OpenAI анонсировала Decisions API для контроля действий ИИ-агентов
OpenAI представила Decisions API на Dev Day: новый интерфейс позволяет модели Luna выбирать из заранее заданных вариантов, например категорию изображения или поведение ИИ-агента. Генеральный директор Сэм Альтман заявил, что такой подход должен ускорить работу при сохранении понимания изображений, поддержки языков и механизмов безопасности.
По описанию продукт напоминает Jev, который TypeSafe AI выпустила ранее для автоматизации программных задач. Разработчик передаёт модели набор вариантов, а в ответ получает вероятности выбора. Это отличается от обычной текстовой генерации: системе не нужно формулировать развёрнутый ответ, когда требуется быстро принять решение из ограниченного списка.
Зачем нужен отдельный слой решений
TypeSafe называет этот подход совместимым с «Системой 1» — быстрым, интуитивным принятием решений, в противоположность более медленному рассуждению «Системы 2». Глава компании Диогу Алмейда, ранее работавший в OpenAI, публично пошутил о начале «войн клонов» и связал интерес OpenAI с перспективой таких систем.
Появление Decisions API происходит на фоне расширения конкуренции между поставщиками корпоративных ИИ-платформ: конкуренция Microsoft, OpenAI и Anthropic на корпоративном рынке показывает, что выбор модели и инфраструктуры становится частью стратегии компаний, а не только вопросом качества генерации.
Сходство продуктов пока нельзя оценить точно. OpenAI открыла Decisions API в ограниченном превью, и независимых испытаний сервиса ещё не появилось. При этом Jev-подобные API выпускают и другие стартапы. Для таких инструментов важны не только скорость и цена, но и калибровка вероятностей: они должны соответствовать реальным рискам и результатам действий.
Контроль агентов как возможное применение
Одной из практических задач может стать наблюдение за ИИ-агентами. После ряда инцидентов с действиями агентов в открытом интернете OpenAI добавила отдельную модель, которая отслеживает нежелательные действия, однако это требует значительных вычислительных затрат.
Основатель стартапа QueryStory Шапор Нагибзаде продемонстрировал на хакатоне схему с Jev: модель сверяет каждое действие агента с поставленной задачей, блокирует действия с высокой уверенностью в их нежелательности, отмечает спорные для проверки и пропускает остальные. По его оценке, такой мониторинг стоил $2,94 при использовании Jev против $372 при использовании передовой LLM.
Для бизнеса вывод заключается не в замене универсальных моделей, а в разделении ролей. Дорогая LLM может выполнять сложную работу, а быстрый классификатор — проверять каждое действие агента по фиксированным правилам и вариантам. Однако перед внедрением потребуется проверить качество решений на собственных сценариях, поскольку Decisions API пока находится на стадии ограниченного доступа.