Strategie

Die Entscheider-Ebene bekommt eine Preisliste: Vier SKUs in einer Woche, ab $0.10 pro Million Token

Von IdeaBosqueZuletzt aktualisiert: 2026年11月14日

Kernaussagen

Vier Entscheidungsmodell-SKUs wurden in einer einzigen Woche (11.–13. November 2026) von Google, Perplexity, HeyGen und Hark ausgeliefert — eine Kategorie, die zehn Tage zuvor aus 21 Modellen von 13 Herstellern hinter der Decisions API von OpenRouter bestand, ohne einen einzigen First-Party-Preisanker.
Gemini Decision 1 preist abgegrenzte Entscheidungen zu $0.10 pro 1M Eingabe-Token mit $0 Ausgabeabrechnung, bewertet bis zu 1,000 Ja/Nein-, Multiple-Choice- und Rubrik-Fragen in einem Durchlauf bei 150–250 ms End-to-End — fast 5x günstiger laut Googles eigener gemeinsamer Benchmarksuite als Gemini 3.5 Flash-Lite mit der Interactions API.
Perplexity Decider v1.3 (26B, auf dem Qwen3.8-27B-Backbone) und Flash v1.3 (5B) sind die zuerst ausgelieferten Gewichte der Kategorie, unter Apache-2.0 auf Hugging Face veröffentlicht — der Self-Hosting-Weg existiert jetzt für die Schicht, die innerhalb einer Agenten-Schleife routet, überwacht und bewertet.
Die Ehrlichkeitsmarken stammen von den Anbietern selbst: HeyGen beschreibt confidence in der Doku als „eine Eigenschaft der zurückgegebenen Verteilung, keine kalibrierte Wahrscheinlichkeit“, und Perplexity weist die Nutzer an, Entscheidungsschwellen an ihrem eigenen beschrifteten Traffic zu justieren statt auf die Auslieferungstemperatur zu vertrauen.
Die Politik steht nicht auf der Preisliste: welche Entscheidungen an einen Klassifikator delegiert werden dürfen und was passiert, wenn der billige Wächter falsch liegt, bleiben Architekturentscheidungen — die zweite und die dritte Zeile des Fünf-Entscheidungen-Rahmens, nicht die des Anbieters.

Dieser Artikel baut auf Five Decisions That Determine Whether Your AI Agent Ships auf, das die architektonischen Entscheidungen hinter Produktionsagenten geordnet hat. Seine dritte Entscheidung — welches Modell was macht — bekam am 16. Oktober einen Katalog: OpenRouter listete 21 Entscheidungsmodelle von 13 Herstellern hinter einer einzigen Decisions API. In der Woche vom 11.–13. November hat dieser Katalog die Linie überschritten, die eine Katalogpräsenz nicht überschreitet: Drei Anbieter liefern First-Party-SKUs mit Preis aus, und ein vierter hat den Handoff daneben produktisiert. Die Decide-then-act-Schicht ist nicht länger ein Muster, das man aus Teilen zusammensetzt. Sie ist ein Kauf.

Was ein Entscheidungsmodell ist, in einem Absatz

Perplexitys Definition ist die sauberste: Ein Entscheidungsmodell ist ein universeller Klassifikator. Man gibt ihm eine Eingabe — einen Zustand, plus optionale Bilder — und einen Satz benannter Fragen, jede mit ihren möglichen Antworten, und es liefert für jede Frage in einem einzigen Forward-Pass eine Wahrscheinlichkeitsverteilung. Keine Token-für-Token-Antwortgenerierung, kein Freitext, keine 30-Sekunden-Reasoning-Kette, die entscheidet, ob ein Support-Ticket zum Vertrieb oder zur Integration geht. Die Fragetypen sind bei allen Anbietern gleich: Ja/Nein (eine Wahrscheinlichkeit für wahr), Multiple Choice (2–255 Optionen mit jeweils normalisierter Wahrscheinlichkeit) und geordnete Rubrik-Bewertung. Perplexity belegt die Herkunft direkt: Decider ist von TypeSafe AIs Jev inspiriert, dem LLM-freien System-One-Modell, das wir in TypeSafe Jev and the Third Layer of the Agent Model Stack analysiert haben. Wenn der zweite Eintritt in die Kategorie das Muster des ersten Beobachters beim Namen nennt, hat die Kategorie eine geteilte Idee — nicht nur ein geteiltes Marketingwort.

Die vier SKUs

Das Wochenangebot, verglichen nach den Dimensionen, deren Preis ein Käufer erhebt:

SKU	Hersteller, Datum	Zugang	Skalierung	Geschwindigkeit und Kosten	Ehrlichkeitsmarke
Gemini Decision 1 + Decisions API	Google, 11. Nov	API (OpenRouter-, LangChain-, LiteLLM-, Vercel-Integrationen)	Bis zu 1,000 Fragen pro Call über Text, Bilder, Audio, Video, PDFs (256K-Token-Eingabe)	150–250 ms End-to-End; flach von 1→100 Fragen; $0.10/1M Eingabe, $0 Ausgabe	~5x günstiger behauptet gegen Googles eigene gemeinsame Benchmarksuite
Decider v1.3 / Flash v1.3	Perplexity, 12. Nov	Apache-2.0-Gewichte, MaaS-API, OpenRouter	26B (auf dem Qwen3.8-27B-Backbone) und eine 5B-Destillation; 1–255 Optionen pro Frage	Fast Path 1,7–1,9x schneller (separate-Modus), 9–18x (isolated-Modus)	Schwellen-Ehrlichkeit: am eigenen Traffic justieren; das Gewichte-Repo bleibt trotz Apache-Lizenz zugangsbeschränkt
HeyGen Decision 1 (+ Turbo-Vorschau)	HeyGen, 13. Nov	Synchrone API	1–400 benannte Fragen; bis zu 4 Bilder + 1 Video (Turbo-Vorschau: 100 Bilder, 10 Videos)	Synchrone Antwort, `output_tokens: 0` immer; kein Preis auf der Docs-Seite veröffentlicht	Docs: Confidence ist „eine Eigenschaft der zurückgegebenen Verteilung, keine kalibrierte Wahrscheinlichkeit“
Hark Handoff²	Hark, 12. Nov	Hark Pro (Computer-Use-Agent)	82 % auf einem internen Browsing-Benchmark über 478 Aufgaben und 238 Seiten, zuvor 73 %	Modell 46 % schneller, ~2x End-to-End	Vom Anbieter selbst berichteter interner Benchmark, kein offenes Eval

Die Tiefe der Kategorie zeigt sich in dem, worauf jeder Anbieter gesetzt hat. Google setzte auf Breite und Batching: eine multimodale Eingabe, bis zu 1,000 Fragen, mit einer fast flachen Latenz von 1 bis 100 Fragen pro Request und der Eingabe, die unabhängig von der Fragenzahl nur einmal abgerechnet wird. Perplexity setzte auf Eigentum: Ausgelieferte Gewichte bedeuten, dass die Routing-, Moderations- und Bewertungsschicht auf Hardware leben kann, die der Käufer kontrolliert — mit einem neuen locate-Typ, der wortgetreue Spans mit Zeichenversätzen extrahiert; Klassifikation und Extraktion in einem Request. HeyGen setzte auf den Medienpfad: Text, JSON, vier Bilder und ein Video aus Sample-Frames in einem einzigen synchronen Call, eine Turbo-Vorschau bis zu 100 Bildern und 10 Videos. Hark setzte auf die benachbarte Primitiva: Handoff — der Moment, in dem die Arbeit eines Browser-Agenten zur Arbeit eines Menschen wird — produktisiert und gegen die eigene v1 um 2x schneller gemessen. Googles interne Deployments deuten an, wo das in der Produktion landet: Gemini Notebook nutzt die Decisions API als Echtzeit-Modellrouter mit bis zu 40 % geringerer Latenz bei Alltagsabfragen, und Google Search nutzt sie als Sicherheitsschicht, um adversarielles Verhalten gegen MCP-Tools zu erkennen.

Vier Entscheidungsmodell-SKUs verglichen nach Zugang, Skalierung, Geschwindigkeit und der Ehrlichkeitsmarke, die jeder Anbieter über sich selbst veröffentlicht. Das Muster, das ein Käufer sich merken sollte: Jede Geschwindigkeits- und Preiszeile ist die Eigenmessung des Anbieters.

Warum abgegrenzte Entscheidung so bepreist wird

Die Ökonomie ist strukturell, nicht promotionsbehaftet. Ein generativer Call zahlt für Ausgabe-Tokens, und eine Routing- oder Moderationsentscheidung zahlt Token für Token, um das am wenigsten nützliche Artefakt der Pipeline zu erzeugen: freie Prosa, die auf eines von drei Wörtern endet. Ein Entscheidungsmodell ersetzt das durch eine Klassifikations-Lesung — einen trainierten linearen Kopf über vordefinierte Options-Tokens — deshalb rechnet die Decisions API $0 für die Ausgabe ab, rechnet die geteilte Eingabe einmal pro Request ab, egal wie viele Fragen darauf reiten, und überspringt variable Thinking-Token-Gebühren vollständig. Perplexitys Architektur-Notes erklären den zweiten Grund: Die 1.3-Modelle lesen bidirektional und beantworten jede Frage aus einem geteilten Zustand in einem Durchlauf, und die HF-Karte dokumentiert einen Fast Path, der viele Sequenzen pro Forward-Pass packt — 1,7–1,9x schneller im separate-Modus, 9–18x im isolated-Modus. Für den Self-Hosting-Käufer ist die Arithmetik konkret: 49 GiB BF16-Gewichte passen in die Speicherhülle einer 80-GB-GPU, und der Ornn Compute Price Index setzte eine H100 SXM am 13. November auf $3.29 pro GPU-Stunde — eine Routing-, Bewertungs- und Moderationsschicht zum Stundensatz, den ein einziger generativer Call eines Frontier-Modells täglich bereits überstieg. Das ist der Preis-Einsturz, um den es diese Woche wirklich geht: die fünf Vektoren des Inferenzkosten-Managements, ausgedehnt auf die Entscheidungen um die generativen Calls herum.

Was die Preisliste nicht enthält

Vier Dinge, die die SKUs nicht verkaufen, jeweils sichtbar in der eigenen Dokumentation der Anbieter.

Confidence ist nicht Kalibrierung. HeyGen ist in der Branche am explizitesten: Confidence ist „eine Eigenschaft der zurückgegebenen Verteilung, keine kalibrierte Wahrscheinlichkeit“. Google liefert einen 0–1-Confidence-Score mit jeder Antwort; der sagt Ihnen, wo der Distributor endet — nicht, wo Ihre Korrektheitsschwelle sitzt. Schwellen sind das Problem Ihrer Daten. Perplexitys Getting-Started-Abschnitt sagt es gerade heraus — Label-Häufigkeiten und die Kosten von False Positives gegenüber False Negatives unterscheiden sich je Anwendung; also justieren Sie Schwellen an einem kleinen, repräsentativen beschrifteten Entwicklungsdatensatz. Dieselbe Ehrlichkeit steht auf der HF-Karte: „eine einzelne Temperatur kann nicht für jede Aufgabe richtig sein, und Schwellen pro Aufgabe sind meist besser“. Fragen dürfen nicht voneinander abhängen. HeyGen dokumentiert, dass die Antwort einer Frage nicht in denselben Request zur Eingabe einer anderen wird — abhängige Entscheidungen brauchen sequenzielle Calls, und genau dort hört die Latenz auf, umsonst auszusehen. Perplexity dokumentiert dieselbe Grenze von der anderen Seite: Im voreingestellten separate-Modus sehen Fragen einander nie, und der shared-state-isolated-Modus tauscht diese Unabhängigkeit gegen Kosten ein und verschiebt 1,5–2,2 % der Top-Antworten. Latenz- und Kontextangaben haben Geltungsbereiche. Googles 150–250 ms halten bei Kontexten bis 16K Tokens — die 256K-Token-multimodale Eingabe ist eine andere Hülle — und Harks 2x ist eine Anbieterangabe gegen die eigene v1. Keine dieser Weisungen argumentiert gegen die Kategorie. Sie argumentieren, mit dem eigenen beschrifteten Traffic zu pilotieren und Confidence-Werte als unkaliibrierte Versprechen zu behandeln, bis Ihre Schwellen anders sagen — dieselbe Ehrlichkeitsdisziplin, die wir auf GPU-Preisprints anwenden, wo der Index selbst zwischen zwei Lesungen neu bepreist wurde.

Was das Ihre bleibt: die Politikebene

Ein Entscheidungsmodell kann Ihre Klassifikations-, Routing-, Überwachungs- und Bewertungscalls absorbieren. Es kann die zwei Entscheidungen nicht absorbieren, die sie sicher machen. Erste: welche Entscheidungen überhaupt an einen Klassifikator delegiert werden dürfen — eine Support-Ticket-Warteschlangenwahl kann selbst routen; ein Lieferantenpreis, der in NetSuite geschrieben wird, nicht. Zweite: was passiert, wenn der billige Wächter falsch liegt — Googles eigene Designantwort ist, mehrdeutige Fälle nach Confidence an eine Rückfallebene oder menschliche Prüfung zu routen, aber welche Fälle mehrdeutig sind und wie oft der Mensch prüft, ist Ihre Eskalationspolitik. Im Fünf-Entscheidungen-Rahmen ist das Entscheidung 3 nach unten erweitert: Routing, Überwachung und Kill-Switch-Bewertung werden aus individuell geschriebenem Code kaufbare Komponenten, während die Schleifenschicht, die im Runtime-Urteil durchsetzt, die Freigaben behält, die sie immer besaß. Was die Preisliste ändert, sind die Kosten der Überwachungsschicht. Was sie nicht ändert, ist, wer unterschreibt.

Ein repräsentativer Aufbau

Ein mittelständischer Industriehändler mit NetSuite, BigCommerce und drei Lieferantenkatalogen wollte, dass sein Angebotsagent rund um die Uhr arbeitet — ohne dass ein Mensch jeden Entwurf liest. Die Entscheider-Ebene strukturierte die Teilung: ein Frontier-Modell plant die RFQ-Antwort und entwirft das Angebot; eine Entscheidungsmodell-Ebene überwacht alles Übrige. Jede eingehende RFQ wird in einem Request auf Vollständigkeit und Risiken bewertet, bevor ein generativer Call verbraucht wird; Lieferantenantworten werden gegen die Positionszeilen des Angebots klassifiziert; jedes entworfene Angebot bekommt eine Confidence-bewertete Politikkontrolle, alles unter der Schwelle geht an einen menschlichen Schreibtisch statt an NetSuite. Die Überwachungsschicht kostet $0.10 pro Million Tokens auf Googles bepreistem SKU — die Art abgegrenzter-Entscheidungen-Rechnung, die laut Googles eigenem Benchmarkvergleich rund fünf Flash-Lite-Generierungscalls pro Entscheidung ersetzt — und läuft mit einer Latenz, auf die der menschliche Prüfer nie wartet. Die Angebotszykluszeit fiel von drei Tagen auf unter vier Stunden, mit einem Menschen, der jede Schreiboperation freigibt; das Ergebnis ist die Kapazität des Schreibtischs, nicht dessen Personal.

Das ist das Muster: Kaufen Sie die abgegrenzten Entscheidungen, bepreisen Sie die Confidence ehrlich, behalten Sie die Politik.