Google ha presentado Gemini Decisions API, un nuevo endpoint de Gemini API destinado a aplicaciones que necesitan decisiones rápidas y acotadas, no respuestas generadas abiertas. El servicio funciona con Gemini Decision 1, un modelo creado para puntuar opciones candidatas en texto, imágenes, audio, vídeo y PDF.

El lanzamiento refleja una necesidad creciente de sistemas de IA capaces de tomar decisiones operativas dentro de flujos de software más amplios: seleccionar herramientas, enrutar solicitudes, comprobar reglas de políticas, clasificar alternativas o evaluar contextos. En esos casos, un desarrollador puede necesitar más una probabilidad y una puntuación de confianza que un párrafo explicativo.

Diseñada para opciones de conjunto cerrado

Google describe la API como una herramienta para preguntas de sí o no, decisiones de opción múltiple y puntuación basada en rúbricas. Un desarrollador puede enviar una entrada multimodal y formular hasta 1.000 preguntas independientes sobre ella en una sola solicitud.

El sistema admite entradas de texto, imágenes, audio, vídeo y PDF, con contextos de hasta 256.000 tokens. La combinación pretende permitir que un único servicio evalúe materiales diversos sin que los desarrolladores tengan que crear canales de decisión separados para cada tipo de medio.

Entre los ejemplos ofrecidos por Google figuran la selección de herramientas, las comprobaciones de políticas, el enrutamiento de modelos y la evaluación del contexto. Un sistema podría utilizar el endpoint como guardián antes de llamar a otro modelo o servicio, o como capa de puntuación para determinar qué acción debe realizarse a continuación.

Probabilidades en lugar de respuestas generadas

La diferencia técnica principal es que Gemini Decision 1 puntúa las opciones candidatas en una sola pasada hacia delante. No genera una respuesta token a token como suele hacerlo un modelo conversacional.

Según Google, el endpoint devuelve probabilidades y puntuaciones de confianza. Esto crea una salida más estructurada para aplicaciones que necesitan tomar una decisión definida y además medir cuánta certeza tiene el modelo sobre ella.

Para los sistemas de IA en producción, esa señal de confianza puede ser importante. Puede ayudar a los desarrolladores a establecer umbrales, enviar los casos inciertos a revisión o elegir una ruta alternativa cuando la puntuación del modelo no alcanza el nivel requerido. La API no elimina la necesidad de evaluación, pero ofrece un componente orientado a decisiones más directamente alineado con esas tareas.

Afirmaciones sobre latencia y precio

Google afirma que Gemini Decision 1 tiene una latencia de cálculo del modelo de 50 a 100 milisegundos y una latencia de extremo a extremo de 150 a 250 milisegundos. Según la empresa, el rendimiento se mantiene casi plano entre una y 100 preguntas por solicitud al trabajar con entradas multimodales y contextos de hasta 16.000 tokens.

La compañía fija el precio en 0,10 dólares por millón de tokens de entrada, sin tokens de salida facturados. Como el modelo puntúa opciones en lugar de emitir una respuesta de texto convencional, la estructura de precios está adaptada a una carga de trabajo en la que generar tokens de salida no es la tarea central.

Google también afirma que Decisions API es casi cinco veces más barato que Gemini 3.5 Flash-Lite con Interactions API en su conjunto de pruebas compartido. Como ocurre con todas las afirmaciones de referencia de los proveedores, el resultado práctico de cada implementación dependerá de las entradas, las preguntas, las reglas de evaluación y el diseño del sistema que la rodea.

La calibración se convierte en una función del producto

Google presenta la calibración como una función central del nuevo modelo. Un sistema calibrado pretende que los valores de confianza sean significativos: las respuestas con alta confianza deberían tener más probabilidades de ser correctas que las de baja confianza. Esta propiedad es especialmente relevante cuando una salida de IA se utiliza para activar un flujo de trabajo, aplicar una regla o enrutar una solicitud de usuario.

La empresa afirma que Gemini Decision 1 lidera su conjunto de pruebas en enrutamiento de agentes, razonamiento, clasificación y comprensión multimodal, con el menor error de calibración. Los resultados del anuncio no sustituyen las pruebas de los desarrolladores con sus propios datos y casos extremos, pero señalan el énfasis de Google tanto en la calidad de las decisiones como en la precisión bruta de las respuestas.

Para los desarrolladores, la pregunta práctica no es simplemente si un modelo puede elegir una opción. Es si sus puntuaciones pueden utilizarse con suficiente fiabilidad para respaldar la automatización. Un modelo que puede clasificar alternativas pero no indicar claramente la incertidumbre es más difícil de colocar de forma segura dentro de un flujo de trabajo con consecuencias.

Un nuevo componente para los agentes de IA

La API llega mientras las empresas ensamblan agentes de IA a partir de múltiples componentes especializados. En esos sistemas, un modelo de lenguaje puede interpretar una solicitud, un modelo de decisión puede elegir la siguiente herramienta y otro servicio puede ejecutar la acción. Por tanto, una puntuación rápida puede ser útil aunque el usuario nunca vea una respuesta del modelo de la capa de decisión.

La propuesta de Google está disponible a través de Gemini API en Google AI Studio, donde los desarrolladores pueden obtener una clave de API y documentación para Python, JavaScript y REST. El lanzamiento ofrece una opción diseñada específicamente para decisiones multimodales de conjunto cerrado, sobre todo cuando la velocidad de respuesta, el coste y la información sobre confianza importan tanto como la generación de texto fluido.

Su importancia dependerá de que la calibración y la latencia prometidas se mantengan en cargas de trabajo reales. Pero el posicionamiento del producto es claro: en lugar de tratar cada tarea de IA como una conversación, Google ofrece un endpoint de modelo pensado para tomar rápidamente muchas decisiones pequeñas y explícitas.

Este artículo se basa en información del Google AI Blog. Lea el artículo original.

Originally published on blog.google