Une bonne partie du travail de l'IA dans les logiciels ne consiste pas à écrire mais à choisir : quelle équipe doit traiter ce ticket, quelle est son urgence, le client demande-t-il un remboursement. Une nouvelle catégorie de modèles de décision répond directement à ces questions par des probabilités au lieu de générer du texte, et Hugging Face leur a désormais donné une interface commune dans ses outils. Pour les développeurs, cela signifie qu'un routeur ou un classifieur bâti sur un modèle de décision devrait pouvoir être remplacé par un autre sans réécrire le code d'intégration.
L'interface est simple. On envoie un état, l'information à juger, sous forme de texte ou de JSON structuré, avec des questions nommées. Chaque question utilise l'une de trois primitives : choice, qui choisit parmi des options et renvoie une probabilité pour chacune ; score, qui note sur une échelle ordonnée et renvoie le niveau attendu ; et noul, une question oui ou non dont la réponse est la probabilité du oui. Les réponses choice et score portent aussi un indice de confiance, mis à l'échelle pour qu'une répartition égale entre options vaille 0 et une certitude totale 1. Dans l'exemple de facturation de Hugging Face, le modèle attribuait 0,998 à billing, soit une confiance de 0,997.
La nouveauté est dans la tuyauterie. Transformers propose désormais DecisionPipeline, AutoModelForDecision et DecisionConfig, et transformers serve expose un point d'accès /v1/systemone. llama.cpp, que nous évaluons, sert les modèles de décision par le même point d'accès, si bien qu'une requête écrite pour un modèle sur Hugging Face fonctionne aussi avec un modèle GGUF local. Le Hub dispose d'une étiquette decision-model, et les modèles peuvent être affinés avec le Trainer habituel, une question choice s'entraînant par simple entropie croisée sur les options. Le billet note que les modèles derrière l'interface varient, d'encodeurs comme ModernBERT à des lectures posées sur de grands modèles génératifs.
Le contexte compte. Jev, de TypeSafe AI, que nous évaluons, a popularisé l'idée sous le nom de System One model, et Google vient de lancer sa propre Gemini Decisions API avec les trois mêmes types de questions. Un format ouvert commun facilite la comparaison entre eux et avec la méthode consistant à demander du JSON à un modèle conversationnel, qui, comme le souligne le billet, peut casser le schéma ou répondre hors des options autorisées.
Les limites sont pratiques. Une interface standard ne rend aucun modèle exact ni calibré, et l'indice de confiance est une probabilité remise à l'échelle, pas une garantie. Comme le remarque un commentateur, la difficulté en production est de choisir des seuils et de les vérifier face aux résultats réels qui arrivent plus tard. Que d'autres fabricants adoptent ce format plutôt que de garder leurs propres API décidera de sa portée.