Google a présenté Gemini Decisions API, un nouvel endpoint de Gemini API destiné aux applications qui ont besoin de décisions rapides et délimitées plutôt que de réponses générées ouvertes. Le service repose sur Gemini Decision 1, un modèle conçu pour évaluer des options candidates à partir de textes, d’images, d’audio, de vidéos et de PDF.
Ce lancement répond à un besoin croissant de systèmes d’IA capables de prendre des décisions opérationnelles au sein de flux logiciels plus vastes : sélectionner des outils, acheminer des requêtes, vérifier des règles de politique, classer des alternatives ou évaluer un contexte. Dans ces cas, un développeur peut avoir davantage besoin d’une probabilité et d’un score de confiance que d’un paragraphe explicatif.
Conçue pour les choix à ensemble fermé
Google présente l’API comme un outil pour les questions oui/non, les décisions à choix multiples et l’évaluation fondée sur une grille de critères. Un développeur peut soumettre une entrée multimodale et poser jusqu’à 1 000 questions indépendantes à son sujet dans une seule requête.
Le système accepte des entrées textuelles, des images, de l’audio, des vidéos et des PDF, avec des contextes allant jusqu’à 256 000 tokens. Cette combinaison doit permettre à un seul service d’évaluer des contenus variés sans obliger les développeurs à créer des pipelines de décision distincts pour chaque type de média.
Parmi les exemples donnés par Google figurent la sélection d’outils, les contrôles de politiques, le routage de modèles et l’évaluation du contexte. Un système pourrait utiliser l’endpoint comme filtre avant d’appeler un autre modèle ou service, ou comme couche de scoring pour déterminer l’action suivante.
Des probabilités plutôt que des réponses générées
La principale différence technique tient au fait que Gemini Decision 1 évalue les options candidates en une seule passe avant. Il ne génère pas une réponse token par token comme le fait habituellement un modèle conversationnel.
Selon Google, l’endpoint renvoie des probabilités et des scores de confiance. Il fournit ainsi une sortie plus structurée aux applications qui doivent prendre une décision définie tout en mesurant le degré de certitude du modèle.
Pour les systèmes d’IA en production, ce signal de confiance peut être important. Il peut aider les développeurs à fixer des seuils, à soumettre les cas incertains à une vérification humaine ou à choisir une voie de secours lorsque le score du modèle n’atteint pas le niveau requis. L’API ne supprime pas le besoin d’évaluation, mais elle offre une primitive orientée vers la décision, plus directement adaptée à ces tâches.
Promesses en matière de latence et de prix
Google indique que Gemini Decision 1 affiche une latence de calcul du modèle de 50 à 100 millisecondes et une latence de bout en bout de 150 à 250 millisecondes. L’entreprise affirme que les performances restent presque constantes entre une et 100 questions par requête avec des entrées multimodales et des contextes allant jusqu’à 16 000 tokens.
Le prix annoncé est de 0,10 dollar par million de tokens d’entrée, sans facturation des tokens de sortie. Comme le modèle évalue des options au lieu d’émettre une réponse textuelle classique, cette structure tarifaire est adaptée à une charge de travail où la génération de tokens de sortie n’est pas la tâche centrale.
Google affirme également que Decisions API est presque cinq fois moins chère que Gemini 3.5 Flash-Lite avec Interactions API dans son ensemble de benchmarks commun. Comme pour toutes les affirmations de fournisseurs fondées sur des benchmarks, le résultat concret d’un déploiement dépendra des entrées, des questions, des règles d’évaluation et de la conception globale du système.
La calibration devient une fonctionnalité
Google présente la calibration comme une fonctionnalité centrale du nouveau modèle. Un système calibré vise à rendre les valeurs de confiance significatives : les réponses très confiantes devraient avoir davantage de chances d’être correctes que les réponses peu confiantes. Cette propriété est particulièrement importante lorsqu’une sortie d’IA sert à déclencher un flux de travail, appliquer une règle ou acheminer une demande d’utilisateur.
L’entreprise affirme que Gemini Decision 1 arrive en tête de son ensemble de benchmarks pour le routage d’agents, le raisonnement, le classement et la compréhension multimodale, avec l’erreur de calibration la plus faible. Ces résultats ne dispensent pas les développeurs de tester leurs propres données et cas limites, mais ils montrent que Google insiste sur la qualité des décisions autant que sur la précision brute des réponses.
Pour les développeurs, la question pratique n’est pas seulement de savoir si un modèle peut choisir une option. Il faut déterminer si ses scores sont assez fiables pour soutenir l’automatisation. Un modèle capable de classer des alternatives mais incapable d’indiquer clairement l’incertitude est plus difficile à intégrer en toute sécurité dans un flux de travail à conséquences.
Une nouvelle brique pour les agents d’IA
L’API arrive alors que les entreprises assemblent des agents d’IA à partir de plusieurs composants spécialisés. Dans ces systèmes, un modèle de langage peut interpréter une demande, un modèle de décision peut choisir l’outil suivant et un autre service peut exécuter l’action. Un scoring rapide peut donc être utile même si l’utilisateur ne voit jamais de réponse du modèle de la couche décisionnelle.
L’offre de Google est disponible via Gemini API dans Google AI Studio, où les développeurs peuvent obtenir une clé API et une documentation pour Python, JavaScript et REST. Le lancement leur fournit une option conçue pour les décisions multimodales à ensemble fermé, notamment lorsque la vitesse de réponse, le coût et le signal de confiance comptent autant que la génération de texte fluide.
Son importance dépendra de la capacité de la calibration et de la latence promises à tenir dans des charges réelles. Mais le positionnement est clair : plutôt que de traiter chaque tâche d’IA comme une conversation, Google propose un endpoint conçu pour prendre rapidement de nombreuses petites décisions explicites.
Cet article s’appuie sur un article du Google AI Blog. Lire l’article original.
Originally published on blog.google






