OpenAIs Decisions API verkauft Urteile statt Chat: Erst Prüfpfade fordern

Was passiert, wenn das bekannteste KI-Unternehmen aufhört, Ihnen ein Gespräch zu verkaufen, und stattdessen eine Zahl verkauft? Dann entsteht die Decisions API. Aus unserer Sicht ist sie folgenreicher als das nächste Chatbot-Update, gerade weil sie so unspektakulär ist.

Kurze Zusammenfassung: OpenAI hat die allgemeine Verfügbarkeit der Decisions API angekündigt, die auf GPT-6 Luna basiert. Man definiert eine Frage samt zulässiger Antworten, übergibt Text, Bilder oder JSON und erhält eine von drei typisierten Antworten: eine Wahrscheinlichkeit, dass eine Bedingung zutrifft, eine Auswahl aus der eigenen Liste oder einen Score anhand eines Bewertungsrasters. Laut OpenAI ist sie bis zu zehnmal schneller als Luna über die Responses API, erlaubt bis zu 400 Fragen pro Anfrage und kostet 0,10 US-Dollar pro Million Eingabe-Tokens, ohne Gebühren für Ausgabe-Tokens.

Der Chatbot war die Demo, das hier ist das Produkt

Schauen Sie sich die Beispiele an, die OpenAI selbst nennt: eine Eingabe klassifizieren, eine Anfrage weiterleiten, entscheiden, ob ein Agent fortfahren, es erneut versuchen oder nachfragen soll. Nichts davon ist Konversation. Es ist Kontrollfluss, die if-Anweisungen der Software, jetzt an ein Modell ausgelagert. Die eigenen Teams des Unternehmens nutzen sie, um Transaktionen zu kategorisieren und Presseberichte zu klassifizieren, und so zu erkennen, was „eine genauere Prüfung verdient“.

Das ist der Wandel. Ein Assistent spricht mit einem Menschen, der merkt, wenn etwas seltsam klingt. Ein Entscheidungs-Endpunkt spricht mit Code, und Code runzelt nicht die Stirn. Eine Wahrscheinlichkeit fließt in eine Verzweigung, und es passiert etwas. Wir meinen, dass ein großer Teil des realen wirtschaftlichen Gewichts der KI hier landen wird: nicht im Chatfenster, sondern in Tausenden unsichtbaren Mikrourteilen pro Minute.

Das Design ist durchaus klug. Der Wegfall der Schleife aus Prompt, Parsing und erneutem Versuch beseitigt eine ganze Klasse von Formatierungsfehlern, und die Dokumentation stellt klar, dass die eigene Anwendung die Aktionen ausführt, die die Antworten auswählen. Das ist die richtige Aufgabenteilung.

Eine Wahrscheinlichkeit ist keine Garantie, und das Wort „Konfidenz“ muss viel leisten

Hier liegt unsere Sorge. Eine Zahl wirkt strenger als ein Absatz. Das ist nicht zwingend so. Eine Analyse von Firecrawl zitiert einen Kommentator auf Hacker News, der zu Recht anmerkt, dass eine solche Beschränkung das Format garantiert, nicht die Korrektheit. Wir teilen den Kern dieses Einwands, auch wenn die Eingrenzung des Antwortraums ein echter Effizienzgewinn ist.

Die entscheidende Frage ist die Kalibrierung: Wenn das Modell 0,90 angibt, liegt es dann bei Ihren Daten in 90 % der Fälle richtig? Das Material, das wir geprüft haben, beantwortet das nicht. Der Vergleich von CometAPI hält fest, dass die Herstellerangaben keinen Sieger bei der Genauigkeit gegenüber dem Konkurrenten Jev belegen, und warnt davor, ein API-Feld namens Konfidenz wie eine kalibrierte Wahrscheinlichkeit zu behandeln, ohne seine Definition zu prüfen. Beim Tempo-Versprechen ist es ähnlich: Es vergleicht OpenAIs Modell mit sich selbst, nicht mit dem Markt.

Sinnvoll gelesen ist der Faktor 10 also echtes Marketing und wahrscheinlich echte Ingenieursarbeit, während die Zuverlässigkeit bei Ihren Tickets, Fotos und Erstattungen eine offene, empirische Frage bleibt, die nur Sie klären können.

Was Entwickler fordern sollten, bevor sie das an Wichtiges anschließen

Erstens: Die Entscheidungsgewalt bleibt im eigenen Code. Ein Modell kann sagen, ein Ticket sehe nach einer doppelten Abbuchung aus; die Erstattung sollte nur ein autorisierter Dienst oder ein Mensch auslösen. Ein hoher Score darf nie eine Berechtigung gewähren, die das System nicht ohnehin hatte.

Zweitens: alles protokollieren – Fragetext, Antwortoptionen, Modellkennung, Eingabebelege und die zurückgegebenen Wahrscheinlichkeiten. Das Bewertungsraster sollte wie Code versioniert werden, denn geänderte Optionen verändern die Bedeutung historischer Ergebnisse. Wird eine Entscheidung irgendwann angefochten, muss sie sich nachvollziehen lassen.

Drittens: messen, bevor man vertraut. Eine Stichprobe realen Datenverkehrs labeln, die Kalibrierung prüfen, Prüfschwellen aus diesen Daten ableiten und unsichere Fälle an Menschen schicken. Der niedrige Preis pro Token ist verlockend, doch die eigentlichen Kosten entstehen durch eine Fehlleitung oder eine falsche automatische Freigabe im weiteren Verlauf.

Viertens, und das ist unsere Forderung an OpenAI: Entwicklern mehr als eine Zahl geben. Der Endpunkt ist so gebaut, dass er keine Erklärung liefert, und genau deshalb ist er schnell und genau deshalb schwer zu prüfen. Für die Klassifizierung von Berichtsthemen ist das in Ordnung; für alles, was Geld, Sicherheit oder den Zugang von Menschen zu Dienstleistungen betrifft, deutlich weniger.

Unser Urteil

Nutzen Sie sie. Für Routing mit hohem Volumen und geringem Risiko wirkt sie wie ein klarer Gewinn, und der Wettbewerb durch spezialisierte Modelle wie Jev dürfte die Preise ehrlich halten. Behandeln Sie sie aber als schnellen, fehlbaren Berater an der Leine deterministischer Regeln, mit einer Dokumentationsspur, die Sie selbst kontrollieren. Die Ära der KI als Entscheidungsinfrastruktur ist da; die Prüfgewohnheiten müssen mit ihr kommen, und niemand wird sie Ihnen mitliefern.