Die wichtigste Leistung dieser neuen KI könnte darin liegen, gerade keinen Satz zu schreiben. Eine Kundenanfrage trifft ein, ein automatisierter Prozess muss den nächsten Schritt wählen, ein anderes Modell hat bereits eine Antwort formuliert. Jetzt geht es nicht mehr um Sprache, Stil oder Argumente, sondern um eine knappe Entscheidung: weiterleiten, freigeben, wiederholen, stoppen.
Für solche Momente hat Microsoft am 9. Oktober 2026 Microsoft-Decision-1 veröffentlicht. Das Modell soll weder Gedichte verfassen noch Gespräche führen oder komplizierte Fragen in langen Absätzen beantworten. Stattdessen erhält es eine Situation, eine Frage und eine begrenzte Auswahl möglicher Antworten. Anschließend bewertet es jede Option und gibt die entsprechende Wahrscheinlichkeit an.
Das klingt weniger eindrucksvoll als das Versprechen eines Chatbots, der in Sekunden einen Romananfang erfindet. Doch gerade in dieser Nüchternheit liegt die Bedeutung.
Microsoft-Decision-1 deutet auf eine neue Arbeitsteilung in der künstlichen Intelligenz hin. Statt ein großes Sprachmodell mit jeder noch so kleinen Aufgabe zu beschäftigen, könnten spezialisierte Modelle künftig die unzähligen Entscheidungen übernehmen, die im Maschinenraum digitaler Anwendungen anfallen. Unsichtbar, schnell und billig.
Kein Text, sondern ein Ergebnis
Ein klassisches Sprachmodell beginnt mit Wörtern und erzeugt weitere Wörter. Es formuliert und erklärt, fasst zusammen oder entwickelt einen Gedanken. Selbst wenn am Ende nur „Ja“ oder „Nein“ gebraucht wird, entsteht die Antwort nach dem Prinzip der Textgenerierung.
Microsoft-Decision-1 folgt engeren Vorgaben. Ein Entwickler übergibt dem Modell beispielsweise die Beschreibung einer Supportanfrage und legt mögliche Kategorien fest: Rechnung, technisches Problem, Kündigung oder unklar. Daraufhin entscheidet sich das Modell nicht einfach für eine Kategorie, sondern gibt für jede Möglichkeit einen Wahrscheinlichkeitswert zurück.
Neben solchen Auswahlfragen unterstützt es Ja-Nein-Entscheidungen, Bewertungsskalen und vorgegebene Prüfraster. Am Ende stehen strukturierte Daten, die eine Anwendung unmittelbar weiterverarbeiten kann. Sie muss weder einen Satz aus einer Antwort herausfiltern noch darauf hoffen, dass die KI sich an das verlangte Format hält.
Technisch beruht Decision-1 auf Qwen3.5-9B, einem Modell mit offenen Gewichten aus der Qwen-Familie von Alibaba. Microsoft hat dieses Ausgangsmodell darauf nachtrainiert, vorgegebene Optionen schnell zu bewerten. Als Trainingsmaterial nennt das Unternehmen öffentlich verfügbare Datensätze sowie synthetisch erzeugte Daten. Die Kontextlänge beträgt 32.768 Token; die Eingabe ist auf Text, die Ausgabe auf strukturierte JSON-Daten beschränkt. Recherchequelle: Microsoft Foundry
Den vorgesehenen Einsatz grenzt Microsoft klar ein: Das Modell ist nicht für freie Textgenerierung, Übersetzungen, Zusammenfassungen oder offene Wissensfragen gedacht. Es soll keine neuen Möglichkeiten erfinden, sondern zwischen bereits festgelegten Alternativen unterscheiden.
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Das macht es weniger vielseitig. Und womöglich nützlicher.
Der teure Umweg über den Alleskönner
In vielen KI-Anwendungen erledigen große Sprachmodelle heute Arbeiten, für die sie eigentlich überdimensioniert sind. Sie sortieren Nachrichten, erkennen die Absicht eines Kunden, prüfen Antworten anhand eines Regelwerks oder bestimmen, welches Werkzeug ein System als Nächstes einsetzen soll.
Ein solches Modell gleicht einem hochqualifizierten Übersetzer, der seine Zeit damit verbringt, Post nach Farben zu ordnen. Es kann die Aufgabe lösen. Fraglich ist nur, ob Zeit, Rechenleistung und Geld dabei sinnvoll eingesetzt werden.
Besonders deutlich wird das bei komplexeren KI-Systemen, in denen eine Aufgabe häufig aus vielen kleinen Schritten besteht. Zuerst wird eine Anfrage klassifiziert, dann ein geeignetes Modell ausgewählt. Anschließend folgt die Prüfung der Antwort, bevor schließlich über die Freigabe einer Aktion entschieden wird. Jede Station kostet Zeit. Addieren sich zwanzig kleine Verzögerungen von jeweils 100 Millisekunden, wartet der Nutzer am Ende zwei Sekunden länger. Im Takt digitaler Anwendungen ist das eine spürbare Pause.
Microsoft verspricht deshalb vor allem Geschwindigkeit. Nach eigenen Messungen war Decision-1 in einer Untersuchung über 36 öffentliche und interne Benchmarks mit knapp 150.000 Fragen das genaueste der getesteten Entscheidungsmodelle. Im Mittel habe es rund 35-mal schneller reagiert als GPT-6 Sol und zweieinhalbmal schneller als das nächstschnellere Vergleichsmodell H2O-Lightning-4B v1.1. Diese Resultate sind Herstellerangaben; unabhängige Vergleichstests liegen zur Veröffentlichung noch nicht vor. Recherchequelle: Microsoft Command Line
Auch beim Preis setzt Microsoft ein deutliches Signal. Eine Million Eingabetoken kostet 0,042 US-Dollar, für die strukturierte Ausgabe berechnet das Unternehmen nichts. Das Modell zielt damit nicht auf einzelne spektakuläre Antworten, sondern auf große Mengen gleichförmiger Vorgänge: sortieren, gewichten, prüfen, weiterleiten.
Im Hintergrund von Xbox und Copilot
Microsoft hat Decision-1 bereits intern erprobt. Das Xbox-Forschungsteam nutzte das Modell, um mehr als 10.000 offene Kommentare aus Umfragen, Steam-Rezensionen und Beiträgen in sozialen Netzwerken zuvor festgelegten Themen zuzuordnen. Nach Angaben des Unternehmens erreichte es dabei eine mit GPT-6 Sol vergleichbare Qualität, arbeitete jedoch mehr als 14-mal schneller und verursachte nur einen Bruchteil der Kosten.
Beim Copilot-Team bewertete Decision-1 Antworten von Chatbots und automatisierten Systemen. Dort soll das Modell bei vergleichbarer Qualität hundertmal schneller als GPT-5.6 Luna gearbeitet haben. In einem weiteren Test prüfte es Zwischenergebnisse wissenschaftlicher Experimente und half einem System dabei, den nächsten experimentellen Schritt auszuwählen.
An solchen Anwendungen zeigt sich, wo Entscheidungsmodelle ihren Platz finden könnten. Während ein Sprachmodell die Antwort schreibt, übernimmt ein zweites System deren Bewertung. Schlägt ein Agent eine Aktion vor, kann ein Entscheidungsmodell sie anhand festgelegter Regeln prüfen. Und bei einer Suche ordnet ein spezialisiertes Modell die wahrscheinlich relevantesten unter hundert gefundenen Dokumenten nach vorn.
Die sichtbare KI bleibt der Gesprächspartner. Dahinter aber entsteht eine Schicht stiller Pförtner, die sortieren, prüfen und Wege öffnen oder schließen.
Wahrscheinlichkeit ist kein Beweis
Der Begriff „kalibrierte Wahrscheinlichkeit“ klingt nach mathematischer Gewissheit. Gemeint ist jedoch etwas Bescheideneres: Gibt das Modell in vielen vergleichbaren Fällen eine Wahrscheinlichkeit von 90 Prozent an, sollte es in etwa neun von zehn Fällen richtig liegen. Ob diese Kalibrierung in einer konkreten Anwendung tatsächlich trägt, hängt von den Daten, den formulierten Fragen und den angebotenen Antwortmöglichkeiten ab.
Eine hohe Wahrscheinlichkeit bestätigt zudem nicht, dass der Inhalt einer Eingabe wahr ist. Meldet ein Kunde, eine bestimmte Funktion sei verschwunden, kann das Modell mit großer Sicherheit erkennen, dass hier ein Funktionsausfall beschrieben wird. Ob die Funktion wirklich fehlt, hat es damit noch nicht geprüft. Sicherheit in der Einordnung ist nicht dasselbe wie Gewissheit über die Wirklichkeit.
Vercel, das Decision-1 über sein AI Gateway verfügbar macht, empfiehlt deshalb, Vorhersagen zunächst anhand eigener, bereits bewerteter Beispiele zu testen. Besonders aufschlussreich sind Fehler, bei denen sich das Modell sehr sicher zeigt. Ein bloßer Schwellenwert schützt nicht vor ihnen. Darüber hinaus muss die Anwendung gesondert festlegen, welche Folgen eine Einstufung haben darf und wann ein Mitarbeiter eingreifen soll. Recherchequelle: Vercel
Auch Microsoft warnt in der eigenen Modellbeschreibung davor, Decision-1 als alleinigen Entscheider in folgenreichen Angelegenheiten einzusetzen. Das Modell soll nicht selbstständig über Kredite, Arbeitsplätze, Wohnungen, Versicherungen, Bildungschancen, medizinische Behandlungen oder rechtliche Ansprüche bestimmen. Überwachung, persönliche Profilbildung und die Unterdrückung rechtmäßiger Äußerungen nennt das Unternehmen ebenfalls als unzulässige Einsatzfelder.
Diese Einschränkungen berühren den empfindlichsten Punkt des Konzepts. Je günstiger und schneller automatisierte Entscheidungen werden, desto größer ist die Versuchung, den dahinterstehenden Systemen mehr Verantwortung zu übertragen. Aus einer Empfehlung wird eine Vorauswahl, aus der Vorauswahl eine automatische Ablehnung. Der Übergang kann leise geschehen, verborgen in Prozessdiagrammen und Programmierschnittstellen.
Die neue KI ist ein Ensemble
Microsoft-Decision-1 ist kein Abschied vom großen Sprachmodell. Eher beendet es die Vorstellung, ein einziges Modell müsse sämtliche Aufgaben bewältigen.
Künftige KI-Anwendungen könnten stärker einem Ensemble ähneln: Ein Modell versteht Bilder, ein anderes formuliert Texte, ein drittes sucht Informationen. Decision-1 sitzt dazwischen und entscheidet, welche Komponente eine Aufgabe übernehmen soll, ob ein Ergebnis den Regeln entspricht und wann ein Mensch gebraucht wird. Nicht als Solist, sondern als leiser Taktgeber im Hintergrund.
Für den Nutzer bleibt diese Arbeitsteilung meist unsichtbar. Er sieht eine Antwort, eine Empfehlung oder einen nächsten Schritt. Hinter der Oberfläche können jedoch Dutzende kleiner Bewertungen liegen, jede versehen mit einer Zahl, die nach Präzision aussieht.
Die spannendste Entwicklung der künstlichen Intelligenz spielt sich damit womöglich nicht im nächsten wortgewaltigen Chatbot ab. Sie beginnt dort, wo Maschinen aufhören zu reden und anfangen, Auswahlmöglichkeiten gegeneinander abzuwägen. Nicht jede dieser Entscheidungen wird von großer Tragweite sein. Gerade deshalb könnten es sehr viele werden.
Weiterführende Informationen
Quellenhinweis: Einzelne Fakten, Einschätzungen und Prognosen dieses Beitrags stützen sich auf Veröffentlichungen der nachfolgend genannten Unternehmen und Institutionen. Die Links dienen zugleich der weiterführenden Information.
Dr. Web – Microsoft-Decision-1 läuft auf Alibabas Qwen, bis Microsoft die Basis austauscht
Der Fachartikel erklärt, wie das auf Qwen3.5-9B basierende Spezialmodell vorgegebene Optionen in einem Durchgang bewertet und Wahrscheinlichkeiten statt Fließtext ausgibt.
https://www.drweb.de/microsoft-decision-1-qwen-alibaba/
All-AI – Microsoft-Decision-1 schlägt »Jev« bei Tempo und Genauigkeit
Der Beitrag vergleicht Genauigkeit und Reaktionszeiten anhand von 147.137 Benchmarkfragen und erläutert den Preis von 4,2 US-Cent je Million Eingabetokens.
https://www.all-ai.de/news/news26/microsoft-jev-ki
AI-Fabrik – Microsoft Decision-1: Wann sich das Modell für Unternehmens-Workflows lohnt
Die Praxisanalyse zeigt, wie Nutzer die Kalibrierung mit eigenen Testdaten prüfen und bei folgenreichen Entscheidungen menschliche Kontrollen vorsehen sollten.
https://www.ai-fabrik.com/microsoft-decision-1-ki-modell-unternehmen/
