Sakana AI lanza Fugu Ultra 1.1, un enrutador que elige el modelo por ti

Cuando todo producto de IA comienza con la misma pregunta, ¿qué modelo uso?, una respuesta es dejar de preguntar al usuario por completo. Fugu Ultra 1.1 de Sakana AI, anunciado esta semana, hace exactamente eso: presenta un único punto final de API y decide internamente qué modelo especializado maneja cada tarea entrante.

El producto es una capa de enrutamiento, no un nuevo modelo fundacional. Fugu se sitúa entre la aplicación y un conjunto de modelos, algunos de Sakana, otros de terceros, y enruta las solicitudes según el costo estimado y la capacidad. La compañía afirma que el enfoque evita la sobrecarga de integración de gestionar múltiples claves de API, puntos finales y cambios de versión manualmente.

No es una idea nueva en sí misma. Varios proveedores ofrecen ahora enrutadores de modelos, incluidos OpenRouter y Together AI, aunque la mayoría deja la política de enrutamiento relativamente transparente para el desarrollador. Fugu busca que la selección sea completamente opaca: el desarrollador envía una indicación y recibe una respuesta, sin visibilidad de qué modelo la ejecutó.

La propuesta de valor es directa. Los modelos específicos para tareas casi siempre superan a un solo modelo generalista en costo o latencia para trabajos concretos. Pero elegir a cuál llamar para cada solicitud es trabajo de ingeniería: escribir clasificadores, mantener lógica de respaldo, monitorear límites de tasa. Fugu traslada ese trabajo al enrutador.

Sakana posiciona el producto para cargas de trabajo de producción donde el costo por token importa más que la transparencia del modelo. La compañía no reveló precios ni una lista completa de modelos compatibles en el anuncio, pero dijo que Fugu se ejecuta en la propia infraestructura de inferencia de Sakana.

El lanzamiento aterriza en una categoría que se está formando rápidamente. Los enrutadores de modelos se están convirtiendo silenciosamente en una capa de infraestructura, similar a lo que hicieron las puertas de enlace API para los microservicios. El modelo en sí mismo se convierte en un detalle de implementación, un producto básico intercambiado por una capa intermedia que el usuario nunca ve.

Ese cambio tiene ganancias de eficiencia obvias. También tiene compensaciones menos obvias. La depuración se vuelve más difícil cuando se desconoce el modelo que responde. Las regresiones de rendimiento pueden provenir de un cambio de enrutamiento, no de una actualización del modelo. Y el bloqueo del proveedor sube un nivel: el usuario ya no está bloqueado en un modelo, sino bloqueado en el enrutador.

Sakana AI, una startup con sede en Tokio conocida por sus técnicas evolutivas de fusión de modelos, se ha ganado una reputación por elecciones arquitectónicas poco convencionales. Fugu Ultra 1.1 continúa ese patrón, haciendo invisible la parte más difícil de la selección de modelos.