Data / IA
Après Jev : OpenAI, AWS, Microsoft, Cloudflare… la ruée vers les « Decision Models »
Par Laurent Delattre, publié le 12 octobre 2026
Jev a allumé la mèche en sortant de l’ombre mi-septembre. OpenAI, AWS, Cloudflare et désormais Microsoft se bousculent sur le marché naissant créé par TypeSafe AI, celui des modèles de décision. Derrière cette nouvelle ruée se dessine une évolution clé de l’IA agentique : des agents moins bavards, plus rapides et beaucoup moins coûteux à piloter. Mais décider vite ne signifie pas nécessairement décider juste.
Il y a encore quelques semaines, presque personne ne parlait de « Decision Models ». Désormais, tout le monde veut le sien. En moins d’un mois, la jeune pousse TypeSafe AI a réussi, avec son ultramédiatisé modèle Jev, à mettre en évidence l’une des absurdités économiques de l’IA agentique : pourquoi mobiliser un gigantesque modèle de langage, capable de disserter sur Kant ou de programmer une application, lorsqu’il s’agit simplement de décider si une opération est frauduleuse ou pas, ou encore si une demande doit être acceptée, rejetée ou transmise à un humain ?
La semaine dernière nous évoquions comment OpenAI et AWS s’étaient empressés d’investir ce nouveau marché, avant même que Jev ne soit ouvertement accessible. Depuis, deux autres acteurs sont entrés dans la danse : Cloudflare et Microsoft. L’effet de mode Jev est devenu un nouveau terrain de bataille de l’IA agentique.
Logique. Derrière les Decision Models se joue sans doute l’une des transformations les plus importantes de l’IA d’entreprise : permettre aux agents de distinguer les moments où ils doivent réfléchir de ceux où ils doivent simplement choisir.
Cloudflare enfonce le clou avec Clef
Le 1er octobre, Cloudflare a dévoilé Clef et Clef-flash, deux modèles de décision dotés de 27 et 9 milliards de paramètres. Quelques jours plus tard, l’entreprise a complété la famille avec Clef-Omni, un modèle MoE de 30 milliards de paramètres (dont 3 milliards actifs) qui, en plus des textes, images et vidéos, sait aussi « écouter » des fichiers audio avant de trancher. Leur vocation n’est pas de générer des réponses, mais d’évaluer des situations et de sélectionner des actions parmi des possibilités prédéfinies. Exactement ce que fait Jev et ce que promettent les modèles de décision, sauf que Jev n’accepte que du texte en entrée.
Une requête client est-elle urgente ? Quel service doit la prendre en charge ? Un agent peut-il poursuivre son travail ou doit-il demander une validation ? Cet extrait de vidéosurveillance montre-t-il une intrusion ? La vidéo d’un colis endommagé justifie-t-elle un remboursement ? Le client qui a laissé ce message vocal est-il assez mécontent pour être rappelé en priorité ? Cet appel au support relève-t-il d’une tentative de fraude ?
Les modèles « Clef » évaluent les options proposées et leur attribuent des probabilités. Ils peuvent même répondre à plusieurs questions simultanément, sans passer par la génération de texte. Exit les longues réponses qu’il faut ensuite interpréter pour en extraire une décision exploitable.
Au lancement, Cloudflare revendiquait une latence médiane de 38,8 ms pour Clef-flash et de 209,3 ms pour Clef, contre 524,1 ms pour Jev. Une optimisation de son hébergement a depuis presque divisé par deux celle de Clef (152 ms au lieu de 262 ms sur des requêtes d’environ 800 tokens). Clef-Omni tranche, lui, en 130 ms environ sur du texte, 150 ms sur une image, quelques centaines de millisecondes sur un extrait audio et 1,5 seconde sur une vidéo sonore de 21 secondes. Pour rappel, la latence est, avec la réduction des tokens de sortie, la clé des modèles de décision.
Les modèles Clef offrent une fenêtre de contexte de 64 000 tokens, ramenée à 24 000 pour la version hébergée de Clef-flash, dont le prix chute en contrepartie de 0,09 à 0,038 dollar par million de tokens en entrée. Tous sont publiés sous licence Apache 2.0, avec des poids téléchargeables et une API compatible avec celle de Jev. Seul bémol, la multimodalité ne garantit pas une meilleure précision : sur un test de traitement de factures, Clef-Omni (60,2) fait moins bien que Clef (64,7) et Jev (61,8).
Mais Cloudflare ne cherche pas seulement à concurrencer TypeSafe AI. Avec Workers AI et son réseau mondial capable d’exécuter des traitements à la périphérie d’Internet, il dispose d’un environnement idéal pour placer ces décisions au plus près des applications. Cloudflare annonce également préparer des services qui permettront aux entreprises d’affiner ces modèles avec leurs propres données.
Microsoft débarque et sort l’artillerie lourde
Et voilà que Microsoft entre à son tour dans la bataille. Le 9 octobre, l’éditeur a annoncé Microsoft-Decision-1, un modèle spécialisé dans la classification, le routage, la priorisation et le contrôle des workflows agentiques. Le modèle est d’ores et déjà disponible dans Microsoft Foundry mais aussi via OpenRouter.
Avec 9 milliards de paramètres, Decision-1 se concentre sur l’essentiel : choisir rapidement entre plusieurs réponses prédéfinies et leur attribuer un score de probabilité.
Les chiffres avancés par Microsoft interpellent mais devront être vérifiés par des tiers. Sur 36 benchmarks totalisant près de 150 000 questions, Decision-1 serait 35 fois plus rapide que GPT-6 Sol, 2,8 fois plus rapide que Jev et afficherait une précision moyenne de 83,5 %. Le tout pour seulement 0,042 dollar par million de tokens en entrée, sans facturation des tokens de sortie !
Des performances qui illustrent la pression tarifaire et technologique qui s’annonce déjà sur ce marché pourtant à peine naissant.
Et l’histoire réserve un joli pied de nez à l’industrie américaine : pour fabriquer son Decision-1, Microsoft a utilisé… un modèle chinois ! En l’occurrence le modèle ouvert Qwen3.5-9B d’Alibaba. Le modèle a ensuite été spécialisé par les équipes de Microsoft. On notera qu’AWS avait fait un choix similaire pour son propre modèle de décision « Strands Decider 2B » construit sur le modèle Qwen3.5-2B. La firme de Redmond annonce néanmoins déjà travailler sur des évolutions de Decision-1 exploitant ses propres modèles MAI et ceux d’OpenAI.
Après AWS et Cloudflare, voilà donc un troisième géant qui ne se contente pas de fournir le « cerveau » des agents mais veut aussi maîtriser les mécanismes qui les font décider et agir.
À quoi bon sortir l’artillerie lourde pour des décisions de routine ?
Un meilleur raisonnement, un contexte toujours plus long, une autonomie sans cesse améliorée, toujours plus d’outils et de services accessibles aux agents… Depuis deux ans, les éditeurs rivalisent pour rendre leurs modèles LLM toujours plus puissants. Le truc, c’est qu’une grande partie du fonctionnement quotidien d’un système agentique repose sur des arbitrages relativement simples, répétés des milliers ou des millions de fois. Choisir un outil plutôt qu’un autre. Identifier une anomalie. Trier des documents. Classer une transaction. Sélectionner le prochain agent à solliciter. Déterminer si une opération doit être interrompue.
Ces microdécisions finissent par coûter cher en tokens lorsqu’elles sont systématiquement confiées à de gros LLM. Elles introduisent aussi des latences et des risques d’erreur inutiles.
Les Decision Models promettent précisément d’industrialiser la simple prise de position. Dans l’agentique, c’est au plus puissant des LLM de mener les tâches de compréhension et de raisonnement complexe, mais ce sont des modèles spécialisés qui prennent en charge les classifications, les choix répétitifs et les décisions.
Personne ne songe donc à remplacer GPT, Claude ou Gemini. L’idée consiste à éviter de réveiller un mastodonte chaque fois qu’il faut trancher entre « oui » et « non ».
Plus les agents s’installent dans les processus métiers, plus le coût unitaire d’une décision, le temps qu’elle prend et la fiabilité de la réponse pèsent dans la balance. L’IA agentique ne se chiffrera pas qu’aux tokens mais également à ce que coûte chaque décision.
Attention, décider vite ne signifie pas décider juste
Reste un point que les fournisseurs se gardent bien de souligner : la vitesse ne garantit en rien la justesse. Sur le papier, les scores de confiance règlent l’affaire et quand le modèle n’est vraiment pas trop sûr de lui, il remonte la décision vers l’humain. Encore faut-il que ces scores disent vrai. Car un modèle sûr de lui à 99 % ne tombe pas forcément juste 99 fois sur 100; tout particulièrement lorsqu’il affronte des situations qui ne ressemblent guère à celles sur lesquelles on l’a évalué.
On a beau lui fournir des réponses prédéfinies, un modèle de décision reste probabiliste. Il peut donc se tromper, et parfois avec un aplomb désarmant.
En outre, il est bon de rappeler qui les entreprises n’ont pas attendu Jev pour automatiser des décisions. Cela fait des décennies que des moteurs de règles appliquent leurs politiques métiers, à commencer par ceux qui s’appuient sur le standard DMN (Decision Model and Notation), lequel traduit ces règles en tables de décision lisibles par les métiers et exécutables par un logiciel. Et un moteur de règles n’improvise pas : mêmes données, mêmes règles, même verdict. Avec en prime la trace complète de chaque décision. Prenons une banque. Un agent IA peut y analyser une demande de crédit et un modèle de décision y repérer les incohérences du dossier, mais c’est bien le moteur de règles qui vérifie l’éligibilité et le respect des seuils réglementaires.
Jev séduit les devs de l’agentique. Mais pour les DSI, autant les modèles probabilistes ont toute leur place pour trier et prioriser, autant les autorisations, les obligations réglementaires et les plafonds financiers doivent rester l’affaire de règles explicites et vérifiables.
Sans compter que les Decision Models eux-mêmes devront être placés sous surveillance. Leurs scores de confiance sont-ils fiables ? Leur comportement dérive-t-il avec le temps ? Une simple mise à jour du modèle peut-elle changer en catimini les pratiques de l’entreprise ? Des questions de gouvernance bien plus que de performance. Et ce ne sont pas les benchmarks des éditeurs qui y répondront.
Après la guerre des LLM, celle des décisions ?
Reste que l’arrivée successive de Jev, d’OpenAI Decisions API, d’AWS Strands Decider, de Cloudflare Clef et de Microsoft-Decision-1 en quelques semaines constitue un signal difficile à ignorer. Et d’autres acteurs, comme Liquid AI, Perplexity ou Snowflake, se présentent également au portillon.
Les industriels semblent considérer la décision comme une fonction suffisamment stratégique pour justifier des modèles, des API et des infrastructures spécialisées.
Cela ne signifie pas que cette nouvelle catégorie a déjà prouvé sa supériorité dans tous les cas d’usage. Les classificateurs traditionnels, les moteurs de règles et les petits LLM fine-tunés ont encore leur mot à dire. Néanmoins, une conviction semble largement partagée aujourd’hui : l’avenir de l’IA agentique ne passera pas uniquement par des modèles toujours plus intelligents mais aussi par une spécialisation croissante des composants qui entourent ces modèles.
La jeune pousse TypeSafe AI peut se réjouir d’avoir eu la bonne intuition, mais elle a face à elle des hyperscalers qui voient un nouveau marché à conquérir. Pour les DSI, le grand défi d’aujourd’hui demeure, encore et toujours, de déterminer jusqu’où on accepte de laisser l’IA décider.
À LIRE AUSSI :
À LIRE AUSSI :
