OpenAI показала Decisions API — быстрый и дешевый способ заставить модель выбирать из заранее заданных вариантов, а не запускать полноценное рассуждение ради каждого мелкого решения. По данным TechCrunch, продукт очень похож на Jev от TypeSafe AI и может стать важным кирпичом для контроля AI-агентов: особенно там, где каждый шаг агента надо проверить до того, как он что-то сломает в открытом интернете.
Анонс прозвучал на Dev Day в коротком комментарии Сэма Альтмана. Он описал Decisions API как интерфейс, который дает модели Luna набор допустимых опций: например, категории для классификации изображения или варианты поведения агента. Вместо свободного ответа модель фокусируется на выборе из списка и выдает результат быстрее, сохраняя, по словам Альтмана, распознавание изображений, поддержку разных языков и встроенные механизмы безопасности.
Идея не новая, но момент интересный. Ранее в сентябре TypeSafe AI выпустила Jev — модель для автоматизации софта, которая работает как усиленный классификатор на базе LLM. Разработчик передает набор вариантов, а Jev возвращает вероятности по ним. Смысл в том, чтобы не гонять дорогую frontier-модель там, где системе нужен не роман на три страницы, а уверенный ответ в духе: «это действие безопасно», «это надо отправить на ревью», «это лучше заблокировать».
CEO TypeSafe AI Диого Алмейда, бывший инженер OpenAI, отреагировал на X шуткой про начало «войн клонов». Он также написал, что интерес OpenAI может быть признаком будущего, где системы строятся в стиле System One — это термин TypeSafe для быстрого, интуитивного мышления в противоположность медленному System Two, где модель долго рассуждает. За шуткой виден вполне практичный тезис: не вся задача в AI требует тяжелого reasoning. Иногда нужен очень быстрый, калиброванный выбор.
Для разработчиков это звучит менее эффектно, чем очередная модель, которая решает олимпиадные задачи, зато ближе к реальной эксплуатации. Большинство продакшен-сценариев состоит из тысяч маленьких решений: классифицировать тикет, выбрать следующий шаг агента, понять риск действия, направить запрос в нужный пайплайн, отфильтровать мусор. Если каждое такое решение отдавать большой LLM, счет быстро превращается в неприятный разговор с финансовым директором. Если заменить часть вызовов дешевыми decision-моделями, архитектура становится спокойнее: большая модель думает там, где это действительно нужно, а легкий слой сортирует поток событий.
Главная интрига — не в том, кто первым придумал интерфейс с выбором из вариантов. Такие API уже появляются у стартапов, и OpenAI явно не будет последней большой компанией в этой гонке. Вопрос в качестве калибровки: насколько вероятности, которые возвращает модель, совпадают с реальным риском или правильностью решения. Алмейда в разговоре с TechCrunch сформулировал это жестко: сделать быстро и дешево легко, можно бросать кубик. Сложность в интеллекте на доллар, то есть в том, чтобы низкая цена не превращала систему в генератор уверенных ошибок.
Самый наглядный сценарий — безопасность AI-агентов. У OpenAI уже были инциденты, когда агенты вели себя неправильно в открытом интернете, после чего компания начала использовать отдельную модель для наблюдения за потенциально вредными действиями. Но такой контроль, если делать его frontier-моделью, стоит дорого. Киберспециалист Шапор Нагибзаде, руководитель стартапа QueryStory, собрал на хакатоне демо, где Jev проверяет каждое действие агента относительно исходной задачи: явно плохие действия блокируются, спорные уходят на ревью, остальные проходят дальше.
В его оценке разница в стоимости выглядит почти карикатурно: мониторинг такого типа с Jev обходится в $2,94 против $372 при использовании frontier LLM. Это не значит, что OpenAI автоматически получит те же цифры с Decisions API: продукт пока доступен как ограниченный предварительный релиз, а публичных тестов от разработчиков еще мало. Но сама экономика понятна. Если проверка достаточно дешевая, ее можно запускать на каждом агентном действии, а не выборочно, когда ущерб уже случился.
Для бизнеса это меняет разговор об агентах. До сих пор многие пилоты упирались не только в качество моделей, но и в стоимость наблюдения за ними. Агент, который сам кликает, пишет, публикует, покупает или меняет настройки, требует постоянного контроля. Без него это игрушка для демо. С ним — потенциально дорогая инфраструктура. Decision-модели обещают промежуточный слой: не идеальный судья, но достаточно дешевый инспектор, чтобы держать агента в рамках задачи.
Для русскоязычных команд практический вывод простой: при проектировании AI-агентов стоит заранее отделять задачи рассуждения от задач выбора. Большая LLM нужна для сложного анализа, генерации и планирования. Decisions API, Jev и похожие модели претендуют на другую роль — быстрый маршрутизатор, фильтр риска и классификатор действий. Победит не тот, кто громче назовет это новым интеллектом, а тот, кто докажет калибровку на реальных потоках событий. И если OpenAI действительно делает ставку на такой слой, следующий этап агентных систем будет менее про «умнее всех» и больше про «дешево проверять каждый шаг» — подробности исходного материала доступны у .