A OpenAI Decisions API transforma texto e imagens em decisões tipadas para classificar conteúdo, escolher uma rota ou atribuir uma pontuação. Em vez de pedir uma resposta longa e depois interpretá-la, a empresa envia a mesma evidência a perguntas estruturadas e recebe probabilidades que podem alimentar regras de negócio. O recurso está em beta público e exige avaliação com exemplos reais antes de assumir qualquer decisão automática.
O que é a Decisions API
A API foi criada para tarefas de decisão estreitas e repetíveis. Ela aceita uma entrada compartilhada e uma lista ordenada de perguntas. Cada pergunta pode verificar uma condição, selecionar uma opção fixa ou atribuir uma nota segundo uma rubrica. As respostas retornam na mesma ordem e incluem distribuição de probabilidade ou confiança para apoiar um próximo passo programático.
A documentação informa que esse caminho pode ser cerca de dez vezes mais rápido do que usar a Responses API para o mesmo tipo de classificação. Essa comparação descreve a arquitetura do produto, não uma garantia para toda carga. Latência, volume, tamanho da entrada e região precisam ser medidos no ambiente da empresa.
Escolha um caso com resposta verificável
Comece por decisões que tenham opções claras e um resultado observável. Uma central de atendimento pode identificar assunto, urgência e equipe responsável. Marketing pode separar pedidos de orçamento de dúvidas gerais. Uma operação de conteúdo pode sinalizar material que exige revisão jurídica sem permitir que o modelo publique ou remova algo sozinho.
Evite iniciar por decisões ambíguas, irreversíveis ou que afetem direitos. Aprovação de crédito, contratação, diagnóstico médico e medidas disciplinares exigem governança própria, validação especializada e revisão humana. A API organiza evidências e probabilidades; ela não transfere para o modelo a responsabilidade da empresa.
- Classificar assunto de leads, tickets e mensagens
- Escolher uma fila de atendimento ou responsável
- Priorizar casos por urgência definida pela operação
- Sinalizar conteúdo para revisão humana
- Pontuar aderência a uma rubrica objetiva
Modele perguntas e saídas tipadas
Uma pergunta predicate responde a uma condição com probabilidade, como identificar se uma mensagem relata falha crítica. Choice limita a resposta a opções predefinidas, como vendas, financeiro ou suporte. Score distribui a probabilidade por níveis de uma escala, útil quando a equipe precisa diferenciar prioridade baixa, média e alta.
Escreva critérios que duas pessoas treinadas conseguiriam aplicar de maneira semelhante. Defina o que conta como evidência, quais classes são mutuamente exclusivas e o que fazer quando nenhuma opção representa bem o caso. A API também pode devolver uma recusa, por isso o sistema deve tratar esse estado em vez de presumir que sempre haverá uma classificação válida.
Defina limiares com exemplos rotulados
Probabilidade não é decisão pronta. Reúna casos históricos rotulados, execute a API e compare previsões com o resultado aceito pela equipe. Depois escolha limiares considerando o custo de cada erro. Se um falso negativo pode deixar um incidente sem atendimento, o limite para encaminhar o caso deve ser diferente daquele usado para uma sugestão interna de baixa consequência.
Crie uma faixa de incerteza para revisão humana. Um exemplo simples é automatizar apenas resultados acima de 0,90, revisar entre 0,60 e 0,90 e encaminhar os demais para triagem manual. Esses números são ilustrativos. O limite correto depende da prevalência de cada classe, da qualidade do conjunto de teste e do impacto operacional.
Integre sem perder controle operacional
O endpoint é POST /v1/decisions e o beta usa o modelo gpt-6-luna. A entrada pode ser texto ou mensagens de usuário com texto e imagens inline. Arquivos, áudio, chamadas de função e referências externas não entram diretamente nesse fluxo. Se a evidência vier de CRM, email ou documento, extraia apenas o trecho necessário e registre a origem no sistema da empresa.
Implemente timeout, repetição controlada, idempotência e fila de exceção. Armazene versão do modelo, pergunta, classes, limiar e resultado para investigação. Não coloque segredo, dado pessoal ou documento inteiro na entrada quando uma evidência menor resolver a tarefa. Revise também requisitos de retenção, residência de dados e elegibilidade contratual antes de usar informação regulada.
Meça qualidade, velocidade e impacto
Avalie precisão por classe, falsos positivos, falsos negativos, cobertura da automação e volume enviado para revisão. A média geral pode esconder uma classe rara e crítica. Acompanhe também latência, custo por mil decisões, tempo economizado e resultado final no processo, como redução do tempo de primeira resposta sem aumento de reabertura.
Faça testes de regressão sempre que mudar pergunta, opções, limiar, modelo ou fonte de entrada. Durante o beta, recursos e comportamento podem mudar. Mantenha um caminho manual e uma forma rápida de desligar a automação se o desempenho cair ou se uma nova categoria começar a aparecer na operação.
Plano de implantação em quatro etapas
Na primeira etapa, selecione um fluxo interno reversível e rotule uma amostra representativa. Na segunda, execute em modo de observação, sem alterar filas. Na terceira, automatize apenas casos de alta confiança e revise o restante. Na quarta, amplie cobertura somente se qualidade, custo e resultado permanecerem dentro dos limites definidos.
Documente quem é responsável pelo conjunto de testes, quem aprova novos limiares e como uma pessoa contesta uma classificação. A melhor automação não é a que decide tudo, mas a que reduz trabalho mecânico sem esconder exceções nem impedir correção.
Para levar daqui
Use a Decisions API em problemas estreitos, com classes claras, exemplos rotulados e custo de erro conhecido. Comece em observação, automatize apenas alta confiança e preserve revisão, registro e saída manual durante o beta.
