AI leert nu beslissen — wat betekenen decision models?

TL;DR

• Wat: Drie grote spelers (Jev, OpenAI en Microsoft) lanceerden binnen een maand AI-modellen die niet praten, maar gestructureerde beslissingen nemen — zoals routeren, classificeren en goedkeuren.
• Waarom relevant: Als ondernemer gebruik je straks AI die zelfstandig keuzes maakt in je bedrijfsprocessen, niet alleen tekst genereert.
• Wat je ermee kunt: Inventariseer welke beslissingen in je bedrijf repetitief en regelgebonden zijn — dat zijn de plekken waar deze technologie als eerste landt.

Ik stuitte op een bericht van @SiftByte dat me aan het denken zette. De strekking: AI heeft jarenlang geleerd om te praten, en leert nu om te beslissen. Binnen één maand tijd lanceerden drie partijen een product in dezelfde nieuwe categorie. Dat is op z'n minst opvallend, en ik denk dat het de moeite waard is om uit te zoeken wat dit precies inhoudt.

Wat zijn decision models?

De meeste AI die je kent — ChatGPT, Claude, Gemini — zijn taalmodellen. Je stelt een vraag, je krijgt een lap tekst terug. Decision models werken fundamenteel anders. Je geeft ze een situatie en een beperkte set opties, en ze geven per optie een waarschijnlijkheidsscore terug. Geen verhaal, geen uitleg, gewoon: "optie B, 94% zeker."

Denk aan het verschil tussen een adviseur die een heel betoog houdt versus iemand die zegt: "Kies deze, en hier is hoe zeker ik ervan ben." Dat tweede is wat deze modellen doen.

Concreet gaat het om drie producten die in september en oktober 2026 zijn verschenen:

Jev (TypeSafe AI)

Gelanceerd op 15 september 2026 na twee jaar stille ontwikkeling. Het model is gebouwd door TypeSafe AI, opgericht door Diogo Almeida, die eerder bij OpenAI werkte aan reinforcement learning. Jev verwerkt een stuk context — een ticket, een logbestand, een klantgesprek — en beantwoordt daar vooraf gedefinieerde vragen over. Bijvoorbeeld: "Is dit een klacht of een compliment?" of "Score de urgentie van 1 tot 5." De prijs is opvallend laag: $0,042 per miljoen invoertokens, met gratis output. De fabrikant meldt responstijden van 70 tot 500 milliseconden.

OpenAI Decisions API

Aangekondigd op DevDay, 29 september 2026. Gebouwd op een gespecialiseerde versie van GPT-6 Luna. Ontwikkelaars sturen context (tekst of afbeelding) plus een lijst opties, en krijgen een keuze plus betrouwbaarheidsscore terug. OpenAI claimt een responstijd van 150 milliseconden. De prijzen zijn nog niet openbaar. Wat ik interessant vind: OpenAI's Nikunj Handa zou in een interview hebben gezegd dat Jev de inspiratie was voor deze dienst.

Microsoft Decision-1

Aangekondigd op 9 oktober 2026 door CEO Satya Nadella. Gebouwd door Microsoft bovenop het open-source model Qwen3.5-9B (9 miljard parameters). Microsoft noemt het 4,5 keer sneller dan concurrent Quyet-1.0-Large en 35 keer sneller dan GPT-6 Sol. De Xbox-afdeling zou er meer dan 10.000 feedbackitems mee hebben gelabeld — volgens Microsoft met vergelijkbare kwaliteit als GPT-6 Sol, maar 14 keer sneller en 200 keer goedkoper. Ook hier: $0,042 per miljoen invoertokens.

Belangrijk om te weten: bijna alle genoemde prestatiecijfers komen van de fabrikanten zelf. Onafhankelijke verificatie heb ik niet kunnen vinden.

Waarom dit interessant is voor ondernemers

Stel dat je als ondernemer een webshop runt en dagelijks honderden klantvragen binnenkrijgt. Op dit moment zou je een taalmodel kunnen inzetten om antwoorden te genereren. Maar vóór dat antwoord zit een beslissing: is dit een klacht, een retourverzoek, een productfout of een compliment? Die routeringsvraag hoeft geen heel verhaal op te leveren — je wilt een snelle, betrouwbare classificatie.

Dat is precies waar decision models voor bedoeld zijn. Ze zijn snel, goedkoop en geven een betrouwbaarheidsscore mee. Die score maakt het mogelijk om drempels in te stellen: boven de 90% zekerheid handelt het systeem zelf af, daaronder gaat het naar een medewerker. TypeSafe AI noemt dit "Confidence-Gated Routing" — een term die wat mij betreft goed beschrijft wat het doet.

De toepassingen die worden genoemd zijn breed: klantenservice-routering, veiligheidscontroles, kwaliteitslabeling, fraudescreening, goedkeuringsflows. Stuk voor stuk processen waar nu vaak mensen zitten die dezelfde soort beslissing steeds opnieuw nemen.

Kun je je voorstellen wat het betekent als die beslissingen 200 keer goedkoper worden dan met een groot taalmodel — zelfs als die claim maar half klopt?

Waar het mis kan gaan

Ik vind het eerlijk gezegd net zo belangrijk om te kijken naar de risico's als naar de mogelijkheden. En die risico's zijn niet klein.

Bias in beslissingen

Als een model getraind is op historische data, neemt het de patronen — en vooroordelen — uit die data over. IBM's AI Risk Atlas waarschuwt dat dit bij geautomatiseerde beslissingen extra riskant is, omdat de uitkomsten er "autoritair" uitzien en direct tot acties kunnen leiden. Bij een taalmodel kun je het antwoord nog lezen en beoordelen. Bij een decision model dat alleen "optie B, 91%" teruggeeft, is het lastiger om te zien waaróm het die keuze maakte.

Menselijk toezicht

Microsoft's eigen tests laten zien dat Decision-1 in gemiddeld 1,3% van de gevallen een andere beslissing neemt als je dezelfde vraag iets anders formuleert. Dat klinkt weinig, maar bij 10.000 beslissingen per dag zijn dat 130 potentieel wisselende uitkomsten. De vraag is: wie controleert dat?

Juridisch kader

Voor Nederlandse ondernemers is de EU AI Act relevant. Vanaf 2 augustus 2026 gelden de verplichtingen voor AI-systemen met een hoog risico — denk aan kredietbeoordeling, personeelsselectie, verzekeringen. Als je een decision model inzet voor dat soort keuzes, ben jij als "deployer" verantwoordelijk, niet de leverancier. Dat betekent: menselijk toezicht inrichten, medewerkers trainen, en ernstige incidenten melden. En dat geldt naast de bestaande GDPR-regels rond geautomatiseerde besluitvorming.

Ik denk dat veel ondernemers zich hier nog niet bewust van zijn. De technologie beweegt snel, het juridisch kader ook.

Drie spelers in één maand — toeval of trend?

Wat mij opvalt is de timing. Drie onafhankelijke partijen lanceren binnen dertig dagen een product in dezelfde categorie. Dat wijst er wat mij betreft op dat dit geen niche is, maar een categorie waar serieus op wordt ingezet.

Er is een logica achter. Taalmodellen zijn krachtig maar duur, traag en onvoorspelbaar in hun output. Voor veel bedrijfsprocessen heb je geen creatief essay nodig — je hebt een ja-of-nee nodig. Decision models scheiden die twee taken, en dat maakt ze potentieel veel efficiënter voor de juiste toepassingen.

Tegelijk is het nog vroeg. Jev zit in early access, OpenAI's Decisions API is in beperkte preview, en Microsoft's model wordt intern getest. Onafhankelijke benchmarks ontbreken grotendeels. De prijzen kunnen veranderen, de prestaties kunnen tegenvallen bij andere datasets.

Wat ik hieruit meeneem

Voor mij is dit vooral een signaal dat AI zich aan het opsplitsen is in gespecialiseerde lagen. Praten is één ding, beslissen is iets anders. De combinatie van lage kosten, hoge snelheid en meetbare betrouwbaarheid maakt decision models interessant voor bedrijfsprocessen waar je nu mensen hebt die repetitieve beoordelingen doen.

Maar — en dat meen ik — de snelheid waarmee je kunt automatiseren staat los van de vraag óf je het moet doen. Zeker als het om beslissingen gaat die mensen raken, is het verstandig om eerst te begrijpen wat je inzet, hoe betrouwbaar het is, en wat de wet ervan verwacht. Dat klinkt misschien minder spannend dan de technologie zelf, maar ik denk dat het precies dáár zit waar het verschil wordt gemaakt.