Microsoft bringt günstiges Entscheidungsmodell für KI-Agenten
Microsoft hat am 10. Oktober 2026 Microsoft-Decision-1 veröffentlicht. Das Modell ist über Microsoft Foundry verfügbar und soll demnächst auch über OpenRouter angeboten werden. Es richtet sich an strukturierte Entscheidungs- und Klassifikationsaufgaben innerhalb von Software und KI-Agenten.
Die erste Version basiert auf Qwen3.5-9B, einem Open-Weight-Modell von Alibaba Cloud. Bei Open-Weight-Modellen sind die trainierten Modellgewichte zugänglich, sodass grundsätzlich ein Betrieb auf eigener Infrastruktur möglich ist. Microsoft kündigt für spätere Versionen eigene Technologie und Modelle von OpenAI an, nennt dafür aber keinen Termin.
Strukturierte Antworten statt generiertem Freitext
Entscheidungsmodelle beantworten eng definierte Fragen mit strukturierten Ergebnissen und Wahrscheinlichkeiten. Typische Aufgaben sind das Einordnen von Supportanfragen, die Auswahl eines Prozessschritts oder die Bewertung, welches Werkzeug ein KI-Agent als Nächstes verwenden soll.
Damit unterscheiden sie sich von großen Sprachmodellen, die Freitext erzeugen und komplexe Probleme bearbeiten sollen. Die begrenzten Antwortmöglichkeiten reduzieren das Risiko frei erfundener Aussagen. Fehler bleiben dennoch möglich, insbesondere wenn Eingangsdaten unvollständig sind oder eine Klassifikation außerhalb des vorgesehenen Anwendungsbereichs verlangt wird.
Anders als große Sprachmodelle seien Entscheidungsmodelle darauf ausgelegt, strukturierte Ausgaben zu liefern, auf die Software unmittelbar reagieren könne, erklärte Microsoft sinngemäß.
Der Markt für diese Modelle ist innerhalb kurzer Zeit stark gewachsen. Nach der Vorstellung von Jev durch TypeSafe AI bieten inzwischen mehr als 100 Modelle vergleichbare Funktionen. Dazu zählen unter anderem OpenAIs Decisions API und Open-Weight-Alternativen, Cloudflare Clef sowie das lokal ausführbare AWS Strands Decider 2B.
0,042 US-Dollar pro Million Input-Tokens
Microsoft positioniert Decision-1 vor allem über geringe Kosten und kurze Antwortzeiten. Input-Tokens kosten 0,042 US-Dollar pro Million Tokens. Für Output-Tokens berechnet Microsoft nach eigenen Angaben nichts.
| Kennzahl | Angabe von Microsoft |
|---|---|
| Preis für 1 Million Input-Tokens | 0,042 US-Dollar |
| Output-Tokens | Kostenlos |
| Genauigkeit in 36 Benchmarks | 83,5 % |
| Confidence-Score | 92,2 %, Rang zwei hinter Quyet-1.0-Large |
| Latenz gegenüber H2O-Lightning-4B | 2,5-mal schneller |
| Latenz gegenüber Jev | 2,8-mal schneller |
| Kosten gegenüber GPT-6 Sol | Mehr als 20-mal günstiger bei Textklassifikation |
Die Werte stammen aus Tests des Anbieters und sollten nicht ohne eigene Messungen auf konkrete Arbeitslasten übertragen werden. Gerade bei Klassifikationsaufgaben hängen Genauigkeit und Kosten stark von Datenqualität, Klassenstruktur und Anfragevolumen ab.
Modell-Routing wird zum wirtschaftlichen Faktor
Microsoft begründet den Ansatz mit den Kosten agentischer Systeme. Statt jede Teilaufgabe an ein großes Sprachmodell zu senden, kann ein spezialisiertes Modell einfache Entscheidungen übernehmen. Teure Modelle werden dann nur für Aufgaben eingesetzt, die tatsächlich Sprachverständnis oder komplexe Schlussfolgerungen erfordern.
Mit dem Einsatz von KI-Agenten spiele der Preis eine immer größere Rolle. Deshalb werde es wichtiger, für jede Aufgabe das passende Modell auszuwählen, erklärte Microsoft sinngemäß.
Für Unternehmen kann dieses Modell-Routing die laufenden Token-Kosten erheblich senken. Es verringert außerdem die Abhängigkeit von einem einzelnen Allzweckmodell, weil klar abgegrenzte Prozessschritte leichter zwischen verschiedenen Anbietern oder selbst betriebenen Modellen verschoben werden können.
Offene Gewichte schaffen Optionen, aber keine automatische Souveränität
Dass Microsoft für die erste Version auf Qwen3.5-9B zurückgreift, zeigt die strategische Bedeutung offener Modellgewichte. Warum kein eigenes Basismodell verwendet wurde, erklärt das Unternehmen nicht. Ebenso bleibt offen, ob Microsoft-Decision-1 selbst mit frei verfügbaren Gewichten bereitgestellt wird.
Für regulierte Unternehmen im DACH-Raum sind deshalb Herkunft, Lizenz, Trainingsbasis und Governance des Basismodells zu prüfen. Zu Datenschutz und DSGVO-Konformität beim Betrieb über Microsoft Foundry oder OpenRouter liegen keine Angaben vor. Ein zugängliches Basismodell ersetzt zudem keine Prüfung des gesamten Betriebswegs, einschließlich Protokollierung, Datenstandort und Zugriffskontrollen.
Wirtschaftlich ist die Richtung dennoch klar. Für standardisierte Softwareentscheidungen werden große, teure Sprachmodelle zunehmend durch kleine Spezialmodelle ersetzt. Wo Open-Weight-Alternativen selbst betrieben werden können, entstehen zusätzliche Optionen bei Kosten, Datenschutz und Vendor-Lock-in.