Automatyzacja procesów · Modele decyzyjne

Modele decyzyjne: szybkie i tanie AI do codziennych decyzji

W firmie zapada dziennie tysiące drobnych decyzji: który zespół dostanie zgłoszenie, czy ten e-mail to reklamacja czy zamówienie, czy ta wiadomość jest pilna. Od września 2026 roku istnieje klasa modeli AI zbudowana dokładnie do takiej pracy. Odpowiada w ułamku sekundy, za ułamek centa i nadaje się już do pracy produkcyjnej.

Aleksandra Osztynowicz 11 min czytania
Wiele dokumentów wpływa do węzła, w którym oceniane są cztery opcje, i wychodzi z niego jako jedna potwierdzona odpowiedź

Najważniejsze w skrócie

  • Model decyzyjny wybiera jedną odpowiedź z zamkniętej listy i podaje do niej prawdopodobieństwo. Nie generuje tekstu, dlatego jest szybki.
  • U dostawców, których testowaliśmy, płacisz tylko za tekst wejściowy. To samo zadanie kosztuje 10 do 100 razy mniej niż z użyciem LLM.
  • Poziom pewności dobrze porządkuje przypadki, ale niczego nie potwierdza. Próg decyzji automatycznych ustaw na własnych danych, osobno dla każdego języka.
  • Audyt na 51 językach wykazał, że próg skalibrowany po angielsku utrzymał się w 8 z nich (Brom, 2026).
  • W większości procesów oba modele pracują razem. Model decyzyjny rozstrzyga jasne przypadki, reszta idzie do LLM.

Ile kosztują drobne decyzje

Rozdzielanie napływającej pracy zajmuje w wielu zespołach sporą część dnia. Service desk wrzuca zgłoszenia do kolejek. Zespół logistyki czyta e-maile przewozowe i decyduje, kto się nimi zajmie. Back office sortuje dokumenty według rodzaju, zanim ktokolwiek je otworzy. Żaden z tych kroków nie wymaga myślenia. Wymaga kogoś, kto je przeczyta.

Do tej pory firmy automatyzowały to na dwa sposoby i żaden nie jest optymalny. Sztywne reguły zawodzą, gdy tylko ludzie sformułują coś inaczej. Duże modele językowe radzą sobie z każdym sformułowaniem, ale jedno wywołanie trwa sekundy i kosztuje więcej, niż warta jest decyzja, kiedy powtarza się to 50 000 razy w miesiącu.

Modele decyzyjne powstały właśnie do tej luki. Model dostaje tekst, a niektóre modele również obrazy, razem ze stałą listą możliwych odpowiedzi. Zwraca jedną z nich wraz z prawdopodobieństwem, w jednym przebiegu, nic nie pisząc.

Większość modeli decyzyjnych wychodzi od tego samego rodzaju modelu językowego co ChatGPT czy Copilot, dotrenowanego do oceniania opcji zamiast pisania tekstu. Różnica leży w tym, jak powstaje odpowiedź. LLM pisze swoją odpowiedź słowo po słowie, więc nawet jednowyrazowa etykieta przychodzi jako tekst, który system odbierający musi odczytać i sprawdzić, a każde słowo kosztuje czas i pieniądze. Model decyzyjny nie pisze nic. Czyta wejście raz i ocenia każdą ze zdefiniowanych opcji, więc odpowiedzią zawsze jest jedna z nich. U dostawców, których testowaliśmy, płatny jest wyłącznie tekst wejściowy. Dlatego to samo zadanie kosztuje zwykle 10 do 100 razy mniej niż z użyciem LLM, zależnie od tego, które modele porównujemy.

Jeden przebieg, jedna odpowiedź U góry model decyzyjny, na dole zwykły model językowy. Model decyzyjny Tekst i opcje zamówienie, reklamacja, pytanie Ocenia każdą opcję jeden przebieg, bez pisania Jedna odpowiedź reklamacja, 0,94 Zwykły LLM Ten sam tekst bez stałych opcji Pisze słowo po słowie każde słowo kosztuje czas Wolny tekst system musi go odczytać Płatny jest tylko tekst wejściowy. To samo zadanie kosztuje 10 do 100 razy mniej.

Ceną za to tempo jest węższe zadanie. Model decyzyjny niczego nie tłumaczy, nie streszcza, nie liczy i nigdy nie odpowiada poza zadanymi opcjami. Dla kroku, który ma tylko trafić we właściwą kolejkę, etykietę albo następną akcję, to jest dokładnie to, czego trzeba, przy koszcie na tyle niskim, że można go puścić na każdym zgłoszeniu, e-mailu i dokumencie w procesie.

Rynek, który powstał w sześć tygodni

TypeSafe wypuścił we wrześniu 2026 roku Jev-a, jeden z pierwszych modeli decyzyjnych. W ciągu kilku tygodni OpenAI, Microsoft, AWS i Cloudflare pokazały własne, częściowo jako usługi hostowane, częściowo jako modele otwarte, działające na serwerach firmy.

To już nie są eksperymenty. Firmy używają ich produkcyjnie, a część zastępuje nimi modele używane wcześniej wszędzie tam, gdzie wystarczy wybór z zamkniętej listy.

Co kilka dni pojawiają się nowe i coraz bardziej różnią się przeznaczeniem. Jedne są dostrojone do kontroli bezpieczeństwa, inne na tyle małe, że zmieszczą się na jednym firmowym serwerze, jeszcze inne obejmują wiele języków albo czytają obrazy obok tekstu. Dzięki temu można wybrać model pod konkretny problem zamiast jednego modelu do wszystkiego.

Gdzie zawodzą

Benchmarki dostawców pokazują modele decyzyjne od najlepszej strony. We własnych projektach widzimy trzy ograniczenia, które mają znaczenie, gdy model trafia do prawdziwego procesu. Niezależne badania wskazują to samo.

Język

Większość modeli decyzyjnych jest trenowana i kalibrowana głównie na języku angielskim. Z naszego doświadczenia ten sam model przy tym samym zadaniu jest po polsku nieco mniej dokładny niż po angielsku, a jego wartości pewności stają się mniej wiarygodne. Audyt na 51 językach doszedł do tego samego wniosku: próg pewności skalibrowany po angielsku dotrzymał obietnicy już tylko w 8 z nich (Brom, 2026).

Dla firmy pracującej po polsku albo po niemiecku język jest więc pierwszą rzeczą do przetestowania. I to w obie strony: język tekstu wejściowego oraz opisy opcji, spośród których model wybiera, bo każde z nich potrafi przesunąć wynik (Galtea, 2026).

Pewność

Do każdej odpowiedzi dochodzi prawdopodobieństwo pokazujące, jak pewny jest model. Jeśli daje 0,9 dla „reklamacji”, mniej więcej dziewięć na dziesięć takich odpowiedzi powinno być trafnych. To czyni tę liczbę dobrą do porządkowania: im wyższa, tym większa szansa, że odpowiedź jest poprawna.

Czego ta liczba nie potrafi, to obiecać, że konkretna odpowiedź jest trafna. Wartości dobrze układają przypadki, ale nie potwierdzają żadnego z osobna, więc część błędnych odpowiedzi dalej przychodzi z wysoką pewnością (Xiong i in.). Widzieliśmy to we własnych testach. Należy też pamiętać, że wartości są tylko tak wiarygodne jak zadanie, na którym je sprawdzono. Przy kategoriach występujących jedynie w danej firmie 0,9 może oznaczać, że model trafia znacznie rzadziej niż dziewięć razy na dziesięć.

Dlatego model najpierw testuje się na prawdziwych danych firmy, a próg, powyżej którego decyzje zapadają automatycznie, ustawia się z tych wyników, osobno dla każdego języka.

Wiedza dziedzinowa i liczenie

Przy jasno postawionych, ogólnych pytaniach modele decyzyjne dotrzymują kroku LLM-om. Ich przewagą są koszt i tempo, nie dokładność. W zadaniach z wieloetapową matematyką odstają: na MathQA jeden z nich wypadł 17,7 punktu poniżej mediany modeli frontier i poniżej wszystkich 19 LLM-ów, z którymi go porównano (Li i in., 2026).

Z naszego doświadczenia luka pokazuje się wszędzie tam, gdzie właściwa odpowiedź zależy od wiedzy specjalistycznej, na przykład od tego, który zespół odpowiada za dany problem, kiedy wynika to z budowy konkretnego systemu dziedzinowego.

Modele decyzyjne również nie liczą. Porównanie kwoty z faktury z zamówieniem albo sprawdzenie, czy minął termin płatności, lepiej załatwi reguła albo kilka linii kodu. Model decyzyjny bierze na siebie tę część, która wymaga zrozumienia tekstu, na przykład rozpoznanie, czy dokument jest fakturą, czy korektą.

Modele decyzyjne a zwykłe LLM-y

Oba potrafią automatyzować pracę w tym samym procesie, ale działają inaczej i każdy jest właściwym narzędziem do innego rodzaju zadania.

Model decyzyjnyLLM
Co zwracaJedną odpowiedź z zamkniętej listy, z prawdopodobieństwemWolny tekst: odpowiedzi, wyjaśnienia, streszczenia, szkice
Pasuje doDużego wolumenu, jasnych opcji, angielskiego lub przetestowanego językaDecyzji wymagających wiedzy dziedzinowej lub wnioskowania, przy średnim wolumenie
Koszt pracyUłamki centa za decyzjęZwykle 10 do 100 razy więcej
Na co uważaćJęzyk, błędne odpowiedzi z wysoką pewnościąKoszt przy skali, deklarowana pewność jest niewiarygodna

W większości procesów, które widzimy, najlepszy układ łączy oba modele, z dwóch osobnych powodów. Po pierwsze model decyzyjny nie potrafi tego, co LLM. Wybiera tylko ze stałej listy, więc każdy krok, który musi napisać tekst, zostaje przy LLM: odpowiedź, streszczenie, wyciągnięcie danych. Po drugie nawet tam, gdzie wybór z listy wystarcza, model decyzyjny rozstrzyga wyłącznie przypadki, których jest pewny, a resztę przekazuje dalej.

Weźmy skrzynkę mailową w obsłudze klienta. Model decyzyjny czyta każdy przychodzący e-mail i w ciągu sekundy rozstrzyga, czy to zamówienie, reklamacja czy pytanie i jak pilne. Zamówienia i rutynowe pytania idą prosto do właściwej kolejki. Tylko reklamacje i te wiadomości, co do których model decyzyjny nie jest pewny, trafiają do LLM-a, który szkicuje odpowiedź albo wyciąga dane potrzebne w następnym kroku. Skrzynka jest posortowana niemal natychmiast, a wolniejszy i droższy model pracuje na ułamku wiadomości zamiast na wszystkich. Stronę procesową opisaliśmy w artykule Automatyzacja skrzynki e-mail.

Skrzynka w obsłudze klienta Model decyzyjny rozstrzyga jasne przypadki. Reszta idzie do LLM. Przychodzący e-mail dowolne sformułowanie Model decyzyjny jedna odpowiedź, poniżej 1 s Zamówienie lub pytanie prosto do kolejki Reklamacja lub wątpliwość przekazane dalej LLM pisze odpowiedź Wolniejszy model pracuje na ułamku wiadomości zamiast na wszystkich.

Jak budujemy układ produkcyjny

Wybór modelu to pierwszy krok i najmniejszy. W działającym procesie to układ wokół modelu decyzyjnego czyni go bezpiecznym. Punkty wymienione poniżej pokrywają się z tym, czego wymagają pierwsze niezależne listy kontrolne dla tej klasy modeli (Tang i Zheng, 2026).

  • Model nigdy nie jest wmontowany na stałe. Siedzi za własnym interfejsem firmy, więc przejście na lepszy albo tańszy model jest zmianą ustawienia, a nie przebudową. Każda zmiana jest testowana przed wejściem na produkcję, również aktualizacja po stronie dostawcy.
  • Każda decyzja jest zapisywana, razem z wersją modelu. To wspiera audyty i obowiązki dokumentacyjne, które unijny AI Act przewiduje dla zastosowań wysokiego ryzyka.
  • Opisy opcji testuje się jak kod. Niosą reguły biznesowe firmy.
  • Dane zostają tam, gdzie muszą, w regionie UE albo na własnych serwerach.
  • Tekst wejściowy traktujemy ostrożnie. Kilka naturalnie brzmiących zdań dodanych do e-maila potrafi wystarczyć, żeby popchnąć model do błędnej odpowiedzi, dlatego sprawdzamy to przed startem (Xu i in., 2026).
  • Przypadki niepewne idą dalej, do LLM-a albo do reguły zapasowej, zamiast być rozstrzygane automatycznie.

Do każdej decyzji właściwy model

Modele decyzyjne sprawiają, że opłaca się zautomatyzować drobne, powtarzalne decyzje, do których LLM jest za wolny i za drogi. Zawsze wybierają z zamkniętej listy, a najlepsze wyniki dają w przetestowanym języku, z progiem ustawionym na podstawie własnych danych firmy. Tam, gdzie krok wymaga napisania tekstu albo wiedzy specjalistycznej, LLM zostaje w procesie, a w większości przypadków oba pracują razem.

W theBlue.ai testujemy modele decyzyjne i LLM-y obok siebie i wbudowujemy jedne i drugie w procesy biznesowe, u klientów i u siebie. Z tej pracy wiemy, gdzie coś się opłaca, a gdzie nie. Jak realizujemy projekty, opisujemy na stronie Jak pracujemy.

theBlue.ai to firma zajmująca się AI dla przedsiębiorstw, z biurami w Hamburgu i Poznaniu. Zespół pracuje nad projektami AI od 2016 roku i należy do grupy Apollogic z ponad 120 programistami. Więcej o nas na stronie O nas.

Źródła: Brom (2026), „Confidence Is Not a Promise: A Reference Audit of Typed Decision Models” dla progu pewności na 51 językach. Li i in. (2026), „Specialized Decision Models vs. General-Purpose LLMs” dla odstępu przy wieloetapowej matematyce. Tang i Zheng (2026), „Typed Decision Models: An Early Evidence Audit and Evaluation Checklist” dla listy kontrolnej. Xu i in. (2026), „JevOut: Natural Context Can Flip Decision Models” dla spreparowanych wejść. Xiong i in., „Can LLMs Express Their Uncertainty?” dla deklarowanej pewności. Galtea (2026) dla wpływu języka. OpenAI, Decisions dla budowy interfejsu.

Planujesz projekt AI?

W analizie procesu mapujemy Twoje procesy, porządkujemy możliwe zastosowania według korzyści i proponujemy architekturę.

Zapytaj o analizę procesu

Najczęściej zadawane pytania

Modelem AI, który wybiera dokładnie jedną odpowiedź ze stałej listy możliwych odpowiedzi i podaje do niej prawdopodobieństwo. Nie pisze tekstu i nigdy nie odpowiada poza listą. Powstał do kroków w rodzaju: który zespół dostanie to zgłoszenie, czy ten e-mail to reklamacja, jaki to rodzaj dokumentu.

Przy tym samym zadaniu zwykle 10 do 100 razy, zależnie od tego, które modele porównujesz. Powodem jest to, że u dostawców, których testowaliśmy, płatny jest wyłącznie tekst wejściowy. Pojedyncza decyzja kosztuje więc ułamki centa, co utrzymuje ją w zasięgu także przy 50 000 spraw miesięcznie.

Do porządkowania tak, jako dowód nie. Wysoka wartość oznacza, że odpowiedź jest prawdopodobnie bardziej trafna, ale nie potwierdza żadnego pojedynczego przypadku, a część błędnych odpowiedzi przychodzi z wysoką pewnością. Próg, powyżej którego decyzje zapadają automatycznie, ustaw więc po testach na własnych danych, osobno dla każdego języka.

Działają, ale nie bez testu. Modele są kalibrowane głównie na angielskim. Audyt na 51 językach wykazał, że próg pewności ustawiony po angielsku utrzymał się tylko w 8 z nich (Brom, 2026). Przetestować trzeba obie strony: język przychodzących tekstów i język opisów opcji.

Zawsze wtedy, gdy krok musi wytworzyć tekst, na przykład odpowiedź, streszczenie, zwrócić wyciągnięte dane, gdy właściwa odpowiedź zależy od wiedzy specjalistycznej o konkretnym systemie albo gdy trzeba coś policzyć. W większości procesów oba działają obok siebie: model decyzyjny rozstrzyga jasne przypadki, a LLM dostaje resztę.

Aleksandra Osztynowicz

O autorce

Aleksandra Osztynowicz

AI Engineer, theBlue.ai

Aleksandra od 2021 roku tworzy w theBlue.ai dedykowane rozwiązania AI. Specjalizuje się w systemach agentowych i wdrożeniach lokalnych modeli LLM dopasowanych do potrzeb firm. Jako AI Engineer pomaga organizacjom automatyzować procesy za pomocą systemów gotowych do pracy produkcyjnej: od modeli open source działających on-premise po wewnętrzne bazy wiedzy oparte na RAG dla branż regulowanych. Na bieżąco poszerza swoją wiedzę w szybko zmieniającym się świecie sztucznej inteligencji.

W swoich artykułach dzieli się doświadczeniem z prawdziwych projektów enterprise AI i pokazuje, że wdrożenie AI w firmie nie musi być skomplikowane.