Decisions API ou classificador próprio: qual escolher para o seu projeto?

Fala aí, beleza? A pergunta mudou 🙂

Antes era: dá pra classificar isso com IA?

Agora é outra: vale manter um modelo meu ou é só chamar uma API pronta?

Quem jogou lenha nessa fogueira foi a OpenAI

Ela apresentou a Decisions API no DevDay de 29/09/2026, primeiro como preview para clientes selecionados

Desde 06/10/2026 ela está em beta pública, liberada para todos os desenvolvedores

Bora destrinchar isso com calma, usando três critérios bem pé no chão:

• você tem dados rotulados?
• com que frequência os critérios da decisão mudam?
• quem vai manter essa regra depois que o projeto for pro ar?

O que é a Decisions API e como ela funciona?

É um produto da OpenAI e vive no endpoint POST /v1/decisions

Ela roda sobre o gpt-6-luna, que é o modelo suportado

E aqui está o pulo do gato: ela NÃO gera texto livre

Ela pega uma entrada e avalia essa entrada contra perguntas que você definiu

Depois devolve respostas tipadas, com probabilidade (a confiança) junto

Sabe quando você pede pro chat responder só sim ou não e ele te devolve um parágrafo inteiro? haha

Aqui isso não acontece, porque é você que fecha o conjunto de respostas possíveis

Quais são os tipos de pergunta da Decisions API?

São três:

• predicate: devolve a probabilidade de uma condição ser verdadeira
• choice: escolhe uma opção dentro de um conjunto fixo, com as probabilidades
• score: dá uma posição ponderada em níveis ordenados, tipo uma rubrica

Se você já montou um formulário com checkbox, select e escala de 1 a 5, a lógica é bem parecida 😀

Como é a requisição e a resposta?

A requisição leva três coisas:

• o model
• um input compartilhado
• um array questions, onde cada pergunta tem um nome único

A resposta volta com um array answers na mesma ordem das perguntas, repetindo o nome de cada uma

Isso facilita muiiito na hora de mapear o resultado no seu código

Quais são os limites da Decisions API?

• de 1 a 6 perguntas por chamada
• instruções em texto de 1 a 2.000 caracteres
• entrada em texto ou imagem (a imagem vai inline em base64)

Tudo isso está no guia oficial da API, e vale ler antes de escrever qualquer linha de código

Em que status ela está hoje?

Ela está em beta pública

A OpenAI diz que espera chegar ao GA (disponibilidade geral) nas próximas semanas, mas não deu data

Ou seja: dá pra usar, mas ainda é beta, beleza?

Decisions API x classificador próprio: comparação lado a lado

Antes da tabela, uma observação importante

Por classificador próprio eu quero dizer aquele modelo que você treina com os seus dados, hospeda e mantém

Do lado dele não vai ter número nenhum, porque custo e desempenho dependem totalmente do seu projeto

Se liga em dois detalhes do preço

Primeiro: esse valor vale só para /v1/decisions, não para outros endpoints

Segundo: os adicionais regionais e os multiplicadores de contexto longo entram na conta, então não trate os US$ 0,10 como o preço final de toda chamada

Em quais casos cada caminho se encaixa melhor?

A OpenAI aponta quatro usos pra ela:

• classificar conteúdo
• rotear requisições
• escolher modelo ou ferramenta
• definir a próxima ação de um agente

A documentação também traz dois exemplos bem concretos

Um deles é inspecionar imagem de produto com predicate para detectar dano visível

O outro é classificar o sentimento de feedback de cliente com choice

Agora bora passar cada caso pelos três critérios 🙂

Classificar conteúdo

O critério que mais pesa aqui é a frequência de mudança

Se a política de conteúdo muda toda hora, reescrever uma pergunta é muito mais leve que re-rotular uma base inteira

Se a regra está parada há anos e você já tem milhares de exemplos rotulados, o classificador próprio continua de pé

Rotear requisições

Aqui pesa quem mantém depois

Roteamento costuma virar aquele if/else gigante que só uma pessoa do time entende (já vi muito disso haha)

Com uma pergunta do tipo choice, a regra fica escrita em português e com um conjunto de destinos fechado

Assim qualquer pessoa do time consegue ler e ajustar

Escolher modelo, ferramenta ou a próxima ação de um agente

Nesse caso pesa a falta de rótulo

Normalmente ninguém tem base rotulada de qual ferramenta um agente deveria ter chamado em cada situação

Treinar um classificador pra isso do zero é trabalho pesado

Descrever as opções como uma pergunta fechada é bem mais direto

Inspeção de imagem e sentimento de feedback

São os exemplos da própria doc, então dá pra começar por eles

Dano visível é um sim ou não com probabilidade, um predicate clássico

Sentimento é escolher uma opção entre poucas, ou seja, um choice

Porém, se você já tem anos de feedback rotulado e o critério de sentimento nunca muda, o seu modelo pode continuar fazendo sentido

Quando o classificador próprio faz mais sentido?

Não existe benchmark oficial comparando a acurácia dessa API com a de classificadores treinados

Mesmo assim, o seu modelo tende a ganhar quando:

• o critério é estável e quase não muda
• você já tem uma base rotulada grande e confiável
• existe a exigência de rodar sem depender de fornecedor externo
• o time já tem gente pra cuidar de dados, treino e avaliação

Veredito: qual escolher para o seu projeto?

Agora a árvore de decisão:

1. Você tem dados rotulados em volume? Se não tem, a API da OpenAI sai na frente, porque o critério entra como pergunta escrita. Se tem, siga para o próximo critério
2. O critério muda com frequência? Se muda toda semana, editar uma pergunta é MUITO mais barato em esforço que re-rotular e retreinar. Se é estável, o classificador próprio volta pro jogo
3. Quem mantém a regra depois? Se for alguém sem experiência em ML, a pergunta escrita é mais fácil de manter. Se você tem time de dados e precisa rodar fora de fornecedor externo, o caminho próprio faz sentido

E tem um peso extra: ela ainda é beta

Isso significa que estabilidade em produção ainda não é garantida, e o GA não tem data

O preço de US$ 0,10 por 1 milhão de tokens de entrada também vale só para /v1/decisions

Outra coisa: a OpenAI não está sozinha nesse espaço

Segundo esta análise da SmartScope, o Jev, da TypeSafe AI, foi lançado em setembro de 2026 como modelo para decisões estruturadas rápidas e baratas

Não tenho dado verificado de preço, velocidade ou acurácia dele pra comparar aqui

Se esse é o seu cenário, vale ler a análise de Jev contra classificador próprio que fizemos aqui no blog

Próximo passo

Um jeito prático de começar sem apostar o projeto inteiro:

1. Liste as decisões do seu sistema que hoje são regras fixas ou if/else
2. Marque as que mudam com frequência e não têm dados rotulados
3. Escolha UMA delas e reescreva o critério como pergunta, com um conjunto fechado de respostas (predicate, choice ou score)
4. Rode essa pergunta na beta e compare com o comportamento atual

O erro comum do passo 3 é escrever uma pergunta vaga e culpar a API depois

Se a regra não está clara no texto, ela também não está clara pra ninguém do time

Para a comparação do passo 4, um teste lado a lado no projeto ajuda a enxergar a diferença com os seus próprios dados

E fica de olho na chegada do GA antes de colocar tudo em produção, beleza?

Conclusão

A Decisions API muda a pergunta de como eu treino um modelo pra isso para como eu escrevo esse critério

Sem dados rotulados, com critério mudando toda hora e sem especialista em ML no time, ela tende a ser o caminho mais leve

Com base rotulada grande, critério estável e necessidade de rodar fora de fornecedor, o classificador próprio ainda tem muito espaço

E como ainda é beta, vai com calma…

Até o próximo post! 😀