【Decisions API】OpenAIの判断専用APIとは？Jevとの違い・料金・使い方を徹底解説
- Decisions APIはOpenAIがDevDay 2026で発表した、決めた選択肢から答えだけを返す判断特化型API
- GPT-6 Lunaがテキストや画像を読み取り、分類・振り分け・エージェントの行動選択をリアルタイムで判断
- 2026年9月時点では限定プレビューで、料金や詳細仕様は一般公開時に発表予定
2026年9月30日、OpenAIが開発者向けカンファレンス「DevDay 2026」で、判断に特化した新しいAPI「Decisions API」を発表しました！
Decisions APIは、開発者があらかじめ決めた質問と回答候補の中から、GPT-6 Lunaが最適な答えを選んで返してくれるAPIです。OpenAIの説明として米The New Stackが伝えたところでは、応答までの時間は約150ミリ秒で、通常の方法でLunaに尋ねた場合の約1.6秒と比べておよそ10倍も速いとされています。
とはいえ、「普通のLLMにプロンプトで選ばせるのと何が違うの？」「話題のJevとどっちを使えばいい？」と気になっている方も多いのではないでしょうか。
この記事では、Decisions APIの概要・仕組み・料金・ライセンス・使い方に加えて、Xで話題のJevとの比較までまとめて解説します。
最後まで読めば、アプリに即決できるAIを組み込むイメージがつかめるはずです。ぜひ最後までご覧ください！
＼生成AIを活用して業務プロセスを自動化／
Decisions APIとは？
Decisions APIは、文章を生成するのではなく「決められた選択肢から答えを選ぶ」ことに特化したOpenAIのAPIです。まずは公式発表をもとに、基本的な情報を整理していきましょう。
OpenAIのDevDay 2026の振り返り記事によると、Decisions APIは開発者が定義した質問と有限の回答候補にLunaの知能を集中させ、リアルタイムの意思決定を可能にするAPIだと説明されています。開発者はテキストや画像で状況を伝えるだけで、アプリでそのまま使える答えを受け取れるのがポイントです。
公式が挙げている用途は、投稿や文章の分類・問い合わせなどのリクエストの振り分け・AIエージェントの次のアクション選択の3つになります。
OpenAI Developersの公式Xでは、サポートへの問い合わせと振り分け先チームの候補を渡すと、APIが担当チームを選んで返す例が紹介されました。
Decisions APIの仕組み
Decisions APIの内部構造について、OpenAIは2026年9月時点でモデルの詳細やAPIリファレンスを公開していません。ここでは公式発表から読み取れる範囲で、動作の流れを整理します。
公式情報から見える構成要素は、大きく分けて「質問」「回答候補」「コンテキスト」の3つです。開発者が「この問い合わせはどのチームの担当か」といった質問と、「請求・技術・配送」のような有限の答えを定義し、判断材料となるテキストや画像を一緒に送ります。受け取ったGPT-6 Lunaは文章を書く代わりに、用意された候補の中から答えを選んでアプリ側へ返す流れです。
OpenAIで開発に携わるTibo氏はXへの投稿で、Decisions APIは視覚入力にも対応し、エンドツーエンドで数百ミリ秒未満の判断ができるよう調整されていると説明しました。
Decisions APIの特徴
Decisions APIの強みは、速さと組み込みやすさを両立している点にあります。公式発表と開発者の発信をもとに、汎用のLLMとどこが違うのかという視点で、主な特徴を3つ見ていきましょう。
約150ミリ秒で答えを返す低レイテンシ
The New Stackによると、OpenAIはDecisions APIが約150ミリ秒で結果を返すと説明しています。同じ判断を通常の方法でGPT-6 Lunaに任せた場合は約1.6秒かかるとされ、待ち時間をほとんど感じないレベルです。
ユーザーの操作に合わせて即座に処理を分岐させたいチャットボットや、1回の作業で何度も判断を挟むAIエージェントでは、この差が使い心地に直結するでしょう。
ただし、この数値はOpenAI自身の説明にもとづくもので、第三者による同条件のベンチマークはまだ出ていません。入力の長さや回答候補の数で速度が変わる可能性もあるため、導入前に自社データで測っておくのがおすすめです。なお、2026年9月時点では正答率などのベンチマークスコアも公表されていません。
テキストに加えて画像でも判断できる
公式発表で明記されているとおり、Decisions APIにはテキストだけでなく画像もコンテキストとして渡せます。
例えば、商品写真を見て「良品・要確認・不良」を選ばせたり、アプリのスクリーンショットから問い合わせの種類を見分けたりする使い方が考えられるでしょう。文字に起こしにくい現場の状況を、写真1枚で判断材料にできるのは大きな魅力です。
判断に特化したAPIはほかにも登場していますが、画像をそのまま扱える点はXでも差別化ポイントとして注目を集めています。
回答が必ず選択肢の中に収まる
Decisions APIは、開発者が定義した有限の回答候補の中から答えを返す設計です。自由に文章を生成するLLMでは、指示と違う表現で答えたり、想定していないカテゴリを作ってしまったりすることがありました。
回答の範囲があらかじめ閉じていれば、アプリ側は返ってきた値をそのまま条件分岐に使えるため、既存のシステムに組み込みやすくなります。
質問も答えも開発者が自由に決められるので、社内独自の分類ルールをそのまま反映できるのも強みといえるでしょう。
Decisions APIの安全性・制約
便利なDecisions APIですが、2026年9月時点ではプレビュー段階ならではの制約もあります。導入を検討する前に、押さえておきたいポイントを整理しましょう。
まず、Decisions APIは選ばれたAPI利用者だけが試せる限定プレビューで、公開されたAPIリファレンスもまだありません。The New Stackによれば、1回のリクエストで扱える回答候補の数や、自社データでの調整可否といった細かな仕様も明らかになっていないとのことです。
安全面については、Decisions API専用の安全性ドキュメントは2026年9月時点で公開されていません。通常のOpenAI APIと同じく、OpenAIの利用規約とポリシーの範囲で使うことが前提になります。
さらに、有限の選択肢から答える以上、長い文章の生成や自由な説明には向いていません。採用可否の判定や与信のように、判断ミスが大きな損失につながる用途では、人によるレビューを組み合わせるのが安心です。
Decisions APIの料金
Decisions APIの料金は、2026年9月時点ではまだ公表されていません。なので参考として、ベースモデルであるGPT-6 LunaのAPI料金をまとめました。
| 項目 | 料金（100万トークンあたり） | 備考 |
|---|---|---|
| Decisions API | 未公開 | 2026年9月時点 |
| （参考）GPT-6 Luna 入力 | 0.10ドル | Standard・短いコンテキストの場合 |
| （参考）GPT-6 Luna キャッシュ入力 | 0.01ドル | 同上 |
| （参考）GPT-6 Luna キャッシュ書き込み | 0.125ドル | 同上 |
| （参考）GPT-6 Luna 出力 | 0.50ドル | 同上 |
| （参考）GPT-6 Luna Batch | 入力0.05ドル・出力0.25ドル | 非同期でまとめて処理する場合 |
Decisions APIのライセンス
Decisions APIはオープンソースではなく、OpenAIがクラウド経由で提供するAPIサービスです。利用条件は、OpenAIの法人・開発者向け規約に沿って判断しましょう。
| 利用用途 | 可否 | 備考 |
|---|---|---|
| 商用利用 | ⭕️ | 自社アプリに組み込んでエンドユーザーへ提供可能 |
| 改変 | ❌ | モデル自体の改変やリバースエンジニアリングは不可（出力の加工は自由） |
| 再配布 | ❌ | モデルの再配布やAPIキーの売買・譲渡は不可 |
| 特許利用 | – | |
| 私的利用 | ⭕️ |
Decisions APIの使い方
Decisions APIは2026年9月時点で限定プレビューのため、誰でもすぐに呼び出せるわけではありません。ここからは、プレビューに備えた準備と、一般公開までに同じ判断フローを試せる代替手順を紹介します。
OpenAI APIキーを用意する
Decisions APIはOpenAIのAPIとして提供されるため、まずはOpenAIのAPIプラットフォームでアカウントを作成し、APIキーを発行しておきましょう。
キーを発行したら、ターミナルで環境変数に設定します。
export OPENAI_API_KEY="your-api-key"続いて、Python向けの公式SDKとPydanticをインストールしてください。
pip install -U openai pydanticOpenAIのAPIはChatGPTのサブスクリプションとは別料金のため、請求設定も先に済ませておくとスムーズです。
限定プレビューの提供状況を確認する
Decisions APIのプレビューは、OpenAIが選んだAPI利用者に限って提供されています。2026年9月時点では公式のAPIリファレンスが公開されておらず、エンドポイントやリクエストの形式も明らかになっていません。
開発者のなかには、プレビュー対象外のアカウントで呼び出したところ、「このユーザーでは有効になっていない」という趣旨のエラーが返ったと報告しているケースもあります。
自己流でリクエスト形式を推測するよりも、OpenAIの開発者ドキュメントやOpenAI Developersの公式Xで正式な仕様が公開されるのを待つのが確実です。
GPT-6 LunaとStructured Outputsで判断フローを先に使ってみる
プレビューを待つ間に試せるのが、GPT-6 LunaとStructured Outputsを組み合わせて、回答を選択肢に固定する方法です。
OpenAIのStructured Outputsは、出力が指定したJSONスキーマに必ず従うようにする機能で、列挙型（enum）を使えば答えを候補の中に限定できます。Decisions APIそのものではありませんが、「質問・回答候補・コンテキスト」という同じ考え方で実装できるため、一般公開後の比較もしやすくなるでしょう。
以下は、問い合わせ文から担当チームを1つ選ばせるコードです。
from typing import Literal
from openai import OpenAI
from pydantic import BaseModel
client = OpenAI()
class Routing(BaseModel):
team: Literal["billing", "technical", "shipping", "sales", "other"]
inquiry = "先月の利用料金が二重に請求されています。返金の手続きを教えてください。"
response = client.responses.parse(
model="gpt-6-luna",
reasoning={"effort": "low"},
input=[
{
"role": "system",
"content": "問い合わせを読み、担当チームを候補から1つだけ選んでください。",
},
{"role": "user", "content": inquiry},
],
text_format=Routing,
)
print(response.output_parsed.team)PydanticのLiteralで候補を定義すると、SDKが自動でenum付きのJSONスキーマに変換してくれます。実行すると候補のいずれかだけが返り、この例なら請求担当のbillingが選ばれる想定です。
画像をコンテキストに渡して判断させる
Decisions APIの目玉である画像入力も、同じ方法で試せます。Responses APIでは、画像をBase64に変換してinput_imageとして渡すだけでOKです。
import base64
from typing import Literal
from openai import OpenAI
from pydantic import BaseModel
client = OpenAI()
class Triage(BaseModel):
category: Literal["login_error", "payment_error", "display_bug", "other"]
with open("screenshot.png", "rb") as f:
image_b64 = base64.b64encode(f.read()).decode("utf-8")
response = client.responses.parse(
model="gpt-6-luna",
reasoning={"effort": "low"},
input=[
{
"role": "user",
"content": [
{"type": "input_text", "text": "このスクリーンショットの不具合を分類してください。"},
{"type": "input_image", "image_url": f"data:image/png;base64,{image_b64}"},
],
}
],
text_format=Triage,
)
print(response.output_parsed.category)スクリーンショットや商品写真など、手元の画像に差し替えて試してみてください。画像のサイズが大きいほど入力トークンも増えるため、判定に必要な部分だけを切り出して送るのがコツです。Decisions APIの仕様が公開されたら、同じ質問と候補のセットで速度や精度を比べてみるとよいでしょう。
【業界別】Decisions APIの活用シーン
Decisions APIは「決まった選択肢から素早く選ぶ」仕事であれば、業界を問わず活用できます。ここからは、導入効果が大きそうな業界を5つ取り上げ、具体的な使い方のイメージとあわせてまとめてみました。
カスタマーサポート・コールセンター
問い合わせ対応の現場では、届いたメールやチャットを適切な担当へ振り分ける作業が毎日発生します。Decisions APIに「請求・技術・配送・解約」のような候補を渡しておけば、問い合わせが届いた瞬間に担当チームを判定できるでしょう。
振り分けが自動化されると、オペレーターは回答そのものに集中できるようになります。緊急度の判定もあわせて行えば、クレームや障害報告を優先して拾い上げる仕組みも作れそうです。
コールセンターにおける生成AI導入について、詳しく知りたい方は以下の記事も参考にしてみてください。
金融・保険
金融や保険の業務では、提出された書類の種類の判定や、申請内容の一次スクリーニングに役立ちます。画像で届いた書類を読み取り、「本人確認書類・収入証明・その他」といった区分に振り分ける処理を自動化できるでしょう。
ただし、審査結果に直結する判断は影響が大きいため、Decisions APIには一次仕分けだけを任せ、最終判断は担当者が行う設計が安心です。人とAIの役割分担を明確にしておくことが、導入を成功させるカギになります。
金融業界における生成AI活用について、詳しく知りたい方は以下の記事も参考にしてみてください。
ソフトウェア開発・AIエージェント
AIエージェントを開発している企業にとっては、エージェントが次に取るアクションの選択がDecisions APIの大きな使いどころです。「検索する・ファイルを読む・ユーザーに確認する・完了する」のような分岐を高速に決められれば、エージェント全体の処理時間を短くできます。
複雑な思考は上位モデルに任せ、細かな分岐判断だけを軽量なDecisions APIに任せる使い分けも考えられるでしょう。Function Callingとあわせて設計すると、ツール選択の精度と速度の両方を高められるかもしれません。
生成AIを搭載したSaaSについて、詳しく知りたい方は以下の記事も参考にしてみてください。
【課題別】Decisions APIが解決できること
次に、Decisions APIがどのような課題の解決に役立つのかを見ていきましょう。ここからは、現場でよくある悩みのなかから、導入効果が期待できる4つの課題をピックアップしました。
問い合わせの一次振り分けを自動化できる
人手による振り分けは、担当者の経験に左右されやすく、件数が増えるほど対応が遅れがちです。Decisions APIを使えば、問い合わせが届いた時点で担当チームや優先度を自動で決められます。
判断基準を選択肢として明文化するため、担当者ごとのばらつきも抑えられるでしょう。夜間や休日に届いた問い合わせも自動で仕分けておけば、翌営業日の立ち上がりがぐっと楽になります。担当者が振り分け作業から解放され、本来の回答業務に時間を使えるようになるのも大きなメリットでしょう。
LLMの回答をパースする処理をなくせる
これまでLLMで分類を行う場合、モデルが返した文章から分類ラベルを取り出すパース処理が欠かせませんでした。表記ゆれや想定外の回答に備えた例外処理も必要で、運用するほどコードが複雑になりがちです。
Decisions APIは回答が最初から選択肢のいずれかに限られるため、戻り値をそのまま条件分岐に使えます。パース処理と例外処理をまとめて減らせるのは、開発者にとってうれしいポイントでしょう。
AIエージェントの判断待ちを短縮できる
AIエージェントは、1つのタスクの中で「次に何をするか」を何度も判断します。判断のたびに汎用LLMが1秒以上かけて文章を生成していると、その待ち時間が積み重なって全体が遅くなってしまうのが悩みどころです。
OpenAIの説明どおり約150ミリ秒で判断が返るなら、分岐の多いエージェントほど高速化の恩恵を受けられるでしょう。ユーザーを待たせないリアルタイムな体験づくりにも直結します。
Decisions APIを使ってみた
ここからは、Decisions APIの考え方を実際に試してみましょう。2026年9月時点ではDecisions API本体が限定プレビューのため、今回はGPT-6 LunaとStructured Outputsで同じ判断フローを再現し、速度と正確さを計測していきます。
検証：問い合わせ20件の振り分け精度と速度
ECサイトに届きそうな問い合わせを20件用意し、「請求・技術・配送・解約・その他」の5チームに振り分けさせます。あえて「年額プランを途中解約した場合の返金」のように、請求と解約のどちらとも取れる問い合わせも混ぜておきました。
計測するのは正答率・レイテンシの中央値・1件あたりのコストの3つです。レイテンシはPython側で計測した値のため、ネットワークの往復時間も含まれます。
コードはこちら
import statistics
import time
from typing import Literal
from openai import OpenAI
from pydantic import BaseModel
client = OpenAI()
class Routing(BaseModel):
team: Literal["billing", "technical", "shipping", "cancel", "other"]
CASES = [
("クレジットカードで今月分が二重に引き落とされています", "billing"),
("請求書の宛名を会社名に変更してもらえますか", "billing"),
("クーポンを使ったのに割引が反映されていません", "billing"),
("領収書を再発行してほしいです", "billing"),
("アプリを開くと真っ白な画面のまま動きません", "technical"),
("パスワード再設定のメールが届きません", "technical"),
("最新版にアップデートしてからログインできなくなりました", "technical"),
("2段階認証のコードを何度入力してもエラーになります", "technical"),
("注文した商品がまだ届きません。今どこにありますか", "shipping"),
("お届け先の住所を変更したいです", "shipping"),
("届いた箱がつぶれていて中身が破損していました", "shipping"),
("配達日時を来週の土曜日に指定し直せますか", "shipping"),
("来月から有料プランをやめたいです", "cancel"),
("退会手続きの方法を教えてください", "cancel"),
("間違えて注文したのでキャンセルできますか", "cancel"),
("年額プランを途中解約した場合、返金はありますか", "cancel"),
("御社の採用情報はどこで見られますか", "other"),
("取材のご依頼をしたいのですが窓口はありますか", "other"),
("新商品の発売日はいつですか", "other"),
("店舗の営業時間を教えてください", "other"),
]
INPUT_PRICE = 0.10 / 1_000_000 # GPT-6 Luna 入力（Standard）
OUTPUT_PRICE = 0.50 / 1_000_000 # GPT-6 Luna 出力（Standard）
latencies, correct, cost = [], 0, 0.0
for text, answer in CASES:
start = time.perf_counter()
res = client.responses.parse(
model="gpt-6-luna",
reasoning={"effort": "low"},
input=[
{"role": "system", "content": "問い合わせを読み、担当チームを候補から1つだけ選んでください。"},
{"role": "user", "content": text},
],
text_format=Routing,
)
latencies.append((time.perf_counter() - start) * 1000)
pred = res.output_parsed.team
correct += pred == answer
cost += res.usage.input_tokens * INPUT_PRICE + res.usage.output_tokens * OUTPUT_PRICE
print(f"{pred:<10} (正解: {answer:<10}) {latencies[-1]:6.0f}ms {text}")
print(f"正答率: {correct}/{len(CASES)}")
print(f"レイテンシ中央値: {statistics.median(latencies):.0f}ms")
print(f"1件あたりコスト: ${cost / len(CASES):.6f}")
出力結果はこちら
20件中19件を正しく振り分け、外したのは請求とも解約とも取れる「途中解約の返金」の1件だけでした。一方でレイテンシの中央値は約2.4秒と、Decisions APIの公表値である約150ミリ秒とは大きな開きがあります。
なお、計測値には日本から米国サーバーまでの通信時間も含まれますが、それを差し引いても2秒前後かかっており、OpenAIが比較対象として挙げた通常のLuna（約1.6秒）に近い水準です。
今回はLunaで判断フローを再現する形での検証でしたが、精度が上々だっただけに、速度面を補えるDecisions APIの一般公開が待ち遠しいですね。
Decisions APIのご相談はWEELへ！
Decisions APIは、開発者が決めた選択肢の中からGPT-6 Lunaが答えを選ぶ、判断特化型のAPIです。テキストと画像を判断材料にでき、OpenAIの説明では約150ミリ秒で結果を返すとされています。
2026年9月時点では限定プレビューのため、今のうちにLunaとStructured Outputsで判断フローを組み、自社の業務でどこまで自動化できるかを見極めておくのがおすすめです。
弊社では、AI導入を検討中の企業向けに、業務効率化や新しい価値創出を支援する情報提供・導入支援を行っています。最新のAIを活用し、効率的な業務改善や高度な分析が可能です。
「生成AIで新しいプロダクトを作りたい」「もっと本格的に生成AIを業務に組み込みたい」とお考えの方は、ぜひ株式会社WEELにご相談ください。
開発実績として、
・新規事業室での「リサーチ」「分析」「事業計画検討」を70％自動化するAIエージェント
・社内お問い合わせの1次回答を自動化するRAG型のチャットボット
・過去事例や最新情報を加味して、10秒で記事のたたき台を作成できるAIプロダクト
・お客様からのメール対応の工数を80％削減したAIメール
・サーバーやAI PCを活用したオンプレでの生成AI活用
・生徒の感情や学習状況を踏まえ、勉強をアシストするAIアシスタント
などの開発実績がございます。
生成AIを活用したプロダクト開発の支援内容は、以下のページでも詳しくご覧いただけます。
➡︎株式会社WEELのサービスを詳しく見る。
アイデア段階でも構いません。まずは無料相談でお気軽にご相談ください。
➡︎生成AIを活用したプロダクト開発・業務効率化について相談する
「生成AIを社内で活用したい」「生成AIの事業をやっていきたい」という方に向けて、生成AI社内セミナー・勉強会をさせていただいております。
セミナー内容や料金については、ご相談ください。
また、大規模言語モデル（LLM）を対象に、言語理解能力、生成能力、応答速度の各側面について比較・検証した資料も配布しております。この機会にぜひご活用ください。
よくある質問
