Microsoft-Decision-1: o fim da IA que tenta ser tudo

A Microsoft anunciou nesta semana o Microsoft-Decision-1, um modelo de inteligência artificial projetado para uma coisa só: tomar decisões. Nada de gerar texto fluido, nada de raciocínio aberto — apenas classificação, roteamento, verificação e scoring de opções pré-definidas, tudo em milissegundos. A proposta é ambiciosa e revela uma mudança de mentalidade que já vinha se desenhando: a ideia de que não se deve usar um modelo generativo pesado para cada etapa de um pipeline de IA.

O modelo está disponível em preview público no Microsoft Foundry e será disponibilizado também via OpenRouter. Construído com base no Qwen3.5-9B — um modelo de pesos abertos do laboratório chinês Qwen (da Alibaba Cloud) — ele passou por pós-treinamento focado exclusivamente em scoring probabilístico. A Microsoft promete que a próxima versão será rebasada nos próprios modelos da empresa, o Microsoft AI (MAI), e inclusive em modelos da OpenAI, o que sinaliza uma estratégia de longo prazo independente de qualquer base estrangeira.

O que é um "modelo de decisão"

A categoria é nova e a própria Microsoft reconhece isso. Em um post no blog, Achint Srivastava, VP de Engenharia de Software no Escritório do CTO da empresa, descreveu os modelos de decisão como uma classe distinta de sistemas de IA, posicionados entre os LLMs generativos e as regras programáticas rígidas. Eles não geram texto; retornam, para cada opção possível, uma probabilidade calibrada — um número que o software consome diretamente.

Os casos de uso mapeados são práticos e repetitivos:

- Roteamento de suporte: classificar tickets, selecionar a equipe correta e pontuar prioridade - Análise de intenção: identificar a intenção por trás de uma consulta do usuário - Rótulos de dados: atribuir rótulos consistentes para posts, feedback e outros dados - Julgamento de IA: avaliar se uma resposta gerada atende a critérios de qualidade - Verificação de segurança: detectar tentativas de jailbreak e injeção de prompt sem bloquear solicitações inocentes

O diferencial técnico é simples mas poderoso: em vez de pedir para um LLM como GPT-6 resolver um problema de classificação com prompt engineering — o que pode custar centavos por chamada e demorar segundos —, o modelo de decisão responde em milissegundos com um JSON contendo probabilidades calibradas. A economia de latência e custo é o que motiva a adoção.

Benchmarking: velocidade e precisão

A Microsoft mediu o Decision-1 em 36 benchmarks, abrangendo quase 150 mil perguntas, com dados mantidos em segredo durante o treinamento. O resultado: a maior precisão registrada. Em velocidade, foi 2,5 vezes mais rápido que o H2O-Lightning-4B v1.1 (o vice-campeão) e 35 vezes mais rápido que o GPT-6 Sol (o modelo generativo da OpenAI rodando em modo decision).

Mas a história é mais matizada quando se olha para benchmarks independentes. O H2O-Lightning-4B, por exemplo, lidera o JevBench Composite Score entre 104 sistemas de pesos abertos, com pontuação de 90 em calibração, 92,6 em velocidade, 60 em inteligência e 60 em classificação. A Microsoft não publicou os dados brutos do JevBench — apenas seu benchmark interno — o que levanta a questão habitual: quem controla a medição controla a narrativa.

O que é inegável é que a categoria inteira está crescendo rapidamente. Em menos de um mês, a OpenAI lançou sua Decisions API em beta público, a TypeSafe apresentou o Jev (modelo de decisão de propósito geral), e a H2O.ai tem o Lightning-4B. Todas as bases, curiosamente, partem de modelos Qwen — o que levanta dúvidas sobre quão "inovadora" é realmente a base tecnológica dessas startups e empresas.

Por que isso importa: a arquitetura modular da IA

A ideia de usar diferentes modelos para tarefas diferentes não é nova — microservices são assim há décadas. O que é novo é aplicar essa filosofia à arquitetura da IA. Em vez de um único LLM gigantesco fazer tudo (gerar texto, classificar, decidir, rolar, verificar), a Microsoft propõe um ecossistema onde geração, raciocínio e decisão são blocos complementares, e cada um é escolhido pelo que faz de melhor.

Isso se encaixa perfeitamente na onda de agentes autônomos. Um agente de IA que interage com sistemas do mundo real (cobrar um pagamento, encaminhar um ticket, aprovar um empréstimo) não pode depender exclusivamente de um LLM para cada decisão — o custo seria proibitivo e a latência inaceitável. Um modelo de decisão, que custa frações de centavo por chamada e retorna em milissegundos, é o componente perfeito para essa camada de controle.

A Microsoft já está testando internamente o Decision-1 em cinco cenários:

1. Descoberta científica: labeling de dados, julgamento de IA e análise de intenção 2. Relevância de busca: avaliação de relevância de resultados de busca 3. Classificação de conteúdo: categorização por tópico ou política 4. Verificação de código: avaliação contra critérios definidos 5. Roteamento de incidentes: triagem automática por severidade

O paradoxo do modelo chinês

Um detalhe interessante: o Decision-1 é construído sobre o Qwen3.5-9B, da Alibaba Cloud, empresa chinesa. A Microsoft diz que vai rebasear nos próximos meses em MAI e OpenAI, mas a razão para essa decisão não foi divulgada. Possíveis motivações: o Qwen é open-weight (custo zero de licenciamento), já tem boa performance em classificação, e permite prototipagem rápida. Mas a dependência de um modelo chinês em um produto de IA corporativa também levanta questões geopolíticas — mesmo que a Microsoft alegue que os dados de treinamento são "sujeitos ao processo de Open Data da Microsoft".

O que observar

A categoria "modelos de decisão" provavelmente vai se expandir nos próximos meses. A pergunta que fica não é se vai crescer — o mercado já mostra que vai — mas quem vai ditar o padrão. A OpenAI com a Decisions API? A Microsoft com o Decision-1? Ou modelos open-source como o H2O-Lightning? E, mais importante: será que essa nova classe de modelos vai realmente eliminar os custos de decisão, ou apenas transferi-los para outra camada do stack?

Fontes: The Register, The Verge, Microsoft Command Line

✓ Fontes independentes cruzadas e verificadas antes da publicação