Introducing the Decisions API

Une API pour les choix bornés

OpenAI a publié la Decisions API en bêta publique, avec l’objectif de permettre aux développeurs de choisir un modèle, un outil, une catégorie, un score ou une action presque en temps réel [1]. L’API fonctionne avec GPT-6 Luna et accepte des entrées texte comme des entrées image, mais elle ne vise pas le même usage qu’un endpoint généraliste de conversation ou de raisonnement [1]. Sa promesse est plus étroite: convertir des éléments de contexte en réponses typées, directement exploitables par une application.

Le changelog officiel de l’API OpenAI inscrit cette sortie au 6 octobre 2026, avec gpt-6-luna et v1/decisions, et la présente comme une manière de transformer textes et images en réponses typées jusqu’à “10x” plus vite que la Responses API [2]. Cette promesse de vitesse est au cœur du positionnement. Au lieu de demander au modèle de rédiger une réponse complète, de conduire un dialogue ou de manipuler librement des outils, le développeur lui fournit une question et un espace de réponse contrôlé.

La conséquence est avant tout architecturale. Beaucoup de systèmes d’IA en production n’ont pas besoin d’un paragraphe à chaque étape. Ils ont besoin d’une décision courte: cette demande de remboursement est-elle urgente? À quelle file de support faut-il envoyer ce ticket? Cette photo montre-t-elle un produit endommagé? Quelle action un agent vocal doit-il exécuter maintenant? La Decisions API transforme ce motif répétitif en surface API dédiée.

Ce que renvoie l’API

L’annonce de bêta publique décrit trois types de sorties: predicates, choices et scores [1]. Un predicate estime la probabilité qu’une affirmation soit vraie; un choice sélectionne une option parmi une liste prédéfinie, avec des scores de confiance possibles; un score évalue une entrée sur une plage numérique [1]. Unite.AI rapporte de son côté que le nouvel endpoint passe par POST /v1/decisions et renvoie des réponses typées à des questions définies par le développeur, à partir de textes ou d’images [3].

Cette structure compte parce qu’elle distingue le “jugement IA” de la “liberté IA”. Dans un flux de chat ou d’agent classique, les développeurs doivent souvent contraindre le modèle à l’aide de schémas, de prompts système ou de logique de post-traitement. Avec Decisions, l’espace fini des réponses fait partie du produit lui-même. L’application définit ce qui peut être choisi; le modèle interprète l’entrée et sélectionne dans le cadre autorisé.

Cette approche rend aussi l’exploitation plus lisible. Une plateforme de relation client peut router une plainte vers facturation, support technique, livraison, fraude ou “autre”. Un flux image peut classer une photo comme endommagée, non endommagée ou incertaine. Un assistant en direct peut décider de recharger une page, revenir en arrière, ne rien faire ou transmettre la demande à un modèle de raisonnement. Ce ne sont pas des conversations ouvertes, mais des points de décision dans un logiciel plus large.

Pourquoi la limitation accélère la décision

Les démonstrations de lancement insistent sur une idée simple: le gain de performance vient largement de la réduction du périmètre. Le résumé d’Orply explique que l’API est conçue pour les applications qui ont besoin d’un choix rapide dans un ensemble limité d’actions, plutôt que d’une réponse ouverte [4]. Dans une démonstration de routage commercial, l’interface indiquait 81 millisecondes de traitement API pour six décisions [4]. Ce chiffre illustre précisément le discours produit: si l’application n’a besoin que d’une décision bornée, elle ne devrait pas subir la latence d’un appel de raisonnement plus large.

La même démonstration montrait le parcours texte avec des prospects commerciaux et du remplissage de formulaires, où des informations non structurées pouvaient être classées puis envoyées dans un workflow structuré [4]. Le parcours visuel utilisait des images d’un jeu de conduite, l’API choisissant une voie parmi plusieurs à mesure que des obstacles apparaissaient [4]. Dans les deux cas, le contrat reste identique: l’application fournit le contexte et les options; GPT-6 Luna fournit un jugement rapide.

La différence pratique est particulièrement importante pour les produits interactifs. Une interface vocale, un robot, un assistant de navigateur ou une boucle de jeu ne peuvent pas toujours attendre une longue chaîne de raisonnement. Quelques centaines de millisecondes suffisent à modifier la sensation de réactivité. En réduisant la sortie à un petit ensemble d’alternatives, Decisions cherche à faire du jugement du modèle une partie fluide de l’interface, et non une pause visible.

Texte, images, voix et agents

Le support multimodal élargit l’usage au-delà de la simple classification de texte. L’annonce d’OpenAI indique que l’endpoint accepte des entrées texte et image [1]. Unite.AI rapporte que plusieurs questions indépendantes peuvent partager une même requête et que différents types de questions peuvent être combinés, tandis que les décisions dépendantes doivent être envoyées dans des requêtes séparées afin que le premier résultat puisse conditionner la suite [3]. Pour la conception d’applications, la règle est claire: regrouper les jugements indépendants, mais garder explicites les workflows conditionnels.

Les applications vocales constituent un autre terrain naturel. La documentation récente couverte par la presse décrit l’usage de Decisions dans des flux vocaux, où la délégation côté client permet à un agent de choisir des actions à partir de demandes vocales, puis d’en rapporter le résultat à l’utilisateur [3]. Concrètement, un modèle live peut gérer la conversation pendant que la Decisions API prend en charge de petits choix de contrôle: quelle action d’interface exécuter, quelle expression afficher, s’il faut continuer ou s’il faut escalader.

Les démonstrations placent aussi l’API près de la robotique et de l’interaction physique. Orply décrit une démonstration avec un robot Microduck dans laquelle GPT-Live-1 gérait l’intelligence vocale, tandis que la Decisions API utilisait les images de la caméra pour décider où le robot devait regarder [4]. Cela ne signifie pas qu’un endpoint à choix bornés devient une pile robotique complète. Cela montre plutôt que les systèmes incarnés ou en temps réel contiennent beaucoup de micro-décisions, qui gagnent à être rapides, explicites et limitées.

Prix et réaction des développeurs

L’écosystème développeur a réagi rapidement. Simon Willison a publié llm-openai-decisions en version 0.1a0 le 6 octobre, en le présentant comme un plugin pour l’OpenAI Decisions API [5]. Il note que le nouveau modèle de décision gpt-6-luna prend en charge les images en plus du texte, et rapproche conceptuellement l’API des modèles de décision de type Jev [5]. Son billet souligne aussi le prix: 10 cents par million de tokens d’entrée pour l’API Decisions d’OpenAI, dans une comparaison où la sortie n’est pas l’unité facturée [5].

Unite.AI rapporte également ce tarif de 0,10 dollar par million de tokens d’entrée pour gpt-6-luna sur l’endpoint Decisions, ainsi que le fait que seuls les tokens d’entrée sont facturés, sans frais pour les lectures de cache, écritures de cache ou tokens de sortie [3]. Ce modèle économique renforce l’usage visé. Si l’endpoint est destiné à être appelé fréquemment à l’intérieur de workflows, les équipes doivent raisonner en coût par classification ou score d’entrée, plutôt qu’en coût par réponse générée.

La comparaison avec Jev est utile, mais elle ne doit pas masquer l’angle propre à OpenAI. Decisions s’insère dans la plateforme OpenAI, fonctionne avec GPT-6 Luna et se connecte au reste de la pile: Responses, Live, outils et API orientées agents. Pour les équipes déjà engagées sur OpenAI, ce nouvel endpoint ressemble moins à un produit isolé qu’à une couche d’optimisation pour des jugements bornés et répétitifs.

Ce qu’il faut surveiller maintenant

La bêta publique n’est pas l’état final. Unite.AI rapporte qu’OpenAI prévoit une disponibilité générale de la Decisions API dans les prochaines semaines [3]. D’ici là, les équipes devraient la considérer comme un nouveau candidat de production, pas comme une abstraction définitivement résolue. Les questions difficiles restent les mêmes que pour tout système de décision: les probabilités sont-elles calibrées sur les données réelles du développeur? Que se passe-t-il en cas de faible confiance? Quelles erreurs coûtent cher? Quand faut-il transmettre à un humain ou à un modèle de raisonnement plus puissant?

Les meilleurs premiers usages ne sont donc pas des scénarios vagues où “l’IA décide de tout”. Ce sont des workflows étroits et mesurables: router des demandes entrantes, classifier des images, sélectionner une action d’interface, évaluer une sévérité ou choisir la prochaine étape d’une boucle vocale ou agentique. La promesse réelle de l’API est de donner aux développeurs une primitive plus propre pour ces moments où l’application n’a pas besoin d’un discours, d’un plan ou d’une chaîne de pensée. Elle a besoin d’une réponse rapide, bornée et exploitable.

C’est ce qui rend la Decisions API discrète mais importante. Elle reconnaît que les applications intelligentes se construisent avec plusieurs types d’appels modèle. Certains sont des étapes de raisonnement profond. D’autres sont des réponses génératives. D’autres encore sont des appels d’outils. OpenAI ajoute désormais une voie rapide pour un geste moins spectaculaire, mais essentiel: choisir parmi des options prédéfinies.

Sources des dernières 72 heures

1. [1]Decisions API is now available in Public Beta6 oct. 2026, 22:53
2. [2]Changelog | OpenAI API6 oct. 2026, 02:00
3. [3]OpenAI Releases Decisions API in Public Beta, Powered by GPT-6 Luna6 oct. 2026, 02:00
4. [4]A Small Set of Choices Makes Model Decisions Nearly 10 Times Faster6 oct. 2026, 02:00
5. [5]llm-openai-decisions 0.1a07 oct. 2026, 01:04

Article généré par IA à partir d’une recherche web récente, puis conservé comme instantané éditorial daté.