OpenAI Decisions API: Klassifizieren, Routen, Bewerten
Ja/Nein-Checks, Routing und Schweregrade als typisierte Antworten mit OpenAIs Decisions API (gpt-6-luna), inklusive Schwellenwerten und menschlicher Prüfung.
Die meisten KI-Tools geben dir einen Absatz zurück. Die OpenAI Decisions API gibt dir eine Zahl, ein Label oder eine Bewertung, und sonst nichts. Frag „Zeigt dieses Foto sichtbare Schäden?“ und du bekommst eine Wahrscheinlichkeit. Frag „Welche Abteilung soll diese Beschwerde bearbeiten?“ und du bekommst eine deiner eigenen Optionen samt Wahrscheinlichkeit pro Option. Frag „Wie schwer ist dieser Bug?“ und du bekommst einen Score gegen Stufen, die du selbst geschrieben hast. Das macht sie zum richtigen Werkzeug für die langweiligen Massenentscheidungen, die Support-Queues, Eingangsformulare und Prüfrückstände verstopfen.
Genau das macht sie aber auch leicht falsch einzusetzen. Eine Wahrscheinlichkeit von 0,92 fühlt sich an wie „92 % Genauigkeit“. Ist sie nicht. Sie ist die Schätzung des Modells, und ob diese Schätzung auf deinen Daten stimmt, musst du messen. Deshalb verbringt dieser Kurs genauso viel Zeit mit Schwellenwerten, Kalibrierungschecks, Refusal-Handling und der menschlichen Prüfspur wie mit den drei Fragetypen. Nach Lektion 2 hast du eine echte Predicate-Frage für eine Entscheidung aus deiner eigenen Arbeit geschrieben und ihre Antwort gelesen. Nach Lektion 5 weißt du, wie du mögliche Schwellenwerte anhand der Kosten beider Fehlerarten und gelabelter Beispiele vergleichst. Nach dem Capstone hast du ein einseitiges Decision Design Brief, aus dem ein Entwickler bauen und das eine Führungskraft freigeben kann.
Jede Produktangabe stammt aus OpenAIs offiziellem Decisions-Guide, der Modellseite, der Preisseite und dem Changelog, alle gelesen am 13. Oktober 2026, eine Woche nach Start der Public Beta. Wo der einzige Beleg ein Bericht aus dem Entwicklerforum ist, sagt die Lektion das ausdrücklich. Und weil die API noch in der Beta ist und nur ein Modell hat, sagt dir jede Lektion, die einen Feldnamen, einen Preis oder ein Limit zitiert, genau, was du vor dem Einsatz noch einmal prüfen musst.
Das lernst du
- Erkläre, was die Decisions API zurückgibt, welches Modell dahintersteckt und wie sie sich von Structured Outputs und Function Calling unterscheidet
- Nutze die exakte Request-Struktur, um eine Predicate-Frage mit beobachtbaren Kriterien zu schreiben und ihre Wahrscheinlichkeit zu lesen
- Entwirf Choice- und Score-Fragen mit klar abgegrenzten Optionen, einer Auffangoption und geordneten Stufen
- Bewerte einen Schwellenwert anhand der Kosten von Fehlalarmen und verpassten Treffern und erkläre, warum eine Wahrscheinlichkeit keine Genauigkeitsgarantie ist
- Entwirf den Umgang mit Refusals und eine menschliche Prüfspur für jede Entscheidung, die du automatisierst
- Erstelle ein Decision Design Brief mit Beta-Go-live-Checkliste für eine echte Entscheidung aus deinem Arbeitsalltag
After This Course, You Can
What You'll Build
Kursinhalt
Voraussetzungen
- Du kannst einen kurzen JSON-Block lesen (wir erklären jedes Feld); Programmieren ist nicht nötig
- Für die optionalen Beispiele: ein OpenAI-API-Konto mit hinterlegter Zahlungsmethode und ein API-Key
- Eine echte, wiederkehrende Ja/Nein-, Sortier- oder Bewertungsentscheidung aus deiner Arbeit als durchgehendes Beispiel
Für wen ist das?
- Support-, Operations- und Compliance-Verantwortliche, die Arbeit von KI sortieren, markieren und priorisieren lassen wollen, ohne die Kontrolle abzugeben
- Produktmanagerinnen und Analysten, die Specs für Entwickler schreiben und die Entscheidungslogik sauber hinbekommen müssen
- Entwickler, die neu bei der Decisions API sind und neben der Request-Struktur auch die Design- und Prüfseite verstehen wollen
- Alle, denen schon mal ein „Konfidenzwert“ vorgelegt wurde und die wissen wollen, was er wirklich bedeutet
Häufig gestellte Fragen
Was ist die OpenAI Decisions API?
Ein eigener Endpunkt (POST /v1/decisions), der Text, Bilder oder beides auswertet und statt Fließtext typisierte Antworten liefert: eine Wahrscheinlichkeit, dass eine Bedingung zutrifft (predicate), eine Option aus einer festen Liste (choice) oder eine Bewertung gegen geordnete Stufen (score). OpenAI positioniert sie für das Klassifizieren von Inhalten, das Routen von Anfragen und das Priorisieren von Arbeit. Stand 13. Oktober 2026 ist sie in der Public Beta und läuft ausschließlich auf gpt-6-luna.
Muss ich Entwickler sein?
Nein. Sechs der acht Lektionen drehen sich darum, gute Fragen zu entwerfen, Schwellenwerte zu wählen und eine menschliche Prüfung aufzusetzen. Genau da scheitern die meisten echten Projekte. Die exakten Request- und Response-Strukturen zeigen wir als herstellerverifiziertes JSON, das du auch ohne Programmierkenntnisse lesen kannst. Wenn du programmierst: Jedes Beispiel spiegelt OpenAIs eigene Dokumentation.
Was ist der Unterschied zu Structured Outputs oder Function Calling?
Mit Structured Outputs erzeugt ein Modell ein Objekt nach deinem JSON-Schema (extrahierte Felder, eine ausformulierte Begründung). Mit Function Calling fordert das Modell einen Tool-Aufruf mit Argumenten an. Decisions liefert genau einen von drei festen Antworttypen mit Wahrscheinlichkeiten, und sonst nichts. Lektion 1 gibt dir eine Entscheidungstabelle für alle drei.
Ist eine Wahrscheinlichkeit von 0,92 dasselbe wie 92 % Genauigkeit?
Nein, und dieser Kurs wiederholt das bewusst oft. Die Zahl ist die Schätzung des Modells, keine gemessene Trefferquote. Lektion 5 zeigt, wie du einen Schwellenwert aus gelabelten Beispielen und den Kosten jeder Fehlerart ableitest und wie du prüfst, ob die Zahlen des Modells auf deinen Daten der Realität entsprechen.
Was kostet das?
Laut OpenAIs Guide vom 13. Oktober 2026: 0,10 USD pro 1 Million Input-Tokens auf gpt-6-luna, ohne Kosten für Output, Cache-Lesen oder Cache-Schreiben auf diesem Endpunkt. Regionale Verarbeitungsaufschläge und Long-Context-Multiplikatoren gelten weiterhin. Beta-Preise können sich ändern, deshalb schickt dich die Capstone-Checkliste vor dem Launch noch einmal auf die Preisseite.
