# Microsoft-Decision-1: ile kosztuje klasyfikacja zgłoszeń

> Microsoft-Decision-1, ogłoszony 9 października 2026, wybiera jedną z ustalonych opcji i kosztuje 0,042 USD za milion tokenów wejścia. W moim hipotetycznym rachunku z 11 października dla 10 000 zgłoszeń tokeny to 2,65 zł z 3769 zł miesięcznie, a opłacalność zależy głównie od czasu pracy ludzi.

Autor: Robert Marczyński · Opublikowano: 2026-10-11 · Aktualizacja: 2026-10-11
Kanoniczny URL: https://ekspertodsztucznejinteligencji.pl/blog/microsoft-decision-1-klasyfikacja-zgloszen

Krótka odpowiedź: Microsoft-Decision-1 to model Microsoftu, który wybiera jedną z ustalonych opcji, np. kolejkę dla zgłoszenia klienta, i nie pisze swobodnego tekstu. Microsoft ogłosił go 9 października 2026 z ceną 0,042 USD za milion tokenów wejścia, bez opłaty za wyjście. W moim hipotetycznym rachunku z 11 października tokeny dla 10 000 zgłoszeń miesięcznie kosztują około 2,65 zł. Cały etap klasyfikacji, z kontrolą człowieka, poprawkami, wdrożeniem i utrzymaniem, to około 3769 zł miesięcznie wobec 5000 zł przy pracy ręcznej. Przy założonych 2% błędnych etykiet przewaga znika, gdy sprawdzenie jednego zgłoszenia trwa dłużej niż około 17,4 sekundy. Jakości modelu nie mierzyłem.

Przygotowałem [odtwarzalny rachunek kosztów](/materialy/decision-1-koszty.csv) oraz [30 polskich zgłoszeń z oczekiwanymi etykietami](/materialy/decision-1-reklamacje.csv). To dwa oddzielne materiały: liczby budżetowe są założeniami, a korpus czeka na rzeczywisty test modelu.

## Co to jest Microsoft-Decision-1

Microsoft-Decision-1 to model decyzyjny Microsoftu, ogłoszony 9 października 2026 i dostępny przez API w Microsoft Foundry. Dostaje tekst albo JSON oraz jedno lub kilka pytań, każde jednego z trzech typów: tak/nie, wybór jednej opcji z listy albo ocena na skali. Według dokumentacji odczytanej 11 października 2026 przy wyborze z listy zwraca wskazaną opcję i prawdopodobieństwo każdej z nich, bez swobodnego tekstu i pisemnego uzasadnienia.

Stałe etykiety wystarczą, gdy następnym krokiem jest przekazanie zgłoszenia do jednej ze znanych kolejek. Generowanie tekstu jest potrzebne, gdy aplikacja ma przygotować odpowiedź, podsumowanie albo wyjaśnienie.

W sklepie można zdefiniować kolejki: dostawa, wada, zwrot, płatność i przekazanie człowiekowi. Same nazwy nie rozstrzygają przypadków granicznych, więc dopisałem do nich reguły. Żądanie pieniędzy z powodu uszkodzonego produktu trafia do „wady”, a brak przelewu po zaakceptowanym zwrocie do „płatności”. Do człowieka trafiają sprawy niejasne, sprzeczne, spoza zakresu albo z dwoma niezależnymi problemami z różnych kolejek.

Taki wynik pomaga rozdzielić pracę. Nie upoważnia systemu do uznania reklamacji lub wypłaty pieniędzy. Jeśli klient już wybrał jednoznaczną kategorię w formularzu, zacząłbym od zwykłej reguły przekierowania. Model sprawdziłbym tam, gdzie kategorię trzeba wydobyć ze swobodnego opisu. Ten sam podział na reguły i model stosuję przy [automatyzacji AI procesów w firmie](/uslugi/automatyzacja-ai).

## Ile kosztują tokeny Microsoft-Decision-1

Komunikat Microsoftu z 9 października 2026, odczytany 11 października, podaje 0,042 USD za milion tokenów wejścia i bezpłatne wyjście. W moim scenariuszu 10 000 zgłoszeń kosztuje 0,6615 USD w tokenach, z uwzględnieniem założonych ponowień.

Przyjmuję 1500 tokenów wejścia na wywołanie oraz 500 dodatkowych wywołań o tej samej długości. Wejście ma obejmować zgłoszenie, instrukcję i opisy kategorii. To założenie budżetowe. Korpusu nie tokenizowałem przy użyciu Decision-1.

Rachunek to `10 500 × 1500 × 0,042 / 1 000 000 = 0,6615 USD`. Przy umownym kursie 4 zł za dolara otrzymuję 2,646 zł. Kurs średni NBP z 9 października 2026 wynosił 3,9022 zł i dałby 2,58 zł, więc zaokrąglenie kursu nie zmienia wniosków. W pilotażu liczyłbym tokeny wszystkich wywołań według zużycia, które usługa podaje w każdej odpowiedzi, także wywołań kończących się ręczną obsługą sprawy.

Od 9 października 2026 podobny model Clef-flash kosztuje w Workers AI 0,038 USD za milion tokenów wejścia, a otwarty Strands Decider 2B można uruchomić na własnym komputerze bez opłat za tokeny. Te modele mogą dzielić ten sam tekst na różną liczbę tokenów, więc porównanie stawek jest przybliżone. Przy takich kwotach o wyborze modelu decyduje raczej trafność: w moim rachunku każdy punkt procentowy błędnych etykiet to 300 zł poprawek miesięcznie.

## Pełny koszt etapu klasyfikacji: przykład dla 10 000 spraw

W hipotetycznym scenariuszu policzonym 11 października 2026 miesięczny koszt porównawczy wynosi 3769,31 zł z AI oraz 5000 zł przy pracy ręcznej. Jednostką wyniku jest poprawne skierowanie do kolejki. Rachunek obejmuje cały opisany etap klasyfikacji; dalsze rozpatrzenie reklamacji i podatki pozostają poza zakresem.

Zakładam koszt pracy 60 zł za godzinę. Ręczne przypisanie, łącznie ze sprawdzaniem i poprawkami, trwa średnio 30 sekund. W wariancie AI człowiek sprawdza każde zgłoszenie przez 10 sekund. Przyjmuję, że 2% etykiet wymaga dodatkowych 3 minut na poprawkę. To założenia do kalkulacji, bez pomiaru pracy człowieka lub modelu.

| Składnik wariantu AI | Jawne założenie | Koszt miesięczny |
| --- | --- | ---: |
| Tokeny | 10 500 wywołań po 1500 tokenów, umowny kurs 4 zł/USD | 2,65 zł |
| Kontrola etykiet | 10 000 × 10 sekund, 60 zł/godz. | 1666,67 zł |
| Dodatkowe poprawki | 200 × 3 minuty, 60 zł/godz. | 600,00 zł |
| Infrastruktura i utrzymanie | Założony budżet | 500,00 zł |
| Wdrożenie rozłożone na rok | Założone 12 000 zł / 12 miesięcy | 1000,00 zł |
| Łącznie, z niezaokrąglonych kwot | 10 000 poprawnie skierowanych spraw | 3769,31 zł |

Zakładam, że człowiek wykrywa i poprawia błędne etykiety, a ostatecznie oba warianty kierują poprawnie wszystkie sprawy. Daje to około 0,38 zł za poprawne skierowanie z AI wobec 0,50 zł ręcznie. W realnym teście mianownikiem musi być liczba potwierdzonych poprawnych wyników. Nie wolno uznać samego zwrócenia etykiety za sukces.

Rozłożenie wdrożenia na rok ułatwia porównanie, ale nie opisuje przepływu gotówki. Przy zapłacie 12 000 zł z góry pierwszy miesiąc tego wariantu kosztowałby 14 769,31 zł. Kwoty wdrożenia i utrzymania przyjąłem tylko do przykładu i nie pochodzą z ofert rynkowych. Zakresy z rynku zebrałem w odpowiedziach na pytania, [ile kosztuje agent AI](/odpowiedzi/ile-kosztuje-agent-ai) i [ile kosztuje utrzymanie AI](/odpowiedzi/ile-kosztuje-utrzymanie-ai).

## Ile czasu może zająć kontrola, żeby rachunek się opłacał

W hipotetycznym rachunku z 11 października 2026, przy założonych 2% błędnych etykiet, próg opłacalności wypada przy około 17,4 sekundy kontroli na zgłoszenie. Kontrola krótsza od progu daje w tym rachunku oszczędność względem ręcznych 30 sekund, a dłuższa ją usuwa, nawet przy tej samej niskiej cenie tokenów. Równie mocno działa założenie o pracy ręcznej: gdyby trwała średnio około 22,6 sekundy zamiast 30, oszczędność zniknęłaby także przy 10 sekundach kontroli. Przy 10% błędnych etykiet próg kontroli spada do około 3 sekund.

Próg liczę z budżetu 5000 zł po odjęciu API, poprawek, utrzymania i miesięcznej części wdrożenia. Pozostałą kwotę dzielę przez liczbę spraw i koszt sekundy pracy. W [skrypcie kalkulacji](/materialy/decision-1-kalkulacja.py) można podstawić własne dane; [plik założeń](/materialy/decision-1-zalozenia.json) opisuje także wyłączenia.

| Założony udział błędnych etykiet przed kontrolą | AI przy kontroli 10 sekund na sprawę | Graniczny czas samej kontroli, około |
| --- | ---: | ---: |
| 2% | 3769,31 zł/mies. | 17,4 s |
| 5% | 4669,31 zł/mies. | 12,0 s |
| 10% | 6169,31 zł/mies. | 3,0 s |

Ta tabela z 11 października 2026 jest analizą założeń, bez wyników jakości Decision-1. Próg kosztowy nie ustala dopuszczalnej liczby błędów. Nie wyceniłem skutków opóźnionej reklamacji, rekompensat ani utraconej sprzedaży. Jeśli występują, trzeba doliczyć je do odpowiedniego wariantu. Już w tym prostym rachunku czas kontroli zmienia wynik znacznie bardziej niż cena tokenów.

## Jak sprawdzić klasyfikację polskich reklamacji

Do takiego testu potrzebne są zgłoszenia z etykietami ustalonymi przed uruchomieniem modelu i wynik osobno dla każdej kolejki. Zamrożony zestaw z 11 października 2026 zawiera 30 syntetycznych zgłoszeń, po sześć na każdą z pięciu etykiet. Udostępniam [klucz w CSV](/materialy/decision-1-reklamacje.csv), [wejścia bez odpowiedzi w JSONL](/materialy/decision-1-wejscia.jsonl) i [protokół z regułami oceny](/materialy/decision-1-protokol.md). To próba wstępna, która nie odwzorowuje zgłoszeń trafiających do polskich sklepów.

[Kompletny pakiet ZIP](/materialy/decision-1-pakiet.zip) zawiera te materiały, kalkulator kosztów, założenia i wyniki rachunku. Po rozpakowaniu można sprawdzić obliczenia bez konta, instalowania bibliotek i łączenia z API.

Zgłoszenia obejmują pisownię bez polskich znaków, negacje, cytowaną historię i polecenia podsuwające błędną kategorię. Przykładowo zgłoszenie „Nie reklamuję jakości produktu, bo jeszcze go nie dostałam” ma trafić do dostawy. Oczekiwane odpowiedzi wynikają z jawnej polityki kolejek, więc każdą etykietę zwróconą przez model da się porównać z kluczem i uznać za trafną albo błędną.

W przyszłym teście zachowałbym wszystkie odpowiedzi, błędy i ponowienia, a wyniki pokazał osobno dla każdej kolejki. Sprawy skierowane do człowieka oraz czas ich obsługi też należą do wyniku. Jako punkt odniesienia potrzebne są obecny proces firmy i prosta reguła klasyfikacji.

Moje wcześniejsze pomiary modeli decyzyjnych dotyczyły innego zadania: krótkich poleceń do asystenta głosowego ze zbioru MASSIVE i wyboru jednej z 60 intencji. Na tych samych 1000 poleceniach [Strands Decider po polsku](/blog/strands-decider-po-polsku-pomiar) trafił 11 października 2026 w 64,4% przypadków, a [Clef-flash po polsku](/blog/clef-po-polsku-pomiar) w pomiarze z 2–3 października w 88,1%. Dwa modele tej klasy różniły się więc po polsku o 23,7 punktu procentowego, ale o samym Decision-1 ten wynik nic nie mówi.

Osobno sprawdziłbym, czy wysokie prawdopodobieństwo przypisane etykiecie rzeczywiście oznacza mniej pomyłek na danych firmy. W ogłoszeniu z 9 października 2026 Microsoft zaleca sprawdzenie kalibracji na własnych danych. Próg przekazania sprawy człowiekowi trzeba ustalić na innych przykładach niż te, na których później ocenia się gotowy system.

Do decyzji o pilotażu potrzebowałbym zatem trzech liczb z danych firmy: odsetka błędów pozostających po kontroli, czasu pracownika na sprawę i kosztu poprawnie skierowanej sprawy. Opublikowane materiały pomagają przygotować taki pomiar, ale wyniku testu Decision-1 nie zawierają.

## Najczęstsze pytania

**Ile kosztuje Microsoft-Decision-1?**

Według komunikatu Microsoftu z 9 października 2026, odczytanego 11 października, Microsoft-Decision-1 kosztuje 0,042 USD za milion tokenów wejścia, a za wyjście nie ma opłaty. W moim hipotetycznym rachunku z 11 października tokeny dla 10 000 zgłoszeń miesięcznie kosztują około 2,65 zł. Cały etap klasyfikacji z kontrolą człowieka, poprawkami, wdrożeniem i utrzymaniem to około 3769 zł wobec 5000 zł przy pracy ręcznej. Rachunek opiera się na założeniach, bez uruchomienia modelu.

**Co to jest Microsoft-Decision-1?**

Microsoft-Decision-1 to model decyzyjny Microsoftu, ogłoszony 9 października 2026 i dostępny przez API w Microsoft Foundry. Dostaje tekst albo JSON oraz pytanie z ustaloną listą odpowiedzi. Według dokumentacji odczytanej 11 października 2026 zwraca wybraną opcję i wyniki liczbowe, bez swobodnej odpowiedzi i pisemnego uzasadnienia. Można go użyć do wskazania kolejki dla zgłoszenia klienta. Odpowiedź dla klienta nadal przygotowuje pracownik albo model generujący tekst.

**Czy Microsoft-Decision-1 dobrze klasyfikuje polskie reklamacje?**

Tego jeszcze nie wiadomo, bo jakości Decision-1 po polsku nie mierzyłem. Mój zestaw z 11 października 2026 zawiera 30 syntetycznych zgłoszeń z oczekiwanymi etykietami, bez odpowiedzi tego modelu. Inne modele decyzyjne różniły się po polsku wyraźnie: przy wyborze jednej z 60 intencji Strands Decider 2B trafił 11 października w 64,4% krótkich poleceń ze zbioru MASSIVE, a Clef-flash 2–3 października w 88,1%. Przed kierowaniem reklamacji trzeba sprawdzić model na zgłoszeniach firmy, razem z błędami po kontroli i czasem pracy człowieka.

**Czy można przetestować Microsoft-Decision-1 bezpłatnie?**

Na 11 października 2026 nie potwierdziłem bezpłatnego dostępu do API Decision-1. Według dokumentacji Microsoft Foundry potrzebna jest subskrypcja Azure z ważną metodą płatności, a według ogłoszenia Microsoftu usługa ma status publicznej wersji zapoznawczej (public preview). Drugi kanał wskazany przez Microsoft, OpenRouter, miał tego dnia jednego dostawcę ze stawką 0,042 USD za milion tokenów wejścia i nie oferował darmowego dostępu. Mój rachunek kosztów i 30 zgłoszeń testowych można pobrać i sprawdzić lokalnie bez konta i opłat, ale same nie wywołują modelu.


## Źródła

- Microsoft Command Line — premiera Microsoft-Decision-1 z 9.10.2026, odczyt 11.10: ustalone opcje, cena 0,042 USD za mln tokenów wejścia, bez opłaty za wyjście: https://commandline.microsoft.com/microsoft-decision-1-model-foundry/
- Microsoft Learn — Decision-1, aktualizacja 9.10.2026, odczyt 11.10: wejście tekst albo JSON, jedno lub kilka pytań typu noul (tak/nie), choice (wybór) albo score (skala), przy choice wybrana opcja i prawdopodobieństwo każdej opcji, zużycie tokenów w odpowiedzi, brak swobodnego tekstu i uzasadnienia, wymagania dostępu: https://learn.microsoft.com/en-us/azure/foundry/foundry-models/how-to/use-foundry-models-microsoft-decision
- Microsoft Foundry Blog — ogłoszenie z 9.10.2026, odczyt 11.10: public preview i zalecenie sprawdzenia kalibracji na własnych danych: https://techcommunity.microsoft.com/blog/azure-ai-foundry-blog/introducing-microsoft-decision-1-in-microsoft-foundry-for-decision-and-classific/4562742
- NBP — tabela A nr 197/A/NBP/2026 z 9.10.2026, odczyt 11.10: kurs średni USD 3,9022 zł: https://api.nbp.pl/api/exchangerates/rates/a/usd/2026-10-09/?format=json
- OpenRouter — Microsoft-Decision-1, odczyt 11.10.2026: jeden dostawca (Azure), 0,042 USD za mln tokenów wejścia, 0 USD za wyjście, bez darmowego punktu dostępu: https://openrouter.ai/microsoft/microsoft-decision-1