Microsoft bâtit son modèle de décision sur Qwen plutôt que sur OpenAI
Microsoft lance Decision-1 dans Foundry, un modèle de décision post-entraîné sur Qwen3.5-9B d’Alibaba plutôt que sur un modèle d’OpenAI, facturé 0,042 dollar par million de jetons. Mesurez sa calibration sur vos propres données avant de lui confier des décisions sensibles.
9 octobre 2026. Satya Nadella annonce Microsoft-Decision-1, un « modèle de décision rapide » déjà testé en interne chez Microsoft. 9 octobre 2026. Le modèle est post-entraîné sur Qwen3.5-9B d’Alibaba, et non sur un modèle de son partenaire OpenAI, trois jours après l’ouverture en bêta publique de l’API Decisions d’OpenAI. 9 octobre 2026. TypeSafe, la startup à l’origine de la catégorie, lève 870 millions de dollars en série A à une valorisation de 7,5 milliards, menée par a16z. Pourquoi c’est important : les « modèles de décision » — petits, rapides, calibrés pour choisir plutôt que générer — deviennent une couche de commodité, et Microsoft choisit des poids ouverts chinois comme socle plutôt que le modèle de son allié.
Ce qu’est exactement un modèle de décision
Un decision model ne génère pas de prose. Il répond à une question fermée — « cette alerte est-elle critique ? », « ce message viole-t-il la politique ? », « quelle action l’agent doit-il entreprendre ? » — et renvoie une décision, souvent assortie d’une probabilité calibrée. L’idée, popularisée par le courant des modèles « System 1 / System 2 », consiste à réserver les grands modèles frontière à la génération et à la planification, et à confier les arbitrages fréquents à un petit modèle spécialisé, moins cher et plus rapide de plusieurs ordres de grandeur.
L’intérêt économique est mécanique. Un agent peut émettre des dizaines de décisions pour une seule réponse générée ; si chaque décision coûte une fraction de cent et s’exécute en quelques millisecondes, la facture et la latence du système entier s’effondrent, sans dégrader la qualité sur les tâches où la spécialisation suffit. Decision-1 s’inscrit exactement dans ce créneau, avec un socle de 9 milliards de paramètres là où un modèle frontière en compte des centaines.
Une catégorie née il y a trois semaines, déjà saturée
La catégorie des decision models est récente, et son acteur fondateur n’est ni Microsoft ni OpenAI. C’est TypeSafe, dont le modèle Jev a défini l’usage : un petit modèle spécialisé qui tranche des questions structurées — router une requête, noter une réponse, décider de la prochaine action d’un agent — plus vite et moins cher qu’un grand modèle généraliste. Microsoft arrive environ trois semaines et demie après TypeSafe.
Entre-temps, tout le monde a embrayé. OpenAI a ouvert son API Decisions en bêta publique, Upstage, Perplexity, Cloudflare et AWS ont chacun livré leur modèle de décision, et AWS, Upstage et Ollama ont adopté l’API System One de TypeSafe comme interface commune de la catégorie — une normalisation que nous avions suivie dans notre analyse des modèles de décision Clef et AWS. Decision-1 débarque donc sur un marché déjà encombré, où la différenciation se joue sur le prix, la base et la fiabilité.
Pourquoi Microsoft a contourné OpenAI
Le choix du socle est le fait le plus parlant de l’annonce. Decision-1 est post-entraîné sur Qwen3.5-9B, le modèle open weight d’Alibaba, alors que Microsoft entretient avec OpenAI l’un des partenariats les plus stratégiques de l’industrie — au point d’avoir déjà annoncé vouloir rebaser Decision-1 sur ses propres modèles MAI puis sur ceux d’OpenAI. Le signal est clair : pour une tâche aussi spécialisée, Microsoft n’a pas attendu son partenaire et a pris la base ouverte la plus accessible.
Le choix Qwen n’est pas isolé. Cloudflare a construit Clef-flash sur la même base Qwen3.5-9B, et Jared Palmer, vice-président de l’ingénierie chez Cognition, dit avoir dépensé environ 95 dollars de temps GPU H100 sur Modal pour porter ses modèles Kev vers Qwen3.5. Une base ouverte, un coût d’adaptation dérisoire, une licence permissive : les decision models sont en train de devenir le premier segment de l’IA où le socle est une marchandise que l’on remplace en une soirée.
Ce choix résonne d’autant plus que la relation Microsoft/OpenAI est scrutée en permanence. Microsoft a investi des dizaines de milliards dans OpenAI et héberge ses modèles sur Azure ; voir Foundry lancer un modèle construit sur Qwen, avec un plan de rebasage vers MAI avant OpenAI, dessine un paysage où Microsoft ne dépend plus d’un seul fournisseur de modèles — même de son partenaire le plus proche.
Le prix de Jev devient le tarif de référence
Decision-1 est facturé 0,042 dollar par million de jetons d’entrée, sortie gratuite — exactement le prix de Jev. La coïncidence n’en est pas une : le tarif de TypeSafe est devenu la référence de fait de la catégorie. Jared Palmer liste Kev-4B sur OpenRouter à 0,042 dollar, Perplexity facture 0,02 dollar, et OpenAI affiche plus du double du tarif de Jev.
À ces prix, la marge sur l’acte de décision isolé est quasi nulle. La stratégie de Microsoft se lit ailleurs : garder le trafic d’agents — y compris les appels génératifs qui entourent chaque décision — dans Foundry, et attirer via OpenRouter les développeurs qui n’utilisent pas Azure. Le modèle de décision devient un produit d’appel pour vendre le reste de la pile.
Ce que Decision-1 ne fait pas encore
Decision-1 accuse un retard net sur deux fronts. D’abord, la modalité : sa fiche Foundry annonce une entrée texte plafonnée à 32 768 jetons et une sortie JSON, sans support d’image — contrairement à l’API Decisions d’OpenAI et à Clef, qui embarquent un encodeur de vision. Ensuite, les poids : là où Cloudflare a publié Clef sous Apache 2.0, Microsoft n’a annoncé aucun open weights. Enfin, l’interopérabilité reste floue : le code d’exemple Foundry appelle bien un endpoint /systemone, mais Microsoft n’a pas confirmé une compatibilité complète avec l’API System One que ses concurrents ont adoptée.
C’est un contraste instructif. Microsoft choisit une base ouverte pour construire son modèle, mais ne rend pas le résultat ouvert — une asymétrie que les équipes qui privilégient la portabilité devraient garder en tête.
La question ouverte de la calibration
Le dernier point est le plus délicat, car il touche à la confiance. Microsoft affirme que les probabilités de Decision-1 sont calibrées — une prédiction à 90 % doit être juste environ neuf fois sur dix sur des cas représentatifs. Mais la recherche sur Jev montre à quel point un score confiant peut dériver quand l’entrée est écrite pour induire en erreur.
Dans le preprint JevOut, le chercheur Zixiang Xu (USC) et ses co-auteurs ont fait basculer 312 des 508 décisions initialement correctes de Jev avec de courtes additions au contexte, et Jev a attribué une probabilité d’au moins 70 % à la mauvaise réponse dans 229 cas. Microsoft dit avoir testé Decision-1 avec huit types de perturbations (options réordonnées, descriptions paraphrasées), qui n’ont modifié en moyenne que 1,3 % des réponses — mais JevOut n’a pas testé Decision-1, et Microsoft recommande lui-même de valider la calibration sur ses propres données. Un score de confiance n’est exploitable que s’il a été éprouvé sur vos distributions.
Verdict
Si vous routez des agents ou notiez des réponses à grande échelle et voulez rester dans l’écosystème Azure, Decision-1 est un candidat sérieux : tarif aligné sur Jev, intégration Foundry, et des gains internes revendiqués de 14 fois la vitesse de GPT-6 Sol chez Xbox pour une fraction du coût. Si la portabilité ou la multimodalité comptent, regardez Clef (ouvert, avec vision) ou l’API System One de TypeSafe avant de vous engager. Dans tous les cas, recalibrez sur vos propres données et sous pression adversaire avant de laisser un decision model arbitrer une décision qui coûte de l’argent ou de la réputation.