Microsoft dote les agents d’IA d’un modèle de décision plus rapide

Microsoft a lancé Decision-1, un modèle d’IA conçu pour répondre à des choix fermés plutôt que pour générer du texte libre. L’idée compte pour les applications qui doivent trier des demandes, prioriser des incidents ou vérifier des réponses produites par une IA, car elles peuvent exploiter directement une probabilité au lieu de relancer un grand modèle de langage. Selon Microsoft, cette approche réduit les coûts et la latence dans les workflows d’agents.

Quand l’IA ne doit pas écrire, mais trancher

Decision-1, que Microsoft décrit comme un modèle de décision, renvoie une probabilité calibrée pour chaque option d’un ensemble défini. En pratique, il peut gérer des jugements oui/non, des choix entre plusieurs réponses, des notations et des évaluations fondées sur une grille. Le modèle peut aussi traiter plusieurs décisions en parallèle dans une seule requête, ce qui le distingue d’un LLM généraliste, plus à l’aise pour produire des explications ou des contenus en langage naturel.

Microsoft indique avoir construit Decision-1 en post-entraînant Qwen3.5-9B, puis vouloir le rebaser sur d’autres modèles, dont Microsoft AI (MAI) et OpenAI. Le modèle est disponible via Microsoft Foundry et OpenRouter. Cette disponibilité multi-plateforme compte autant que la fiche technique : elle facilite l’intégration dans des systèmes où chaque milliseconde et chaque requête se payent.

Des promesses de vitesse, mais des chiffres à prendre avec prudence

Sur les performances, Microsoft dit avoir obtenu la meilleure précision dans 36 benchmarks couvrant près de 150 000 questions tenues à l’écart de l’entraînement. L’entreprise affirme aussi que Decision-1 est environ 2,5 fois plus rapide que le deuxième modèle du classement et 35 fois plus rapide que GPT-6 Sol. Ces résultats et ces comparaisons restent des affirmations de Microsoft et n’ont pas été vérifiés indépendamment.

La tarification annoncée est de 4,2 cents par million de jetons en entrée, sans frais sur les jetons de sortie. Dans un exemple de priorisation d’incident, Microsoft dit qu’une requête de 86 jetons d’entrée et deux jetons de sortie coûte environ 0,0000036 dollar, soit plus de 275 000 décisions similaires pour 1 dollar. Là encore, le calcul est intéressant, mais il dépend du contexte d’usage et du taux de réussite réel en production.

Le vrai sujet : l’architecture des agents

Pour Charlie Dai, vice-président et analyste principal chez Forrester, ce type de modèle peut réduire le coût et la latence des workflows d’IA agentique. Il estime que le routage, la classification et les contrôles d’approbation représentent souvent une grande part des interactions avec un agent, et qu’un modèle spécialisé permet de réserver les LLM généralistes au raisonnement et à la génération de contenu. Amit Kumar Jena, development manager for AI chez Kanerika, voit dans ce déplacement une évolution architecturale importante pour les entreprises qui montent en charge.

Mais Jena met aussi en garde contre une lecture trop directe des benchmarks de Microsoft pour mesurer les économies en entreprise. Il recommande d’évaluer le coût et la latence par workflow correctement terminé, y compris les reprises et les erreurs. Une prudence bienvenue : un tableau de scores ne paie pas les tickets support qui partent dans la mauvaise file.

Pourquoi les risques de gouvernance restent là

Decision-1 renvoie des scores, mais pas de justification pour chaque décision. Microsoft avertit aussi que les résultats peuvent varier selon la formulation des questions, selon Jena. Cette absence de raisonnement complique l’explication, la validation et la contestation des décisions, surtout quand elles influencent l’expérience client ou touchent à des obligations réglementaires.

Dai recommande donc des tests de calibration, des contrôles sur la formulation des questions et les seuils de score, des journaux d’audit et une revue humaine pour les décisions à fort impact. Jena conseille de commencer par des tâches réversibles, comme le routage des demandes et le tri, puis d’exiger une supervision humaine substantielle dès qu’une décision peut affecter des personnes de manière durable. Le modèle peut donc accélérer des processus ; il ne remplace pas le contrôle qu’ils exigent.