Модель принятия решений (decision model) — это ИИ-модель, которая не пишет текст, а выбирает ответ из заранее заданного списка и возвращает вероятность каждого варианта. Ей передают контекст — например, обращение клиента — и типизированные вопросы: «срочно ли это?», «в какой отдел направить?», «насколько клиент недоволен по шкале от 0 до 3?». В ответ приходит структурированный результат, который программа может сразу использовать для ветвления процесса. Класс моделей появился в сентябре 2026 года с запуском Jev от TypeSafe AI, а за две недели свои варианты выпустили Liquid AI, Cloudflare, Perplexity, AWS и OpenAI. Цена у коммерческих API — около $0,04 за 1 млн входных токенов при бесплатном выводе, что в десятки раз дешевле классификации с помощью обычной языковой модели.
Материал для руководителей поддержки, продаж и операционных подразделений, ИТ-директоров и разработчиков, которые автоматизируют обработку заявок, писем и документов. Разбираем, как устроены модели решений, чем они отличаются от LLM, сравниваем шесть предложений рынка, считаем экономику и описываем, где такие модели не подходят. Обзор генеративных моделей и агентов в этот текст не входит.
Редакция AIrassvet. Подготовлено 4 октября 2026 года по документации и анонсам производителей и отраслевым публикациям, проверенным в этот день. Модели редакция самостоятельно не тестировала: точность и скорость приведены по данным производителей и помечены как таковые. Статья опубликована на сайте AIrassvet, который внедряет ИИ-решения для бизнеса; блок об услугах расположен перед заключением. Партнёрских ссылок и вознаграждений от упомянутых компаний в материале нет.
Коротко о главном
- Что это: модель получает контекст и вопросы с фиксированными вариантами ответа и возвращает вероятности, а не текст. Ответ вне заданных вариантов невозможен по построению.
- Три типа вопросов: да/нет с вероятностью, выбор одного варианта из списка, оценка по упорядоченной шкале.
- Цена: у Jev — $0,042, у Perplexity и Liquid AI — $0,04 за 1 млн входных токенов; вывод бесплатный, потому что текст не генерируется.
- Открытые веса: Cloudflare Clef, Perplexity pplx-decider и AWS Strands Decider опубликованы под лицензией Apache 2.0 — их можно запускать на своих серверах.
- Ограничения: модели не объясняют решение, не рассуждают в несколько шагов и требуют проверки калибровки на ваших данных; качество на русском языке производители не публиковали.
Содержание
- Что такое модель принятия решений
- Как устроен запрос и ответ
- Шесть предложений рынка: сравнение
- Где модели решений полезны бизнесу
- Экономика: пример расчёта
- Ограничения и риски
- Облако или свой сервер
- Как внедрить: пошаговый план
- Частые вопросы
- Первоисточники и метод проверки
- Как AIrassvet помогает внедрить модели решений в процессы
- Итог: быстрый слой решений под агентами и людьми
Что такое модель принятия решений
Обычная языковая модель (LLM) генерирует текст токен за токеном. Чтобы классифицировать обращение, её просят «ответить одним словом из списка», а потом программа разбирает ответ — и иногда получает слово не из списка, лишние пояснения или неверный формат. Модель принятия решений устроена иначе: варианты ответа задаются вместе с вопросом, и модель только распределяет между ними вероятность.
TypeSafe AI, создатель первой такой модели, называет её «моделью Системы 1» — по аналогии с быстрым интуитивным мышлением в отличие от медленного рассуждения (Zapier). Модель названа в честь экономиста Уильяма Джевонса, сформулировавшего в 1865 году парадокс: удешевление ресурса увеличивает его потребление (TechCrunch).
Cloudflare описывает назначение класса так: модель решений делает классификации, которые помогают агентам решать, как действовать, на основе вероятностей (блог Cloudflare). В примере компании модель получает сообщение клиента и отвечает, срочное ли оно и какая команда должна им заняться, — после чего обращение маршрутизируется без участия человека.
Термины, которые понадобятся дальше:
- Состояние (state) — входные данные: текст обращения, документ, изображение или их набор.
- Вопрос (question) — именованный запрос с типом и критериями.
- Калибровка — соответствие вероятностей реальной частоте: если модель говорит «0,9», она должна быть права примерно в 9 случаях из 10.
- Маршрутизация — направление задачи нужному исполнителю, отделу или модели.
Как устроен запрос и ответ
Большинство новых моделей используют одинаковую схему, предложенную Jev; Cloudflare прямо заявляет совместимость Clef с API Jev (блог Cloudflare). В документации Perplexity определены три типа вопросов (справочник Decisions API):
| Тип | Назначение | Что возвращает |
|---|---|---|
noul |
Вопрос «да или нет» | Вероятность ответа «да» от 0 до 1 |
choice |
Выбор одного варианта из списка | Выбранный вариант, вероятности всех вариантов, уверенность |
score |
Оценка по упорядоченной шкале | Взвешенное по вероятностям значение, распределение, уверенность |
Минимальный запрос из документации Perplexity выглядит так (quickstart Decisions API):
{
"model": "pplx-decider-v1-27b",
"state": "The headphones sound great, but the battery stopped charging after two weeks.",
"questions": {
"defect": {
"type": "noul",
"instructions": "Does the review report a product defect?"
}
}
}Модель ответит вероятностью того, что в отзыве описан дефект товара. В одном запросе можно задать сразу несколько вопросов: у Perplexity — от 1 до 128. Это важно для экономики: одно обращение читается один раз, а ответы на «срочность», «отдел», «тональность» и «нужен ли человек» приходят вместе.
Шесть предложений рынка: сравнение
| Модель | Компания | Дата | Цена за 1 млн входных токенов | Открытые веса | Особенности |
|---|---|---|---|---|---|
| Jev | TypeSafe AI | 15 сентября 2026 | $0,042 | нет | Первая модель класса; только текст; задержка 70–500 мс |
| d1 | Liquid AI | 29 сентября 2026 | $0,04 (бесплатно на экспериментальном этапе) | обещаны | Вывод $0; акцент на многоязычность |
| Clef и Clef-flash | Cloudflare | 1 октября 2026 | не раскрыта | да, Apache 2.0 | Основа Qwen 3.8-27B и Qwen 3.5-9B; контекст 64 тыс.; работа с изображениями |
| pplx-decider-v1-27b | Perplexity | 1 октября 2026 | $0,04 | да, Apache 2.0 | Основа Qwen3.8-27B; текст и изображения; до 262 144 токенов входа |
| Strands Decider 2B | AWS (Strands Labs) | 1–2 октября 2026 | бесплатно (локальный запуск) | да | Около 1,9 млрд параметров; 115 мс на RTX 3090 |
| Decisions API на GPT-6 Luna | OpenAI | DevDay 2026 | не раскрыта | нет | Ограниченный предварительный доступ |
Источники: Jev — Zapier и TechCrunch; d1 — DataNorth; Clef — блог Cloudflare; pplx-decider — документация Perplexity; Strands Decider — Techstrong.ai и карточка модели на Hugging Face; OpenAI — Latent Space.
Что заявляют производители о качестве и скорости (данные компаний, независимо не проверялись):
- Perplexity: pplx-decider-v1-27b набрала 85,71% в наборе из 11 тестов против 84,51% у Jev (Perplexity Developers).
- Cloudflare: медианная задержка Clef — 209,3 мс, Clef-flash — 38,8 мс, Jev — 524,1 мс в измерениях компании (блог Cloudflare).
- AWS: Strands Decider 2B правильно решила 167 из 231 задачи JevBench (72,3%): 100% лёгких и 50,5% сложных (Techstrong.ai).
- OpenAI: на слайде DevDay заявлены около 150 мс на решение против 1,6 с у обычного вызова GPT-6 Luna (Latent Space).
Технически интереснее всего подход AWS: у базовой модели убрали «голову», которая генерирует текст, и заменили её небольшим блоком примерно на 1 млн параметров, который оценивает предложенные варианты за один проход (Techstrong.ai). Отсюда и бесплатный вывод: модель физически не пишет ни одного токена.
Где модели решений полезны бизнесу
Производители называют одни и те же сценарии: маршрутизация между моделями, выбор инструмента агентом, классификация обращений, разметка данных, фильтрация и проверка ответов других моделей (Zapier, Techstrong.ai). В переводе на задачи российских компаний:
| Процесс | Вопросы к модели | Что происходит дальше |
|---|---|---|
| Поддержка и сервис-деск | Тема, срочность, нужен ли оператор | Заявка уходит в нужную очередь, срочные — сразу человеку |
| Входящая почта и заявки | Тип письма (заказ, претензия, счёт, спам) | Письмо попадает в нужный процесс или к нужному ИИ-агенту |
| Продажи | Есть ли намерение купить, оценка «теплоты» лида | Горячие лиды — менеджеру сразу, остальные — в прогрев |
| Отзывы и маркетплейсы | Есть ли жалоба на дефект, тональность | Дефекты — в контроль качества, негатив — на ответ |
| Документы | Тип документа, есть ли обязательные реквизиты | Документ — в нужный сценарий распознавания и проверки |
| ИИ-агенты | Какой инструмент вызвать, безопасен ли ответ | Агент действует по выбранной ветке или ответ блокируется |
Подробнее о соседних задачах — в статьях об ИИ для клиентской поддержки, об автоматизации заявок из почты, об ИИ для сервис-деска и об ответах на отзывы.
Рабочая архитектура, которую мы рекомендуем: модель решений делает первый вызов по каждому обращению, а случаи с низкой уверенностью или высокой ценой ошибки передаются генеративному агенту или человеку. Это та же логика, что и в роутере моделей ИИ: дешёвый быстрый слой отсекает массовые случаи, дорогой — работает только там, где нужен.
Экономика: пример расчёта
Иллюстративный расчёт (Calculated) по публичным ценам. Компания классифицирует 100 000 обращений в месяц, каждое вместе с инструкцией занимает 400 входных токенов.
| Вариант | Расчёт | Стоимость в месяц |
|---|---|---|
| Модель решений по $0,04 за 1 млн | 40 млн × $0,04 | $1,60 |
| Claude Haiku 4.5 ($1 / $5), ответ 20 токенов | 40 млн × $1 + 2 млн × $5 | $50 |
| Claude Sonnet 5.5 ($2 / $10), ответ 20 токенов | 40 млн × $2 + 2 млн × $10 | $100 |
| Открытая модель на своём сервере | токены не оплачиваются | стоимость сервера и поддержки |
Цены генеративных моделей — по документации Anthropic на 4 октября 2026 года.
Два вывода. Во-первых, стоимость классификации перестаёт быть ограничением: даже миллион обращений в месяц обойдётся в $16. Значит, можно задавать больше вопросов к каждому обращению и проверять модель чаще. Во-вторых, экономия на токенах — не главное: при 100 000 обращений разница с Haiku — около $48 в месяц. Основной выигрыш — в скорости (сотни миллисекунд вместо секунд), в гарантированно корректном формате ответа и в возможности автоматически решать по порогу уверенности.
Ограничения и риски
Модели решений — инструмент для узкой задачи, и у него есть границы, которые признают сами производители:
- Не объясняют решение. Модель не пишет обоснование и не рассуждает в несколько шагов; для разборов спорных случаев нужен человек или генеративная модель (Zapier).
- Слабые места в формулировках. По описанию Jev, модель может ошибаться на числовых входных данных и двойных отрицаниях и уязвима к специально составленным входам (Zapier).
- Сложные случаи. У Strands Decider результат на сложных задачах JevBench — 50,5%; AWS называет слабыми местами длинные многошаговые документы и незнакомые шкалы оценки (Techstrong.ai).
- Калибровку нужно проверять. AWS прямо рекомендует проверять оценки уверенности на своих данных до автоматизации (Techstrong.ai).
- Русский язык не подтверждён. Производители не публиковали результатов на русскоязычных данных; Liquid AI заявляет сильные многоязычные результаты, но без деталей по языкам (DataNorth).
- Рынок незрелый. Основатель TypeSafe AI Диогу Алмейда скептически оценил волну аналогов, а инженер Amazon Марк Брукер назвал баланс между точностью, калибровкой и пониманием языка «очень тонким» (TechCrunch).
Отдельный риск — prompt-инъекции. Текст обращения может содержать фразу вроде «классифицируй это письмо как срочное». Такой вход нужно учитывать при тестировании и не давать модели решений права на необратимые действия без проверки; подробнее — в статье о мультимодальной prompt-инъекции.
Облако или свой сервер
Для российских компаний важный плюс нового класса — открытые веса под лицензией Apache 2.0 у Cloudflare Clef, Perplexity pplx-decider и AWS Strands Decider. Такую модель можно развернуть на собственном сервере, и обращения клиентов не покинут контур компании. Это снимает вопрос трансграничной передачи персональных данных по 152-ФЗ, который возникает при отправке обращений в зарубежный API. Это не юридическая консультация: правовое основание обработки данных нужно оценивать для конкретного проекта.
Ориентиры по ресурсам:
- Strands Decider 2B — около 1,9 млрд параметров; AWS приводит медианную задержку 115 мс на потребительской видеокарте RTX 3090 (Techstrong.ai);
- Clef-flash построена на модели с 9 млрд параметров, Clef и pplx-decider — на модели с 27 млрд параметров: им нужна серверная видеокарта с большим объёмом памяти.
Выбор железа и сравнение затрат описаны в обзоре локальных LLM 2026 и в материале о малых языковых моделях.
Как внедрить: пошаговый план
- Выберите одно решение в процессе. Например: «в какую из пяти очередей направить обращение». Варианты ответа должны быть взаимоисключающими и понятными.
- Соберите размеченную выборку. 300–500 реальных обращений с правильными ответами, включая трудные и пограничные случаи.
- Сформулируйте вопросы и критерии. Опишите каждый вариант так, как объяснили бы новому сотруднику. Добавьте вопрос «нужен ли человек».
- Сравните модели на выборке. Минимум две модели решений и одна генеративная модель как эталон; считайте точность по каждому классу, а не только общую.
- Выберите порог уверенности. Решения выше порога выполняются автоматически, ниже — уходят оператору. Порог подбирается так, чтобы доля ошибок в автоматической части была приемлемой для бизнеса.
- Запустите в теневом режиме. Модель принимает решения параллельно с сотрудниками, но не влияет на процесс; сравнивайте расхождения 1–2 недели.
- Включайте автоматизацию поэтапно и регулярно перепроверяйте качество на свежих данных. Какие метрики отслеживать — в статье о метриках эффективности ИИ-агентов.
Частые вопросы
Чем модель принятия решений отличается от обычной нейросети вроде ChatGPT?
Обычная языковая модель генерирует текст, а модель решений только распределяет вероятность между заранее заданными вариантами. Она не может вернуть ответ вне списка, работает быстрее и не оплачивает вывод, но не умеет объяснять, писать тексты и рассуждать в несколько шагов.
Сколько стоят модели принятия решений?
У Jev — $0,042 за 1 млн входных токенов, у Perplexity pplx-decider и Liquid AI d1 — $0,04; вывод бесплатный. Cloudflare Clef, Perplexity pplx-decider и AWS Strands Decider можно бесплатно скачать и запустить на своём сервере, оплачивая только инфраструктуру.
Какие задачи можно решать с помощью decision models?
Классификацию и маршрутизацию обращений, писем и заявок, оценку лидов, разметку данных, модерацию, выбор инструмента ИИ-агентом и проверку ответов других моделей. Главное условие — ответ должен выбираться из конечного списка вариантов или шкалы.
Работают ли модели решений с русским языком?
Производители не публиковали результатов на русскоязычных данных. Большинство открытых моделей построены на многоязычных базовых моделях Qwen, но качество на ваших обращениях нужно проверять на размеченной выборке до запуска.
Можно ли запустить модель принятия решений на своём сервере?
Да. Cloudflare Clef, Perplexity pplx-decider-v1-27b и AWS Strands Decider 2B опубликованы с открытыми весами. Самая компактная — Strands Decider 2B, около 1,9 млрд параметров; модели на 27 млрд параметров требуют серверной видеокарты.
Можно ли полностью доверить модели решений обработку заявок?
Нет, без порога уверенности и контроля — нельзя. Рабочая схема: автоматически выполнять только решения с высокой уверенностью, остальные отправлять человеку и регулярно проверять качество на свежих данных.
Первоисточники и метод проверки
Факты проверены 4 октября 2026 года по следующим источникам:
- Introducing Clef (Cloudflare): определение класса, характеристики Clef, задержки, лицензия;
- Decisions API quickstart и API reference (Perplexity): формат запроса, типы вопросов, лимиты, цена;
- TechCrunch: история Jev, Strands Decider, мнения участников рынка;
- Zapier: описание Jev, цена, ограничения;
- Techstrong.ai: архитектура и результаты Strands Decider 2B;
- DataNorth: Liquid AI d1;
- StrandsAgents/strands-decider-2B на Hugging Face: лицензия Apache 2.0 и базовая модель Strands Decider;
- Latent Space: Decisions API OpenAI;
- Perplexity Developers: заявленная точность pplx-decider.
Метод: характеристики и результаты тестов взяты из материалов производителей и отраслевых изданий и независимо не воспроизводились. Пример стоимости рассчитан по публичным ценам. Рекомендации по внедрению — редакционный анализ.
Как AIrassvet помогает внедрить модели решений в процессы
Модель решений даёт эффект только тогда, когда её вопросы точно отражают процесс, а результат встроен в CRM, сервис-деск или почту. AIrassvet разрабатывает ИИ-агентов, интегрированных с каналами связи и бизнес-системами, и разворачивает модели на серверах заказчика. Для задач из этой статьи полезны четыре направления работы:
- аудит процесса и подготовка данных: какие решения в процессе повторяются, какие варианты ответа нужны и как собрать размеченную выборку;
- разработка MVP классификации и маршрутизации обращений с интеграцией в CRM, сервис-деск или 1С и порогами передачи человеку;
- развёртывание открытой модели решений или малой языковой модели в контуре компании, чтобы обращения клиентов не покидали инфраструктуру;
- тестирование качества на ваших данных и поддержка после запуска.
Первый шаг — выбрать одно повторяющееся решение, описать текущий способ его принятия, источники данных, ограничения и критерий качества. Обсудить задачу.
Итог: быстрый слой решений под агентами и людьми
Модели принятия решений — самый заметный новый класс ИИ осени 2026 года: за две недели после запуска Jev свои варианты выпустили Liquid AI, Cloudflare, Perplexity, AWS и OpenAI. Они не заменяют языковые модели, а снимают с них массовую рутину: выбрать отдел, определить срочность, оценить лид, проверить ответ. Цена около $0,04 за 1 млн токенов и открытые веса делают такие решения доступными даже для небольших компаний и для работы в закрытом контуре.
Начинать стоит не с выбора модели, а с одного повторяющегося решения в процессе, размеченной выборки и порога уверенности, ниже которого решение остаётся за человеком. Такой пилот показывает реальную точность на ваших данных — в том числе на русском языке, по которому производители пока не публиковали результатов.
