A Microsoft anunciou o Microsoft-Decision-1 em 9 de outubro de 2026, e o lançamento foge do padrão que a gente está acostumado a ver: o modelo não gera texto nenhum. Ele foi feito para decidir — recebe um conjunto fixo de opções e devolve uma pontuação de probabilidade calibrada para cada uma. Está disponível no Microsoft Foundry e via OpenRouter, e mexe com um ponto sensível de quem roda agentes e automações: gastar menos com tokens e latência em tarefas de classificação e roteamento.
O que é o Microsoft-Decision-1: um modelo de IA que não escreve texto, só decide
O Microsoft-Decision-1 foi pós-treinado a partir do Qwen3.5-9B, modelo de pesos abertos da Alibaba. A diferença está no objetivo: em vez de continuar texto, ele pontua opções. Você envia uma pergunta com alternativas fechadas e recebe de volta a probabilidade de cada resposta.
O modelo está em preview público no catálogo do Foundry, como registrado na comunidade técnica da Microsoft. A empresa o posiciona como bloco de construção para aplicativos que combinam geração, raciocínio e decisão — ou seja, ele entra ao lado dos LLMs comuns, não no lugar deles.
A própria Microsoft trata modelos de decisão como uma nova categoria emergente: modelos treinados para pontuar em uma única passagem, com baixa latência.
Como funciona na prática: probabilidades calibradas para opções fixas de resposta
Na chamada estruturada de API, você define as opções de resposta. O modelo suporta perguntas de sim/não, múltipla escolha, escalas de avaliação (rating) e correção por rubrica de respostas de IA e ações de agentes. Não tem prompt pedindo "responda apenas com A ou B" e torcendo para o formato sair certo.
O detalhe que mais importa: a resposta carrega o próprio nível de confiança. Seu aplicativo usa essa confiança para agir, adiar a decisão ou pedir revisão humana. Isso muda o jogo em fluxos onde um LLM genérico responde qualquer coisa com a mesma cara de certeza.
O que muda para quem roda agentes e automações: roteamento, classificação e juiz de IA
Os casos de uso declarados cobrem quase todo o miolo dos fluxos que a gente monta em ferramentas como n8n: roteamento de modelos, controles de agentes, análise de intenção, rotulagem de dados, juiz de IA (AI judging), roteamento de incidentes, validação de dados, classificação de conteúdo e relevância de busca.
Hoje, muita gente resolve isso com um LLM comum e um prompt engessado, rezando para a saída vir no formato esperado. O modelo de decisão formaliza essa etapa: entrada com opções, saída com scores calibrados. Menos parsing quebrado, menos alucinação de formato, menos token desperdiçado.
Na prática: o que eu já uso aqui
Eu já rodo essa função em produção. Nos nodes de classificação do n8n, uso o JEV (typesafe/jev-1.13, na OpenRouter), que faz exatamente esse papel. Pretendo testar o Microsoft-Decision-1 também, porque o custo é basicamente o mesmo — mas, na comparação que fiz até agora, o JEV parece mais rápido e com menos latência.
Antes disso, eu usava o Qwen3.5 9B local para tarefas de juiz de IA. Funcionava, mas era mais lento e as respostas não eram tão precisas. Com esse nível de preço, eu já troquei a classificação local por API.
Uma ressalva: se o seu fluxo lida com dados que exigem privacidade, fica com o modelo local mesmo que demore um pouco mais — e vá ajustando as respostas aos poucos para melhorar a precisão. Se privacidade não é exigência, o custo é tão pequeno e o nível de acerto e a performance são tão bons que não compensa sofisticar o setup local.
Preço e limites: US$ 0,042 por milhão de tokens de entrada, saída gratuita e contexto de 32K
Segundo a página do modelo no OpenRouter, o preço é de US$ 0,042 por milhão de tokens de entrada, com saída gratuita — você paga só pelo que entra. Para classificação e roteamento, onde a saída é minúscula mesmo, cobrar só na entrada faz sentido total.
A janela de contexto é de 32.768 tokens (cerca de 33K). Dá para enviar instruções, rubricas e um texto razoável para avaliar, mas não é o modelo para analisar contexto gigante.
Onde o Microsoft-Decision-1 não substitui um LLM comum (Qwen3.5-9B, GPT etc.)
Primeiro: ele não escreve. Não serve para gerar e-mail, resumo, código ou resposta de chatbot — a saída são scores para opções que você definiu. Se o fluxo precisa de texto, segue precisando de um LLM comum ao lado.
Segundo: você precisa saber de antemão quais são as opções. Roteamento entre três modelos ou classificação em dez categorias, ok. Análise aberta, sem alternativas fechadas, não é o terreno dele.
Terceiro: a base é o Qwen3.5-9B, um modelo pequeno. Isso ajuda no custo e na latência, mas significa que ele foi treinado para decidir, não para raciocinar longo sobre questões difíceis.
Vale a pena para quem usa IA em produção no Brasil? Análise de custo e latência
Para quem roda automação com volume, a conta fecha rápido. Um milhão de tokens de entrada custa menos de cinco centavos de dólar; num fluxo de roteamento em que cada chamada gasta poucas centenas de tokens, o custo vira ruído. E a proposta de pontuar em uma única passagem, com baixa latência, é o que faz diferença quando há muitas decisões encadeadas.
Faz sentido para rotear mensagens entre modelos, filtrar conteúdo, julgar saídas de IA por rubrica e rotular dados. Não faz sentido para gerar texto, para decisões que dependem de contexto enorme ou para dados sensíveis que não podem sair da sua máquina.
O que ainda não se sabe: por quanto tempo o preço de preview se mantém, quando virão as iterações rebasadas nos modelos OpenAI e MAI da própria Microsoft (a empresa afirmou que virão, mas sem data) e como o modelo se compara em benchmarks públicos com outros modelos de decisão. Vale testar em uma etapa do seu fluxo antes de migrar tudo.
Perguntas frequentes
O Microsoft-Decision-1 gera texto?
Não. Ele recebe um conjunto fixo de opções de resposta e devolve uma pontuação de probabilidade calibrada para cada uma, por chamada estruturada de API.
Quanto custa usar o Microsoft-Decision-1?
US$ 0,042 por milhão de tokens de entrada, com saída gratuita, segundo a página do modelo no OpenRouter. A janela de contexto é de 32.768 tokens.
Ele substitui um LLM comum como o Qwen3.5-9B?
Não substitui, complementa. Ele decide entre opções fixas com baixa latência; para gerar texto ou lidar com questões abertas, você continua precisando de um LLM comum no fluxo.
