El 1 de octubre de 2026, Cloudflare anunció Clef y Clef-flash, dos "modelos de decisión" de código abierto publicados bajo la licencia Apache 2.0. El modelo no escribe una respuesta libre. Lee la entrada, elige de una lista de respuestas que usted define de antemano y devuelve una probabilidad para cada opción. El más ligero, Clef-flash, se basa en un modelo Qwen 3.5 de 9 mil millones de parámetros y tiene un tiempo de respuesta mediano de 38,8 milisegundos. El más preciso, Clef, se basa en un modelo Qwen 3.8 de 27 mil millones de parámetros, con una mediana de 209,3 milisegundos. Ambos están disponibles en Workers AI, y sus pesos están publicados en Hugging Face para alojarlos por cuenta propia.

Gran parte de la IA en el servicio al cliente es en realidad clasificación: ¿queja o pedido? ¿Urgente o no? Muchos equipos usan para esto un modelo de chat general y obtienen respuestas más lentas que pueden cambiar de una ejecución a otra.

Qué es realmente un modelo de decisión

Cloudflare describe un modelo de decisión como aquel que produce salidas estructuradas y acotadas "de forma barata, rápida y consistente". Lo contrasta con los grandes modelos de lenguaje, que describe como en gran medida no deterministas.

Según la ficha del modelo en Hugging Face, usted envía un "estado" que describe la situación, como texto o JSON, más imágenes o vídeo si hace falta, y luego una lista de preguntas, cada una con sus opciones permitidas. El modelo devuelve una probabilidad para cada opción y no genera texto libre. Cloudflare dice que su código usa estas probabilidades para enrutar el ticket, activar una escalada o derivar el caso a una persona.

Las cifras tal como las publicó Cloudflare

  • Capacidades: una ventana de contexto de 64k tokens según el anuncio (la ficha del modelo fija un límite de entrada predeterminado de 16.384 tokens, que puede modificarse), y ambas versiones pueden leer y clasificar imágenes.
  • Latencia mediana: 38,8 milisegundos para Clef-flash y 209,3 milisegundos para Clef, frente a 524,1 milisegundos para Jev, un modelo competidor de Typesafe AI.
  • Prueba interna: en el equipo de inteligencia de amenazas de Cloudflare, obtener, renderizar y clasificar un sitio web llevó 2,2 segundos con Clef, frente a 4,7 segundos con gpt-oss-120b, su LLM general más rápido, que devolvió solo dos clasificaciones.
  • Solicitudes más lentas: el 95 % de las solicitudes termina en 122,4 milisegundos con Clef-flash y en 238,6 milisegundos con Clef.

En CLINC150, una prueba de clasificación de intenciones que también comprueba las solicitudes fuera de alcance, Clef obtuvo 97,43 de macro-F1 frente a 66,77 de Clef-flash. En BANKING77, que abarca consultas de clientes bancarios, ambos quedaron cerca: 94,20 frente a 90,93, y en API-Bank Clef-flash salió por delante con 93,11 de exactitud frente a 91,93. Por eso Cloudflare llama a Clef su modelo de precisión y a Clef-flash la mejor opción para decisiones en las que la latencia es crítica. La mayor diferencia aparece cuando hay que detectar solicitudes fuera de alcance.

Dónde ayuda esto a las empresas saudíes

Entre los casos de uso que menciona Cloudflare están enrutar los tickets de soporte por urgencia y equipo, clasificar dominios de sitios web para su equipo de inteligencia de amenazas y distinguir los bots buenos de los malos, mientras que el procesamiento de facturas y los incidentes de seguridad aparecen entre sus pruebas. En una empresa saudí, esto se ve así:

  • Clasificación en WhatsApp: cada mensaje se clasifica al instante como pedido, queja, consulta de precio o spam, y luego se envía al empleado adecuado.
  • Tickets de soporte: fijar la urgencia y el departamento responsable antes de que ningún empleado abra el ticket.
  • Documentos en el ERP: identificar el tipo de documento entrante, ya sea una factura de proveedor, una orden de compra o una nota de crédito, y enviarlo por el camino correcto.
  • Protección de formularios y tiendas: detectar registros y pedidos automatizados en formularios de contacto y tiendas de comercio electrónico.

Ejecutarlo en sus propios servidores mantiene los datos en el Reino

La característica más importante para el mercado saudí no es la velocidad. Es que los pesos están publicados y pueden ejecutarse dentro del Reino. Los mensajes de clientes y las facturas de proveedores contienen datos personales y comerciales, y la Ley de Protección de Datos Personales (PDPL) impone controles a la transferencia de datos personales fuera del Reino. Un modelo que se ejecuta en un centro de datos local evita la cuestión de la transferencia transfronteriza en las tareas de clasificación, aunque las demás obligaciones de la ley siguen aplicándose. La ficha del modelo indica que se probó en una sola GPU H200, así que planifique su hardware con antelación.

Límites que conviene conocer antes de empezar

  • No se menciona el árabe: ni el anuncio ni las fichas de los modelos enumeran los idiomas admitidos. Pruébelo con mensajes reales en árabe en dialecto saudí.
  • Sin precio en el anuncio: Cloudflare no publicó en su entrada de blog el coste de usar los dos modelos en Workers AI, así que consulte la página de precios antes de estimar costes.
  • La personalización aún no es de autoservicio: ajustar el modelo a sus datos con aprendizaje por refuerzo pasa por ahora por un equipo de ingenieros de Cloudflare, y más adelante llegará una plataforma de autoservicio.

Cómo construir con él, paso a paso

  • Haga inventario de sus decisiones: encuentre cada pregunta de sus sistemas que tenga respuestas limitadas.
  • Reúna una muestra real: mensajes y tickets anteriores que su personal clasificó a mano.
  • Compare tres opciones: Clef-flash, Clef y su solución actual, en exactitud y tiempo de respuesta.
  • Fije un umbral de confianza: si la probabilidad de la opción principal es alta, el sistema actúa automáticamente; si es baja, el caso pasa a un empleado.
  • Reparta el trabajo: el modelo de decisión elige el camino, y el gran modelo de lenguaje escribe la respuesta solo cuando hace falta.

En Origami aplicamos este patrón al construir sistemas de servicio al cliente y de automatización de procesos: un modelo pequeño decide, un modelo grande escribe y un empleado revisa los casos dudosos. Los modelos Clef facilitan la primera parte, y esta puede quedarse dentro del Reino.

Fuentes