La optimización de políticas en modelos de lenguaje de gran escala (LLMs) ha evolucionado hacia enfoques que combinan aprendizaje por refuerzo con principios de teoría de juegos, especialmente cuando se trata de tareas generativas donde la recompensa no es inmediata ni uniforme. Un problema central es la asignación de crédito: cuando un modelo genera una respuesta larga y compleja, ¿cómo determinar qué fragmentos específicos del texto contribuyeron al éxito o fracaso final? Métodos tradicionales asignan una recompensa única a toda la secuencia, lo que dificulta identificar los matices que realmente importan. Aquí es donde cobra relevancia un enfoque inspirado en la atribución de Shapley, pero adaptado para entornos dinámicos como la búsqueda generativa. La idea es tratar segmentos semánticos -frases, descripciones de atributos, preferencias del usuario- como coaliciones que, mediante un cálculo de contribuciones marginales, permiten redistribuir la recompensa de manera más justa. Esto no solo mejora la eficiencia del entrenamiento, sino que dota al modelo de una capacidad de razonamiento más alineada con intenciones latentes, incluso cuando el lenguaje es ambiguo o no hay etiquetas de verdad fundamental. En el ámbito empresarial, este tipo de refinamiento es clave para que los sistemas de recomendación y motores de búsqueda internos se vuelvan más robustos frente a consultas inesperadas. En Q2BSTUDIO desarrollamos soluciones que aplican estos principios en contextos prácticos, combinando inteligencia artificial para empresas con arquitecturas cloud escalables. Por ejemplo, un sistema de recomendación de productos basado en LLMs puede beneficiarse de este tipo de optimización para identificar con precisión qué frases de un catálogo generan mayor engagement, y luego ajustar el comportamiento del agente IA en tiempo real. Nuestro equipo integra servicios cloud AWS y Azure para ofrecer entornos de entrenamiento y despliegue eficientes, y complementamos estas capacidades con aplicaciones a medida que incorporan lógica de negocio específica. Además, la correcta asignación de crédito en modelos generativos tiene implicaciones en ciberseguridad, pues permite detectar anomalías en las respuestas del modelo que podrían indicar intentos de inyección o desviación. Para los equipos de inteligencia de negocio, herramientas como power bi pueden visualizar el rendimiento de estos algoritmos, mientras que nuestros servicios de inteligencia de negocio ayudan a traducir las métricas de contribución en decisiones estratégicas. La optimización de políticas basada en principios como Owen-Shapley no solo es una curiosidad académica, sino un habilitador práctico para que los LLMs de búsqueda generativa operen con mayor precisión, adaptabilidad y transparencia en entornos productivos.