Microsoft lance Microsoft-Decision-1, un modèle 35 fois plus rapide que GPT-6 Sol

Microsoft a présenté Microsoft-Decision-1, un modèle spécialisé qui ne tient pas de conversation et n'écrit pas de texte. Son travail consiste à évaluer des réponses ou des actions prédéfinies, puis à choisir la plus adaptée. Selon l'entreprise, sur des tests de prise de décision structurée, sa latence de réponse est 35 fois inférieure à celle d'OpenAI GPT-6 Sol. Il est destiné à la classification d'informations, à la vérification de résultats et au pilotage de workflows.

Ce que fait exactement le modèle

Un modèle de langage classique reçoit une requête et génère sa réponse token par token. Microsoft-Decision-1 répond à un autre besoin : on lui fournit un contexte et une liste d'issues possibles, et il doit en sortie rendre un choix. Par exemple : dans quelle catégorie classer une demande, faut-il transmettre un résultat à l'étape suivante de la chaîne ou le renvoyer pour correction, quelle action exécuter ensuite.

Ces opérations sont omniprésentes dans les systèmes d'entreprise. Jusqu'ici, on les confiait souvent à un grand modèle généraliste, alors que la réponse tient en un mot ou en un numéro d'option. Decision-1 cible précisément ce cas d'usage.

Ce que disent les chiffres

Les données publiées mentionnent peu de paramètres :

• classe du modèle : spécialisé, il évalue des options prédéfinies et ne dialogue pas ;
• métrique principale : une latence de réponse 35 fois inférieure à celle d'OpenAI GPT-6 Sol ;
• conditions de comparaison : tests de prise de décision structurée ;
• tâches : classification d'informations, vérification de résultats, pilotage de workflows ;
• source des chiffres : données de Microsoft elle-même.

Le communiqué ne donne ni le nombre de paramètres, ni le prix, ni le mode d'accès, ni les indicateurs de précision. Ce sont pourtant les informations les plus importantes pour décider d'un déploiement. La vitesse ne garantit rien si la qualité du choix n'est pas au rendez-vous.

D'où vient l'écart de 35 fois, et comment le lire ?

L'explication la plus plausible tient à la nature même de la tâche. Si le modèle n'a pas à produire un texte développé et doit seulement évaluer un nombre fini d'options, le calcul est plus court. Un grand modèle génératif doit dépenser de la puissance de calcul pour une polyvalence dont ce scénario n'a pas besoin. Il s'agit d'une déduction tirée de la logique de la tâche, et non d'une architecture dévoilée par Microsoft.

Il faut donc lire cette comparaison avec prudence. Le modèle étroit est testé sur la tâche pour laquelle il a été conçu, tandis que le modèle phare généraliste sert de référence. Un écart de latence est alors prévisible. Plusieurs questions restent ouvertes : dans quelle mesure les décisions des deux modèles coïncident, comment Decision-1 se comporte sur des données extérieures au jeu de test, et ce qui se passe quand aucune option adaptée ne figure dans la liste. Aucune mesure indépendante n'existe pour l'instant.

La direction prise est elle-même révélatrice. Le marché s'éloigne du modèle unique « pour tout faire » au profit d'un assemblage : un grand modèle planifie et raisonne, tandis que des spécialistes compacts tranchent rapidement les embranchements de routine. C'est crucial pour les systèmes agentiques, car un agent effectue des dizaines de petites vérifications à chaque exécution, et la latence de chacune s'additionne.

À quoi cela peut servir en pratique

Les premiers cas d'usage sont évidents :

• routage de demandes et de documents par catégorie ;
• vérification de la sortie d'un autre modèle avant envoi à l'utilisateur : la réponse respecte-t-elle le format et les règles ;
• choix de l'étape suivante dans un processus automatisé dont l'ensemble des actions est connu à l'avance.

Les équipes qui construisent des chaînes agentiques gagneraient à examiner leurs logs et à repérer les appels au grand modèle dont la réponse se résume à un choix parmi quelques options. Ce sont ces appels qu'il est pertinent de tester sur un modèle spécialisé. Trois paramètres sont à comparer : la latence, le taux de concordance avec l'annotation de référence et le coût par appel. Tant que Microsoft n'a pas publié le prix ni les conditions d'accès, il est trop tôt pour évaluer le bénéfice. Mais l'ambition est claire : dans les grands systèmes, les décisions rapides ne sont pas obligées de coûter autant qu'un dialogue complet avec un modèle phare.