Apa itu OpenAI Decisions API dan bagaimana cara kerjanya

TL;DR

OpenAI Decisions API adalah endpoint khusus yang mengubah teks dan gambar menjadi keputusan yang dapat ditindaklanjuti dan dapat dibaca mesin alih-alih prosa yang dihasilkan. API ini menggunakan GPT-6 Luna dan mendukung pertanyaan predicate, choice, dan score. OpenAI melaporkan kinerja sekitar 10× lebih cepat dibandingkan Responses API untuk tugas keputusan yang didukung dan harga input standar $0.10 per satu juta token.

Poin Utama

• Keputusan yang dibuat khusus: pertanyaan yang telah ditentukan, bukan percakapan bebas.
• Tiga jenis keputusan: predicate, choice, dan score.
• Automasi sadar probabilitas: rute input yang ambigu atau berdampak besar ke tinjauan manusia.
• Klaim kecepatan vendor dan harga input-only standar $0.10 per satu juta token menjadikan endpoint ini relevan untuk keputusan volume tinggi.
• Terbaik untuk perutean, klasifikasi, pemeriksaan visual, dan gerbang keputusan agen AI.

Apa itu OpenAI Decisions API?

OpenAI Decisions API mengevaluasi informasi dan mengembalikan keputusan yang terbatas dan dapat dibaca mesin. OpenAI merilisnya dalam beta pada 6 Oktober 2026 (https://developers.openai.com/api/docs/changelog). Panduan ini ditujukan untuk developer yang sudah memahami kunci API dan JSON dan ingin mengevaluasi alur kerja klasifikasi atau perutean. Detail produk diperiksa pada 12 Oktober 2026.

Skema POST /v1/decisions request schema menerima model, input teks atau gambar bersama, dan pertanyaan yang ditentukan developer. Endpoint khusus ini mengembalikan penilaian bertipe alih-alih prosa penjelasan.

Spesifikasi OpenAI Decisions API

Ketersediaan dan akses saat ini

Per 15 Oktober 2026, panduan resmi mencantumkan akses beta publik, dengan gpt-6-luna sebagai satu-satunya model yang didukung. Kirim permintaan ke POST /v1/decisions; status beta bukan jaminan stabilitas produksi.

Gunakan proyek OpenAI API dan periksa akses model, status penagihan, dan batas laju sebelum penerapan. Panduan mencantumkan Python SDK 3.26.0 atau lebih baru; akses spesifik akun sebaiknya dikonfirmasi dengan permintaan uji kecil.

Pelanggan yang memenuhi syarat dapat menggunakan Zero Data Retention dan pengaturan HIPAA. Panduan mencantumkan pemrosesan regional AS dan Eropa; kelayakan dan persyaratan kontraktual tetap berlaku. Akses melalui antarmuka Luna pihak ketiga tidak menetapkan kompatibilitas dengan endpoint khusus ini.

Bagaimana Cara Kerja OpenAI Decisions API?

Satu permintaan menggabungkan bukti input bersama dengan pertanyaan yang ditentukan developer. API mengevaluasi input menggunakan GPT-6 Luna dan mengembalikan jawaban yang dapat digunakan kode aplikasi untuk otomatisasi, peninjauan, atau eskalasi. Beberapa pertanyaan dapat berbagi input yang sama, meskipun pertanyaan bergantung harus diurutkan oleh aplikasi.

Evaluasi predicate

Predicate mengevaluasi apakah kondisi tertentu terpenuhi. Seorang retailer bisa menanyakan apakah sebuah foto menunjukkan kerusakan produk yang terlihat; respons menyediakan probabilitas antara 0 dan 1.

Cuplikan jawaban predikat ilustratif.

{
  "type": "predicate",
  "name": "visible_damage",
  "probability": 0.92
}

Pemilihan choice

Pertanyaan choice memilih di antara kategori yang disuplai secara eksplisit, seperti Billing, Technical Support, atau Account Access. Bidang distribusi dan kepercayaan mendukung kebijakan perutean dan eskalasi hilir.

Evaluasi score

Pertanyaan score mengevaluasi input terhadap rubrik berurutan. Skor yang diharapkan dapat mencerminkan indeks berbobot probabilitas dari level yang ditentukan; ini tidak secara otomatis mewakili risiko dunia nyata yang terkalibrasi.

Apa Fitur Utama OpenAI Decisions API?

Eksekusi cepat dan terbatas

Output bertipe mengurangi kebutuhan untuk menghasilkan prosa, mengurai teks, atau mencoba ulang jawaban yang salah format. OpenAI menggambarkan peningkatan kecepatan relatif sekitar sepuluh kali lipat pada tugas keputusan yang didukung; peningkatan aktual bergantung pada panjang input, overhead jaringan, dan konkurensi.

Beberapa pertanyaan pada konteks bersama

Satu tiket dukungan dapat dievaluasi untuk departemen, urgensi, dan kelayakan peninjauan dalam satu permintaan. Aplikasi tetap perlu menegakkan aturan bisnis deterministik dan pemeriksaan otorisasi.

Pemahaman teks dan gambar

Teks dan gambar mendukung perutean tiket, triase tangkapan layar, dan inspeksi visual. Konsultasikan dokumentasi resmi untuk format gambar yang didukung, batas ukuran, dan struktur payload yang saat ini diterima.

OpenAI menggunakan mug penyok ini dalam contoh keputusan visual. Gambar ini mengilustrasikan kerusakan yang dapat diamati; ini bukan bukti tingkat akurasi yang terukur. Endpoint ini menerima URL data gambar base64 inline, bukan URL gambar yang dihosting atau file ID.

Automasi sadar probabilitas

Kepercayaan yang dilaporkan bukan jaminan akurasi. Tim harus menyetel ambang berdasarkan data holdout berlabel, menggunakan ambang terpisah untuk kasus dengan konsekuensi false-positive atau false-negative yang tinggi.

Keamanan dan kontrol data

Retensi data, pemrosesan regional, dan penggunaan yang diatur bergantung pada konfigurasi akun dan persyaratan kontraktual yang berlaku. Konfirmasikan kelayakan sebelum memproses informasi yang diatur atau sensitif.

Berapa Biaya OpenAI Decisions API?

Tarif standar yang dilaporkan adalah $0.10 per satu juta token input tanpa penagihan token output melalui endpoint Decisions khusus. Pemrosesan regional atau pengali long-context dapat mengubah tagihan akhir.

Seberapa besar penghematan Decisions API dibanding Responses API?

Bandingkan tugas yang setara pada model yang sama. Panduan Decisions mencantumkan $0.10 per satu juta token input dan tanpa biaya output atau cache. Halaman model Luna mencantumkan harga teks Standar $0.10/M input tidak-tersimpan dan $0.50/M output untuk penggunaan model umum.

Perhitungan ilustratif, bukan tolok ukur: 1.000.000 permintaan teks, 500 token input tidak-tersimpan yang ditagihkan per permintaan pada masing-masing endpoint, satu klasifikasi per permintaan, dan tanpa premi regional atau long-context. Untuk Responses, gunakan total token output yang ditagihkan, termasuk token penalaran yang ditagihkan, bukan hanya panjang jawaban yang terlihat.

Dengan asumsi ini: Biaya Decisions = N × I × $0.10 / 1.000.000. Biaya Responses = N × (I × $0.10 + O × $0.50) / 1.000.000. Persentase penghematan = (Biaya Responses − Biaya Decisions) / Biaya Responses × 100%, di mana N adalah jumlah permintaan, I token input/permintaan, dan O token output yang ditagihkan/permintaan.

Penghematan di atas berasal dari asumsi tagihan output Responses; ini bukan diskon endpoint tetap. Hitung ulang dengan penggunaan input terukur, cache hit, cache write, tier pemrosesan, dan retry. Input cache atau tarif Batch/Flex dapat mengubah hasil. Tambahkan biaya alat, tinjauan manusia, dan infrastruktur secara terpisah. Bandingkan biaya per keputusan benar yang diterima setelah memeriksa kualitas dan latensi; label pendek dan penjelasan panjang adalah beban kerja yang berbeda.

OpenAI Decisions API vs Responses API vs Jev dan Aplomb 1

Tabel ini berfokus pada layanan keputusan khusus. Untuk penjelasan yang dihasilkan, skema ekstraksi kustom, atau alur kerja alat, gunakan Responses API seperti dijelaskan dalam panduan keputusan OpenAI. Sebuah keputusan dapat memilih cabang alur kerja, sementara Responses menghasilkan konten atau meminta pemanggilan alat, dengan kode aplikasi menangani eksekusi alat kustom.

Ringkasan kapabilitas dan harga

Ruang lingkup seleksi: Jev dan Aplomb disertakan karena kemampuan keputusan yang mereka publikasikan, bukan sebagai peringkat popularitas. Spesifikasi dan harga input standar diperiksa pada 16 Oktober 2026. TypeSafe masih memetakan jev-latest ke 1.13 dan jev-preview ke 1.14, sehingga perbandingan ini dipatok pada 1.13. Dukungan gambar Jev bersifat eksperimental. Bobot Aplomb dibatasi lisensi; periksa ketentuan untuk penerapan komersial. Harga token yang dipublikasikan bukan peringkat kualitas atau perkiraan total biaya alur kerja.

Pemilihan alur kerja

Buat shortlist layanan berdasarkan input yang dibutuhkan dan opsi penerapan, lalu uji pada kasus berlabel yang sama. Cocokkan persiapan input, rubrik keputusan, pengukuran latensi end-to-end, dan kebijakan tinjauan manusia. Bandingkan akurasi perutean, kasus yang terlewat, beban kerja tinjauan, dan biaya per keputusan benar yang diterima. Laporkan ini bersama-sama sehingga harga token yang lebih rendah atau jawaban yang lebih cepat tidak menyembunyikan kesalahan tambahan atau biaya tinjauan.

Bagaimana Cara Menggunakan OpenAI Decisions API?

Langkah 1: Konfigurasikan kredensial

Buat kunci API dan suplai sebagai variabel lingkungan OPENAI_API_KEY. Jangan pernah hard-code kunci rahasia di repositori atau aplikasi front-end.

Langkah 2: Kirim permintaan dengan cURL

Permintaan berikut mengikuti skema contoh choice resmi. Setel OPENAI_API_KEY sebelum menjalankannya; respons yang berhasil berisi array answers. Perintah shell menggunakan sintaks Bash.

Rutekan permintaan dukungan dengan cURL.

curl https://api.openai.com/v1/decisions \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-6-luna",
    "input": "I was charged twice for my order.",
    "questions": [
      {
        "type": "choice",
        "name": "department",
        "instructions": "Which department should handle this complaint?",
        "choices": [
          {"value": "billing", "description": "Payments and refunds"},
          {"value": "technical", "description": "Product issues"},
          {"value": "other", "description": "Everything else"}
        ]
      }
    ]
  }'

Langkah 3: Integrasikan dengan Python

Instal Python SDK yang diperlukan.

pip install --upgrade "openai>=3.26.0"

Minta dan inspeksi keputusan choice.

from openai import OpenAI

client = OpenAI()
result = client.decisions.create(
    model="gpt-6-luna",
    input="I was charged twice for my order.",
    questions=[{
        "type": "choice",
        "name": "department",
        "instructions": "Which team should handle this request?",
        "choices": [
            {"value": "billing", "description": "Payments and refunds"},
            {"value": "technical", "description": "Product issues"},
            {"value": "other", "description": "Other requests"}
        ]
    }]
)
answer = result.answers[0]
if answer.type == "refusal":
    print("Decision refused")
elif answer.type == "choice":
    print(answer.choice, answer.confidence)

Langkah 4: Tentukan aturan eskalasi

Terapkan ambang perutean ilustratif.

if answer.type == "choice":
    if answer.choice != "other" and answer.confidence >= 0.90:
        print("Eligible for automatic routing")
    else:
        print("Send to human review")

Ambang 0.90 bersifat ilustratif, bukan jaminan penyedia atau rekomendasi default resmi. Validasi terhadap contoh nyata dan risiko bisnis.

Bagaimana Mengakses GPT-6 Luna melalui CometAPI?

Developer dapat menggunakan GPT-6 Luna API di CometAPI untuk tugas model tujuan umum. Ini tidak boleh disamakan dengan dukungan untuk endpoint OpenAI Decisions khusus, yang membutuhkan verifikasi kompatibilitas terpisah.

Klasifikasikan teks melalui CometAPI Responses.

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["COMETAPI_KEY"],
    base_url="https://api.cometapi.com/v1"
)
response = client.responses.create(
    model="gpt-6-luna",
    input=(
        "Classify as billing, technical, or other. "
        "Return only the category. "
        "Request: I was charged twice for my order."
    )
)
print(response.output_text)

Contoh ini adalah klasifikasi tujuan umum melalui antarmuka model yang kompatibel CometAPI; ini tidak mengembalikan struktur probabilitas native Decisions API atau mewarisi harga input-only-nya.

Apa Kasus Penggunaan Terbaik untuk OpenAI Decisions API?

Ini adalah alur kerja aplikasi ilustratif, bukan penerapan yang dilaporkan atau hasil tolok ukur. Mereka menggunakan jenis pertanyaan predicate, choice, dan score dalam panduan Decisions resmi. Kode aplikasi melakukan tindakan hilir.

Klasifikasi dukungan pelanggan

Sediakan teks tiket, riwayat percakapan yang relevan, dan daftar tim dukungan yang telah ditentukan. Pertanyaan choice dapat memilih Billing, Technical Support, atau Account Access; pertanyaan score terpisah dapat menilai urgensi terhadap rubrik tertulis. Kode aplikasi dapat menetapkan antrean yang disarankan dan mengirim kasus yang tidak pasti atau tidak lengkap ke peninjau.

Evaluasi alur kerja pada tiket yang diberi label oleh staf dukungan, mengukur akurasi perutean per kategori, kasus mendesak yang terlewat, tingkat penugasan ulang, dan beban kerja peninjauan. Bandingkan hasil ini dengan proses perutean yang ada sebelum memperluas penerapan.

Moderasi konten dan antrean peninjauan

Sediakan teks atau gambar yang dikirim bersama kategori peninjauan yang didefinisikan dengan jelas. Pertanyaan predicate dapat mengevaluasi apakah kondisi tertentu muncul dalam konten, sementara pertanyaan score dapat memprioritaskan peninjauan sesuai rubrik keparahan yang terdokumentasi. Aplikasi kemudian dapat menempatkan item yang ditandai ke antrean yang sesuai dan menyajikan konten relevan kepada peninjau; endpoint itu sendiri tidak menghapus konten atau menegakkan aturan platform.

Evaluasi pelanggaran yang terlewat, penandaan yang tidak perlu, kesepakatan peninjau, dan keterlambatan antrean pada contoh berlabel yang representatif. Sesuaikan ambang secara terpisah untuk kategori dengan konsekuensi berbeda.

Inspeksi gambar e-commerce

Sediakan foto produk dan kriteria inspeksi yang relevan dengan item, seperti retak yang terlihat, sobekan, atau kemasan rusak. Pertanyaan predicate dapat menilai apakah setiap kondisi muncul, dan pertanyaan score dapat menerapkan rubrik keparahan yang ditentukan ketika gambar berisi bukti yang cukup. Kode aplikasi dapat meminta foto lain atau membuat tugas inspeksi manusia ketika bukti tidak jelas.

Evaluasi akurasi deteksi terhadap item yang diperiksa, termasuk kerusakan yang terlewat dan alarm palsu di berbagai kategori produk dan kondisi gambar. Pertahankan keputusan pengembalian dana atau penggantian dalam alur persetujuan retailer yang ada.

Gerbang tindakan agen AI

Sediakan tindakan yang diusulkan, argumennya, permintaan pengguna yang relevan, dan aturan eksekusi tertulis aplikasi. Pertanyaan predicate dapat menilai apakah proposal cocok dengan tugas yang diminta atau membutuhkan peninjauan. Kode aplikasi dapat menggunakan hasil untuk memilih cabang yang telah ditentukan: lanjutkan, minta klarifikasi, atau eskalasi. Pemeriksaan izin independen masih harus menentukan apakah eksekusi diotorisasi; penilaian model hanyalah salah satu input.

Evaluasi gerbang dengan proposal tindakan berlabel, mengukur tindakan tidak sah yang terlewat, eskalasi yang tidak perlu, dan sensitivitas terhadap konteks yang tidak lengkap atau bertentangan sebelum menghubungkannya ke eksekusi.

Triase dokumen dan email

Sediakan teks dokumen atau email, metadata yang relevan, dan set kategori tetap seperti invoice, permintaan dukungan, permintaan rapat, atau lainnya. Pertanyaan choice dapat memilih kategori, sementara pertanyaan predicate dapat mengidentifikasi kondisi seperti informasi wajib yang hilang. Kode aplikasi dapat mengirim item ke alur kerja ekstraksi, retrieval, atau peninjauan yang sesuai tanpa meminta endpoint keputusan melakukan langkah-langkah selanjutnya.

Evaluasi akurasi kategori, perutean hilir yang salah, volume peninjauan, dan waktu pemrosesan menggunakan catatan berlabel yang representatif, termasuk item ambigu dan format yang tidak familier.

Apa Batasan OpenAI Decisions API?

API ini tidak menghasilkan konten penjelasan arbitrer, mengeksekusi alat secara langsung, atau menghilangkan kebutuhan untuk menguji prediksi. Kategori yang hilang dan rubrik keputusan yang ditulis buruk dapat menghasilkan hasil yang tidak tepat. Nilai kepercayaan mungkin tidak terkalibrasi; automasi berisiko tinggi tetap membutuhkan pengaman, peninjauan manusia, dan logika otorisasi.

Kesimpulan

Decisions API menjanjikan untuk penilaian terbatas volume tinggi karena menggabungkan output probabilitas bertipe dengan model penetapan harga token yang disederhanakan. Tim harus membandingkannya dengan Structured Outputs dan model keputusan alternatif menggunakan kasus berlabel yang sama, pengukuran latensi, dan total biaya alur kerja. Peluang inti adalah mengidentifikasi langkah dalam aplikasi AI yang membutuhkan pilihan alih-alih prosa yang dihasilkan.

FAQ

Bagaimana penanganan penolakan OpenAI Decisions API?

Perlakukan penolakan sebagai hasil alur kerja terpisah. Periksa answer.type sebelum membaca bidang choice, score, atau probability. Catat nama pertanyaan dan rute permintaan ke jalur peninjauan atau pemulihan; jangan pernah menafsirkan penolakan sebagai predicate negatif atau skor nol.

Bagaimana ambang Decisions API dipelihara dari waktu ke waktu?

Pilih ambang pada contoh holdout berlabel, lalu pantau akurasi di antara keputusan yang diterima dan porsi yang dikirim untuk peninjauan. Evaluasi ulang setelah mengubah kategori, instruksi, sumber input, atau perilaku model. Pertahankan rubrik ber-versi agar perubahan perutean dapat ditelusuri ke konfigurasi yang menghasilkannya.

Bagaimana uji latensi Decisions API harus dilaporkan?

Catat tanggal, wilayah, pengenal model, jumlah pertanyaan, panjang teks, ukuran gambar, konkurensi, versi klien, kebijakan retry, dan konfigurasi endpoint pembanding. Laporkan p50 dan p95 end-to-end dengan jumlah sampel dan hasil kualitas, sehingga peningkatan kecepatan tidak dicapai hanya dengan menerima lebih banyak kesalahan.

Bagaimana kategori Decisions API berevolusi tanpa merusak integrasi?

Gunakan nilai yang stabil dan dapat dibaca mesin dan pertahankan pemetaan eksplisit ke antrean hilir. Tambahkan kategori fallback dan uji kasus tepi historis sebelum menerapkan deskripsi baru. Jika sebuah kategori diubah namanya, perbarui peta perutean dan rubrik bersama-sama alih-alih membiarkan nilai tidak dikenal mencapai tindakan produksi.

Apa yang harus dicatat untuk audit perutean Decisions API?

Catat versi rubrik, kategori yang dipilih, probabilitas atau kepercayaan yang relevan, ambang, pengenal model, cap waktu, dan tindakan yang diambil. Batasi konten input yang disimpan pada apa yang dibutuhkan alur kerja dan terapkan kebijakan retensi organisasi. Catatan audit harus menunjukkan mengapa logika aplikasi merutekan atau meningkatkan kasus tersebut.