Microsoft-Decision-1 non scrive frasi. Non risponde a domande aperte. Prende un insieme fisso di opzioni, assegna a ciascuna un punteggio di probabilità calibrato e restituisce il risultato in un’unica chiamata API. È questo il punto: separare la fase decisionale dai grandi modelli linguistici, che costano più tempo e denaro di quanto serva per scegliere tra due percorsi in un workflow automatizzato.
Il modello è stato annunciato il 9 ottobre 2026 ed è già disponibile su Microsoft Foundry e su OpenRouter. Internamente, il team di Xbox Research lo ha già testato su oltre 10.000 elementi tra feedback e recensioni di giochi, ottenendo una qualità paragonabile a GPT-6 Sol a una velocità 14 volte superiore. I benchmark dichiarati da Microsoft coprono 36 categorie e quasi 150.000 domande tenute fuori dal training: su questo insieme, Decision-1 rivendica il primo posto per accuratezza. La latenza mediana è circa 35 volte inferiore a quella di GPT-6 Sol. Anche i modelli concorrenti specializzati nelle decisioni, come Jev di TypeSafe AI e H2O-Lightning-4B, risultano rispettivamente 2,8 e 2,5 volte più lenti. I benchmark, però, sono auto-dichiarati e attendono verifica indipendente.
Dal punto di vista tecnico, Decision-1 è costruito su Qwen3.5-9B di Alibaba, sottoposto a post-training specifico per il decision scoring a singolo passaggio. Microsoft ha già anticipato che le versioni successive verranno rebased sui propri modelli MAI e su quelli OpenAI. Il modello supporta domande sì/no, scelta multipla, rating numerici e valutazione rubric-based delle risposte generate da altri sistemi AI — utile per chi costruisce pipeline di verifica automatica. Il costo di ingresso è di 0,042 dollari per milione di token in input, una cifra progettata per competere direttamente con Jev di TypeSafe.
La mossa di Microsoft non avviene nel vuoto. OpenAI ha presentato pochi giorni prima la sua Decisions API, e Amazon ha in campo il proprio modello per compiti analoghi. Il mercato dei “decision model” si sta strutturando come categoria distinta: non intelligenza generale, ma velocità e struttura per le parti di un sistema dove serve una risposta binaria o ordinale, non un saggio. I casi d’uso documentati includono routing di ticket di supporto, classificazione di contenuti, controllo di agenti autonomi, rilevamento di anomalie nelle transazioni e screening di sicurezza. Tutti scenari dove invocare un LLM completo per ogni passo sarebbe costoso quanto inutilmente lento.
Per gli sviluppatori che lavorano su sistemi agentici, la disponibilità di un modello del genere dentro Microsoft Foundry cambia il modo di comporre i workflow: si può abbinare un LLM per la generazione con un decision model per il controllo, senza far passare ogni scelta attraverso il componente più pesante della pipeline. Se i dati di prestazione reggeranno a test indipendenti, l’utilità pratica sarà difficile da ignorare per chi ottimizza costi e latenza in produzione.
