Begrip
Wat is een decision model (beslismodel) bij AI?
Een decision model is een AI-model dat geen tekst schrijft, maar gesloten vragen over een input beantwoordt: ja of nee, een keuze uit een lijst of een score. Het geeft een kans terug in plaats van een zin. Daardoor is het sneller en goedkoper dan een taalmodel voor routering, classificatie en controles.
Hoe werkt een decision model?
Je geeft het model een input, zoals een vraag van een gebruiker, een document of een geplande toolaanroep, en daarbij een of meer gesloten vragen. Per vraag krijg je een kans terug: hoe waarschijnlijk is 'ja', welke optie past het best, of welke score hoort erbij. Er wordt geen tekst gegenereerd, dus er zijn geen outputtokens en het antwoord komt sneller.
In 2026 brachten OpenAI en Google elk een eigen Decisions API uit, met een model dat speciaal hiervoor is getraind. Google laat tot 1.000 vragen over dezelfde input toe in één verzoek. Het idee is niet nieuw: classificatiemodellen bestaan al lang. Nieuw is dat één algemeen model elke gesloten vraag in gewone taal aankan, zonder dat je per taak een eigen model traint.
Decision model versus taalmodel
- Een taalmodel (LLM) schrijft een antwoord. Een decision model kiest uit vaste uitkomsten.
- Een taalmodel geeft een tekst die je moet interpreteren. Een decision model geeft een getal waarop je een drempel zet.
- Een taalmodel betaal je per input- en outputtoken. Bij een decision model betaal je alleen voor de input.
- Een taalmodel heb je nodig voor het eigenlijke antwoord. Een decision model gebruik je voor de stappen eromheen.
Wanneer zet je het in bij een groot project?
In een productiesysteem met agents of een kennisassistent gaan veel modelaanroepen over kleine beslissingen. Dat zijn de plekken waar een decision model loont:
- Routering: welke agent, welke bron of welk model handelt deze vraag af?
- Toolkeuze en goedkeuring: past deze toolaanroep bij de opdracht, of moet een mens meekijken?
- Veiligheidschecks: bevat deze prompt persoonsgegevens of een poging tot prompt injection?
- Beoordeling: voldoet dit antwoord aan de rubric van je evaluatieset?
Risico's en valkuilen
- Kalibratie niet meten: een kans van 0,9 is alleen bruikbaar als het in ongeveer 90 procent van de gevallen klopt. Toets dat op je eigen data voordat je een drempel kiest.
- Drempels zonder uitweg: stuur twijfelgevallen naar een sterker model of een mens, in plaats van ze toch automatisch te beslissen.
- Leveranciersafhankelijkheid: de Decisions API's van OpenAI en Google gebruiken elk een eigen formaat. Bouw een eigen tussenlaag, zodat je kunt wisselen.
- Verantwoording: valt de beslissing onder een hoog-risicotoepassing van de AI Act, dan gelden eisen aan logging en menselijk toezicht, ook als het model klein en snel is.