Das Rennen um System One
Jev vs OpenAI Decisions API
Die Decisions API von OpenAI betritt dieselbe schnelle Kategorie mit geschlossenen Antwortoptionen, die Jev bekannt gemacht hat. Beide wählen eine Antwort, mit der dein Code weiterarbeiten kann. Die wichtigen Unterschiede liegen in der Definition der Fragen, der Bedeutung des Konfidenzwerts und dem akzeptierten Kontext.
Öffentliche Berichte beschreiben die Decisions API als begrenzte Preview auf Basis von GPT-6 Luna. Details können sich ändern, sobald OpenAI weitere Preview-Dokumentation veröffentlicht. Diese Seite trennt berichtete Fakten vom aktuellen Jev-API-Vertrag.
Update zur Verfügbarkeit
Die OpenAI Decisions API ist noch nicht öffentlich verfügbar
Die Funktion ist noch nicht allgemein zugänglich. Du kannst den Entscheidungs-Workflow hier kennenlernen, aber die API lässt sich derzeit noch nicht über die öffentliche OpenAI-Plattform aufrufen.
Warum diese Kategorie entsteht
Der fehlende Schritt zwischen Modellausgabe und Anwendung
Ein allgemeines Modell erklärt Möglichkeiten. Ein Entscheidungsmodell ist nützlich, wenn deine Software die erlaubten Aktionen bereits kennt und schnell einen belastbaren Pfad wählen muss.
Eine Antwort statt eines Absatzes
Ein Router sollte billing, sales oder support erhalten – keinen Absatz, den ein weiterer Parser lesen muss. Die Entscheidungsschicht macht den Aktionsraum explizit und hält die Antwort klein.
Die Grenze explizit machen
Entwickler definieren die Frage und die gültigen Antworten. Dadurch lassen sich nachgelagerter Code, Logging und Tests besser typisieren und Ergebnisse außerhalb der Policy ablehnen.
Die Kontrollschleife schnell halten
Ein Agent kann ein stärkeres Modell für die Planung nutzen und kleine Entscheidungen wie Routing, Freigabe, Eskalation oder die Auswahl des nächsten Tools an ein schnelles Entscheidungsmodell übergeben.
Auf einen Blick
Dasselbe Ziel: eine Entscheidung für deinen Code
Die APIs liegen nah beieinander, machen aber unterschiedliche Versprechen. Hier ist das aktuelle öffentliche Bild mit gekennzeichneten Preview-Angaben.
Engine
Ein dediziertes, nicht-konversationelles Entscheidungsmodell.
Laut DevDay-Berichten eine spezialisierte Version von GPT-6 Luna.
Hauptaufgabe
Begrenzte Klassifikationen, Scores oder Ja/Nein-Urteile liefern, auf die Anwendungscode reagieren kann.
Eine schnelle Auswahl aus vom Entwickler definierten Antworten für Klassifikation, Routing oder den nächsten Agent-Schritt treffen.
Eingabe
Textzustand: String, JSON-Objekt oder Textarray.
Kontext als Text oder Bild.
Antwortenraum
Choice unterstützt bis zu 255 Optionen; Score und Noul bilden weitere typische Entscheidungsformen ab.
Eine endliche Menge vordefinierter Antworten; das öffentliche Limit wurde in der Preview-Berichterstattung nicht genannt.
Fragenvertrag
Noul-, Choice- und Score-Fragen; mehrere benannte Fragen können parallel laufen.
Eine Frage mit einer geschlossenen Liste vordefinierter Antworten; das vollständige öffentliche Request-Schema entwickelt sich noch.
Ausgabe
Typisierte Antworten mit Wahrscheinlichkeiten und Konfidenzsignalen passend zum Fragentyp.
Die ausgewählte Antwort mit einem Konfidenzwert.
Konfidenz
Jev beschreibt kalibrierte Wahrscheinlichkeits- und Konfidenzsignale für seine Entscheidungen.
Die aktuelle Berichterstattung beschreibt einen vom Modell erzeugten Wert; unabhängige Kalibrierungsdetails sind noch nicht öffentlich.
Geschwindigkeit
Für schnelle, wiederholte Entscheidungen ausgelegt; Benchmarks hängen von Workload und Vergleichsbasis ab.
Berichte nennen 150 ms Antwortzeit und ungefähr die zehnfache Geschwindigkeit der normalen GPT-6-Luna-Nutzung.
Preis
Die aktuellen Jev-Materialien beschreiben nutzungsbasierte Abrechnung; Plan und Workload sollten für den Einsatz geprüft werden.
In der Berichterstattung zur begrenzten Preview wurde noch kein Preis veröffentlicht.
Verfügbarkeit
Öffentliche API und Playground.
Zum Zeitpunkt der DevDay-2026-Berichte eine begrenzte Preview auf Einladung.
Die Zahlen zur Decisions API stammen aus Berichten aus der Preview-Zeit rund um den DevDay 2026. Verwende sie als Ausgangspunkt für eigene Tests, nicht als allgemeines Leistungsversprechen.
Eine Routing-Aufgabe, zwei Verträge
Die Form der Frage ist entscheidend
Beide Systeme können ein Billing-Ticket routen. Bei Jev ist der Fragentyp Teil des API-Vertrags; die öffentliche Beschreibung der Decisions API lautet Kontext plus begrenzte Antwortmenge.
Jev: benannte typisierte Fragen
Choice wählt ein Team, während Noul fragt, ob ein Mensch den Fall prüfen soll.
{
"model": "jev-latest",
"state": "I was charged twice and need a refund.",
"questions": {
"team": {
"type": "choice",
"instructions": "Which team should handle this?",
"criteria": {
"billing": "Payments and refunds",
"technical": "Product issues",
"other": "None of the above"
}
},
"needs_review": {
"type": "noul",
"instructions": "Does this need human review?"
}
}
}Decisions API: Kontext + erlaubte Antworten
Eine konzeptionelle Form aus den öffentlichen Beschreibungen – kein garantiertes SDK-Request-Format.
{
"context": "I was charged twice and need a refund.",
"question": "Which team should handle this?",
"answers": ["billing", "technical", "other"]
}Das Beispiel für die Decisions API bleibt bewusst konzeptionell, weil die Berichte ein Preview-Produkt ohne vollständiges, stabiles Request-Schema beschreiben.
Ein praktisches Agent-Muster
Ein Entscheidungsmodell ist ein schnelles Gate, nicht der ganze Agent
Die sinnvolle Architektur ist nicht Modell gegen Modell, sondern Arbeitsteilung: Offenes Reasoning strukturiert die Aufgabe, ein Entscheidungsmodell bearbeitet einen begrenzten Zweig und dein Code behält die Ausführungsfreigabe.
01
Die Aufgabe rahmen
Nutze ein LLM oder einen Agenten, um die offene Anfrage zu verstehen, Tools zu sammeln und einen kompakten Entscheidungskontext zu erstellen.
02
Relevanten Zustand übergeben
Übergebe nur den Text- oder Bildkontext für die nächste Entscheidung, statt eine komplette Unterhaltung oder Tool-Spur zu wiederholen.
03
Eine begrenzte Frage stellen
Definiere erlaubte Ergebnisse wie Route, Freigabe, Blockierung, Score oder nächsten Schritt und erhalte den Zweig, den dein Code erwartet.
04
Die Aktion erzwingen
Wende Schwellenwerte, Berechtigungen, Rate Limits und menschliche Freigaben in deterministischem Code an, bevor du buchst, zahlst, sendest oder Daten änderst.
Das Muster eignet sich auch für Tool-Auswahl: Der Orchestrator bestimmt das Ziel des Agenten, während ein schneller Entscheidungsaufruf den nächsten begrenzten Schritt auswählt.
Wann passt welches Modell?
Jev für begrenzte Entscheidungen wählen
Nutze Jev für wiederkehrende, klar abgegrenzte Entscheidungen, mehrere Fragetypen in einem Request oder Wahrscheinlichkeitssignale als Teil des Ausgabe-Vertrags.
Die Decisions API beobachten, wenn
Du Text- oder Bildkontext brauchst, im OpenAI-Ökosystem bleiben möchtest und die Preview-Verfügbarkeit während der Weiterentwicklung des Vertrags akzeptieren kannst.
Einen Zwei-Modell-Workflow nutzen
Lass ein allgemeines Modell Informationen erklären oder umformen und nutze danach ein Entscheidungsmodell für ein enges Gate wie Routing, Freigabe, Bewertung oder Eskalation.
Ein Konfidenzwert ist keine Sicherheitsgarantie. Bewerte beide Ansätze mit gelabelten Fällen, setze Schwellenwerte nach Fehlerkosten und behalte bei folgenreichen Aktionen deterministische Policy-Prüfungen oder menschliche Kontrolle.
Vor dem Produktionseinsatz
Was du testen solltest, bevor eine Entscheidung eine Aktion auslöst
Schnelle Antworten sind nur nützlich, wenn die Grenze messbar ist. Halte den Modellaufruf klein, aber mache Evaluierung und Policy-Schicht explizit.
Gelabelten Datensatz erstellen
Miss Routing-Genauigkeit, falsche Freigaben, falsche Eskalationen und Enthaltungen an echten Beispielen – nicht nur an sauberen Demo-Prompts.
Den Score prüfen
Ein Konfidenzwert ist nicht automatisch eine kalibrierte Wahrscheinlichkeit. Vergleiche Score-Bereiche mit beobachteten Ergebnissen, bevor du Business-Schwellenwerte setzt.
Feindliche Eingaben testen
Prüfe Zahlen, Datumsangaben, mehrdeutige Anweisungen, Prompt Injection, fehlerhaften Zustand und Eingaben, die einen selbstsicheren falschen Zweig auslösen.
Sicheren Fallback behalten
Pausiere bei unsicheren oder folgenreichen Fällen, fordere eine menschliche Prüfung an oder übergib den Fall an einen allgemeinen Workflow, statt eine Wahl zu erzwingen.