Inteligencia Colectiva: La Nueva Frontera de la IA
107.175 modelos de IA coordinan dentro de un único modelo de Inteligencia Colectiva.
De la IA Individual a la Inteligencia Colectiva
La IA ha dedicado la última era a hacer que los modelos individuales sean más capaces. La próxima frontera es colectiva.
Distintos modelos aportan perspectivas diferentes, y eso no es un eslogan: el teorema del jurado de Condorcet y el teorema de la predicción por diversidad de Hong y Page demuestran que la diversidad estructurada puede superar a la pericia individual. Las estrategias colectivas estructuradas ponen esa investigación a trabajar: los modelos razonan de forma independiente, se verifican entre sí y convergen en una única respuesta auditable.
El objetivo no es más modelos. Es distintas inteligencias trabajando mejor juntas.
Eso es Inteligencia Colectiva. Ailin¹ ya la ejecuta.
Ailin¹ Collective: el mecanismo detrás de la afirmación
Ailin¹ está construida para la Inteligencia Colectiva. El enrutamiento, el descubrimiento, la orquestación y la verificación son mecanismos que la sirven. A partir de 107.175 identificadores de modelos detectables, cada petición se enruta a través de una de las 32 estrategias de orquestación registradas: un único modelo cuando lo que importa es la velocidad, varios coordinados para razonar, debatir y verificarse entre sí cuando lo que importa es la corrección.
Las respuestas colectivas incluyen la trazabilidad de la decisión. El camino de coordinación permanece inspeccionable.
- Qué modelos se ejecutaron
- Qué estrategia los coordinó
- Qué costó el colectivo
Probado contra modelos frontera, en abierto
Probamos el colectivo contra GPT-5.5-pro, Claude Opus 4.8, Gemini 3.1 Pro y Grok 4.3, evaluado con respuestas objetivas y verificadas por máquina en lugar de por gusto. En un experimento auditable y reproducible, el colectivo superó a los cuatro. Consulta el repositorio.
Ailin¹ se lanza el 15 de septiembre de 2026.
Accede antes de la disponibilidad general y ayuda a dar forma a la primera versión.
Colectivo Ailin¹
Cada solicitud pasa por la misma cascada de enrutamiento antes de llamar a un solo modelo, una cascada que puede recurrir a estrategias colectivas fundamentadas en resultados revisados por pares sobre la toma de decisiones en grupo, entre ellos el teorema del jurado de Condorcet y el teorema de la predicción por diversidad de Hong y Page. Nombra exactamente lo que quieres y se respeta de inmediato. No digas nada y la cascada decide.
El estado del arte no es una caja negra. Son dos palancas que tú controlas.
Cinco alias cubren todo el rango, desde un único modelo instantáneo hasta un consenso de cinco modelos. Dos campos independientes marcan los límites: max_cost es un techo, quality_target es un suelo. Define uno, el otro o ambos. Ailin¹ Collective nunca cruza el límite que hayas definido.
La mayoría de las plataformas te entregan una lista de modelos y lo llaman elegir. Ailin¹ te entrega dos palancas independientes, no un único mando: cómo de buena tiene que ser la respuesta y cuánto estás dispuesto a gastar para conseguirla.
-
Limita el gasto y deja que la calidad encuentre su propio nivel.
-
Garantiza un suelo y deja que el coste siga a la demanda.
-
Fija un corredor exacto entre ambos.
| Alias | Optimiza para | Coste típico | Cuándo usarlo |
|---|---|---|---|
| ailin-auto | Ajuste equilibrado, decidido en cada solicitud | Normal | Valor por defecto. Sin más restricción que el equilibrio entre coste y calidad. |
| ailin-best | Calidad, sin límite de coste | El más alto | Trabajo crítico en cuanto a corrección, donde el coste no es la restricción determinante. |
| ailin-fast | Latencia, un solo modelo | Bajo | Rutas interactivas con un presupuesto de latencia estricto. |
| ailin-economy | Coste, con techo estricto aplicado | El más bajo | Trabajo en segundo plano de alto volumen |
| ailin-consensus | Corrección mediante verificación cruzada independiente | Más alto, a propósito | El error silencioso es el modo de fallo que pagas por eliminar. |
Cada respuesta devuelve la trazabilidad de la decisión en ailin_metadata: strategy_used, models_used y cost_usd, de modo que la decisión de enrutamiento puede verificarse en lugar de darse por supuesta.
Solicitud: tu cliente de OpenAI ya existente, con una línea cambiada
from openai import OpenAI
client = OpenAI(
base_url="https://api.ailin.one/v1",
api_key="YOUR_KEY",
)
response = client.chat.completions.create(
model="ailin-consensus",
messages=[{"role": "user", "content": "..."}],
extra_body={"max_cost": 0.15}
)Respuesta
{
"ailin_metadata": {
"strategy_used": "ailin-consensus",
"models_used": [
"gpt-5.5-pro",
"claude-opus-4.8",
"gemini-3.1-pro"
],
"final_decider_model_id": "claude-opus-4.8",
"final_decider_role": "synthesizer",
"cost_usd": 0.0842,
"subcalls": [
{ "model_id": "gpt-5.5-pro", "role": "voter", "cost_usd": 0.0301, "latency_ms": 1840, "success": true },
{ "model_id": "claude-opus-4.8", "role": "synthesizer", "cost_usd": 0.0288, "latency_ms": 2010, "success": true },
{ "model_id": "gemini-3.1-pro", "role": "voter", "cost_usd": 0.0253, "latency_ms": 1650, "success": true }
]
}
}Cómo decide Ailin¹ Collective: la cascada de enrutamiento
Una cascada por capas, evaluada empezando por la más rápida. Cada solicitud se resuelve tan pronto como puede hacerlo con seguridad, así que las solicitudes simples se cierran rápido mientras que las más difíciles recurren a las capas profundas.
Antes de la cascada: caché semántica Una solicitud casi idéntica a otra reciente devuelve de inmediato la respuesta guardada en caché. El triaje y las seis capas siguientes no se abrevian: se omiten por completo.
-
Enrutamiento explícito
Lo has indicado tú, ya sea un alias, un modelo o una estrategia, así que esta capa resuelve la solicitud al instante. Siempre gana frente a todas las capas inferiores, y si lo que has indicado no se puede cumplir realmente, la solicitud falla directamente en lugar de recurrir en silencio a otra cosa.
-
Triaje
Un modelo dedicado interpreta la intención y la complejidad de la tarea y recomienda una estrategia antes de ejecutar ningún modelo del colectivo. Es un análisis real, no una tabla de consulta, así que cuesta una llamada propia, real aunque pequeña.
-
Archivo de configuraciones
Se desbloquea tras 5 resultados registradosUna vez registrados al menos 5 resultados para un nicho de tarea, Ailin¹ Collective reutiliza lo que ya ha demostrado funcionar en lugar de volver a deducirlo.
-
Frontera de coste / calidad / latencia
Se desbloquea tras 3 resultados registradosOptimiza directamente el equilibrio multiobjetivo (calidad, coste, velocidad, tasa de éxito) en cuanto existe historial suficiente, aunque todavía no haya una coincidencia de nicho exacta demostrada.
-
Preferencia de estrategia aprendida
Se desbloquea tras 5 resultados registradosUn bandido de Thompson Sampling pondera las estrategias según sus resultados reales medidos a lo largo del tiempo, refinando los valores por defecto de la propia cascada, y se audita a sí mismo: si su tasa de recompensa medida en conjunto cae por debajo del 95% de la mejor instantánea que ha registrado nunca, el bandido revierte automáticamente todo su estado aprendido a esa mejor instantánea conocida.
-
Heurística de respaldo
Si ninguna capa anterior resuelve la solicitud, una heurística determinista y puntuada selecciona la estrategia a partir del tipo de tarea, la complejidad y el conjunto de modelos disponibles. La resolución de la estrategia siempre termina con una decisión, registrada en
strategy_used.
Después de la cascada: control de gobernanza de coste Sea cual sea la elección de las capas 1 a 6, salvo que hayas enrutado de forma explícita, una última comprobación todavía puede rebajar una elección colectiva costosa a un solo modelo cuando el beneficio estimado no supera el umbral. Solo una solicitud explícita también se salta esta comprobación.
Las capas 3 a 5 se desbloquean de forma independiente a medida que se acumula historial de uso para un nicho de tarea, desde 3 resultados registrados para la frontera de coste/calidad/latencia hasta 5 para el archivo de configuraciones y el bandido de preferencia aprendida; hasta entonces, la heurística determinista y auditable de la capa 6 toma la decisión siempre que las capas 1 y 2 no la resuelvan antes.
32 estrategias, fundamentadas en investigación
Decenas de formas en las que los modelos pueden pensar juntos, todas ellas auditables. Los distintos problemas se benefician de distintas formas de razonamiento colectivo.
Ninguna de ellas es improvisada. Cada estrategia del catálogo se corresponde con un resultado concreto y con nombre propio de la investigación sobre coordinación o decisión colectiva, no con una suposición interna disfrazada de ciencia.
-
consensus
Teorema del jurado de Condorcet (1785): voto por mayoría entre 3 y 5 modelos, con un mínimo de diversidad para que el acuerdo no pueda venir de un razonamiento clonado.
-
diversity-ensemble
Teorema de la predicción por diversidad de Hong y Page (PNAS, 2004): forma un equipo que maximiza por construcción la diversidad entre ejes.
-
debate
Los modelos argumentan en rondas estructuradas con un moderador.
-
swarm-explore
Exploración en paralelo, seleccionada automáticamente por el triaje para trabajo abierto de diseño y arquitectura.
-
stigmergic-refinement
Convergencia a través de un artefacto compartido en lugar de una votación, seleccionada automáticamente por el triaje para redacción de alta complejidad.
-
expert-panel
Revisión independiente con varios roles antes de entregar una respuesta, invocable directamente para solicitudes con mucha verificación.
-
tri-role-collective
Planner, Solver, Auditor: una máquina de estados determinista, no un coordinador entrenado, que bloquea estructuralmente que el Auditor sea el mismo modelo o el mismo paso de razonamiento que acaba de producir la respuesta como Solver.
- +25 estrategias más
Tú no eliges el modelo. Lo hace el Colectivo Ailin¹.
Simplicidad cuando la tarea es simple. Profundidad cuando no lo es. Tú marcas los límites, el Colectivo Ailin¹ decide dentro de ellos, y un campo siempre lo sobreescribe.
Nunca tienes que decidir si una solicitud necesita un modelo o cinco. Cada solicitud pasa por Ailin¹ Collective, la misma cascada de enrutamiento que hay detrás de ailin-auto, antes de llamar a un solo modelo. ¿Sabes exactamente lo que quieres? Indícalo: un alias como ailin-fast, un modelo concreto o strategy: "single", y Ailin¹ Collective lo respeta de inmediato, sin negociación y sin latencia añadida. No digas nada y la cascada lee la propia tarea y elige una forma que le encaje. Ejecutar un único modelo a través de Ailin¹ no es un recurso de emergencia ni una rebaja. Es una vía de primer nivel a la que Ailin¹ Collective recurre constantemente, a propósito.
Modelo único
Una voz consistente de principio a fin. Menor coste, menor latencia y exactamente tan accesible como la alternativa.
ailin-fast
Colectivo multimodelo
Proponentes independientes trabajando en paralelo, verificados y reconciliados por un sintetizador antes de que veas una sola respuesta, de modo que el desacuerdo se atrapa antes de llegar a ti, no después.
ailin-consensus
¿Qué pasa con el trabajo creativo y los refactors?
En tareas objetivamente verificables, comprobadas por máquina y no por un juicio de gusto, el colectivo es quien gana. En trabajo creativo abierto, un único modelo bien elegido gana con la misma claridad. Es exactamente por eso que existe el triaje: la cascada no promedia entre tipos de tarea, discrimina entre ellos. El trabajo creativo va en modo único por defecto. El trabajo verificable va en modo colectivo.
No eliges entre lo simple y lo exhaustivo memorizando cuándo usar cada cosa. Dices lo que sabes, Ailin¹ Collective completa lo que no dijiste y anular la decisión está siempre a exactamente un campo de distancia.
Miles de modelos. Solo se activan los adecuados.
El Colectivo es la ventaja
El acceso a más modelos no es el avance. Lo que importa es lo que ocurre cuando distintas inteligencias pueden trabajar juntas. Ailin¹ convierte un ecosistema de 107.175 identificadores de modelos, descubierto continuamente, en un colectivo y luego activa solo el subconjunto que cada estrategia necesita.
-
Siempre actual
Un modelo recién publicado se indexa en el mismo ciclo de descubrimiento en el que aparece, sin necesidad de esperar a un ciclo de versiones.
-
Espectro completo
Texto, visión, audio y embeddings en el mismo catálogo, tras el mismo endpoint.
Por qué la Inteligencia se vuelve más poderosa cuando se vuelve colectiva
La IA se construyó en torno a modelos individuales. Su próxima frontera es colectiva. Los modelos individuales pueden ser extraordinariamente capaces, pero cada uno sigue reflejando su propia arquitectura, su historial de entrenamiento, sus puntos ciegos y sus modos de fallo. La Inteligencia Colectiva permite que modelos independientes aporten perspectivas diferentes, desafíen supuestos, se especialicen, comparen alternativas y verifiquen resultados donde la tarea lo permite. Lo que sigue no es una lista de deseos. Son cinco mecanismos que ya funcionan en producción, no una hoja de ruta.
Coste casi de un solo modelo, cuando importa
En tareas que una máquina puede comprobar, un verificador determinista acepta la respuesta correcta de inmediato y corta el resto del colectivo, de modo que el coste en esas tareas queda mucho más cerca del de un solo modelo que del resto del colectivo, justo donde la ventaja de precisión del colectivo es mayor.
Resiliencia
La caída de un proveedor no tiene por qué convertirse en tu caída. El colectivo enruta automáticamente alrededor de modelos degradados y fallos, y cada respuesta sigue llevando la trazabilidad de la decisión: qué estrategia se ejecutó, qué modelos intervinieron y cuánto costó.
Diversidad por construcción
El proveedor, la arquitectura y el objetivo de entrenamiento se separan a la fuerza mediante selección por turno rotatorio, de modo que dos modelos consecutivos en una misma ejecución nunca comparten proveedor. Eso es el teorema de la predicción por diversidad de Hong y Page incorporado en la capa de enrutamiento, no la esperanza de que datos de entrenamiento distintos acaben discrepando de forma útil. Saca a la luz los puntos ciegos; no promete eliminarlos.
Menor dependencia de un único proveedor
Un colectivo abarca varios proveedores, de modo que la hoja de ruta, los precios o la política de un único proveedor no definen tu producto por sí solos.
Especialización dinámica
El especialista adecuado para la tarea adecuada: razonamiento, código, visión, contexto largo o baja latencia, elegido en tiempo real para cada petición.
Preguntas frecuentes
Respuestas directas, con el campo, archivo o número detrás de cada una.
Integración & conceptos básicos
chat/completions, responses, embeddings, models) es compatible sin cambios, con un bloque adicional ailin_metadata que aporta la trazabilidad de la decisión. Apunta tu cliente actual al endpoint de Ailin¹, cambia la cabecera de autenticación y la misma forma de solicitud funciona.Colectivo Ailin¹ & estrategias
ailin-auto (valor por defecto equilibrado, deja decidir a la cascada), ailin-best (calidad primero, sin límite de coste), ailin-fast (latencia primero, un solo modelo), ailin-economy (coste primero, con techo estricto aplicado), ailin-consensus (corrección mediante verificación cruzada independiente). Empieza con ailin-auto. Recurre a otro solo cuando sepas algo que el enrutador no sabe.<strategy>:<tier>, por ejemplo consensus:large, fijando el mecanismo exacto y el nivel de precio.ailin-fast, strategy: "single"), y ese mismo campo te da verificación independiente multimodelo (expert-panel, tri-role-collective) si es eso lo que realmente quieres.Coste & responsabilidad
max_cost limita el gasto de forma estricta antes de llamar a ningún modelo; si el coste estimado de la estrategia que se ejecutaría lo supera, la solicitud falla con 400 strategy_budget_exceeded en lugar de gastar de más en silencio. quality_target es el suelo asociado. Cada respuesta devuelve la cifra real: ailin_metadata.cost_usd, con un desglose por partidas. Las estrategias multimodelo cuestan sensiblemente más que un solo modelo. En tareas que una máquina puede comprobar (extracción estructurada, matemáticas, código con tests, preguntas y respuestas factuales), ese sobrecoste prácticamente desaparece: cuando se activa el cortocircuito determinista de una estrategia verificada, nuestro último benchmark de vanguardia midió un coste colectivo de unos $2.98/Mtok, unas 100x más barato que la vía colectiva sin verificar y dentro del mismo orden de magnitud que el precio de un solo modelo.ailin_metadata.final_decider_model_id, el modelo exacto que produjo tu respuesta, además de final_decider_role (primary, synthesizer, fallback o cache) y un array completo subcalls[] que enumera cada participante con su propio coste, latencia y resultado. Si escalas un problema de calidad a un proveedor, ese identificador es lo que importa, no «la API de Ailin¹». Si necesitas reconstruir por qué una decisión multimodelo salió como salió, activa la traza de coordinación persistida: GET /v1/collective/runs/:id/trace devuelve una línea de tiempo a nivel de milisegundo de cada fase, y está construida de modo que un inquilino nunca pueda confirmar siquiera que la ejecución de otro inquilino existe; una búsqueda con el ID de ejecución de otra persona devuelve el mismo 404 que una ejecución que nunca se creó.Evidencia & confianza
/source, /license), la procedencia de las versiones mediante SLSA/Sigstore y un SBOM en formato SPDX se incluyen en cada versión publicada. Lo que todavía no está hecho: la certificación formal. SOC 2 e ISO 27001 están en marcha, no certificados, así que si tu departamento de compras necesita una certificación concreta, pregunta a tu equipo de cuenta en lugar de darla por supuesta a partir de textos de marketing, incluidos los nuestros. Tampoco tienes que fiarte de nuestra palabra para nada de esto: el motor de coordinación que hay detrás de las cifras de esta página es público en github.com/ailinone/collective-intelligence (AGPL-3.0-or-later), con los scripts del benchmark y los datos en bruto incluidos.Ayuda a construir la Era Colectiva de la IA
La próxima frontera de la IA es colectiva, y debería construirse en abierto. En nuestro propio benchmark, un consenso verificado respondió correctamente 37 de 38 tareas objetivamente verificables, frente al 68 a 82% de los modelos de vanguardia aislados, y nunca eligió una respuesta incorrecta. La documentación cubre toda la superficie de la API. El repositorio contiene el motor de coordinación, los scripts del benchmark y los datos brutos detrás de ese resultado.