Structured Outputs

Las salidas estructuradas hacen referencia a una metodología de la inteligencia artificial en la que las respuestas del modelo deben ajustarse estrictamente a un formato de datos predefinido, normalmente un esquema JSON. En los modelos de lenguaje de gran tamaño (LLMs) tradicionales, la generación de texto se basa en la predicción probabilística de tokens, lo que suele dar lugar a texto no estructurado y de formato libre. Al utilizar salidas estructuradas, los desarrolladores pueden garantizar que un sistema de IA devuelva datos predecibles y legibles por máquinas, eliminando la necesidad de scripts de análisis frágiles y de una gestión de errores compleja.

Comprender las salidas estructuradas frente al modo JSON#

Aunque las primeras versiones de la IA generativa ofrecían un «modo JSON» básico, esto solo garantizaba que la salida fuera un JSON válido, sin asegurar que contuviera las claves o los tipos de datos específicos solicitados. Las salidas estructuradas resuelven este problema mediante una técnica denominada decodificación restringida. Durante la generación, el motor de inferencia filtra el vocabulario del modelo en cada paso y enmascara los tokens que infringirían el esquema proporcionado por el desarrollador. Esto garantiza el cumplimiento del esquema al 100 %.

El concepto de llamadas a funciones (uso de herramientas) está estrechamente relacionado con esta metodología. Aunque las llamadas a funciones permiten a los modelos determinar cuándo ejecutar una herramienta externa, dependen por completo de las salidas estructuradas para completar con precisión los parámetros requeridos por la herramienta sin alucinaciones.

Adopción en el sector y frameworks#

Entre 2024 y 2025, los principales proveedores de IA convirtieron las salidas estructuradas en una funcionalidad nativa para mejorar la fiabilidad de los sistemas empresariales. Por ejemplo, la API de salidas estructuradas de OpenAI permite a los desarrolladores definir esquemas rigurosos mediante Pydantic en Python o Zod en JavaScript. Del mismo modo, las herramientas de salidas estructuradas de Claude de Anthropic y de salidas estructuradas de Google Gemini ahora admiten la aplicación estricta de esquemas para prompts complejos.

Los ecosistemas de código abierto también aprovechan frameworks como vLLM y Outlines para proporcionar metodologías de decodificación restringida para modelos personalizados creados con PyTorch.

Aplicaciones en el mundo real#

La implementación de salidas estructuradas transforma las respuestas ambiguas de la IA en datos prácticos de modelado predictivo. Entre los principales casos de uso se incluyen:

• Pipelines de extracción de datos: las empresas utilizan salidas estructuradas para extraer entidades específicas, como nombres de candidatos, totales de facturas y fechas, de documentos sin procesar y no estructurados, e incorporarlas directamente a bases de datos SQL sin introducir los datos manualmente.
• Agentes autónomos de IA: los flujos de trabajo agénticos dependen de datos estructurados para navegar por software complejo. Un agente puede analizar la consulta de un usuario y generar una carga útil JSON estricta que active una API externa, escalando las operaciones de forma segura mediante sistemas como Databricks Model Serving.

Salidas estructuradas en visión artificial#

Aunque se habla mucho de ellas en el procesamiento del lenguaje natural, las salidas estructuradas son el principio operativo fundamental de la visión artificial. Los modelos de visión no generan texto de formato libre, sino que producen de forma nativa tensores muy organizados que representan coordenadas, clases y puntuaciones de confianza. Por ejemplo, los modelos de vanguardia, como Ultralytics YOLO26, evalúan una imagen y devuelven datos espaciales con un formato estricto, lo que resulta ideal para un despliegue de modelos fluido en entornos periféricos de baja latencia.

El siguiente fragmento muestra lo fácil que es extraer resultados estructurados de detección de objetos mediante el paquete ultralytics:

from ultralytics import YOLO

# Load the recommended Ultralytics YOLO26 model
model = YOLO("yolo26n.pt")

# Perform inference to generate structured visual data
results = model("image.jpg")

# The model strictly outputs structured bounding box objects
for box in results[0].boxes:
    print(f"Class ID: {box.cls}, Confidence: {box.conf}, Coordinates: {box.xyxy}")

Al salvar la brecha entre la lógica probabilística de la IA y los requisitos deterministas del software, las salidas estructuradas son un componente esencial para crear sistemas escalables y listos para producción en la Ultralytics Platform y más allá.