---
title: 'Comprendre les modèles de décision : Jev, Clef et OpenAI'
description: >-
  Guide d'introduction aux modèles de décision : ce qu'ils retournent, en quoi
  ils diffèrent d'un LLM génératif, et où s'inscrivent Jev, Clef et l'API
  Decisions d'OpenAI.
date: 2026-10-13T00:00:00.000Z
updatedDate: 2026-10-13T00:00:00.000Z
location: 'San Francisco, CA – 13 octobre 2026'
image: /images/decision-models-explained-jev-clef-hero.jpg
keywords: >-
  modèles de décision, Jev, Cloudflare Clef, OpenAI Decisions API, modèles de
  décision vs LLM
tags:
  - decision-models
  - ai-engineering
faq:
  - question: Un modèle de décision peut-il rédiger une explication ?
    answer: >-
      Les interfaces de décision de Jev et Clef retournent des choix et des
      scores plutôt que du texte généré. L'API Decisions d'OpenAI retourne
      également des réponses encadrées. Utilisez un modèle de génération de
      texte lorsque l'application a besoin d'une explication rédigée.
  - question: >-
      Ai-je besoin de données d'entraînement pour essayer un modèle de décision
      ?
    answer: >-
      Vous pouvez définir des questions et des réponses autorisées sans
      entraîner un nouveau modèle. Vous avez néanmoins besoin d'exemples avec
      des résultats connus pour vérifier la précision et déterminer quels
      résultats peuvent être exploités automatiquement.
  - question: Un modèle de décision peut-il effectuer des actions par lui-même ?
    answer: >-
      Un modèle de décision retourne un jugement. Votre application décide de
      l'exploiter ou non, vérifie les permissions et exécute l'action.
      Sélectionner un libellé de remboursement n'autorise pas le remboursement.
locale: fr-fr
translationKey: decision-models-explained-jev-clef
---
Un **modèle de décision** aide un logiciel à choisir parmi des réponses que vous définissez. Donnez-lui un message, une question et les options autorisées : il retourne un jugement accompagné de probabilités. Un grand modèle de langage génératif, ou LLM, peut rédiger une nouvelle réponse. Un modèle de décision, lui, peut aider à décider où ce message doit d'abord être envoyé.

Jev de TypeSafe, Clef de Cloudflare et l'API Decisions d'OpenAI prennent tous en charge ce type de jugement encadré. Une application peut les utiliser pour sélectionner une file de support, identifier un problème ou évaluer sa gravité. Un modèle génératif peut ensuite prendre en charge la rédaction qui suit.

## Un message, deux tâches différentes

Supposons qu'un client écrive : « J'ai été facturé deux fois pour la même commande. » Un système de support a deux tâches à accomplir : envoyer le ticket à la bonne équipe et rédiger une réponse utile. Ces tâches exigent des sorties différentes.

Un LLM génératif pourrait écrire : « Je peux vous aider à vérifier ce paiement. » Un modèle de décision pourrait répondre à la question « Quelle équipe doit traiter ceci ? » avec `billing`, sélectionné parmi `billing`, `technical` et `review`.

L'application peut inspecter cette réponse directement. Elle peut acheminer le ticket vers l'équipe de facturation, ou l'envoyer en vérification lorsque le résultat est incertain. Une personne ou un autre modèle peut ensuite rédiger la réponse. Le modèle de décision prend en charge un jugement ciblé au sein d'un processus plus large. L'[introduction à System One de TypeSafe](https://docs.typesafe.ai/concepts/system-one) décrit cette séparation.

Le diagramme compare les deux modèles sur la même question de routage. Le modèle de texte génère une réponse JSON ; le modèle de décision attribue un score aux trois options autorisées.

<iframe data-simple-decision-diagram src="/illustrations/decision-models-simple/fr-fr/index.html" title="Une requête, deux chemins d&#x27;inférence" width="100%" height="1200" loading="lazy" style="display:block;border:0;width:100%;"></iframe>
<script src="/illustrations/decision-models-simple/embed.js" defer></script>

## Que peut-on demander à un modèle de décision ?

Les interfaces de décision prennent généralement en charge trois types de questions : choisir une option, estimer si quelque chose est vrai, ou attribuer un score. Vous fournissez les éléments de contexte et définissez la signification des réponses. Le même message client peut alimenter plusieurs jugements distincts.

| Type de question | Exemple | Ce qui est retourné |
| --- | --- | --- |
| Choisir une option | Quelle équipe doit répondre en premier ? | Une équipe sélectionnée et les probabilités pour chaque option |
| Oui ou non | Ce message demande-t-il un remboursement ? | Une probabilité que la réponse soit oui |
| Attribuer un score | Quelle est la gravité de ce problème, selon une échelle définie ? | Une évaluation basée sur les niveaux que vous avez fournis |

TypeSafe les appelle [Choice](https://docs.typesafe.ai/primitives/choice), [Noul](https://docs.typesafe.ai/primitives/noul) et [Score](https://docs.typesafe.ai/primitives/score). OpenAI utilise choice, predicate et score. Un prédicat est une question oui/non.

La formulation des questions est importante. « Quelle équipe doit répondre en premier ? » demande une seule équipe. « Ce message mentionne-t-il un problème de facturation ? » et « Ce message mentionne-t-il un problème technique ? » sont des questions distinctes qui peuvent toutes deux recevoir un oui. Si un ticket décrit deux problèmes, les forcer dans une seule catégorie peut faire perdre des informations utiles.

## En quoi est-ce différent de demander du JSON à un LLM ?

Un LLM peut également retourner une catégorie dans du JSON, un format de données lisible par un logiciel. Avec les [Structured Outputs](https://developers.openai.com/api/docs/guides/structured-outputs), les schémas pris en charge peuvent restreindre la réponse aux valeurs autorisées. Un LLM constitue donc une alternative valable pour de nombreuses tâches de classification.

La différence réside dans la manière dont un modèle de décision dédié produit sa réponse. Un LLM conventionnel génère du texte de manière séquentielle, en utilisant de petites unités appelées tokens. Cela reste de la génération de texte, même lorsque la sortie est simplement `{"team":"billing"}`.

Clef de Cloudflare, en revanche, lit l'entrée et attribue directement un score aux réponses autorisées, sans écrire la réponse token par token. Cloudflare décrit cette approche dans son [annonce de Clef](https://blog.cloudflare.com/clef-decision-models/). Clef utilise toujours un LLM comme socle pour comprendre l'entrée.

OpenAI documente les entrées et sorties de l'API Decisions sans établir qu'elle utilise la conception interne de Clef. Une interface similaire ne prouve pas une architecture identique.

Les deux approches peuvent retourner une catégorie valide tout en choisissant la mauvaise. Une catégorie valide doit néanmoins correspondre au problème du client.

## Où s'inscrivent Jev, Clef et OpenAI ?

Ces produits fournissent des jugements ciblés que le logiciel peut inspecter. Jev est le modèle de décision de TypeSafe. Clef est la famille de modèles téléchargeables de Cloudflare, également disponible via Workers AI. OpenAI propose une API Decisions pour les questions encadrées. Choisir entre eux nécessite de les tester sur la tâche réelle.

| Produit | Ce qu'il faut savoir d'abord |
| --- | --- |
| **TypeSafe Jev** | Construit autour de questions typées sur du texte et des données structurées. Son entraînement vise des probabilités utiles et bien calibrées. |
| **Cloudflare Clef et Clef-flash** | Disponibles sous forme de poids téléchargeables et de service hébergé. Leur conception publiée attribue un score aux réponses à l'aide d'un modèle de langage servant de socle. |
| **OpenAI Decisions API** | Une interface hébergée pour les choix, les jugements oui/non et les scores. Actuellement en bêta publique avec `gpt-6-luna`. |

Sources : [TypeSafe](https://docs.typesafe.ai/concepts/system-one), [Cloudflare](https://blog.cloudflare.com/clef-decision-models/) et [OpenAI](https://developers.openai.com/api/docs/guides/decisions).

Leurs formats de réponse et leurs entrées prises en charge diffèrent. OpenAI peut également retourner un refus, que l'application doit gérer. Passer d'un fournisseur à un autre implique de vérifier à la fois l'intégration et la qualité des réponses obtenues.

## Que vous indiquent les probabilités ?

Une probabilité exprime l'estimation du modèle pour une réponse, compte tenu de la question posée. Elle fournit à votre application plus d'informations qu'un simple libellé gagnant. Ces valeurs nécessitent tout de même d'être testées avant de servir à décider quels cas peuvent se passer d'une vérification humaine.

Imaginons ces résultats pour notre ticket :

| Réponse autorisée | Probabilité illustrative |
| --- | --- |
| Facturation | 92 % |
| Technique | 5 % |
| Vérification | 3 % |

La facturation est clairement gagnante. Pour un message mixte concernant une facturation et un tableau de bord cassé, la facturation pourrait recevoir 52 % et la réponse technique 43 %. La facturation l'emporte toujours, mais le résultat serré donne à l'application une raison de demander une vérification.

La **calibration** consiste à vérifier si les probabilités correspondent aux résultats observés sur de nombreux exemples. Parmi des prédictions comparables autour de 90 %, un modèle bien calibré devrait avoir raison dans environ 90 % des cas. Une réponse marquée à 90 % peut tout de même être fausse.

Un champ appelé « confiance » peut résumer le degré de concentration des probabilités. Il ne correspond pas automatiquement à un taux de réussite mesuré. Le [guide sur la confiance de TypeSafe](https://docs.typesafe.ai/confidence) explique cette distinction.

## Quand les modèles de décision sont-ils utiles ?

Les modèles de décision sont utiles lorsque la tâche nécessite d'interpréter le sens et que les réponses possibles sont déjà connues. Exemples : routage de messages, sélection de documents pertinents, évaluation d'un élément selon une grille. Ils peuvent fonctionner aux côtés d'un modèle génératif qui gère la rédaction ou l'investigation.

Éviter de générer une réponse peut réduire le travail du modèle. L'impact sur la vitesse ou le coût dépend de l'ensemble de l'application, y compris les latences réseau, la taille des entrées et les appels de repli. Comparez un modèle de décision avec un LLM à qui l'on demande la même réponse courte, plutôt qu'une explication inutilement longue.

Ils ont aussi des limites. Un modèle de décision peut mal interpréter le message, choisir une mauvaise option autorisée ou afficher une confiance excessive. Des [tests de garde-fous indépendants menés par Red Hat](https://developers.redhat.com/articles/2026/10/02/benchmarking-ai-decision-models-against-traditional-guardrails) ont montré que Jev était le plus performant sur une tâche tandis que des alternatives le surpassaient sur une autre. Ces tests ne comparaient pas les trois produits.

Utilisez du code classique pour les calculs exacts et les vérifications de permissions. Utilisez un modèle génératif lorsque la tâche nécessite une nouvelle réponse, du code ou une explication. Pour essayer un modèle de décision, commencez par un petit jugement, recueillez des exemples avec des réponses connues et mesurez ses erreurs en regard du travail qu'il permet d'économiser.

## Questions fréquemment posées

#### Un modèle de décision peut-il rédiger une explication ?

Les interfaces de décision de Jev et Clef retournent des choix et des scores plutôt que du texte généré. L'API Decisions d'OpenAI retourne également des réponses encadrées. Utilisez un modèle de génération de texte lorsque l'application a besoin d'une explication rédigée.

#### Ai-je besoin de données d'entraînement pour essayer un modèle de décision ?

Vous pouvez définir des questions et des réponses autorisées sans entraîner un nouveau modèle. Vous avez néanmoins besoin d'exemples avec des résultats connus pour vérifier la précision et déterminer quels résultats peuvent être exploités automatiquement.

#### Un modèle de décision peut-il effectuer des actions par lui-même ?

Un modèle de décision retourne un jugement. Votre application décide de l'exploiter ou non, vérifie les permissions et exécute l'action. Sélectionner un libellé de remboursement n'autorise pas le remboursement.