はじめに

少し前に、TypeSafe AIのjevが話題になりました。文章を生成せず、決められた型の答えと確信度だけを返すモデルで、LLMより桁違いに速くて安いとうたわれています。

同じ発想のAPIとして、OpenAIが2026年10月6日、Decisions APIを全開発者向けの公開ベータで提供開始しました。分類やスコアリングのような「決められた選択肢から選ぶ」処理に絞ったAPIです。

対応モデルはgpt-6-lunaのみ、料金は入力100万トークンあたり0.10ドルです。正式提供は「今後数週間」とされています。※2026年10月時点

これまで同じことをするなら、Responses APIのStructured Outputsでenumを指定するのが定番でした。そこで今回は、レシートの明細を家計簿のカテゴリに分ける題材で、Decisions APIとResponses APIを同じgpt-6-lunaで比べてみました。

Decisions APIとは

Decisions APIは、入力に対して「型の決まった答え」だけを返すAPIです。文章は生成しません。

質問の型は次の3つです。

type	答えの形	使いどころ
`predicate`	はい/いいえの確率（0〜1）	条件に当てはまるかの判定（スパム判定、要対応かどうか、ポリシー違反の検出）
`choice`	選択肢のどれか1つ＋各選択肢の確率	カテゴリ分類、問い合わせの振り分け
`score`	段階評価の値＋各段階の確率	程度の評価（緊急度、感情の強さ、品質や関連度の採点）

答えには、選択肢ごとの確率とconfidence（確信度）が付いてきます。

料金は入力トークン分だけです。文章を生成しないので、出力トークンはそもそも発生しません。

画像も入力できます。jevはまだ画像に対応していないので、ここはDecisions APIの強みですね。ただし、画像はbase64のdata URLに限られ、URLやfile_idは使えません。

公式ドキュメントには「Responses APIより約10倍速い」と書かれています。

呼び出し方とレスポンス

準備

Decisions APIを使うには、openaiのSDKを新しいバージョンに上げる必要があります。JavaScript版は7.30.0以上です。

npm install openai@latest

カテゴリの定義

選択肢はDecisions APIとResponses APIの両方で使い回します。

src/categories.ts

export const CATEGORIES = [
  { value: "食費", description: "スーパーやコンビニで買った食材・飲み物・お菓子（持ち帰って食べるもの）" },
  { value: "外食", description: "飲食店での食事、カフェ、テイクアウト、フードデリバリー" },
  { value: "日用品", description: "洗剤・ティッシュ・ゴミ袋・電池などの消耗品" },
  { value: "交通", description: "電車・バス・タクシー・新幹線・駐車場・交通系ICのチャージ" },
  { value: "娯楽", description: "映画・本・ゲーム・カラオケなどの趣味や遊び" },
  { value: "医療・美容", description: "病院・薬・ドラッグストアの医薬品・美容院" },
  { value: "その他", description: "上のどれにも当てはまらないもの、中身がわからないもの" },
] as const;

export const INSTRUCTIONS = "レシートの明細1行（店名・品目・金額）を、家計簿のカテゴリに分類してください。";

呼び出し

呼び出しは、client.decisions.createにinputとquestionsを渡すだけです。

src/decisions.ts

import OpenAI from "openai";
import { CATEGORIES, INSTRUCTIONS } from "./categories.ts";

const client = new OpenAI();

export async function classifyWithDecisions(text: string) {
  const decision = await client.decisions.create({
    model: "gpt-6-luna",
    input: text,
    questions: [
      {
        type: "choice",
        name: "category",
        instructions: INSTRUCTIONS,
        choices: CATEGORIES.map(({ value, description }) => ({ value, description })),
      },
    ],
  });

  const [answer] = decision.answers;
  if (answer.type === "refusal") return { category: null, confidence: null, usage: decision.usage };
  if (answer.type !== "choice") throw new Error(`unexpected answer type: ${answer.type}`);

  return {
    category: String(answer.choice),
    confidence: answer.confidence,
    probabilities: answer.probabilities,
    usage: decision.usage,
  };
}

answersはquestionsと同じ順番で返ってきます。モデルが答えを断った場合はtype: "refusal"が返るので、その分岐も入れておきます。

レスポンス

「めぐりズム完熟ゆず1枚 ¥165」を渡したときの実際のレスポンスです。

{
  "model": "gpt-6-luna",
  "answers": [
    {
      "type": "choice",
      "name": "category",
      "choice": "医療・美容",
      "probabilities": [
        { "value": "食費", "probability": 0.01 },
        { "value": "外食", "probability": 0 },
        { "value": "日用品", "probability": 0.3 },
        { "value": "交通", "probability": 0 },
        { "value": "娯楽", "probability": 0.01 },
        { "value": "医療・美容", "probability": 0.49 },
        { "value": "その他", "probability": 0.19 }
      ],
      "confidence": 0.41
    }
  ],
  "usage": {
    "input_tokens": 336,
    "input_tokens_details": { "cached_tokens": 0, "cache_write_tokens": 0 },
    "output_tokens": 0,
    "output_tokens_details": { "reasoning_tokens": 0 },
    "total_tokens": 336
  }
}

めぐりズムは蒸気で温めるアイマスクなので、「医療・美容」と「日用品」のどちらとも言えます。レスポンスを見ると、医療・美容0.49、日用品0.30と確率が割れていて、confidenceも0.41と低めです。モデルが迷っていることが数字でわかります。

output_tokensは0で、Decisions APIは文章を生成しないので出力トークンが発生せず、料金は入力の336トークン分だけです。

Structured Outputsとの違い

同じ分類をResponses APIのStructured Outputsで書くと、次のようになります。

src/responses.ts

import OpenAI from "openai";
import { CATEGORIES, INSTRUCTIONS } from "./categories.ts";

const client = new OpenAI();

const categoryList = CATEGORIES.map(({ value, description }) => `- ${value}: ${description}`).join("\n");

export async function classifyWithResponses(text: string, effort?: "none") {
  const response = await client.responses.create({
    model: "gpt-6-luna",
    ...(effort && { reasoning: { effort } }),
    instructions: `${INSTRUCTIONS}\n\nカテゴリ:\n${categoryList}`,
    input: text,
    text: {
      format: {
        type: "json_schema",
        name: "receipt_category",
        strict: true,
        schema: {
          type: "object",
          properties: {
            category: { type: "string", enum: CATEGORIES.map(({ value }) => value) },
          },
          required: ["category"],
          additionalProperties: false,
        },
      },
    },
  });

  const { category } = JSON.parse(response.output_text) as { category: string };
  return { category, usage: response.usage };
}

同じ明細を渡したときの結果はこうなりました。

{"category":"日用品"}
usage: input_tokens 159 / output_tokens 69（うち reasoning_tokens 53）

並べてみると、違いは次のとおりです。

	Decisions API	Responses API（Structured Outputs）
書くもの	質問の型と選択肢	JSON Schemaとプロンプト
返ってくるもの	答え＋全選択肢の確率＋confidence	JSONの文字列（答えだけ）
迷っているかどうか	確率とconfidenceでわかる	わからない
パース	不要（型つきのオブジェクト）	`JSON.parse`が必要
出力トークン	発生しない	生成した分だけ発生。推論トークンも含む
自由な文章や抽出	できない	できる

Responses APIは、答えが「日用品」の一言だけで返ってきます。迷ったうえでの日用品なのか、自信を持って日用品なのかは、レスポンスからはわかりません。Decisions APIなら「confidenceが0.6未満なら人に確認してもらう」のような分岐をそのまま書けます。

逆に、品目名や金額を抜き出したい、理由を文章で説明させたいといった用途には、Decisions APIは使えません。公式ドキュメントでも、自分で決めたJSON Schemaでデータを生成したいときはStructured Outputsを使うように案内されています。

実測

条件

レシートの明細48件を、次の3パターンで1件ずつ分類しました。

Decisions API（gpt-6-luna）
Responses API（gpt-6-luna、reasoning.effortはデフォルトのmedium）
Responses API（gpt-6-luna、reasoning.effort: "none"）

料金はusageのトークン数から計算しています（Responses APIは入力$0.10、出力$0.50 / 1M tokens）。

結果

	正解数	中央値	p95	1000件あたりの料金
Decisions API	48/48	195ms	280ms	$0.033
Responses API	47/48	1,600ms	3,081ms	$0.053
Responses API（effort: none）	47/48	1,555ms	2,783ms	$0.041

同じモデルで精度も同等のまま、Decisions APIは中央値で約8倍速く、料金は6割ほどでした。

Responses APIの推論をオフにすると、出力トークンは1,809から679に減りました。それでも中央値は45msしか縮んでいません。遅さの原因は推論より、文字を1つずつ生成する仕組みのほうにありそうです。

1回あたりの入力トークンはDecisions APIのほうが多い（336対159）ものの、出力トークンが発生しない分トータルでは安くなります。選択肢の説明が長いと、この差は縮むかもしれません。

Decisions APIが迷った品目

confidence	明細	確率
0.41	ファミリーマートめぐりズム完熟ゆず1枚 ¥165	医療・美容0.49 / 日用品0.30 / その他0.19
0.70	マツモトキヨシカロリーメイト 4本 ¥238	食費0.74 / 医療・美容0.23
0.85	カラオケ ○○ 飲食投げ飲み放題アルコール ¥1,210	娯楽0.87 / 外食0.09

人が分類しても迷う明細ほど確率が割れています。confidenceが低いものだけユーザーに確認してもらう、といった使い方ができそうです。

まとめ

Decisions APIは、決められた選択肢から選ぶ処理に特化したAPIです。答えと一緒に確率とconfidenceが返ってきます。

一方で、文章の生成や値の抜き出しはできないので、Structured Outputsの代わりにはなりません。分類・振り分け・スコアリングならDecisions API、データを作るならStructured Outputsという使い分けになります。

分類やスコアリングのためだけにStructured Outputsを使っている人には、Decisions APIはかなりおすすめです！特に、レスポンスの遅さやコストが気になっている人や、「モデルがどれくらい自信を持って答えているのか」を知りたい人には合うと思います！
ゲームなどにも使えるかもしれませんね。

最後まで読んでいただき、ありがとうございました！
もし記事が参考になりましたら、いいねや共有をしていただけると嬉しいです🎉

株式会社サードスコープではAIを活用したシステムやサービスを開発しています。開発と導入支援の経験をもとに、現場での使い方まで踏まえてご提案します。

弊社では人材教育から実務支援まで幅広い業務に対応したAI中心設計による次世代のビジネスプラットフォームを提供しています。

参考