Игорь Градов
Игорь Градов
5 мин
ai

ИИ, который не разговаривает, а принимает решения: проверка на 50 своих примерах

ИИ, который не разговаривает, а принимает решения, за осень 2026 года вырос в отдельный рынок моделей от OpenAI, Google и Cloudflare, и его можно проверить на своих задачах без обучения собственной модели.

Почему это важно

Модель принятия решений возвращает не текст, а готовый выбор с процентами уверенности. Маршрутизацию обращений, модерацию и проверку текстов по чек-листу можно отдать программе, не нанимая специалиста по машинному обучению.

Раньше для каждой такой задачи обучали отдельный классификатор, то есть программу, которая раскладывает данные по заранее заданным категориям. Теперь варианты ответа задают прямо в запросе. Об этом рассказывает автор справочной статьи о Decision Models. Он применяет их в мультиагентных системах (где несколько ИИ-агентов делят работу между собой) и написал текст вместе с ChatGPT.

Хронология из источника:

  • 15 сентября 2026 года компания TypeSafe AI, основанная бывшим сотрудником OpenAI Диогу Алмейдой, представила модель Jev и назвала новый класс System One Models.
  • 22 сентября вышла Tev1 от Together AI, 24 сентября появилась открытая модель Kev.
  • 1 октября Cloudflare выпустила Clef, 5 октября Liquid AI представила мультимодальную d1, то есть модель, работающую не только с текстом. 15 октября вышла Liquid d1-ultra.
  • 22 октября OpenAI открыла для всех Decisions API (программный доступ, через который сервисы подключаются к модели). 11 ноября Google выпустила Gemini Decision 1.

Название отсылает к книге Даниэля Канемана «Думай медленно… решай быстро». «Система 1» у Канемана означает быстрое интуитивное мышление, «Система 2» означает медленный анализ.

Что умеют такие модели?

По источнику, большинство из них решают три типа задач:

  • выбор (Choice): кому передать обращение, какое действие выполнить следующим;
  • да или нет (Yes/No): соответствует ли документ требованиям, нужен ли человек;
  • оценка по шкале (Score): насколько срочна задача, насколько качественно сделана работа.

Многие модели принимают несколько вопросов об одном объекте за один запрос. В отличие от большой языковой модели (LLM, ИИ вроде ChatGPT, который отвечает развёрнутым текстом), они не рассуждают и не комментируют. Результат сразу пригоден для программы.

Что понадобится для первой проверки?

  • Доступ к одной из моделей: Decisions API от OpenAI, Gemini Decision 1, Clef или открытая Kev. Доступность в России источник не обсуждает.
  • От 30 до 50 реальных обращений, комментариев или текстов с вашими правильными ответами.
  • Список вариантов решения, который вы составите сами.
  • Таблица для сравнения и пара вечеров.

Как проверить модель на своей задаче за шесть шагов?

  1. Выберите одну узкую задачу: распределение писем по отделам, отсев спама в комментариях, проверку статьи по редакционным правилам.
  2. Сформулируйте варианты ответа коротко и без пересечений.
  3. Разметьте вручную свою выборку, это эталон.
  4. Отправьте те же тексты модели и запишите, какой вариант она поставила на первое место и с каким процентом.
  5. Для сравнения прогоните выборку через привычную нейросеть с жёстким промптом:
Ты классификатор обращений. Оцени уверенность в процентах для каждого варианта. Ответ только в формате «вариант: процент», без пояснений.
Варианты: отдел доставки; техническая поддержка; бухгалтерия; отдел продаж.
Обращение: «Вчера оплатил заказ, деньги списались, но в личном кабинете заказ не появился».
  1. Посчитайте совпадения с эталоном. Отдельно разберите случаи, где уверенность низкая: их стоит отдавать человеку.

Если зарубежный доступ недоступен, шаг 5 можно сделать на доступных в РФ аналогах, YandexGPT и GigaChat.

Как это выглядит на практике

Пример из источника. На вход подали обращение: «Вчера оплатил заказ, деньги списались, но в личном кабинете заказ не появился». Модель вернула: техническая поддержка 87%, бухгалтерия 10%, отдел доставки 2%, отдел продаж 1%. Объяснений нет, и для программы это плюс. Для проверки это минус: понять, почему модель ошиблась, по такому ответу нельзя.

Частые ошибки
  • Верить модели на слово. Автор источника признаёт: доверие к таким моделям часто держится на вере, а не на статистике. Без своей выборки с эталоном выводов не делайте.
  • Давать размытые или пересекающиеся варианты, например «жалоба» и «негатив».
  • Забывать про классику. Для стабильной, хорошо описанной задачи обычный специализированный классификатор, по словам автора, может оказаться точнее, быстрее и дешевле.
  • Отправлять персональные данные клиентов в зарубежный сервис, не проверив требования закона.

Кому и что это даёт прямо сейчас?

Автору Дзена. Модель с вариантами «по правилам / нарушение» и оценкой по шкале подойдёт для сортировки комментариев и самопроверки черновиков по вашему чек-листу.

Маркетологу. Разметка отзывов и заявок по темам и срочности превращается в настройку списка вариантов, без отдельного проекта по машинному обучению.

Предпринимателю. Начните с маршрутизации обращений в поддержку, на ней проще всего посчитать сэкономленные часы. Пока зарубежные модели недоступны, отработайте схему на российских нейросетях.

Совет редакции dzen.guru

На мой взгляд, главная ценность здесь в дисциплине, а не в новом классе моделей. Задача сводится к списку вариантов и проценту уверенности, и такой ответ можно проверить цифрами. Я бы начал с порога: всё, что ниже 70% уверенности, уходит человеку, а порог двигал бы по итогам проверки. Оговорка честная: сравнительных тестов на русском языке источник пока не приводит, автор обещает таблицы позже.

Подберите ИИ-инструменты под свои задачи

На dzen.guru разбираем нейросети, которые помогают авторам и бизнесу экономить часы, с примерами на русском.

Перейти на dzen.guru

Возьмите 30 своих обращений, разметьте их сегодня и проверьте, кто точнее: модель принятия решений или привычный чат-бот с жёстким промптом.

Поделиться:TelegramVK
Игорь Градов
Игорь Градов

Основатель dzen.guru. Эксперт по монетизации и продвижению на Дзен. Автор курса «Старт на Дзен 2026».

Комментарии

Читайте также

Google построила фальшивый интернет для ИИ-агентов Chrome: их проверяют на копиях банков
ai

Google построила фальшивый интернет для ИИ-агентов Chrome: их проверяют на копиях банков

Google впервые подробно описала в своём блоге «Зеркальное измерение», изолированный интернет для тренировки ИИ-агентов Chrome на базе Gemini, где агентов…

5 мин
Бывшая топ-менеджер Alibaba привлекла $48,5 млн: Everful связывает ритейлеров с фабриками Китая
ai

Бывшая топ-менеджер Alibaba привлекла $48,5 млн: Everful связывает ритейлеров с фабриками Китая

Компания Everful бывшей руководительницы Alibaba Сиси Сун привлекла $48,5 млн в раунде серии A на фоне пошлин и торговых споров США и Китая, которые напрямую…

5 мин
От разработки к FDE: спрос на инженеров у заказчика вырос в 4,6 раза при росте рынка на 2,5%
ai

От разработки к FDE: спрос на инженеров у заказчика вырос в 4,6 раза при росте рынка на 2,5%

Бывший программист, а ныне ИТ-менеджер, разобрал на Хабре рост вакансий FDE, инженеров у заказчика, в 4,6 раза за год, пока инженерный рынок в целом прибавил…

5 мин