Microsoft-Decision-1: Model Keputusan Terstruktur yang Diklaim 35x Lebih Cepat

Microsoft memperkenalkan Microsoft-Decision-1, model yang dirancang khusus untuk pengambilan keputusan terstruktur, pada 9 Oktober 2026. Model ini tersedia di Microsoft Foundry dan segera hadir lewat OpenRouter. Klaim utamanya terukur: akurasi tertinggi dalam perbandingan 36 benchmark yang mencakup hampir 150.000 pertanyaan, dan yang tercepat dalam pengujian mereka, 4,5 kali lebih cepat dari runner-up Quyet-1.0-Large serta 35 kali lebih cepat dari GPT-6 Sol. Ini bukan model untuk menulis teks, melainkan model untuk memutuskan.

TL;DR

• Microsoft-Decision-1 adalah model decision-scoring untuk output terstruktur, diumumkan 9 Oktober 2026.
• Tersedia di Microsoft Foundry, dan segera hadir melalui OpenRouter.
• Akurasi tertinggi pada perbandingan 36 benchmark dengan hampir 150.000 pertanyaan yang dijaga blind dari training.
• Diklaim 4,5 kali lebih cepat dari Quyet-1.0-Large dan 35 kali lebih cepat dari GPT-6 Sol.
• Ditujukan untuk routing, klasifikasi, prioritisasi, verifikasi, dan kontrol alur kerja.

Apa itu Microsoft-Decision-1 dan bedanya dengan LLM biasa?

Microsoft-Decision-1 adalah model yang dibangun untuk menghasilkan keputusan terstruktur, bukan teks bebas. Perbedaannya mendasar. LLM dirancang untuk menghasilkan bahasa atau menalar masalah kompleks, sementara model keputusan dibuat agar keluarannya bisa langsung dieksekusi perangkat lunak tanpa langkah parsing tambahan.

Menurut pengumuman resmi Microsoft, model keputusan sedang muncul sebagai kategori baru di AI. Gagasan intinya sederhana: begitu sebuah model bisa mengambil keputusan dan mengklasifikasi dengan biaya sangat rendah namun performa tinggi, banyak tugas praktis jadi terbuka. Routing permintaan, memilah tiket, memverifikasi hasil, dan mengendalikan alur kerja adalah contoh yang disebut langsung.

Pembeda teknisnya ada di bentuk keluaran. Kalau LLM sering perlu diminta memformat jawaban sebagai JSON dan tetap bisa meleset, model keputusan dirancang sejak awal untuk mengeluarkan keputusan yang bisa langsung dipakai. Untuk sistem yang butuh keputusan cepat dalam jumlah besar, perbedaan ini menentukan biaya dan keandalan.

Microsoft menempatkan model ini sebagai bagian dari kategori yang sedang tumbuh, bukan sebagai pengganti model bahasa. Frasa kuncinya adalah biaya sangat rendah dengan performa tinggi. Itu menunjukkan targetnya: tugas-tugas yang terlalu sering terjadi untuk dibebankan ke model besar, tetapi terlalu penting untuk diserahkan ke aturan kaku tanpa kecerdasan.

Seberapa cepat dan akurat Microsoft-Decision-1?

Menurut Microsoft, Microsoft-Decision-1 meraih akurasi tertinggi dalam perbandingan 36 benchmark yang mencakup hampir 150.000 pertanyaan, dengan benchmark yang dijaga blind dari proses training. Pada pengujian yang sama, model ini tercatat sebagai yang tercepat: 4,5 kali lebih cepat dari Quyet-1.0-Large sebagai runner-up, dan 35 kali lebih cepat dari GPT-6 Sol.

Angka-angka itu berasal dari pengujian internal Microsoft, jadi konteksnya penting. Benchmark yang dipilih, cara mengukur latensi, serta lingkungan pengujiannya ditentukan pihak yang juga memperkenalkan modelnya. Untuk keputusan produksi, angka ini sebaiknya diperlakukan sebagai klaim awal yang perlu diuji ulang pada beban kerja sendiri.

Metrik	Microsoft-Decision-1	Pembanding
Akurasi	Tertinggi pada 36 benchmark	Model keputusan lain dan LLM
Cakupan uji	Hampir 150.000 pertanyaan	Benchmark blind dari training
Latensi relatif	Dasar	4,5x lebih lambat (Quyet-1.0-Large)
Latensi relatif	Dasar	35x lebih lambat (GPT-6 Sol)

Yang layak digarisbawahi: perbandingan ini memisahkan model keputusan dari LLM umum. Artinya, keunggulan latensi bukan sekadar soal model lebih kecil, tetapi soal jenis tugas yang memang lebih sempit. Model yang dirancang untuk satu kelas keputusan wajar lebih cepat daripada model serba bisa yang harus menalar lebih dulu.

Ada alasan teknis mengapa jenis tugas ini bisa dibuat jauh lebih cepat. Menghasilkan teks bebas menuntut model memilih kata satu per satu, dan proses itu mahal karena panjang keluarannya tidak terbatas. Keputusan terstruktur sebaliknya punya ruang jawaban yang sempit, sering hanya beberapa label. Model yang tahu ruang jawabannya bisa berhenti lebih cepat tanpa kehilangan akurasi.

Inilah yang membuat klaim 35 kali lebih cepat dari GPT-6 Sol masuk akal, meski tetap perlu diuji sendiri. Angka itu bukan berarti model keputusan lebih pintar secara umum, melainkan lebih efisien pada tugas yang memang dirancang untuknya. Menyamakan keduanya akan salah membaca kategori produknya.

Untuk tugas apa model keputusan seperti ini dipakai?

Microsoft menyebut lima kegunaan utama: routing, klasifikasi, prioritisasi, verifikasi, dan kontrol alur kerja. Semua itu adalah tugas yang jawabannya bisa dinilai benar atau salah secara cukup jelas, dan yang volumenya sering besar di sistem produksi.

Routing berarti mengarahkan permintaan ke jalur atau model yang tepat. Klasifikasi berarti menempatkan masukan ke kategori yang sudah ditentukan. Prioritisasi berarti mengurutkan antrean berdasarkan tingkat kepentingan. Verifikasi berarti memeriksa apakah keluaran lain memenuhi syarat. Kontrol alur kerja berarti memutuskan langkah berikutnya dalam sebuah proses otomatis.

Pola yang sama muncul di banyak sistem agent. Sebuah agent sering butuh memutuskan apakah akan memanggil tool, menjawab langsung, atau meminta klarifikasi. Keputusan seperti itu tidak butuh model yang fasih menulis paragraf, tapi butuh model yang konsisten, cepat, dan murah. Di situlah kategori model keputusan masuk akal.

Karena itu, penerapan yang paling masuk akal biasanya bukan mengganti model utama, melainkan menambahkan lapisan keputusan di depannya. Model besar tetap menangani tugas berat, sementara model keputusan menyaring dan mengarahkan. Kombinasi ini yang paling sering menurunkan biaya sekaligus menjaga kualitas.

Contohnya di sistem dukungan pelanggan. Sebuah keluhan masuk, dan langkah pertama adalah menentukan apakah keluhan itu soal penagihan, teknis, atau akun. Itu keputusan klasifikasi yang jawabannya sempit dan bisa dinilai benar atau salah. Model besar tidak perlu dipanggil untuk itu, dan memakainya justru menambah latensi pada setiap tiket.

Contoh lain di alur verifikasi. Setelah sebuah model menghasilkan keluaran, sering perlu ada pemeriksaan apakah keluaran itu memenuhi syarat. Pemeriksaan semacam ini juga keputusan terstruktur. Menempatkan model keputusan di sana membuat verifikasi berjalan cepat, dan model besar hanya dipanggil ulang ketika verifikasi gagal.

Pola yang sama berlaku untuk prioritisasi antrean. Ketika ribuan tugas masuk, menentukan mana yang dikerjakan lebih dulu adalah keputusan yang bisa dinilai secara terstruktur. Kalau lapisan ini cepat dan murah, keseluruhan sistem jadi lebih responsif tanpa harus menambah kapasitas model yang mahal.

Di mana Microsoft-Decision-1 bisa dipakai dan kapan tersedia?

Model ini tersedia di Microsoft Foundry dan akan segera hadir melalui OpenRouter. Foundry adalah jalur resmi untuk pengguna yang sudah berada di ekosistem Microsoft, sedangkan OpenRouter membuka akses lewat satu API yang menyatukan banyak penyedia model.

Dua jalur itu menargetkan audiens berbeda. Pengguna yang butuh integrasi dengan layanan Microsoft akan memilih Foundry. Developer yang ingin membandingkan model keputusan dengan penyedia lain, atau yang ingin menghindari ketergantungan pada satu vendor, akan lebih memilih jalur OpenRouter. Ketersediaan lewat OpenRouter juga memudahkan pengujian cepat tanpa harus mengubah arsitektur aplikasi.

Pilihan jalur ini biasanya menentukan seberapa cepat sebuah tim bisa mencoba. Lewat OpenRouter, pengujian bisa dimulai dengan mengganti nama model pada panggilan API yang sudah ada. Lewat Foundry, integrasinya lebih dalam tetapi juga lebih terikat pada ekosistem yang bersangkutan. Untuk tahap evaluasi, jalur yang paling sedikit gesekannya biasanya lebih berguna.

Yang belum dirinci dalam pengumuman adalah harga per token dan batas laju. Dua hal itu biasanya paling menentukan apakah sebuah model keputusan layak dipakai pada volume besar. Tanpa angka harga, perbandingan biaya masih bersifat sementara, dan keputusan produksi sebaiknya menunggu informasi itu terbit.

Ada satu hal yang perlu diingat soal kategori baru: kematangannya belum teruji. Model keputusan baru muncul sebagai kelas produk, jadi tooling, praktik terbaik, dan tolok ukur bersama masih berkembang. Tim yang masuk lebih awal mendapat keuntungan pengalaman, tetapi juga menghadapi risiko standar yang berubah.

Pola adopsi yang wajar adalah menguji lebih dulu pada satu jalur keputusan yang volumenya tinggi tetapi risikonya rendah, misalnya klasifikasi tiket atau routing permintaan internal. Kalau akurasinya setara atau lebih baik dengan latensi lebih rendah, barulah memperluas ke jalur yang lebih kritis. Melompat langsung ke penggantian penuh biasanya berakhir dengan biaya integrasi yang lebih besar daripada penghematan yang didapat.

Perlu juga diingat bahwa klaim latensi sangat bergantung pada kondisi pengujian. Latensi yang diukur di lingkungan penyedia sering berbeda dengan latensi yang dirasakan pengguna akhir, karena ada jaringan, antrean, dan lapisan aplikasi di antaranya. Karena itu, uji mandiri pada infrastruktur sendiri tetap langkah yang tidak bisa dilewati.

Dari sisi strategi, kemunculan kategori model keputusan menandakan arah yang lebih luas: pemisahan antara model yang menalar dan model yang memutuskan. Kalau pola ini bertahan, arsitektur sistem agent akan makin sering menempatkan model murah dan cepat di lapisan keputusan, sementara model besar dipakai untuk tugas yang benar-benar butuh penalaran. Model seperti Microsoft-Decision-1 adalah contoh awal dari pembagian peran itu.

Bagi tim yang sudah memakai model besar untuk semua keputusan kecil, ini kesempatan menurunkan biaya tanpa mengorbankan kualitas. Bagi yang belum, ini alasan untuk mulai memisahkan mana keputusan yang butuh penalaran dan mana yang cukup dinilai secara terstruktur. Pemisahan itu sendiri sering memberi manfaat, terlepas dari model apa yang akhirnya dipilih.

FAQ

Apakah Microsoft-Decision-1 menggantikan LLM?

Tidak. Model ini dirancang untuk keputusan terstruktur, bukan penulisan atau penalaran panjang. Paling masuk akal dipakai sebagai lapisan keputusan di depan LLM, bukan sebagai pengganti model utama.

Apakah angkanya bisa dipercaya begitu saja?

Perlakukan sebagai klaim awal. Angka 36 benchmark dan 4,5 kali lebih cepat berasal dari pengujian internal Microsoft. Untuk keputusan produksi, uji ulang pada beban kerja sendiri sebelum menjadikannya dasar pemilihan.

Di mana model ini bisa diakses?

Dua jalur: Microsoft Foundry untuk pengguna ekosistem Microsoft, dan OpenRouter untuk akses lewat satu API yang menyatukan banyak penyedia. Ketersediaan lewat OpenRouter disebut sebagai segera hadir.

Apakah harga per token sudah diumumkan?

Belum dirinci dalam pengumuman tersebut. Harga dan batas laju biasanya paling menentukan kelayakan pada volume besar, jadi angka itu perlu ditunggu sebelum menghitung biaya.

Sumber tulisan ini adalah pengumuman resmi Microsoft-Decision-1, serta jalur akses di OpenRouter dan Microsoft Foundry.