De una decisión a una comparación que podés revisar.

Esta primera ruta ayuda a comparar actividades de ocio y opciones de organización personal de bajo riesgo. Podés contar qué querés decidir, pero la aplicación todavía no interpreta libremente el relato: te guía para explicitar alternativas, criterios, datos y prioridades.

1. Definí tu objetivo y para cuándo decidís.
2. Incluí entre 2 y 8 alternativas y de 1 a 5 criterios. Para cada criterio, indicá la unidad, si preferís menos o más y un límite obligatorio si corresponde.
3. Aportá cantidades y sus fuentes. Un vacío significa desconocido.
4. Revisá el modelo y confirmalo. Elegí si querés conservar alternativas incomparables o aplicar tu orden de prioridades.
5. Guardá, ejecutá y recibí una recomendación condicional, ventajas y sacrificios, opciones descartadas con motivos y preguntas pendientes.

Crear una decisión → Ejemplo sintético en JSON

Un ejemplo

Comparás parque, museo y un paseo lejano. Declarás 10, 20 y 45 minutos de viaje y un máximo de 30. El paseo lejano queda fuera de ese límite. Si el museo te interesa más y priorizás interés antes que viaje, puede resultar recomendado; el informe conserva que el parque requiere menos tiempo. Si no declarás prioridad, mantiene ambas opciones. Si falta un dato relevante, devuelve preguntas y conserva la incertidumbre.

Qué significa elegir

Primero el motor obtiene las alternativas que cumplen los límites y que no son superadas en todos los criterios declarados. Una opción domina a otra si es igual o mejor en cada criterio y estrictamente mejor en alguno. Si elegiste prioridades, las aplica en ese orden: el siguiente criterio sólo cuenta en caso de empate. No suma unidades diferentes ni inventa ponderaciones. Un empate completo no se rompe por el nombre o el orden de carga.

Qué recibís

• La recomendación y su fundamento, o una explicación de por qué todavía no puede elegir.
• La comparación completa, los límites y las fuentes que declaraste.
• Los aspectos que cedés frente a otras opciones, y las alternativas superadas o excluidas.
• Preguntas sobre cantidades desconocidas y condiciones que obligan a revisar el resultado.
• Un expediente versionado, exportación JSON y artefactos del motor para comprobar la ejecución.

Una recomendación es condicional a ese modelo. No hemos medido su robustez ante todos los escenarios futuros ni su utilidad en casos reales. Las estimaciones siguen siendo estimaciones. Un dato desconocido no equivale a cero ni vuelve imposible una alternativa.

Alcance

No uses esta ruta para salud, derechos, inversiones, decisiones laborales, seguridad o efectos importantes sobre otras personas. El perfil sólo compara la tabla confirmada: no evalúa efectos omitidos, capacidades generativas reales, bienestar ni probabilidad de supervivencia. La representación interna del motor contiene coordenadas formales constantes para esas dimensiones; no son observaciones ni probabilidades sobre tu vida. No ejecuta acciones ni busca datos externos.

Para agentes y aplicaciones

Usá una credencial con cases:write para POST /api/choice/review o MCP prepare_decision. Enviá context, criteria, alternatives y selection, con los esquemas de OpenAPI. La respuesta devuelve el modelo, preguntas y confirmation. Ese hash comprueba la identidad de los datos; no prueba que una persona los haya autorizado.

Después de confirmar el modelo con quien decide, creá un expediente de perfil choice. Su input contiene los cuatro campos revisados, model_confirmation, permission_confirmed, scope_acknowledged y evidence_origin. Conservá los desconocidos como null. No inventes fuentes, cantidades ni preferencias.

Ejecutá con run_case y consultá get_job. El resultado usa el formato genius-declared-choice/1, separado de los recibos RC01 de los perfiles anteriores. Estados: RECOMMENDED_CONDITIONAL, NEEDS_INFORMATION, PREFERENCE_OR_TIE y NO_FEASIBLE_ALTERNATIVE. Con datos nuevos, repetí la revisión y usá revise_case. Se conservan autenticación, permisos, cuotas y borrado del servicio.

Ayudar a evaluar la beta

Podés dejar feedback sobre claridad, datos faltantes y lo que pasó con tu decisión. Las opciones de investigación y seguimiento siguen separadas y desactivadas por defecto. Tu feedback no demuestra por sí solo eficacia, y una prueba de un agente no se registra como un participante humano.