Google hat die Gemini Decisions API vorgestellt, einen neuen Gemini-API-Endpunkt für Anwendungen, die schnelle, klar begrenzte Entscheidungen statt offen formulierter generierter Antworten benötigen. Der Dienst wird von Gemini Decision 1 betrieben, einem Modell zur Bewertung von Kandidatenoptionen aus Texten, Bildern, Audio, Videos und PDFs.
Die Einführung spiegelt den wachsenden Bedarf an KI-Systemen wider, die innerhalb größerer Software-Workflows operative Entscheidungen treffen: Werkzeuge auswählen, Anfragen weiterleiten, Richtlinien prüfen, Alternativen rangordnen oder Kontext bewerten. In solchen Fällen benötigt ein Entwickler möglicherweise eher eine Wahrscheinlichkeits- und Vertrauensbewertung als einen erklärenden Absatz.
Für Entscheidungen aus geschlossenen Mengen entwickelt
Google beschreibt die API als Werkzeug für Ja-nein-Fragen, Multiple-Choice-Entscheidungen und die Bewertung anhand von Kriterienrastern. Ein Entwickler kann eine multimodale Eingabe übermitteln und in einer einzigen Anfrage bis zu 1.000 unabhängige Fragen dazu stellen.
Das System unterstützt Eingaben aus Text, Bildern, Audio, Video und PDFs mit Kontexten von bis zu 256.000 Tokens. Diese Kombination soll es einem Dienst ermöglichen, unterschiedlichste Materialien zu bewerten, ohne dass Entwickler für jeden Medientyp eigene Entscheidungs-Pipelines erstellen müssen.
Zu den von Google genannten Beispielen gehören Werkzeugauswahl, Richtlinienprüfungen, Modell-Routing und Kontextbewertung. Ein System könnte den Endpunkt als Gatekeeper vor dem Aufruf eines anderen Modells oder Dienstes nutzen oder als Bewertungsebene, um die nächste Aktion zu bestimmen.
Wahrscheinlichkeiten statt generierter Antworten
Der zentrale technische Unterschied besteht darin, dass Gemini Decision 1 Kandidatenoptionen in einem einzigen Vorwärtsdurchlauf bewertet. Es erzeugt keine Antwort Token für Token, wie es ein konversationelles Modell normalerweise tut.
Nach Angaben von Google liefert der Endpunkt Wahrscheinlichkeiten und Vertrauenswerte. Dadurch entsteht eine stärker strukturierte Ausgabe für Anwendungen, die eine definierte Entscheidung treffen und zugleich messen müssen, wie sicher das Modell dabei ist.
Für KI-Systeme im Produktionseinsatz kann dieses Vertrauenssignal wichtig sein. Es kann Entwicklern helfen, Schwellenwerte festzulegen, unsichere Fälle zur Prüfung weiterzuleiten oder einen Fallback-Pfad zu wählen, wenn der Modellwert ein erforderliches Niveau nicht erreicht. Die API macht Evaluationen nicht überflüssig, bietet aber ein entscheidungsorientiertes Grundelement, das direkter auf diese Aufgaben zugeschnitten ist.
Angaben zu Latenz und Preisen
Google gibt für Gemini Decision 1 eine Modellberechnungslatenz von 50 bis 100 Millisekunden und eine Ende-zu-Ende-Latenz von 150 bis 250 Millisekunden an. Bei multimodalen Eingaben und Kontexten von bis zu 16.000 Tokens bleibe die Leistung zwischen einer und 100 Fragen pro Anfrage nahezu konstant.
Das Unternehmen nennt einen Preis von 0,10 US-Dollar pro einer Million Eingabetokens; Ausgabetokens werden nicht berechnet. Da das Modell Optionen bewertet, statt eine herkömmliche Textantwort auszugeben, ist die Preisstruktur auf eine Arbeitslast zugeschnitten, bei der die Erzeugung von Ausgabetokens nicht die zentrale Aufgabe ist.
Google erklärt außerdem, dass die Decisions API in seiner gemeinsamen Benchmark-Suite fast fünfmal günstiger sei als Gemini 3.5 Flash-Lite mit der Interactions API. Wie bei allen Benchmark-Angaben von Anbietern hängt das praktische Ergebnis eines Einsatzes von den Eingaben, Fragen, Bewertungsregeln und dem Design des umgebenden Systems ab.
Kalibrierung wird zur Produktfunktion
Google positioniert die Kalibrierung als zentrale Funktion des neuen Modells. Ein kalibriertes System soll Vertrauenswerte aussagekräftig machen: Antworten mit hoher Zuversicht sollten mit größerer Wahrscheinlichkeit korrekt sein als Antworten mit geringer Zuversicht. Das ist besonders relevant, wenn eine KI-Ausgabe einen Workflow auslöst, eine Regel durchsetzt oder eine Benutzeranfrage weiterleitet.
Das Unternehmen sagt, Gemini Decision 1 führe seine Benchmark-Suite bei Agenten-Routing, Schlussfolgern, Ranking und multimodalem Verständnis an und weise den niedrigsten Kalibrierungsfehler auf. Die Ergebnisse der Ankündigung ersetzen keine Tests der Entwickler mit eigenen Daten und Grenzfällen, zeigen aber, dass Google neben der reinen Antwortgenauigkeit auch die Entscheidungsqualität betont.
Für Entwickler lautet die praktische Frage nicht nur, ob ein Modell eine Option auswählen kann. Entscheidend ist, ob seine Werte zuverlässig genug genutzt werden können, um Automatisierung zu unterstützen. Ein Modell, das Alternativen ordnen, Unsicherheit aber nicht klar anzeigen kann, lässt sich schwerer sicher in einen folgenreichen Workflow integrieren.
Ein neuer Baustein für KI-Agenten
Die API kommt zu einem Zeitpunkt, an dem Unternehmen KI-Agenten aus mehreren spezialisierten Komponenten zusammensetzen. In solchen Systemen kann ein Sprachmodell eine Anfrage interpretieren, ein Entscheidungsmodell das nächste Werkzeug auswählen und ein anderer Dienst die Aktion ausführen. Schnelles Scoring kann daher nützlich sein, selbst wenn der Nutzer nie eine Modellantwort aus der Entscheidungsebene sieht.
Googles Angebot ist über die Gemini API in Google AI Studio verfügbar. Dort können Entwickler einen API-Schlüssel und Dokumentation für Python, JavaScript und REST abrufen. Der Start bietet eine speziell entwickelte Option für multimodale Entscheidungen aus geschlossenen Mengen – insbesondere dort, wo Reaktionsgeschwindigkeit, Kosten und Vertrauensberichte ebenso wichtig sind wie die flüssige Texterzeugung.
Seine Bedeutung wird davon abhängen, ob sich die versprochene Kalibrierung und Latenz in realen Arbeitslasten bewähren. Die Produktpositionierung ist jedoch klar: Statt jede KI-Aufgabe als Gespräch zu behandeln, bietet Google einen Modellendpunkt an, der viele kleine, explizite Entscheidungen schnell treffen soll.
Dieser Artikel basiert auf einer Berichterstattung des Google AI Blog. Originalartikel lesen.
Originally published on blog.google





