Microsoft Rilis Decision-1, Model AI untuk Pengambilan Keputusan Cepat

Microsoft memperkenalkan Microsoft-Decision-1, model kecerdasan buatan (AI) yang dirancang untuk mengambil keputusan terstruktur dengan cepat. Berbeda dari model bahasa besar atau large language model (LLM) yang banyak digunakan untuk menghasilkan teks dan menjawab pertanyaan, model ini berfokus pada pemilihan opsi, klasifikasi, serta penilaian yang dapat langsung digunakan oleh aplikasi.

Model tersebut diumumkan pada 9 Oktober 2026 melalui publikasi resmi Microsoft, Command Line. Microsoft-Decision-1 tersedia melalui Microsoft Foundry dan direncanakan hadir di OpenRouter. Pengembang dapat mengintegrasikannya ke aplikasi, workflow otomatis, dan AI agent yang membutuhkan keputusan berulang dengan latensi rendah.

Microsoft-Decision-1 dirancang untuk keputusan terstruktur

Dalam pengembangan aplikasi berbasis AI, tidak semua tugas membutuhkan model yang menghasilkan jawaban panjang. Sistem yang memproses ribuan permintaan pelanggan, misalnya, sering kali hanya perlu menentukan kategori pesan, tingkat prioritas, atau langkah yang harus dijalankan berikutnya.

Microsoft-Decision-1 dirancang untuk menangani kebutuhan tersebut. Pengembang memberikan pertanyaan beserta sejumlah opsi yang tersedia, kemudian model menghasilkan skor probabilitas untuk masing-masing opsi. Hasilnya dapat digunakan aplikasi untuk memilih tindakan sesuai aturan yang telah ditentukan.

Microsoft menyebut model ini mendukung keputusan biner seperti ya atau tidak, pilihan ganda, penilaian berbasis skala, serta evaluasi respons AI menggunakan rubrik tertentu. Format keluaran yang terstruktur memungkinkan hasilnya diproses langsung oleh software tanpa harus mengurai jawaban berbentuk paragraf.

Microsoft mengklaim Decision-1 unggul dalam kecepatan

Kecepatan menjadi salah satu fokus utama pengembangan Microsoft-Decision-1. Dalam workflow yang menjalankan banyak keputusan secara berurutan, keterlambatan kecil pada setiap tahap dapat terakumulasi dan memperpanjang waktu penyelesaian tugas.

Microsoft melaporkan bahwa Decision-1 meraih akurasi tertinggi dalam perbandingan yang mencakup 36 benchmark dengan hampir 150.000 pertanyaan. Perusahaan tersebut juga menyebut model ini menjadi yang tercepat dalam pengujian yang dilakukan, dengan waktu pemrosesan 4,5 kali lebih cepat dibandingkan Quyet-1.0-Large dan 35 kali lebih cepat dibandingkan GPT-6 Sol.

Aspek	Keterangan
Nama model	Microsoft-Decision-1
Pengembang	Microsoft
Fokus utama	Keputusan dan penilaian terstruktur
Metode keluaran	Skor probabilitas untuk opsi yang tersedia
Platform	Microsoft Foundry
Harga input	0,042 dollar AS per satu juta token
Harga output	Gratis menurut pengumuman Microsoft

Angka tersebut merupakan hasil pengujian yang dilaporkan Microsoft, bukan jaminan bahwa model akan memiliki performa yang sama pada setiap aplikasi. Kecepatan dan akurasi dalam penggunaan nyata dapat berbeda bergantung pada jenis tugas, konfigurasi, serta lingkungan pengujian.

Model ini dibangun dari Qwen3.5-9B

Microsoft menjelaskan bahwa Decision-1 dikembangkan melalui proses post-training terhadap Qwen3.5-9B untuk mengoptimalkan penilaian keputusan dalam satu kali proses inferensi. Pendekatan tersebut ditujukan untuk menghasilkan keputusan secara efisien tanpa memerlukan proses penalaran panjang seperti yang biasa digunakan pada sejumlah model AI umum.

Microsoft juga menyatakan berencana mengembangkan basis model berikutnya menggunakan model lain, termasuk Microsoft AI (MAI) dan OpenAI. Rencana tersebut menunjukkan bahwa Decision-1 diposisikan sebagai pendekatan pengembangan model keputusan yang dapat diterapkan pada basis model berbeda.

Selain kecepatan, Microsoft menguji konsistensi hasil ketika instruksi diubah susunan katanya, opsi jawaban ditukar urutannya, atau format masukan mengalami perubahan kecil. Dalam pengujian perturbasi yang dijelaskan perusahaan, keputusan model berubah rata-rata pada 1,3 persen variasi masukan. Microsoft juga melaporkan tidak ada perubahan keputusan ketika deskripsi opsi diparafrasekan atau urutan opsi dibalik maupun diacak dalam pengujian tersebut.

AI agent dapat menggunakan Decision-1 untuk menentukan tindakan

Salah satu penggunaan yang disorot Microsoft adalah pengendalian AI agent. Sistem berbasis agent tidak hanya menghasilkan jawaban, tetapi juga dapat memanggil alat, membaca data, menjalankan tugas, dan menentukan langkah berikutnya berdasarkan hasil yang diperoleh.

Dalam workflow semacam itu, Decision-1 dapat digunakan untuk menilai apakah agent perlu melanjutkan tugas, mengulangi proses, menghentikan eksekusi, atau menyerahkan pekerjaan kepada manusia. Model ini juga dapat membantu menentukan model AI yang sesuai berdasarkan kebutuhan kualitas, biaya, dan kecepatan.

Microsoft turut menyebut penggunaan untuk klasifikasi umpan balik pelanggan, penentuan prioritas insiden, pemeriksaan kualitas respons AI, validasi data, penilaian relevansi hasil pencarian, serta penyaringan konten. Dalam setiap kasus, pengembang menentukan opsi dan kriteria keputusan yang dapat dipilih model.

Microsoft menguji model untuk kebutuhan internal

Microsoft juga memaparkan sejumlah eksperimen internal yang menggunakan Decision-1. Tim Xbox Research, misalnya, memanfaatkan model tersebut untuk mengelompokkan lebih dari 10.000 masukan dan ulasan terkait permainan dari survei, Steam, serta media sosial berdasarkan tema yang telah ditentukan.

Menurut Microsoft, kualitas hasil pengelompokan tersebut kompetitif dibandingkan GPT-6 Sol, dengan pemrosesan lebih dari 14 kali lebih cepat dan biaya 200 kali lebih rendah. Tim Copilot juga menguji model untuk menilai kualitas respons AI, sedangkan tim penanganan insiden menggunakannya untuk membantu mengarahkan pencarian informasi dari log, tiket, percakapan, dan sumber internal lainnya.

Dalam eksperimen Microsoft Discovery, Decision-1 digunakan untuk menilai hasil eksperimen ilmiah dan membantu proses perencanaan ulang secara adaptif. Microsoft melaporkan peningkatan konsistensi penilaian dibandingkan pendekatan berbasis LLM yang digunakan sebagai pembanding.

Hasil-hasil tersebut menunjukkan potensi penggunaan model keputusan dalam sistem internal perusahaan. Namun, angka performa yang dilaporkan tetap perlu dipahami dalam konteks metode dan skenario pengujian masing-masing.

Harga rendah menjadi salah satu daya tarik

Dalam pengumumannya, Microsoft menetapkan harga input Decision-1 sebesar 0,042 dollar AS per satu juta token, sementara token output tidak dikenakan biaya. Struktur harga ini ditujukan untuk membuat penggunaan model keputusan lebih ekonomis, terutama ketika aplikasi perlu melakukan banyak penilaian dalam satu alur kerja.

Biaya pemrosesan menjadi pertimbangan penting bagi pengembang AI agent. Sebuah agent dapat memerlukan keputusan pada banyak tahap, mulai dari menentukan tujuan, memilih alat, memvalidasi hasil, hingga memutuskan apakah tugas sudah selesai. Jika setiap tahap menggunakan model berbiaya tinggi, pengeluaran dapat meningkat seiring bertambahnya volume permintaan.

Meski demikian, biaya model bukan satu-satunya komponen pengeluaran. Pengembang tetap perlu memperhitungkan biaya layanan pendukung, penyimpanan, infrastruktur, serta model lain yang mungkin digunakan dalam workflow.

Model keputusan tetap membutuhkan pengujian

Walaupun dirancang untuk memberikan skor probabilitas, keluaran model tidak otomatis menjamin bahwa sebuah keputusan benar. Nilai keyakinan yang tinggi perlu dievaluasi terhadap data dan skenario penggunaan yang relevan sebelum dijadikan dasar tindakan otomatis.

Untuk penggunaan yang berisiko tinggi, pengembang sebaiknya menetapkan ambang kepercayaan, mekanisme pemeriksaan tambahan, dan jalur eskalasi kepada manusia. Pengujian juga perlu mencakup masukan yang tidak biasa, perubahan format, potensi prompt injection, serta kasus ketika seluruh opsi yang tersedia tidak sesuai dengan kondisi sebenarnya.

Kehadiran Microsoft-Decision-1 memperlihatkan bahwa pengembangan AI tidak hanya berfokus pada model yang mampu menghasilkan teks lebih baik. Model khusus untuk klasifikasi dan pengambilan keputusan juga memiliki peran dalam membangun sistem otomatis yang lebih cepat dan efisien, selama hasilnya tetap diuji sesuai kebutuhan aplikasi.