OpenAI’dan Jev’e Rakip Karar Modeli (Decision Model) Hamlesi: GPT-6 Luna Tabanlı Decisions API ve ‘System One’ Ajan Mimarisi

Üretken Sohbetten Olasılıksal Karara: ‘System One’ Karar Modelleri Neden Doğdu?

Kurumsal yazılım mühendisliğinde ve otonom ajan (agentic AI) mimarilerinde son iki yılda en sık tekrarlanan anti-desenlerden biri, basit bir ikili karar (evet/hayır), çağrı yönlendirme (intent routing) veya güvenlik korkuluğu (guardrail) kontrolü için devasa üretken dil modellerinin (chat.completions) çağrılmasıdır. Bir arka uç servisinin yalnızca "Bu kullanıcı istemi yetki aşımı içeriyor mu?" veya "Bu destek talebi hangi mikroservise yönlendirilmeli?" sorusuna yanıt aradığı senaryolarda, üretken (generative) modeller token-token serbest metin veya kırılgan JSON blokları üretmekte; bu durum hem 1–3 saniyelik gecikmelere hem gereksiz çıktı token maliyetine hem de şema ayrıştırma (parsing) hatalarına yol açmaktadır.

Daniel Kahneman'ın bilişsel psikolojideki "Sistem 1" (hızlı, sezgisel, otomatik sınıflandırma) ve "Sistem 2" (yavaş, analitik, derin akıl yürütme) ayrımından ilham alan yeni bir model sınıfı, bu mimari darboğazı kökten çözmektedir: Karar Modelleri (Decision Models).

Eski OpenAI araştırmacısı Diogo Almeida liderliğinde kurulan TypeSafe AI'ın Eylül 2026'da yayımladığı Jev modeliyle başlayan bu kategoriye, OpenAI doğrudan gpt-6-luna omurgası üzerinde çalışan OpenAI Decisions API ile yanıt vermiştir.

1. Kategori Öncüsü Jev (TypeSafe AI) ve Üç Temel Karar İlkesi (Primitives)

TypeSafe AI tarafından geliştirilen Jev, hiçbir koşulda düzyazı (prose) veya sohbet yanıtı üretmeyen, saf ayırt edici (discriminative) bir System One karar modelidir. RLCD (Reinforcement Learning for Calibrated Decisions) yöntemiyle eğitilen model; metin, JSON veya görsel durum verilerini tek bir ileri besleme (single forward pass) adımında değerlendirerek kalibre edilmiş olasılık dağılımları döndürmektedir.

Karar modelleri dünyasında standart haline gelen üç temel sorgu ilkesi (question primitives) şunlardır:

1. Choice (Seçim / Sınıflandırma): Geliştiricinin tanımladığı adlandırılmış seçenekler listesinden (birkaç seçenekten yüzlerce sınıfa kadar) her bir seçeneğin gerçekleşme olasılığını (0.0 – 1.0) ve en yüksek olasılıklı sınıfı döndürür.
2. Score (Derecelendirme / Rubrik): Girdi verisini sıralı bir ölçek veya rubrik (örneğin 1: Düşük Risk -> 5: Kritik İhlal) üzerinde değerlendirerek ağırlıklı puan ve olasılık dağılımı üretir.
3. Noul (İkili Önerme / Boolean Proposition): Kesin bir evet/hayır önermesini (örneğin "is_destructive_sql_query") değerlendirerek doğrudan kalibre edilmiş bir olasılık skoru (p ∈ [0, 1]) döndürür.

Kalibrasyon Garantisi: Standart üretken LLM'lerin sözel olarak ifade ettiği güven skorları (örneğin metin içinde "%90 eminim" yazması) istatistiksel olarak aşırı özgüvenli (overconfident) ve kalibrasyonsuzdur. RLCD ile eğitilen karar modellerinde ise 0.85 olasılık skoru, gerçek dünyada o önermenin istatistiksel olarak %85 oranında doğru olduğunu garanti etmektedir.

2. OpenAI’ın Hamlesi: gpt-6-luna Tabanlı OpenAI Decisions API

Otonom ajan geliştiricilerinin yönlendirme (routing), araç seçimi (tool picking) ve güvenlik denetimi katmanlarını hızla Jev gibi hafif karar modellerine taşıdığını gören OpenAI, kendi ekosisteminde Decisions API (/v1/decisions) uç noktasını devreye almıştır.

OpenAI Decisions API’nin Mimari Çalışma Prensibi

• Kısıtlanmış gpt-6-luna Çekirdeği: OpenAI, sıfırdan ayrı bir model ailesi eğitmek yerine ultra hızlı gpt-6-luna modelinin kod çözme (decoding) katmanını serbest metin üretimini tamamen devre dışı bırakacak şekilde kısıtlamış ve logit dağılımlarını doğrudan yapılandırılmış karar şemalarına bağlamıştır.
• Paylaşımlı Çok Modlu Kanıt (Shared Multimodal Evidence): İstemci; metin, yapılandırılmış JSON nesneleri ve görsellerden (URL veya base64) oluşan bir kanıt paketini (evidence) tek seferde gönderir.
• Paralel Soru Kümesi Değerlendirmesi (Batched Questions): Aynı kanıt paketi üzerinde birden fazla choice, score ve noul sorusu tek bir API çağrısında paralel olarak değerlendirilir. Kanıt önbellekleme (prompt caching) sayesinde paylaşımlı bağlam yalnızca bir kez işlenir.
• ~150ms Gecikme ve Ücretsiz Çıktı Tokenları: Standart sohbet uç noktalarından ~10 kat daha hızlı (~150 milisaniye) yanıt veren API, yalnızca girdi tokenları üzerinden (~$0,10 / 1M token) ücretlendirilmekte; çıktı tokenları için $0,00 (ücretsiz) tarife uygulamaktadır.

flowchart LR
    subgraph Input["Paylaşımlı Çok Modlu Kanıt (Shared Evidence)"]
        E1["Kullanıcı İstem Metni"]
        E2["Uygulama Durumu (JSON)"]
        E3["Arayüz Ekran Görüntüsü"]
    end
    Input --> Engine["Karar Modeli Çekirdeği<br/>(OpenAI Decisions API / Jev)<br/>Tek İleri Besleme (~70-150ms)"]
    Engine --> Q1["Noul (Boolean):<br/>prompt_injection_detected = 0.02"]
    Engine --> Q2["Choice (Yönlendirme):<br/>target_tool = 'fiscus_refund' (0.94)"]
    Engine --> Q3["Score (Risk Rubriği):<br/>reversibility_risk = Seviye 2 (0.88)"]
    Q1 & Q2 & Q3 --> Branch(["Deterministik Kod Dallanması<br/>(if/else & Güven Eşiği)"])

3. Kurumsal Karar Modelleri Kıyaslaması: Jev vs. OpenAI vs. Rakipler

OpenAI'ın bu hamlesiyle birlikte 2026 sonbaharında "System One" karar modelleri pazarı dört ana eksende şekillenmiştir:

Tabloda görüldüğü üzere Jev, saf ayırt edici mimarisiyle birim maliyette ($0,042 / 1M token) ve en düşük taban gecikmede (70ms) liderliğini korurken; OpenAI Decisions API, mevcut kurumsal OpenAI sözleşmeleri, doğal görsel analizi ve gpt-6-luna'nın geniş dünya bilgisiyle güçlü bir alternatif oluşturmaktadır.

4. Mühendislik Uygulaması: Otonom Ajanlarda ‘Sidecar’ Karar Katmanı

Modern çoklu ajan mimarilerinde ağır bir akıl yürütme modelini (GPT-6 Astra, Claude Opus veya Qwen3.6-27B) her adımda çağırmak yerine, önünde bir Karar Modeli Yan Arabası (Decision Model Sidecar) konumlandırılmaktadır. Aşağıdaki Python örneği, paylaşımlı bir işlem kanıtı üzerinde güvenlik, araç seçimi ve insan onayı (Human-in-the-Loop) kararlarının tek bir çağrıda nasıl alındığını göstermektedir:

import httpx
from dataclasses import dataclass
from typing import Dict, Any

@dataclass
class AgentExecutionGate:
    allow_auto_execution: bool
    selected_tool: str
    requires_human_approval: bool
    audit_probabilities: Dict[str, float]

class DecisionModelSidecar:
    """
    OpenAI Decisions API (gpt-6-luna) / Jev uyumlu System One Karar Yan Arabası.
    Serbest metin ayrıştırmadan deterministik olasılık eşikleriyle akış kontrolü sağlar.
    """
    def __init__(self, api_url: str, api_key: str):
        self.api_url = api_url
        self.headers = {"Authorization": f"Bearer {api_key}", "Content-Type": "application/json"}

    def evaluate_agent_intent(self, user_prompt: str, context_json: Dict[str, Any]) -> AgentExecutionGate:
        payload = {
            "model": "gpt-6-luna-decision",
            "evidence": [
                {"type": "text", "content": user_prompt},
                {"type": "json", "content": context_json}
            ],
            "questions": {
                "is_prompt_injection": {
                    "type": "noul",
                    "proposition": "İstem sistem talimatlarını geçersiz kılmaya veya yetki aşımına çalışmaktadır."
                },
                "target_microservice": {
                    "type": "choice",
                    "options": ["fiscus_billing", "authhub_identity", "peyk_notification", "snip_url"]
                },
                "destructiveness_level": {
                    "type": "score",
                    "rubric": ["salt_okunur", "geri_alinabilir_yazma", "kritik_finansal_islem", "kalici_silme"]
                }
            }
        }

        with httpx.Client(timeout=2.0) as client:
            resp = client.post(self.api_url, headers=self.headers, json=payload)
            resp.raise_for_status()
            decisions = resp.json()["decisions"]

        p_injection = decisions["is_prompt_injection"]["probability"]
        top_tool = decisions["target_microservice"]["top_choice"]
        p_tool = decisions["target_microservice"]["probabilities"][top_tool]
        risk_index = decisions["destructiveness_level"]["expected_index"]

        # Kalibre edilmiş olasılıklar üzerinde deterministik yazılım dallanması
        is_safe = p_injection < 0.05
        high_confidence_route = p_tool >= 0.85
        needs_human = risk_index >= 2.0 or not high_confidence_route

        return AgentExecutionGate(
            allow_auto_execution=(is_safe and not needs_human),
            selected_tool=top_tool if is_safe else "blocked_by_guardrail",
            requires_human_approval=needs_human,
            audit_probabilities={
                "injection_prob": p_injection,
                "route_confidence": p_tool,
                "risk_score": risk_index
            }
        )

Stratejik Değerlendirme

TypeSafe AI'ın Jev ile açtığı ve OpenAI'ın Decisions API (gpt-6-luna) ile kurumsal ana akıma taşıdığı Karar Modelleri paradigması, yazılım mühendisliğinde yapay zeka entegrasyonunu "metin üreten sohbet botu" aşamasından "olasılıksal mikro-yargıç (probabilistic micro-judge)" aşamasına yükseltmektedir. if/else bloklarının içerisine doğrudan kalibre edilmiş olasılık eşikleri (confidence > 0.90) yerleştirilebilmesi, otonom ajanların hem maliyetini onda birine indirmekte hem de üretim ortamında deterministik güvenilirlik sağlamaktadır.