Decision model: in una settimana quattro rilasci portano le decisioni nei flussi di lavoro

Un decision model è un modello di intelligenza artificiale che sceglie invece di scrivere. Riceve un contesto, una domanda e un insieme di risposte ammesse (sì o no, un’opzione fra tante, un punteggio su una scala) e restituisce in una sola chiamata la probabilità di ciascuna risposta. L’output ha sempre una forma valida, la risposta arriva in decine o centinaia di millisecondi e il prezzo di listino di TypeSafe AI e di Microsoft è di 0,042 dollari per milione di token in ingresso, con l’output gratuito.

Fino a poche settimane fa la categoria contava un solo protagonista. Fra il 4 e il 10 ottobre quattro fornitori di peso hanno portato i propri modelli decisionali in produzione o in anteprima, e il tema ha smesso di essere una curiosità per specialisti.

Ogni decisione piccola, ripetuta e reversibile è un candidato naturale per un modello che sceglie.

Che cos’è e perché interessa a un team

La categoria prende forma il 15 settembre con Jev di TypeSafe AI, che l’azienda riassume come stato destrutturato in ingresso e decisioni tipizzate e probabilistiche in uscita. Un modello linguistico scrive per un lettore. Un decision model scrive per il software, che agisce quando la confidenza supera la soglia scelta dal team e rinvia il resto a una persona o a un modello più capace.

Per un team il vantaggio sta nella forma della decisione. Una domanda con le sue risposte ammesse e una soglia sono oggetti che un gruppo può scrivere insieme, rivedere, versionare e misurare su casi reali. La regola che oggi vive nella testa di chi smista le richieste diventa un testo condiviso, discutibile e verificabile.

I casi quotidiani sono concreti: smistare un ticket per urgenza e per reparto, controllare l’azione proposta da un agente rispetto a una policy prima che parta, valutare con una rubrica le risposte di un assistente, classificare migliaia di feedback. Microsoft elenca fra gli usi il controllo degli agenti (continuare, fermarsi, riprovare, passare a una persona) e l’instradamento dei modelli in base a qualità, costo e latenza.

Sul piano dell’adozione dell’IA il decision model occupa un gradino intermedio. Dopo l’assistente che scrive e prima dell’agente autonomo, automatizza il giudizio ripetuto di piccole dimensioni e lascia al team la parte che conta: scegliere le domande e il livello di rischio accettabile. Nella produzione con modelli di IA il disegno che emerge assegna al modello grande il ragionamento e la scrittura, e al modello decisionale lo smistamento e il controllo, a costo e latenza molto inferiori.

I rilasci dal 4 al 10 ottobre

All’inizio del mese Cloudflare, con Clef da 27 e 9 miliardi di parametri, pesi aperti e contesto da 64.000 token, e AWS Strands Labs, con Decider 2B, avevano mosso la parte aperta del mercato. La settimana appena chiusa sposta la categoria verso le piattaforme dei grandi fornitori.

Data	Fornitore e modello	Accesso	Dati dichiarati dal fornitore
29 set, beta in settimana	OpenAI, Decisions API su GPT-6 Luna	public beta, endpoint dedicato	circa 150 ms per risposta contro 1,6 s di Luna in chat
7 ott	Snowflake Decision, tramite AI_COMPLETE	private preview	57,63 punti sul Jev Decision Index 0.2.1 fra 72 modelli (valutazione interna)
8-9 ott	Liquid AI, d1-3B e d1-omni-600M	pesi aperti su Hugging Face	8 ms su RTX 4090 e 50 ms su Jetson Orin Nano per una domanda
9 ott	Microsoft-Decision-1, da Qwen3.5-9B	Microsoft Foundry	85 ms di p50 e 83,5 % di accuratezza media su 36 benchmark

Microsoft-Decision-1 è il rilascio più articolato. Il modello deriva da Qwen3.5-9B di Alibaba, accetta testo con un contesto da 32.768 token e costa 0,042 dollari per milione di token in ingresso, con l’output gratuito. Microsoft dichiara 147.137 domande tenute fuori dall’addestramento e una decisione che cambia nell’1,3 % delle perturbazioni, zero volte con parafrasi o riordino delle opzioni. Nei casi interni, lo smistamento di oltre 10.000 feedback per Xbox risulta 14 volte più veloce e circa 200 volte più economico di GPT-6 Sol, e il controllo qualità per Copilot risulta 100 volte più veloce. L’azienda annuncia che ripeterà l’addestramento sui modelli sviluppati da Microsoft AI e su quelli di OpenAI.

OpenAI e Snowflake portano la stessa idea dove vivono già applicazioni e dati. La Decisions API di OpenAI, presentata in anteprima il 29 settembre, è ora in public beta. Snowflake espone tre tipi di domanda (scelta, punteggio, vero o falso) dentro AI_COMPLETE e permette di valutare le righe di una tabella con una sola istruzione SQL, mantenendo i controlli di accesso e di audit già in uso.

Liquid AI guarda ai dispositivi: d1-3B legge testo e immagini e ottiene 48,57 sul Decision Index, un benchmark della stessa Liquid AI, mentre d1-omni-600M aggiunge visione e audio in un modello da 600 milioni di parametri. Il testo della licenza va verificato sulla pagina Hugging Face prima dell’adozione.

Il 4 ottobre un benchmark indipendente su Jev, basato su 16.379 richieste live, ha concluso che il modello è utile per scelte delimitate e resta lontano da un modello di ragionamento di frontiera.

Le vulnerabilità da conoscere

Benchmark dei fornitori. I 36 benchmark e le latenze di Microsoft sono dati dell’azienda. H2O contesta il metodo impiegato per la latenza dei concorrenti e indica 29 ms misurati per il proprio modello, mentre Microsoft-Decision-1 è in attesa di risultati indipendenti su JevBench. Anche gli indici di Liquid AI e di Snowflake sono valutazioni interne.
Forma valida e decisione corretta. Un’etichetta ben formata può essere sbagliata. Il benchmark indipendente su Jev segnala che il campo di confidenza deriva in buona parte dalla probabilità più alta e dal numero di opzioni, e quindi offre un segnale debole sulla correttezza.
Perimetro di competenza. L’output di Microsoft-Decision-1 contiene la risposta e la probabilità, e la spiegazione resta fuori. Il modello legge solo testo, regge poco il ragionamento in più passaggi e, come ogni sistema che valuta linguaggio naturale, resta esposto alla prompt injection.
Provenienza e pesi. Decision-1 poggia su un modello aperto di un laboratorio cinese e i suoi pesi restano chiusi, quindi la filiera si verifica sulle dichiarazioni del fornitore.
Decisioni sulle persone. La model card richiede supervisione umana per credito, lavoro, abitazione, sanità e diritti legali. Per queste aree servono soglie, percorsi di escalation e registrazione delle decisioni.
Stato dei prodotti e dei prezzi. Snowflake è in private preview, la beta di OpenAI può cambiare e un prezzo di lancio può risultare sovvenzionato. Oltre cento modelli decisionali sono già disponibili, quindi la scelta del fornitore richiede una prova sui propri dati.

Da dove partire

Le azioni valgono per qualunque fornitore e per qualunque team.

Elencare le decisioni a risposta chiusa che qualcuno prende decine di volte al giorno, per esempio a chi assegnare una richiesta o se un’azione rispetta una policy.
Scrivere per ciascuna la domanda, le risposte ammesse e un’opzione di rinvio a una persona.
Raccogliere qualche centinaio di casi reali già etichettati e misurare più modelli sullo stesso campione, includendo come riferimento un classificatore tradizionale.
Fissare tre percorsi di soglia (azione automatica, revisione umana, rinvio a un modello più capace) e verificare la calibrazione sui propri dati, anche con parafrasi e riordino delle opzioni.
Registrare ogni decisione e rivedere le soglie a cadenza fissa, con un responsabile indicato per ciascuna domanda.

La domanda per i prossimi mesi riguarda la forma che prenderà la categoria: uno strato di mercato autonomo, con decine di fornitori specializzati, oppure una funzione assorbita dalle piattaforme di dati e di cloud, come suggeriscono le scelte di Snowflake e di Microsoft.

Autore

Pablo Liuzzi

Founder, Synthos Logic