TL;DR
A OpenAI Decisions API é um endpoint especializado que transforma texto e imagens em decisões acionáveis e legíveis por máquina, em vez de prosa gerada. Ela usa o GPT-6 Luna e oferece perguntas dos tipos predicate, choice e score. A OpenAI relata desempenho aproximadamente 10× mais rápido do que sua Responses API para tarefas de decisão compatíveis e preços padrão de entrada de $0.10 por milhão de tokens.
Key Takeaways
- Decisões com propósito específico: perguntas predefinidas em vez de conversa livre.
- Três tipos de decisão: predicate, choice e score.
- Automação ciente de probabilidades: encaminhe entradas ambíguas ou com alto impacto para revisão humana.
- Ganhos de velocidade reportados pelo fornecedor e preço padrão somente de entrada de $0.10 por milhão de tokens tornam o endpoint relevante para decisões em alto volume.
- Melhor para roteamento, classificação, verificações visuais e gates de decisão de agentes de IA.
What Is the OpenAI Decisions API?
A OpenAI Decisions API avalia informações e retorna decisões delimitadas e legíveis por máquina. A OpenAI a lançou em beta em 6 de outubro de 2026. Este guia é para desenvolvedores que já entendem chaves de API e JSON e querem avaliar fluxos de trabalho de classificação ou roteamento. Os detalhes do produto foram verificados em 12 de outubro de 2026.
O esquema de solicitação POST /v1/decisions request schema aceita um modelo, entrada compartilhada de texto ou imagem e perguntas definidas pelo desenvolvedor. O endpoint dedicado retorna julgamentos tipados em vez de prosa explicativa.
OpenAI Decisions API specifications
| Especificação | Detalhes documentados do endpoint |
|---|---|
| Tipo de produto | Endpoint de API especializado, não um modelo base independente |
| Endpoint | POST /v1/decisions |
| Modelo subjacente | gpt-6-luna |
| Entradas | Texto e imagens |
| Tipos de decisão | predicate, choice, score |
| Saídas | Decisões tipadas e informações de probabilidade |
| Desempenho | Aproximadamente 10× mais rápido que a Responses API (declaração do fornecedor) |
| Preço padrão de entrada | $0.10 / 1M tokens |
| Cobrança por saída | Nenhuma para a Decisions API |
| Chamada de ferramentas/transmissão | Não suportado diretamente por este endpoint |
Current availability and access
Em 15 de outubro de 2026, o guia oficial lista acesso em beta público, com gpt-6-luna como o único modelo compatível. Envie solicitações para POST /v1/decisions; o status beta não garante estabilidade de produção.
Use um projeto da OpenAI API e verifique acesso ao modelo, status de cobrança e limites de taxa antes da implantação. O guia lista o SDK Python 3.26.0 ou posterior; o acesso específico da conta deve ser confirmado com uma pequena solicitação de teste.
Clientes elegíveis podem usar Zero Data Retention e arranjos HIPAA. O guia lista processamento regional nos EUA e Europa; elegibilidade e requisitos contratuais ainda se aplicam. O acesso por meio de uma interface Luna de terceiros não estabelece compatibilidade com este endpoint dedicado.
How Does the OpenAI Decisions API Work?
Uma solicitação combina evidências de entrada compartilhada com perguntas definidas pelo desenvolvedor. A API avalia a entrada usando o GPT-6 Luna e retorna respostas que o código do aplicativo pode usar para automatizar, revisar ou escalar. Várias perguntas podem compartilhar a mesma entrada, embora perguntas dependentes devam ser sequenciadas pelo aplicativo.
Predicate evaluation
Um predicate avalia se uma condição especificada se sustenta. Um varejista poderia perguntar se uma fotografia mostra danos visíveis ao produto; a resposta fornece uma probabilidade entre 0 e 1.
Trecho ilustrativo de resposta de predicate.
{
"type": "predicate",
"name": "visible_damage",
"probability": 0.92
}
Choice selection
Uma pergunta do tipo choice seleciona entre categorias fornecidas explicitamente, como Cobrança, Suporte Técnico ou Acesso à Conta. Campos de distribuição e confiança dão suporte a políticas de roteamento e escalonamento a jusante.
Score evaluation
Uma pergunta do tipo score avalia a entrada com base em uma rubrica ordenada. A pontuação esperada pode refletir os índices ponderados por probabilidade dos níveis definidos; isso não representa automaticamente um risco do mundo real calibrado.
| Índice | Gravidade | Interpretação |
|---|---|---|
| 0 | Baixa | Nenhuma ação imediata |
| 1 | Moderada | Acompanhamento de rotina |
| 2 | Alta | Impacto significativo no cliente |
| 3 | Crítica | Escalonamento imediato |
What Are the Main Features of the OpenAI Decisions API?
Fast, bounded execution
Saídas tipadas eliminam grande parte da necessidade de gerar prosa, fazer parsing de texto ou refazer respostas malformadas. A OpenAI descreve melhoria de velocidade relativa de aproximadamente dez vezes em tarefas de decisão compatíveis; os ganhos reais dependerão do comprimento da entrada, sobrecarga de rede e concorrência.
Multiple questions over shared context
Um único chamado de suporte pode ser avaliado para departamento, urgência e elegibilidade de revisão em uma única solicitação. Os aplicativos ainda precisam impor regras de negócios determinísticas e verificações de autorização.
Text and image understanding
Texto e imagens dão suporte ao roteamento de chamados, triagem de capturas de tela e inspeção visual. Consulte a documentação oficial para formatos de imagem suportados, limites de tamanho e estruturas de payload atualmente aceitas.
A OpenAI usa esta caneca amassada em seu exemplo de decisão visual. A imagem ilustra dano observável; não é evidência de uma taxa de precisão medida. Este endpoint aceita URLs de dados de imagem base64 inline, não URLs de imagem hospedadas ou IDs de arquivo.
Probability-aware automation
A confiança reportada não é precisão garantida. As equipes devem ajustar limiares com dados rotulados de holdout, usando limiares separados para casos com altas consequências de falsos positivos ou falsos negativos.
Security and data controls
Retenção de dados, processamento regional e uso regulado dependem da configuração da conta e dos requisitos contratuais aplicáveis. Confirme a elegibilidade antes de processar informações regulamentadas ou sensíveis.
How Much Does the OpenAI Decisions API Cost?
A taxa padrão reportada é de $0.10 por milhão de tokens de entrada, sem cobrança por tokens de saída por meio do endpoint dedicado Decisions. Processamento regional ou multiplicadores de contexto longo podem alterar a fatura final.
| Componente | Preço do endpoint dedicado |
|---|---|
| Entrada padrão | $0.10 por 1M tokens |
| Tokens de saída | $0 |
| Leituras/gravações de cache | $0 |
| Processamento regional | Pode haver sobretaxa |
| Contexto longo | Pode haver multiplicador |
| Unidade de cobrança | Tokens de entrada |
How much can Decisions API save versus Responses API?
Compare tarefas equivalentes no mesmo modelo. O Decisions guide lista $0.10 por milhão de tokens de entrada e nenhuma cobrança por saída ou cache. A página do modelo Luna lista preço de texto Padrão de $0.10/M de entrada não em cache e $0.50/M de saída para uso geral do modelo.
Cálculo ilustrativo, não um benchmark: 1.000.000 de solicitações de texto, 500 tokens de entrada faturáveis sem cache por solicitação em cada endpoint, uma classificação por solicitação e sem sobretaxas regionais ou de contexto longo. Para Responses, use o total de tokens de saída faturados, incluindo quaisquer tokens de raciocínio faturados, em vez apenas do comprimento visível da resposta.
Nessas premissas: Decisions cost = N × I × $0.10 / 1,000,000. Responses cost = N × (I × $0.10 + O × $0.50) / 1,000,000. Savings percentage = (Responses cost − Decisions cost) / Responses cost × 100%, onde N é solicitações, I tokens de entrada/solicitação e O tokens de saída faturados/solicitação.
| Saída faturada do Responses / solicitação | Custo do Decisions / 1M solicitações | Custo do Responses / 1M solicitações | Economia estimada |
|---|---|---|---|
| 5 tokens | $50.00 | $52.50 | $2.50 (4,8%) |
| 20 tokens | $50.00 | $60.00 | $10.00 (16,7%) |
| 100 tokens | $50.00 | $100.00 | $50.00 (50,0%) |
As economias acima vêm da cobrança de saída assumida do Responses; não são um desconto fixo do endpoint. Recalcule com o uso de entrada medido, acertos de cache, gravações de cache, nível de processamento e tentativas. Taxas de entrada em cache ou Batch/Flex podem mudar o resultado. Adicione taxas de ferramentas, revisão humana e infraestrutura separadamente. Compare o custo por decisão correta aceita após verificar qualidade e latência; um rótulo curto e uma explicação mais longa são cargas de trabalho diferentes.
OpenAI Decisions API vs Responses API vs Jev and Aplomb 1
A tabela foca em serviços de decisão dedicados. Para explicações geradas, esquemas de extração personalizados ou fluxos de ferramentas, use a Responses API conforme descrito no OpenAI decision guide. Uma decisão pode selecionar um ramo de fluxo de trabalho, enquanto Responses gera conteúdo ou solicita a chamada de uma ferramenta, com o código do aplicativo realizando a execução personalizada da ferramenta.
Capabilities and pricing overview
| Dimensão | OpenAI Decisions API | Jev 1.13 | Aplomb 1 |
|---|---|---|---|
| Entradas | Texto e imagens | Texto; imagens experimentais com opt-in | Texto, JSON, imagens, vídeo e áudio |
| Preço padrão de entrada / 1M tokens | $0.10 | $0.042 | $0.02 |
| Acesso | OpenAI API hospedada | TypeSafe API hospedada | API hospedada; pesos para download sob a EmpirioLabs Model License |
| Adequação de avaliação | Roteamento, filtragem e pontuação em fluxos OpenAI | Classificação e roteamento de intenção | Decisões multimídia; implantação exigindo pesos |
Escopo de seleção: Jev e Aplomb são incluídos por suas capacidades publicadas de decisão, não como um ranking de popularidade. As especificações e preços padrão de entrada foram verificados em 16 de outubro de 2026. A TypeSafe ainda mapeia jev-latest para 1.13 e jev-preview para 1.14, então esta comparação fixa 1.13. O suporte a imagens do Jev é experimental. Os pesos do Aplomb têm licença restrita; verifique os termos para implantação comercial. Os preços de tokens publicados não são um ranking de qualidade nem uma estimativa do custo total do fluxo de trabalho.
Workflow selection
Faça uma shortlist de serviços pelos insumos necessários e opções de implantação, depois teste-os nos mesmos casos rotulados. Combine preparação de entrada, rubricas de decisão, medições de latência de ponta a ponta e políticas de revisão humana. Compare precisão de roteamento, casos perdidos, carga de revisão e custo por decisão correta aceita. Relate esses resultados juntos para que um preço de token menor ou uma resposta mais rápida não oculte erros adicionais ou custos de revisão.
How Can You Use the OpenAI Decisions API?
Step 1: Configure credentials
Crie uma chave de API e forneça-a como a variável de ambiente OPENAI_API_KEY. Nunca codifique chaves secretas em repositórios ou aplicativos front-end.
Step 2: Send a request with cURL
A solicitação a seguir segue o esquema de exemplo de choice oficial. Defina OPENAI_API_KEY antes de executá-la; uma resposta bem-sucedida contém um array answers. Os comandos de shell usam sintaxe Bash.
Encaminhar uma solicitação de suporte com 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"}
]
}
]
}'
Step 3: Integrate with Python
Instale o SDK Python necessário.
pip install --upgrade "openai>=3.26.0"
Solicitar e inspecionar uma decisão do tipo 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)
Step 4: Define an escalation rule
Aplicar um limiar de roteamento ilustrativo.
if answer.type == "choice":
if answer.choice != "other" and answer.confidence >= 0.90:
print("Eligible for automatic routing")
else:
print("Send to human review")
O limiar 0.90 é ilustrativo, não uma garantia do provedor ou um padrão recomendado oficialmente. Valide-o contra exemplos reais e risco de negócios.
How Can You Access GPT-6 Luna Through CometAPI?
Desenvolvedores podem usar a GPT-6 Luna API na CometAPI para tarefas gerais de modelo. Isso não deve ser confundido com suporte ao endpoint dedicado OpenAI Decisions, que requer verificação de compatibilidade separada.
Classificar texto via 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)
Este exemplo é uma classificação de uso geral por meio da interface de modelo compatível com CometAPI; ele não retorna a estrutura nativa de probabilidades da Decisions API nem herda seu preço somente de entrada.
What Are the Best Use Cases for the OpenAI Decisions API?
Estes são fluxos de trabalho de aplicação ilustrativos, não implantações reportadas ou resultados de benchmark. Eles usam os tipos de pergunta predicate, choice e score no guia oficial Decisions. O código do aplicativo executa as ações subsequentes.
Customer support classification
Forneça o texto do chamado, o histórico de conversas relevante e uma lista predefinida de equipes de suporte. Uma pergunta do tipo choice pode selecionar Cobrança, Suporte Técnico ou Acesso à Conta; uma pergunta separada do tipo score pode avaliar a urgência com base em uma rubrica escrita. O código do aplicativo pode atribuir a fila sugerida e enviar casos incertos ou incompletos a um revisor.
Avalie o fluxo de trabalho em chamados rotulados pela equipe de suporte, medindo a precisão de roteamento por categoria, casos urgentes perdidos, taxas de reatribuição e carga de revisão. Compare esses resultados com o processo de roteamento existente antes de expandir a implantação.
Content moderation and review queues
Forneça texto ou imagens enviados juntamente com categorias de revisão claramente definidas. Perguntas do tipo predicate podem avaliar se condições específicas aparecem no conteúdo, enquanto uma pergunta do tipo score pode priorizar a revisão conforme uma rubrica de gravidade documentada. O aplicativo pode então posicionar itens sinalizados na fila apropriada e apresentar o conteúdo relevante aos revisores; o endpoint em si não remove conteúdo nem aplica regras de plataforma.
Avalie violações perdidas, sinalizações desnecessárias, concordância entre revisores e atrasos na fila em exemplos rotulados representativos. Ajuste limiares separadamente para categorias com consequências diferentes.
E-commerce image inspection
Forneça fotografias de produtos e os critérios de inspeção relevantes ao item, como rachaduras visíveis, rasgos ou embalagem danificada. Perguntas do tipo predicate podem avaliar se cada condição aparece, e uma pergunta do tipo score pode aplicar uma rubrica de gravidade definida quando as imagens contêm evidência suficiente. O código do aplicativo pode solicitar outra fotografia ou criar uma tarefa de inspeção humana quando a evidência for pouco clara.
Avalie a precisão de detecção em itens inspecionados, incluindo danos perdidos e falsos alarmes em categorias de produtos e condições de imagem. Mantenha decisões de reembolso ou substituição no fluxo de aprovação existente do varejista.
AI-agent action gating
Forneça a ação proposta, seus argumentos, a solicitação do usuário relevante e as regras de execução escritas do aplicativo. Perguntas do tipo predicate podem avaliar se a proposta corresponde à tarefa solicitada ou requer revisão. O código do aplicativo pode usar o resultado para selecionar um ramo predefinido: continuar, solicitar esclarecimento ou escalar. Verificações de permissão independentes ainda devem determinar se a execução está autorizada; o julgamento do modelo é apenas uma entrada.
Avalie o gate com propostas de ação rotuladas, medindo ações não autorizadas perdidas, escalonamentos desnecessários e sensibilidade a contexto incompleto ou conflitante antes de conectá-lo à execução.
Document and email triage
Forneça o texto do documento ou e-mail, metadados relevantes e um conjunto fixo de categorias como fatura, solicitação de suporte, pedido de reunião ou outras. Uma pergunta do tipo choice pode selecionar a categoria, enquanto perguntas do tipo predicate podem identificar condições como falta de informações obrigatórias. O código do aplicativo pode enviar o item ao fluxo apropriado de extração, recuperação ou revisão sem pedir que o endpoint de decisão execute essas etapas posteriores.
Avalie a precisão por categoria, roteamento incorreto a jusante, volume de revisão e tempo de processamento usando registros rotulados representativos, incluindo itens ambíguos e formatos desconhecidos.
What Are the OpenAI Decisions API’s Limitations?
A API não gera conteúdo explicativo arbitrário, não executa ferramentas diretamente nem elimina a necessidade de testar previsões. Categorias ausentes e rubricas de decisão mal escritas podem produzir resultados inadequados. Valores de confiança podem ser descalibrados; automação de alto risco ainda precisa de salvaguardas, revisão humana e lógica de autorização.
Conclusion
A Decisions API é promissora para julgamentos delimitados em alto volume porque combina saídas de probabilidade tipadas com um modelo simplificado de precificação por tokens. As equipes devem compará-la com Structured Outputs e modelos de decisão alternativos usando os mesmos casos rotulados, medições de latência e custos completos de fluxo de trabalho. A oportunidade central é identificar etapas em um aplicativo de IA que precisam de uma escolha em vez de prosa gerada.
FAQs
How should OpenAI Decisions API refusals be handled?
Trate uma recusa como um resultado de fluxo de trabalho separado. Verifique answer.type antes de ler campos de choice, score ou probability. Registre o nome da pergunta e encaminhe a solicitação para um caminho de revisão ou recuperação; nunca interprete uma recusa como um predicate negativo ou uma pontuação zero.
How can Decisions API thresholds be maintained over time?
Escolha limiares em exemplos rotulados de holdout, depois monitore a precisão entre as decisões aceitas e a parcela enviada para revisão. Reavalie após alterar categorias, instruções, fontes de entrada ou comportamento do modelo. Mantenha uma rubrica versionada para que mudanças no roteamento possam ser rastreadas até a configuração que as produziu.
How should OpenAI Decisions API latency tests be reported?
Registre a data, região, identificador do modelo, contagem de perguntas, comprimento do texto, tamanho da imagem, concorrência, versão do cliente, política de repetição e configuração do endpoint de comparação. Relate p50 e p95 de ponta a ponta com contagens de amostra e resultados de qualidade, para que um ganho de velocidade não seja alcançado apenas aceitando mais erros.
How should Decisions API categories evolve without breaking integrations?
Use valores estáveis legíveis por máquina e mantenha um mapeamento explícito para filas a jusante. Adicione uma categoria de fallback e teste casos extremos históricos antes de implantar novas descrições. Se uma categoria for renomeada, atualize o mapa de roteamento e a rubrica juntos em vez de permitir que valores desconhecidos alcancem ações de produção.
What should be logged for a Decisions API routing audit?
Registre a versão da rubrica, a categoria selecionada, probabilidades ou confiança relevantes, limiar, identificador do modelo, timestamp e ação tomada. Limite o conteúdo de entrada armazenado ao que o fluxo de trabalho exige e aplique a política de retenção da organização. Um registro de auditoria deve mostrar por que a lógica do aplicativo roteou ou escalou o caso.