openapi.json) define `confidence` como opcional y admite `null` en las respuestas choice y score; la respuesta `noul` no tiene un campo de confianza separado. Conserva la probabilidad de la opción elegida por separado de cualquier confianza devuelta. El array `citations` de nivel superior puede estar vacío y no vincula cada fuente con una respuesta concreta.

Parallel y OpenAI tienen productos llamados Decisions API. Comprueba el dominio y la estructura de la solicitud antes de copiar código de uno al otro. Nuestra [guía de enrutamiento con OpenAI Decisions API](/es/blog/openai-decisions-api-model-routing/) explica la interfaz de ese proveedor; el ejemplo siguiente llama a `api.parallel.ai`.

## ¿Cómo verificas un proveedor sin confundir sus productos?

**Especifica el producto, el plan y la fecha en cada pregunta sobre una función.** Un anuncio general del proveedor puede aplicarse a una sola API. Formula cada pregunta dentro del contexto compartido de ese proveedor e incluye `unknown` para información ausente, ambigua o contradictoria.

Imagina que necesitas comprobar qué API de Parallel documentan procesamiento en la UE con un contrato empresarial. El ejemplo pregunta por separado sobre Search en modo `basic` y sobre Decisions. Ambas preguntas tratan las funciones de productos bajo el mismo contrato.

Envía este JSON a `POST https://api.parallel.ai/v1/decisions` con `Content-Type: application/json` y tu `x-api-key` desde el servidor:

```
{
  "mode": "fast",
  "state": {
    "company": "Parallel",
    "website": "https://parallel.ai",
    "agreement": "Enterprise agreement",
    "as_of": "2026-11-03"
  },
  "questions": {
    "search_eu": {
      "type": "choice",
      "instructions": "Does Parallel document EU processing for Search API in basic mode (POST /v1/search) under an enterprise agreement, as of state.as_of? Evaluate this endpoint only; do not transfer a claim about another product.",
      "criteria": {
        "documented_yes": "Official documentation explicitly supports this endpoint, mode and agreement.",
        "documented_no": "Official documentation explicitly excludes this endpoint or requires processing outside the EU.",
        "unknown": "Evidence is missing, conflicting, ambiguous, outdated or applies to a different endpoint."
      }
    },
    "decisions_eu": {
      "type": "choice",
      "instructions": "Does Parallel document EU processing for Decisions API (POST /v1/decisions) under an enterprise agreement, as of state.as_of? Evaluate this endpoint only; do not transfer a claim about another product.",
      "criteria": {
        "documented_yes": "Official documentation explicitly supports this endpoint, mode and agreement.",
        "documented_no": "Official documentation explicitly excludes this endpoint or requires processing outside the EU.",
        "unknown": "Evidence is missing, conflicting, ambiguous, outdated or applies to a different endpoint."
      }
    }
  },
  "advanced_settings": {
    "include_excerpts": true
  }
}
```

La [guía de buenas prácticas de Decisions](https://docs.parallel.ai/decisions/best-practices) recomienda agrupar preguntas relacionadas que comparten información de respaldo. Pedir documentación oficial orienta al modelo, pero no impone una lista de fuentes permitidas. El campo `as_of` aporta contexto para la tarea; las instantáneas históricas y los controles sobre el momento de recuperación necesitan soporte específico.

[Descarga el ejemplo de verificación de proveedores en Node.js](/downloads/parallel-decisions-vendor-screen.mjs) para **Node.js 22 o posterior**. Incluye la construcción de la solicitud, la gestión del tiempo de espera y la revisión de respuestas. El JSON anterior coincide con su fecha predeterminada del 3 de noviembre de 2026; el código siguiente la sustituye expresamente por la fecha UTC actual. Guarda el archivo descargado junto a `run-example.mjs`, con este contenido:

```
import {
  buildRequest, requestDecision, reviewAnswer
} from "./parallel-decisions-vendor-screen.mjs";

const request = buildRequest(new Date().toISOString().slice(0, 10));
const response = await requestDecision(request, {
  apiKey: process.env.PARALLEL_API_KEY
});

for (const name of Object.keys(request.questions)) {
  console.log(name, reviewAnswer(response, name));
}
```

Ejecuta `node run-example.mjs` con tu clave en la variable de entorno. Este código realiza una solicitud a la API sujeta a la tarifa publicada. Importar únicamente el módulo no realiza ninguna. Las pruebas sin conexión utilizan respuestas sintéticas para comprobar el comportamiento de la aplicación; no miden la calidad de la recuperación.

## ¿Cómo debe usar la aplicación las fuentes compartidas?

**Trata la lista de fuentes de Parallel como información compartida que debes revisar.** Antes de aceptar que una función está disponible, comprueba un fragmento para el endpoint, el contrato, la región y la fecha exactos. Después, asocia ese fragmento a la afirmación individual dentro de tu flujo. Una fuente de la lista compartida puede respaldar solo una pregunta.

| Resultado observado | Significado | Siguiente paso |
| --- | --- | --- |
| Sí o no documentado, distribución válida y fragmentos de fuentes utilizables | Una clasificación válida en su formato, con posibles fuentes de respaldo | Comprobar si un fragmento respalda exactamente esta afirmación |
| `unknown` | La pregunta queda sin resolver con la información disponible | Solicitar mejores fuentes o contactar con el proveedor |
| `refusal` | El proveedor ha rechazado esa pregunta | Registrar el rechazo y enviarlo a revisión |
| Respuesta ausente, distribución mal formada o fallo de transporte | La integración no dispone de una respuesta utilizable | Mantener el registro sin resolver; diagnosticar o reintentar con límites definidos |
| Fuentes vacías o sin fragmentos utilizables | El ejemplo carece de información que pueda revisarse | Recuperar fuentes por separado antes de aceptar la afirmación |

La función auxiliar exige URL de fuentes HTTPS sin credenciales incrustadas y al menos un fragmento no vacío. Son reglas locales de revisión que hemos elegido para el ejemplo. Superarlas produce `evidence_review`, un estado de cola que todavía exige comprobar el respaldo de las fuentes. Define cualquier umbral de automatización posterior a partir de casos etiquetados de tu aplicación.

Conserva la distribución original, la confianza opcional, `decision_id`, la versión de la solicitud y el momento de recepción de la respuesta. Registra por separado las fechas de publicación y recuperación de las fuentes cuando estén disponibles. Una página sobre residencia de datos de Search podría acompañar ambas clasificaciones y respaldar solo una; atribuir fuentes a cada campo exige una verificación propia.

## ¿Cuánto cuesta agrupar preguntas?

**Parallel publica una tarifa de 1 US$ por cada 1.000 solicitudes de Decisions, con hasta 100 preguntas por solicitud.** Agrupar comprobaciones relacionadas sobre un mismo proveedor puede reducir el coste de las solicitudes. Verifica la tarifa vigente antes de preparar tu presupuesto.

La [página oficial de precios](https://docs.parallel.ai/getting-started/pricing) indica esa tarifa, revisada el 3 de noviembre de 2026. Para un ejemplo de 10.000 proveedores con tres preguntas relacionadas cada uno, una solicitud por proveedor supone **10.000 × 0,001 US$ = 10 US$** en cargos por solicitud. Hacer tres solicitudes por proveedor supondría **30.000 × 0,001 US$ = 30 US$**.

Este cálculo ilustrativo excluye reintentos, infraestructura, investigación adicional y revisión humana. Mide el gasto en la API y el coste por registro aceptado y respaldado por fuentes.

Agrupa preguntas relacionadas sobre la misma entidad. Divide las solicitudes cuando resulte difícil atribuir las fuentes o cuando necesites el resultado de una pregunta para formular la siguiente.

## ¿Puedes exigir fuentes recientes o procesamiento en la UE?

**La documentación de Decisions que revisamos no confirma una actualización forzada de las fuentes ni el procesamiento en la UE.** Sus ajustes avanzados permiten indicar la ubicación de búsqueda e incluir fragmentos. Para este endpoint no se documentan listas de fuentes permitidas obligatorias, filtros por fecha de publicación ni políticas de recuperación.

La [guía Source Policy de Parallel](https://docs.parallel.ai/resources/source-policy) documenta controles de dominios y actualidad para otras API. Si esos controles son requisitos de aceptación, recupera la información mediante una API que los admita y pásala a un paso de decisión separado.

La [documentación de residencia de datos en la UE](https://docs.parallel.ai/resources/eu-data-residency) cubre Search en modo `basic` y Extract con un contrato empresarial. Decisions necesita una confirmación específica. El campo `advanced_settings.location` orienta geográficamente la búsqueda; la residencia del procesamiento es un requisito distinto.

En comprobaciones referidas a una fecha, registra lo que afirma la fuente y cuándo se aplica. Las decisiones históricas necesitan información conservada o un archivo adecuado. Confirma el proveedor y el flujo de datos antes de incorporar documentos privados de clientes a una prueba.

## ¿Qué demuestran los benchmarks?

**El benchmark de Parallel compara configuraciones completas de API con distinto acceso a información web.** Sus resultados ayudan a elegir una referencia que probar con tu carga de trabajo; no aíslan la exactitud de los clasificadores subyacentes.

La [metodología publicada](https://github.com/parallel-web/pws-decisions-benchmark/blob/main/docs/methodology.md) de PWS-Decisions describe 300 preguntas, 100 públicas y 200 privadas. Los endpoints de decisión nativos de otros proveedores recibieron el mismo estado y las mismas preguntas, sin contexto web añadido. Interpreta la comparación principal teniendo presente esa configuración.

En tres ejecuciones del 29 de octubre de 2026 sobre 300 preguntas, los [resultados registrados por Parallel](https://github.com/parallel-web/pws-decisions-benchmark/blob/main/docs/results.md) indican una exactitud del 76,22 % para su endpoint y del 97,33 % para una configuración separada de Luna con búsqueda web nativa. La configuración con búsqueda presentó un coste y una latencia mayores. Son mediciones del proveedor sobre ese conjunto de pruebas. Compara flujos completos al elegir tu referencia.

## ¿Cómo lo evaluaríamos antes del despliegue?

**Comprobaríamos que cada clasificación esté respaldada por las fuentes correctas antes de permitir que cambie un registro de negocio.** Empieza con un tipo de decisión y casos de referencia fechados. Incluye positivos claros, negativos explícitos y situaciones cuyo resultado correcto sea dejar la cuestión sin resolver. Ejecuta el candidato junto al flujo existente hasta entender sus errores.

| Caso | Qué debe detectar la prueba |
| --- | --- |
| Una función incorporada o retirada recientemente | Si la clasificación refleja la fuente y la fecha aplicables |
| La misma empresa, otro plan o endpoint | Si un anuncio general se convierte en una afirmación sin respaldo sobre otro producto |
| Documentación ausente o contradictoria | Si el flujo conserva la incertidumbre en lugar de inventar un resultado negativo |
| Una fuente plausible que trata sobre otra entidad | Si la revisión detecta una respuesta aparentemente correcta con un respaldo equivocado |
| Fuentes en cada idioma utilizado en producción | Si los nombres de productos traducidos y sus condiciones conservan la misma decisión |

Etiqueta por separado la respuesta esperada y el fragmento que la respalda. Registra qué proporción de los registros aceptados es correcta y está documentada, cuántos necesitan revisión y qué registros erróneos la superan. Mide la latencia del flujo completo y el coste de completar un registro, incluido el trabajo posterior.

Recomendamos empezar con un piloto acotado de evaluación de proveedores o enriquecimiento de datos, con un paso explícito de revisión de fuentes. Define primero la decisión y el coste de equivocarse. Si necesitas convertirlo en un flujo de producto, nuestro [servicio de desarrollo de productos y agentes de IA](/es/services/artificial-intelligence/) es el siguiente paso adecuado.

## Preguntas sobre Parallel Decisions API

### ¿Puedo probar Parallel Decisions mediante MCP?

La guía de inicio revisada incluye la herramienta web_decisions en el servidor MCP de Parallel, https://mcp.parallel.ai/mcp, con uso gratuito sin cuenta ni clave de API y límites superiores al iniciar sesión o autenticarse. Es una vía de acceso para un cliente MCP. El ejemplo HTTP directo de esta guía requiere tu clave de API y utiliza la tarifa publicada por solicitud.

### ¿Puedo utilizar una probabilidad noul como un booleano?

Una respuesta noul es un número entre 0 y 1. En JavaScript, incluso un número muy pequeño distinto de cero se evalúa como verdadero, por lo que un if sobre el valor original no es adecuado. Define y evalúa expresamente una regla de decisión. Para comprobar documentación cuando importa la falta de información, una pregunta choice con la opción unknown suele expresar mejor la tarea.

### ¿Puede una pregunta depender de otra respuesta en la misma solicitud?

Agrupa preguntas cuando puedas definir cada una a partir del estado compartido. Si la pregunta B necesita el valor devuelto por A, recomendamos esperar a A, validarla y construir B en una solicitud posterior. No trates el objeto questions como un programa secuencial ni supongas que el orden de sus claves establece una dependencia.

### ¿Puede Parallel Decisions actualizar mi CRM automáticamente?

La respuesta de decisión proporciona datos a tu aplicación. Una integración separada debe autorizar y realizar la actualización del CRM. En nuestro ejemplo, evidence_review es un estado de cola para revisar las fuentes, no un permiso para marcar un proveedor como aprobado. Vincula cualquier actualización posterior con la afirmación revisada y con la versión del registro que pretendías cambiar.

### ¿Una puntuación siempre corresponde a un nivel de la rúbrica?

No. Una puntuación es la media de los índices de nivel, desde cero, ponderada por sus probabilidades, por lo que puede quedar entre niveles. Por ejemplo, probabilidades de 0,25 y 0,75 para los niveles 0 y 1 producen 0,75. Interpreta ese valor según tu rúbrica; utiliza choice cuando la aplicación necesite una categoría discreta en lugar de una media.

### ¿Debo evaluar por separado las fuentes en alemán, español y chino?

Recomendamos probar cada idioma que vaya a encontrar tu flujo. Un producto puede utilizar nombres de planes distintos o publicar un cambio antes en un idioma. Vincula las respuestas de referencia con fuentes fechadas y revisa las condiciones cuyo significado pueda cambiar al traducirlas. Un buen resultado en un conjunto de pruebas en inglés no demuestra la misma calidad de fuentes en otro idioma.

Modelos de decisión

## Qué leer después

Compara proveedores, integra respuestas tipadas, calibra probabilidades y utiliza fuentes web para fundamentar decisiones acotadas.

[Empieza aquí**Jev AI: análisis del modelo de decisión para agentes**](/es/blog/jev-ai-decision-model-review/)

- [OpenAI Decisions API: confianza, rechazos y enrutamiento](/es/blog/openai-decisions-api-model-routing/)
- [Cloudflare Clef vs. Jev: precios, pruebas y migración](/es/blog/cloudflare-clef-vs-jev/)
- [AnyJev: calibración de LLM y sesgo por orden](/es/blog/anyjev-calibration-option-order-bias/)
- [Laya y Jev en empresas: 6 flujos de trabajo prácticos](/es/blog/laya-jev-business-workflows-roi/)
- [Laya vs Jev: benchmarks y riesgo para startups de IA](/es/blog/laya-vs-jev-benchmark-ai-startup-moat/)

[Artículo siguiente**OpenAI Decisions API: confianza, rechazos y enrutamiento**](/es/blog/openai-decisions-api-model-routing/)

[**Volver**](/es/blog/overview/)

[![Kevin Riedl](/img/team/kevin.webp)](/es/team/kevin-riedl/)

[Kevin Riedl](/es/team/kevin-riedl/) https://linkedin.com/in/wsdt

13 min de lectura · 3 de noviembre de 2026 Última revisión 3 de noviembre de 2026

[**Siguiente**](/es/blog/jev-ai-decision-model-review/)