Tarifs de Microsoft-Decision-1 (2026) : $0.042 par million de tokens, expliqués

Ce qu'est réellement Microsoft-Decision-1

Microsoft-Decision-1 est un petit modèle qui n'écrit pas de texte. Vous lui donnez une situation et un ensemble fixe d'options de réponse, et il renvoie une probabilité calibrée pour chaque option. Microsoft l'a lancé le 9 octobre 2026 dans Microsoft Foundry et via OpenRouter, avec un message de lancement de Satya Nadella sur X.

Il appartient à une catégorie en pleine croissance, celle des modèles de décision, aux côtés de TypeSafe Jev, de Cloudflare Clef et de Strands Decider. Microsoft l'a construit en post-entraînant Qwen3.5-9B, le modèle à poids ouverts d'Alibaba (voir les tarifs de Qwen pour la famille), et affirme qu'il le « rebasera bientôt sur d'autres modèles, dont Microsoft AI (MAI) et OpenAI ».

Les points clés de la fiche du modèle Foundry :

• Cycle de vie : « Generally available (GA) », version 1, vendu « Direct from Azure »
• Fenêtre de contexte : 32 768 tokens
• Entrée / sortie : texte en entrée, JSON en sortie. Aucune explication ni justification
• Types de questions : oui/non, choix multiple, notation et évaluation sur grille
• Poids : non publiés. Le chemin Hugging Face renvoie une erreur 404

Je construis des intégrations et des API pour gagner ma vie, et cette forme m'est familière. L'essentiel de ce que fait un agent de support IA toute la journée n'est pas de l'écriture. Il répond à de petites questions : est-ce de la facturation ou du technique, est-ce urgent, le client est-il en colère, le brouillon est-il sûr à envoyer. Un modèle qui ne répond qu'à ces questions, rapidement et avec un score de confiance, est utile. La question du prix est de savoir si cette utilité est assez bon marché pour être appelée sur chaque ticket.

Combien coûte Microsoft-Decision-1 ?

Microsoft l'indique en une phrase dans l'annonce de lancement : « Input tokens cost $0.042 USD per million tokens. Output tokens are free. »

La sortie gratuite compte plus qu'il n'y paraît. Avec un LLM, une réponse de classification vous coûte des tokens en sortie, et la sortie est généralement facturée 5 fois l'entrée, voire plus. Ici, la réponse est gratuite, donc la facture dépend entièrement de la quantité de texte que vous envoyez.

Où vous payez

Il y a deux points d'entrée, au même prix :

1. Microsoft Foundry. Facturé via votre abonnement Azure. La documentation Microsoft Learn indique que les modèles vendus par Azure sont « facturés via votre abonnement Azure, couverts par les accords de niveau de service d'Azure et pris en charge par Microsoft » (Microsoft Learn).
2. OpenRouter. Mêmes $0.042 en entrée et $0 en sortie, servi par Azure en coulisses. La page OpenRouter affiche une moyenne pondérée payée de $0.04152 par million de tokens en entrée sur les premiers jours (OpenRouter).

Si votre entreprise tourne déjà sur Azure, ou achète déjà des modèles Azure OpenAI, Foundry est la voie évidente : une seule facture, des achats déjà en place et le SLA d'Azure. OpenRouter est la voie la plus rapide pour un prototype, puisque vous évitez entièrement la configuration d'Azure.

Microsoft-Decision-1 vs Jev vs Clef vs OpenAI : prix par token

L'annonce de lancement de Microsoft compare le coût uniquement à GPT-6 Sol. C'est de là que vient la formule « 200 fois moins cher ». Le chiffre est correct, mais il compare un modèle de décision étroit à un modèle généraliste phare, ce qui revient à comparer le prix d'une calculatrice à celui d'un ordinateur portable.

La comparaison qui compte est celle avec les autres modèles de décision. Voici les grilles tarifaires en vigueur au 11 octobre 2026 :

Trois choses ressortent :

• Il égale Jev au centime près. Microsoft a repris exactement les tarifs de Jev, ce qui n'est pas un hasard sur un marché où Jev fait figure de référence.
• Il passe sous OpenAI d'un facteur 2,4. La Decisions API d'OpenAI est entrée en bêta publique le 6 octobre à $0.10 par million de tokens en entrée.
• Il n'est plus le moins cher. Cloudflare a baissé Clef-flash à $0.038, avec un contexte plus petit de 24 576 tokens. Cela représente environ 10 % de moins que Microsoft-Decision-1. Mon précédent détail des tarifs de Clef explique comment Workers AI le facture.

La communauté des développeurs a tout de suite remarqué la comparaison manquante. La réponse la plus en vue sous le message de lancement de Nadella posait la question évidente :

"How is Jev not ranked? That's literally the #1 model people are going to compare this to."

Shayan (@ImSh4yy), X

Microsoft a ensuite mis à jour son message pour ajouter Jev à ses tableaux de précision et de calibration, mais le graphique des coûts ne montre toujours que GPT-6 Sol. Sur Hacker News, un commentateur a formulé la critique sur le prix sans détour :

"Looks like yet another non-price-competitive Jev competitor. Microsoft only compares the price of theirs to GPT Sol(!), not GPT Terra, or GPT Luna (which is what OpenAI's Jev wannabe is based on), and certainly not Jev (4/10 the cost of Luna). I can't remember when a new product created So many competitors so quickly. What is very clear is that everyone is saying "Doh!", slapping themselves on the forehead, and scrambling to get a slice of this obvious-in-retrospect massive pie. What no-one appears to have done yet is to come close to Jev on pricing!"

HarHarVeryFunny, Hacker News

Ce commentaire a été écrit avant que le prix ne soit largement repéré. En réalité, Microsoft s'est bien rapproché de Jev sur le prix : il l'a égalé.

Par token n'est pas par décision

Voici le piège qui rend les grilles tarifaires moins utiles qu'elles n'en ont l'air. Chaque modèle tokenise et formate votre requête différemment, de sorte que le même ticket peut coûter un nombre de tokens différent d'un modèle à l'autre. La seule comparaison concrète que j'ai trouvée vient d'un utilisateur de Hacker News qui a confronté Microsoft-Decision-1 à Jev dans sa propre suite de tests :

"In my minimal suite it was cheaper (by 0.72x) but higher latency (283ms vs 369ms p50) than Jev. Results were very comparable across all scenarios I measure, first of these that I have tested that actually justifies its existence as a commercial release. Qwen tunes are nice and all but either price or performance makes each example I have tested not viable unless you are able to cheaply self-host and fine-tune further."

Topfi, Hacker News

Même grille tarifaire, facture réelle différente. C'est la suite de tests d'une seule personne, pas un benchmark, mais le réflexe est le bon : passez vos propres tickets dans les deux et comparez la facture, pas la page de tarifs.

Ce que coûte vraiment une décision

Comme la sortie est gratuite, le seul chiffre dont vous avez besoin est le nombre de tokens en entrée que contient chaque appel. C'est le texte du ticket, plus vos questions et la description de leurs options.

L'estimation de Microsoft est que classer un million de textes coûte environ $11 avec Microsoft-Decision-1 contre environ $2,434 avec GPT-6 Sol. En remontant le calcul à $0.042 par million de tokens, cela suppose environ 260 tokens en entrée par texte dans leur test. Les tickets de support sont généralement plus longs, et un long fil avec l'historique de commandes joint peut atteindre plusieurs milliers de tokens.

Voici ce que paie réellement une équipe de support, en supposant deux appels de décision par ticket (par exemple un pour le routage et un pour « peut-on répondre automatiquement ? ») :

Les chiffres de Clef sont au tarif catalogue, avant le quota gratuit quotidien de Cloudflare. Dans tous les cas, une file de 100 000 tickets coûte moins de $20 par mois à noter. À ce stade, le modèle n'est pas votre coût. C'est le temps d'ingénierie pour construire, tester et maintenir le pipeline autour.

Un autre levier : un seul appel peut porter plusieurs questions nommées sur le même ticket (OpenRouter). Si vous demandez « quelle équipe », « quelle urgence » et « est-ce du spam » dans une seule requête, vous payez le texte du ticket une fois au lieu de trois. Regrouper est le moyen le plus simple de réduire la facture, et l'optimisation de LLM la moins chère que vous ferez jamais.

Estimez vos propres coûts avec Microsoft-Decision-1

Saisissez votre volume, le nombre moyen de tokens par appel et le nombre d'appels par ticket. Le calculateur chiffre les cinq modèles de décision hébergés à leurs tarifs catalogue.

Les pièges tarifaires à surveiller

La grille tarifaire est simple. Les petites lignes qui l'entourent sont maigres, et c'est justement le piège. Quelques points à vérifier avant de construire dessus :

• Il n'est pas encore sur la page de tarifs d'Azure. Le lien « View pricing » du catalogue mène à la page de tarifs des modèles Foundry, qui liste d'autres modèles Microsoft mais aucune ligne Microsoft-Decision-1 au 11 octobre. Le chiffre de $0.042 vient de l'annonce de lancement et d'OpenRouter.
• Aucun tarif régional ou provisionné publié. Sur cette même page Azure, MAI-DS-R1 de Microsoft coûte 1,1 fois plus cher en déploiement régional qu'en déploiement global. Rien ne confirme que Microsoft-Decision-1 suive le même schéma, vérifiez donc avant de choisir une option de résidence des données.
• Pas de liste de régions ni de quotas. Le modèle est absent de la page de disponibilité par région de Microsoft, et les limites de débit ne sont pas documentées.
• Votre SDK de chat ne fonctionnera pas. Sur OpenRouter, il tourne sur un point d'accès Decisions distinct, et « chat completions SDKs will not work with it. » Au lancement, un développeur qui l'avait déployé dans Foundry a écrit que « it doesn't say what to POST or what to expect back » (wkcheng, Hacker News). Prévoyez du temps d'intégration.
• Les poids changent sous vos pieds. OpenRouter précise que « weights are updated continually while the API shape stays the same. » Si vous fixez un seuil de confiance comme « routage automatique au-dessus de 0.85 », revérifiez-le après les mises à jour.
• Le plafond de 32 768 tokens. De longs fils d'e-mails avec pièces jointes collées peuvent le dépasser. Il faudra tronquer, et la logique de troncature est aussi du temps d'ingénierie.

Rien de tout cela n'est rédhibitoire. C'est l'état normal d'un modèle vieux de deux jours. Mais « GA » sur la fiche du modèle et « absent de la page de tarifs » chez Azure est une combinaison qui mérite un petit e-mail à votre contact Azure avant d'engager du volume.

Est-il assez précis pour justifier le prix ?

Le prix ne compte que si les réponses sont justes. Les chiffres de Microsoft sont solides, mais ce sont les tests de Microsoft. Dans sa comparaison de 36 benchmarks (147 137 questions), Microsoft annonce une précision moyenne de 83,5 %, devant Jev 1.13.0 à 82,3 % et GPT-6 Luna Decisions à 79,4 %. Il se classe troisième en calibration, à 92,2 contre 93,7 pour Jev.

Source : annonce de lancement de Microsoft, tous les chiffres sont produits par Microsoft. La latence de Microsoft a été mesurée via Foundry dans la même région ; les autres proviennent de JevBench.

Deux vérifications indépendantes méritent d'être connues. La mesure propre à OpenRouter indique une latence p50 de 0,19 seconde, plus lente que les 85 ms de Microsoft, ce qui est logique puisqu'elle inclut les sauts réseau. Et Microsoft-Decision-1 n'apparaît pas encore dans le classement communautaire Jev Decision Index, où le decider de Perplexity et Jev occupent les deux premières places.

Si vous fixez des seuils sur des probabilités, la calibration compte plus que la précision. Un utilisateur de Hacker News a résumé ce compromis : « if you need calibration better use JEV » (nowittyusername). L'écart est de 1,5 point, ce qui est faible, mais il est en faveur de Jev.

Microsoft a aussi partagé des résultats internes : son équipe Microsoft Copilot a trouvé le modèle « competitive with GPT5.6 Luna and 100 times faster », et Xbox Research l'a jugé « 200 times less expensive » que GPT-6 Sol sur plus de 10 000 retours utilisateurs. Des signaux utiles, mais, là encore, déclarés par l'éditeur. Si vous le comparez à un petit modèle généraliste, mon article sur GPT-5.6 Luna couvre ce côté.

Microsoft-Decision-1 vaut-il le coup pour les équipes de support ?

À $0.042 par million de tokens, le prix du modèle cesse d'être un facteur. La vraie question est de savoir si vous voulez construire le système autour.

Ce qu'il vous apporte, c'est l'étape de tri du tri des tickets : quelle file, quelle urgence, est-ce du spam, ce brouillon IA est-il sûr à envoyer.

Ce qu'il vous reste à construire, c'est tout ce qui l'entoure : récupérer le ticket via votre API de helpdesk, rédiger les questions (ces modèles de prompts de tri sont un bon point de départ), fixer les seuils, router selon la réponse, puis réellement résoudre le ticket.

Cette dernière étape est la coûteuse, et c'est là que j'ai vu vivre les vraies erreurs. Lors d'un essai en trafic réel sur une boîte Zendesk e-commerce, le tri d'eesel a atteint 93 % de précision et repéré 100 % du spam, alors que seuls 12 % des brouillons IA ont été envoyés sans modification. Trier est la moitié facile. Bien répondre est la moitié difficile.

Le score de probabilité reste ce qu'il y a de plus utile dans ces modèles. Un responsable CX gérant 7 000 tickets par mois a énoncé l'exigence clairement lors d'un appel commercial avec eesel :

"I need an AI who is only handling the tickets that it's confident to handle and all the other ones, leave them alone."

Une probabilité calibrée est exactement l'outil pour cela. Voici donc mon verdict :

• Utilisez Microsoft-Decision-1 si vous avez des ingénieurs, si vous tournez déjà sur Azure et si vous voulez du tri, du routage ou des contrôles de garde-fous au sein de votre propre produit ou pipeline.
• Utilisez Jev ou Clef-flash si vous optimisez les coûts à très gros volume et n'êtes pas lié à Azure. L'écart de prix est faible, testez donc d'abord la précision sur vos propres données.
• Évitez de le construire si ce que vous voulez vraiment, ce sont des tickets triés et traités dans votre helpdesk. C'est un produit, pas un appel de modèle, et vous pouvez automatiser le tri des tickets sans écrire de code. Voir mon comparatif des meilleures IA pour le tri des tickets.

eesel pour la décision et ce qui vient après

Si vous évaluez le prix de Microsoft-Decision-1 parce que vous voulez des tickets routés, étiquetés et priorisés, envisagez de sauter la phase de développement. eesel est un coéquipier IA pour votre helpdesk. Il se branche sur Zendesk, Freshdesk, Gorgias et d'autres en quelques minutes, apprend de vos anciens tickets et de votre centre d'aide, et prend les mêmes décisions de tri Zendesk et d'escalade qu'un modèle de décision. Ensuite, il rédige la réponse, met à jour la commande ou passe la main à un humain quand il n'est pas sûr de lui.

La tarification est par ticket, pas par token. Les offres d'eesel démarrent à $299 par mois pour 500 crédits, où un ticket ou un chat équivaut à un crédit, quel que soit le nombre d'étapes que l'agent effectue. À 5 000 crédits, cela fait $1,749 par mois, soit environ 35 centimes par ticket. C'est bien plus qu'un appel de décision, car cela inclut le travail, pas seulement le tri. Comparé au coût par ticket d'un agent humain, le tableau est différent ; mon détail du coût IA vs agent humain fait ces calculs, et les tarifs de Zendesk AI montrent ce que coûte la voie du module natif. Avant de passer en production, vous pouvez simuler l'agent sur vos tickets historiques pour voir ce qu'il aurait fait, ce qui est de toute façon la façon dont je testerais n'importe lequel de ces modèles.

Si vous êtes développeur, la CLI eesel vous donne le même coéquipier depuis un terminal. npx @eesel/cli init chat-bubble --site <url> configure un espace de travail, eesel integrations connecte votre helpdesk, eesel automations met en place des règles de routage et eesel approvals vous permet d'approuver ou de refuser les actions que l'agent a retenues pour revue. C'est le même agent que le tableau de bord, et chaque commande affiche du JSON, de sorte que Claude Code, Cursor ou un script CI peuvent le piloter. eesel mcp token expose aussi l'espace de travail comme un serveur MCP. C'est la différence pratique avec un modèle de décision : le modèle donne une probabilité à votre code, alors que la CLI lui donne un agent IA qui agit en conséquence.

Vous pouvez essayer eesel gratuitement avec 100 crédits, sans carte. Connectez votre helpdesk, pointez-le sur une semaine de tickets et comparez son routage à ce que ferait votre propre pipeline de décision.