Clairic de Cloudflare: extracción de datos estructurados en una pasada con 49% menos costo que los LLM

Qué es Clairic y su posición en el ecosistema de IA

Cloudflare ha lanzado la vista previa de Clairic, un modelo de extracción clasificado como 'System One'. A diferencia de los modelos de lenguaje grandes (LLMs), que generan texto token a token y requieren razonamiento deliberado, Clairic está diseñado para responder en una sola pasada con valores tipados directamente extraídos, calculados o estimados a partir de la entrada.

El modelo se integra en una arquitectura de tres capas propuesta por Cloudflare: los modelos de extracción (como Clairic) convierten la entrada cruda en valores tipados; los modelos de decisión (como Clef) transforman esos valores en decisiones; y los LLMs (como GLM-5.3) redactan la respuesta final. Esta separación permite que cada componente realice la tarea para la que está optimizado, reduciendo la carga cognitiva y computacional de los modelos generalistas.

Arquitectura técnica: extracción en una sola pasada

La mecánica central de Clairic es la eliminación de la generación de texto intermedio. El desarrollador envía un 'estado' (texto e imágenes) y un esquema de campos tipados. El modelo procesa esta información en una única pasada de inferencia y devuelve un valor válido para cada campo, o 'null' si el dato no está presente en la entrada.

Cada respuesta escalar incluye una puntuación de confianza y 'p_null', la probabilidad de que el valor no esté determinado por la entrada. Para los campos de texto, el modelo devuelve los desplazamientos de caracteres (spans) que permiten rastrear el fragmento original en el documento. Esta trazabilidad es crucial para auditorías y correcciones, ya que elimina la ambigüedad de saber de dónde provino un dato extraído.

Análisis de costes y rendimiento frente a LLMs

El precio de Clairic es de 0,10 USD por millón de tokens de entrada, sin cargo por tokens de salida. Esta estructura de costos es significativamente más baja que la de los LLMs, que cobran tanto por la entrada como por la salida generada. En la prueba de referencia de Cloudflare, un pipeline de reclamaciones de productos dañados que combinaba Clairic, Clef y GLM-5.3 costó 6.032 USD por millón de reclamaciones, frente a los 11.740 USD de un pipeline basado exclusivamente en GLM-5.3.

En términos de latencia, la extracción con Clairic tomó 0,46 segundos, mientras que GLM-5.3 tardó 16,1 segundos en la misma tarea. El pipeline completo con Clairic se completó en 19,3 segundos, un 69% más rápido que los 61,7 segundos del flujo basado solo en LLMs. Es importante notar que la mayor parte del tiempo restante (18,6 segundos) se dedicó a la redacción de la respuesta por parte del LLM, no a la extracción.

Casos de uso óptimos y limitaciones conocidas

Clairic es superior en tareas de extracción de datos estructurados de documentos semi-estructurados, como facturas, correos de soporte, formularios de reclamo y reportes de incidentes. Su capacidad para manejar hasta cuatro imágenes por solicitud lo hace útil para procesar fotografías de recibos o documentos escaneados con baja calidad.

Sin embargo, Cloudflare advierte que el modelo actual es un punto de control temprano. Las cadenas aritméticas de más de dos pasos (como sumar múltiples filas de una tabla) no son fiables y se recomienda realizar esas operaciones en código. Además, las estimaciones requieren evidencia en la entrada (como precios comparables); sin ella, los intervalos de confianza pueden ser demasiado amplios. El pronóstico de series temporales es básico y no reemplaza a modelos especializados entrenados en datos específicos.

Implicaciones para desarrolladores y adopción

Para los desarrolladores, Clairic ofrece una vía para reducir la complejidad de los pipelines de IA. Al separar la extracción de la generación, se eliminan los validadores de JSON y los reintentos que suelen ser necesarios cuando se usa un LLM para tareas estructuradas. La integración es directa a través de Workers AI mediante env.AI.run() o la API REST.

La disponibilidad de pesos abiertos está planificada para el futuro, lo que permitirá a las organizaciones realizar fine-tuning o ejecutar el modelo localmente. Por ahora, la adopción debe ser gradual, comenzando con tareas de extracción de bajo riesgo y monitoreando de cerca las puntuaciones de confianza. La pregunta abierta es cómo el modelo se comportará con formatos de documentos no estándar o en idiomas distintos al inglés, un punto crítico para la adopción en mercados como Latinoamérica.

Continúa explorando

Correcciones y transparencia

Si detectas un dato incorrecto o desactualizado, puedes enviarnos una corrección indicando la página y la fuente que debemos revisar.