Perplexity lanceert Decider: een AI die kiest in plaats van praat

TL;DR

• Wat: Perplexity bracht op 1 oktober 2026 de Decisions API uit met het open-source model pplx-decider-v1-27b — een AI die kansverdelingen over antwoorden teruggeeft in plaats van lopende tekst.
• Waarom relevant: Voor bedrijfsprocessen waar je honderden keuzes per minuut moet maken (e-mailsortering, leadkwalificatie, documentclassificatie) is dit sneller en goedkoper dan een volledig taalmodel.
• Wat je ermee kunt: Inventariseer welke terugkerende ja/nee- of categoriebeslissingen in jouw bedrijf nu handmatig verlopen, en reken uit of automatisering via zo'n API de moeite waard is.

Ik stuitte op een tweet van Arav Srinivas — CEO van Perplexity — waarin hij een demo deelde van "Perplexity Decider". Wat me triggerde: dit is geen chatbot, geen tekst-generator, maar een model dat puur is gebouwd om te beslissen. Dat is een andere insteek dan we gewend zijn, en ik denk dat het voor ondernemers interessanter is dan het op het eerste gezicht lijkt.

Wat doet Decider precies?

De meeste AI-modellen die je kent — ChatGPT, Claude, Perplexity's eigen zoekmachine — genereren tekst. Je stelt een vraag, je krijgt een antwoord in zinnen en alinea's. Perplexity Decider werkt fundamenteel anders.

Je geeft het model een vraag én een set mogelijke antwoorden. Het model genereert vervolgens geen verhaal, maar rekent uit hoe waarschijnlijk elk antwoord is. Je krijgt kansen terug: "optie A: 87%, optie B: 11%, optie C: 2%." Vergelijk het met een examinator die alleen kruisjes zet bij het juiste antwoord, in plaats van een heel opstel te schrijven.

Concreet draait het model op de Decisions API van Perplexity. Per verzoek kun je 1 tot 128 vragen meesturen, met een maximum van circa 262.000 tokens aan input. Het model accepteert zowel tekst als afbeeldingen. De prijs? 0,04 dollar per miljoen input-tokens, en output is gratis. Dat is, voor de context, een fractie van wat je betaalt voor een gewoon taalmodel.

Waarom een apart "beslismodel"?

Ik vind dit een interessante ontwikkeling. Als je een groot taalmodel vraagt om te classificeren — "is deze e-mail een klacht of een vraag?" — dan werkt dat prima, maar je betaalt voor het genereren van een compleet antwoord terwijl je eigenlijk alleen een label nodig hebt. Dat is alsof je een vrachtwagen huurt om één envelop te bezorgen.

Een beslismodel als Decider is geoptimaliseerd voor precies dat soort taken. Het doet alles in één keer (wat technisch een "single forward pass" heet), en je krijgt gekalibreerde kansen terug. Dat maakt het niet alleen sneller, maar ook voorspelbaarder — je hoeft niet te parsen wat het model "bedoelt" met een zin, je hebt gewoon een getal.

Perplexity is overigens niet de enige die dit pad bewandelt. TypeSafe AI lanceerde in september 2026 al Jev, een vergelijkbaar beslismodel. En op dezelfde dag als Decider bracht Cloudflare zijn Clef-model uit. Er ontstaat dus een nieuw segment binnen AI: modellen die niet praten, maar kiezen.

Hoe scoort het?

Perplexity rapporteert dat Decider op een eigen testpanel van 7.210 rijen een nauwkeurigheid haalt van 85,71%, tegenover 84,51% voor Jev en 74,76% voor het basismodel waarop het is gebouwd (Qwen3.8-27B). Dat klinkt als een voorsprong, maar ik wil er een kanttekening bij plaatsen: dit zijn cijfers van Perplexity zelf, gemeten op hun eigen selectie van tests.

Wat opvalt als je dieper kijkt: Jev wint op meerdere individuele taken. Op WinoGrande (een test voor taalkundig redeneren) scoort Jev 90,70% tegenover Decider's 83,30%. Op BBH, een brede benchmarksuite, loopt het verschil op tot 94,27% versus 82,80%. Het totaalcijfer is dus genuanceerder dan de kop "Decider verslaat Jev" suggereert.

Ik denk dat het eerlijker is om te zeggen: beide modellen zitten in dezelfde gewichtsklasse, en welke beter past hangt af van het type beslissingen dat je ermee wilt nemen.

Wat betekent dit voor een ondernemer?

Stel dat je als ondernemer dagelijks honderden e-mails, offerteaanvragen of klantvragen binnenkrijgt die nu handmatig worden gesorteerd. Een beslismodel kan dat soort werk automatiseren tegen lage kosten. Niet door antwoorden te genereren, maar door elk bericht in een categorie te plaatsen: klacht, vraag, bestelling, spam — met een betrouwbaarheidsscore erbij.

Waar het concreet kan helpen

• Sorteren en routeren: Inkomende berichten automatisch naar de juiste afdeling of medewerker sturen.
• Ja/nee-beslissingen: Past deze aanvraag binnen onze voorwaarden? Voldoet dit document aan de eisen?
• Kwalificatie: Is deze lead warm genoeg om op te volgen?

De lage kosten maken het ook realistisch voor kleinere bedrijven. Bij 0,04 dollar per miljoen tokens praat je over centen per duizend beslissingen. Dat is een ander kostenplaatje dan wanneer je een volledig taalmodel inzet.

Waar je op moet letten

Een paar dingen om in het achterhoofd te houden. Ten eerste: de Decisions API draait op servers van Perplexity. Voor Nederlandse bedrijven die met persoonsgegevens werken, is het verstandig om na te gaan waar die servers staan en of dat past binnen de AVG. Ik heb daar in de beschikbare bronnen geen duidelijk antwoord op gevonden.

Ten tweede: een veelgenoemd advies is om een "tweestaps-aanpak" te gebruiken. Het beslismodel handelt de bulk af — de duidelijke gevallen. De twijfelgevallen (lage betrouwbaarheidsscore) stuur je door naar een mens of een uitgebreider AI-model. Zo combineer je snelheid met zorgvuldigheid.

Ten derde: het model is open-source onder een Apache 2.0-licentie en beschikbaar via Hugging Face. Dat betekent dat je het in principe zelf kunt hosten als je de technische kennis in huis hebt — of inhuurt. Dat lost het AVG-vraagstuk op, maar voegt complexiteit toe.

Een nieuw type AI-gereedschap

Wat mij opvalt aan deze ontwikkeling is niet zozeer Decider op zich, maar het patroon dat erachter zit. Na jaren waarin AI-bedrijven steeds grotere en veelzijdigere taalmodellen bouwden, zie je nu een beweging de andere kant op: kleinere, gespecialiseerde modellen die één ding goed doen. Niet praten, maar beslissen. Niet een heel essay schrijven, maar één vakje aankruisen.

Kun je je voorstellen wat dat betekent als je dat combineert? Een beslismodel aan de voorkant dat filtert en sorteert, een taalmodel achter de schermen dat de complexe gevallen afhandelt. Dat begint te lijken op een digitale collega die daadwerkelijk werk uit handen neemt, in plaats van alleen maar meepraat.

Voor mij is dit vooral een signaal dat AI-tooling volwassener wordt. Het gaat niet meer alleen om "kijk wat AI kan zeggen", maar om "kijk wat AI kan doen" — stilletjes, op de achtergrond, voor een fractie van de kosten. En dat is, wat mij betreft, relevanter voor een ondernemer dan het zoveelste chatmodel dat beter kan schrijven.