Tópicos desta notícia (7)
O que a OpenAI abriu em 22 de outubro
A OpenAI colocou em disponibilidade geral, nesta quinta-feira, 22 de outubro, a Decisions API. O produto roda sobre o GPT-6 Luna, usa um endpoint próprio (POST /v1/decisions) e devolve respostas tipadas — uma probabilidade, uma escolha entre opções ou uma nota — em vez de texto. Segundo o anúncio oficial, é até 10 vezes mais rápido que pedir a mesma coisa ao modelo pela Responses API.
O lançamento não é um modelo novo: é o Luna reaproveitado para um tipo de pergunta com resposta limitada. Desde o beta público, a OpenAI acrescentou integração nativa com o GPT-Live, cache de prompt para contexto repetido, residência de inferência nos Estados Unidos e na União Europeia e capacidade extra em regiões da Ásia. Cada requisição passou a aceitar até 400 perguntas, o dobro do limite anterior.
A TechCrunch situa o anúncio numa disputa nova: a startup TypeSafe, criada por um ex-pesquisador da OpenAI, chegou a valuation de US$ 7,6 bilhões com o Jev, modelo que virou referência para “superclassificadores” rápidos. O texto registra que a OpenAI correu para montar sua versão em vez de treinar um modelo específico de decisão.
Três tipos de resposta, nenhum parágrafo
O desenvolvedor define a pergunta e as respostas aceitas, envia o contexto (texto, imagem ou JSON) e recebe um destes formatos, conforme o guia oficial:
| Tipo | Para que serve | O que volta |
|---|---|---|
| Predicate | Estimar se uma condição é verdadeira, como “o produto tem avaria visível?” | Probabilidade de 0 a 1 |
| Choice | Escolher uma opção entre as que você forneceu, como continuar, repetir ou pedir esclarecimento | A opção escolhida, com probabilidades e confiança |
| Score | Avaliar um item contra níveis ordenados de uma rubrica, como gravidade de um dano | Média ponderada dos níveis, que pode cair entre dois deles |
Perguntas independentes podem ir na mesma chamada; perguntas que dependem da resposta anterior exigem requisições separadas. A própria OpenAI usa o recurso para triar cobertura de imprensa por tema e classificar descrições de transações no time de finanças pessoais.
Preço: entrada cobrada, saída gratuita
A tabela é simples, conforme o guia oficial: US$ 0,10 por milhão de tokens de entrada, US$ 0,01 por milhão quando o contexto vem do cache e nenhuma cobrança por token de saída. Prêmios de processamento regional e multiplicadores de contexto longo continuam valendo, segundo o guia.
O efeito prático é que o custo de uma decisão passa a depender só do tamanho do contexto, não do tamanho da resposta. Uma automação que faz 10 mil decisões por dia, com 500 tokens de contexto em cada uma, consome 5 milhões de tokens diários — US$ 0,50 por dia na tabela divulgada, antes de cache. Se o mesmo trecho de política ou catálogo se repete, o cache derruba a parcela reutilizada para US$ 0,01 por milhão.
A conta acima não inclui desconto por volume, porque o anúncio não publica nenhum. Também não serve para comparar com um modelo de texto: a OpenAI não divulgou, neste anúncio, o preço de saída do GPT-6 Luna para a conta lado a lado.
Quando a API de decisão faz sentido na PME
O caso natural é a decisão repetitiva e limitada: classificar um ticket por assunto, separar lead quente de lead frio, moderar um comentário, priorizar um pedido na fila ou escolher para qual time encaminhar uma solicitação. São tarefas em que a resposta certa cabe numa lista curta e o volume é o que pesa.
O trabalho que continua sendo seu é o desenho. É preciso definir a pergunta, as opções ou os níveis da rubrica, reunir exemplos rotulados e escolher o limiar de corte com base no custo de errar para cada lado — o guia recomenda exatamente isso, sem oferecer um número pronto.
Há dois casos em que a API não é a melhor ferramenta. Quando você precisa de uma explicação em texto ou de um objeto com campos livres, a Responses API com saída estruturada continua sendo o caminho. E quando uma regra determinística resolve — “pedido acima de R$ 500 vai para aprovação” —, a regra é mais barata, auditável e não muda de humor com o contexto.
O que a resposta tipada não resolve
O primeiro limite é a calibragem. A API devolve probabilidade ou nota, não a decisão final: alguém precisa definir a partir de qual valor o caso é aprovado, bloqueado ou mandado para revisão humana. Errar esse corte gera dois custos diferentes — o falso positivo que barra cliente bom e o falso negativo que deixa passar o problema.
O segundo é a ausência de justificativa. Uma nota 0,72 não explica por que aquele chamado é grave. Em processos que exigem rastreabilidade, isso empurra o uso para triagens de baixo impacto ou obriga a manter uma etapa de revisão.
O terceiro é a dependência de um único modelo: hoje só o GPT-6 Luna é suportado no endpoint. E o quarto é a régua de comparação. A TechCrunch relata que o modelo de decisão da OpenAI aparece em oitavo e décimo quarto lugar em dois índices públicos, atrás de D1 Ultra e Elephant-1, enquanto o Jev, da TypeSafe, é o mais consultado no OpenRouter. O próprio CEO da TypeSafe desconfia de benchmark e recomenda testar na própria carga de trabalho — conselho que vale para os dois lados.
No Brasil, entra ainda a camada de dados. Decisão automatizada que afeta interesses de uma pessoa — perfil de consumo, crédito, trabalho — dá ao titular o direito de pedir revisão, conforme o art. 20 da LGPD. O guia trata de residência de dados nos Estados Unidos e na União Europeia, não de Brasil; quem for usar o recurso para decidir sobre pessoas precisa de base legal, critério documentado e caminho de revisão humana.
Fontes
- OpenAI — Build more responsive apps with the Decisions API (22/10/2026): anúncio oficial, tipos de resposta, preço e novidades do beta.
- OpenAI Developers — Decisions (22/10/2026): endpoint, formato das perguntas, limiares e disponibilidade.
- TechCrunch — OpenAI makes its Jev competitor widely available (22/10/2026): concorrência, benchmarks e casos de clientes.
- Planalto — Lei 13.709/2018 (LGPD): direito de revisão de decisões automatizadas.
Fechamento
A Decisions API reduz o custo de uma decisão a uma fração do que custa uma resposta em texto, mas não decide nada sozinha: alguém define a pergunta, as opções e o limiar. Para a PME, o ganho real está nas tarefas repetitivas de classificação e roteamento; o risco está em tratar a probabilidade devolvida como veredito.
O caminho prudente é escolher uma decisão recorrente, rodar em paralelo com o processo atual por algumas semanas, comparar acertos e erros e só então apertar o limiar. Se a sua empresa quer desenhar esse tipo de automação com critério de aceitação definido, veja como a Canis trabalha automação e inteligência artificial aplicada a operações.
