OpenAI ouvre son modèle de décision, face aux alternatives ouvertes

OpenAI a ouvert en bêta publique son Decisions API, un service qui transforme du texte ou des images en décisions structurées: prédicats, choix ou scores. L’API, basée sur GPT-6 Luna, est facturée 0,10 dollar par million de jetons d’entrée, sans coût sur les sorties ni sur le cache. Le lancement compte, car il place OpenAI sur un terrain où Perplexity, Cloudflare et Amazon proposent déjà des alternatives téléchargeables et exécutables chez soi.

Des décisions rapides, y compris à partir d’images

L’API vise les cas où un système doit trancher vite plutôt que raisonner longuement. OpenAI cite un exemple de conduite simulée: à partir d’images de la route et des obstacles, le modèle choisit si la voiture doit changer de voie ou continuer. La société dit que ce type de décision peut être rendu en une fraction du temps nécessaire à un modèle de raisonnement classique.

Le même principe s’étend à des usages plus concrets. Dans une démonstration, OpenAI montre un robot bipedal de Hugging Face, Microduck, piloté avec GPT-Live et Decisions API. Le modèle analyse les images de la caméra pour orienter le robot vers une pomme, puis gérer une consigne plus vague comme « follow the fruit ». Dit autrement, l’IA ne se contente plus de parler. Elle pointe du doigt, ou presque.

Pourquoi la bataille se joue aussi sur le déploiement

La vraie différence avec plusieurs rivaux tient moins à la qualité brute qu’au mode de distribution. Perplexity, Cloudflare et Amazon ont lancé ce mois-ci leurs propres modèles de décision, mais sous forme de poids ouverts, que les développeurs peuvent télécharger et exécuter sur leur propre infrastructure. Perplexity a publié pplx-decider-v1-27b, issu de Qwen3.8-27B et sous licence Apache 2.0. Cloudflare propose Clef et Clef-flash, à la fois en open weights et via Workers AI. Amazon, de son côté, avance Strands Decider 2B, construit sur Qwen3.5-2B.

OpenAI fait un autre choix: garder son modèle derrière une API hébergée. Ce détail technique pèse déjà sur l’adoption, surtout pour les entreprises qui veulent contrôler leurs coûts, leur latence ou leurs contraintes de conformité. Dans ce contexte, la question n’est plus seulement « quel modèle est le meilleur ? », mais aussi « où peut-il tourner sans déclencher une migraine d’architecture ? »

Ce que montrent les chiffres publiés

OpenAI affiche un tarif simple, mais le marché n’a pas attendu pour répondre. Perplexity dit que son modèle bat Jev, celui de TypeSafe, sur 11 benchmarks avec un score global de 85,71 % contre 84,51 %. Amazon affirme pour sa part que Strands Decider 2B se classe deuxième parmi les modèles publics d’environ 2 milliards de paramètres sur le jeu public de JevBench. OpenAI, lui, ne publie pas ici de comparaison détaillée, ce qui laisse la hiérarchie encore ouverte [à vérifier].

Pour les développeurs, ces modèles ne visent pas la même chose qu’un grand modèle généraliste. Ils sont pensés pour décider entre des options, estimer une probabilité oui/non ou attribuer un score sur une échelle numérique. C’est plus spécialisé, mais aussi plus facile à intégrer dans des workflows d’automatisation, de robotique ou d’interface temps réel.

Le vrai arbitrage: contrôle, coût et vitesse

À mesure que les modèles de décision se multiplient, le marché se segmente. Les versions ouvertes séduisent les équipes qui veulent garder la main sur l’infrastructure. Les versions hébergées simplifient l’intégration, mais ajoutent une dépendance au fournisseur. OpenAI mise clairement sur cette commodité, alors que ses concurrents jouent la carte de la portabilité.

Ce clivage devrait compter pour les usages en entreprise, où la décision automatique est rarement un gadget. Elle peut piloter un robot, choisir une action d’agent logiciel ou filtrer un flux visuel en temps réel. Les modèles de décision deviennent donc une nouvelle brique d’infrastructure. Pas le morceau le plus glamour du marché, mais souvent celui qui décide si tout le reste tourne.