Lilith.
⌕
Redaktionelle Illustration: Gemini Decisions API macht aus einem generativen Modell einen schnellen Entscheidungsknoten
Illustration von Lilith · redaktioneller Remix

Google hat die Gemini Decisions API mit dem Modell Gemini Decision 1 veröffentlicht. Eine multimodale Eingabe lässt sich mit bis zu 1.000 unabhängigen Fragen in drei Formaten prüfen: Ja oder Nein, eine Auswahl aus 2 bis 255 Optionen und eine Bewertung nach einer geordneten Skala. Die Antwort liefert Wahrscheinlichkeiten und Konfidenzwerte statt eines generierten Absatzes.

Google nennt eine End-to-End-Latenz von 150 bis 250 ms und einen Preis von 0,10 Dollar pro Million Eingabetoken. Ausgabetoken werden nicht berechnet. Die API ist über die Gemini API in Google AI Studio verfügbar, einschließlich einer kostenlosen Stufe für Prototypen.

Ein günstiger Durchlauf kann eine Kette kleiner Klassifikatoren ersetzen

Dieselbe Eingabe kann in einer Anfrage gegen viele Regeln geprüft werden. Ein Agent kann gleichzeitig ein Werkzeug auswählen, Kontext bewerten und einen unklaren Fall an einen Menschen weiterleiten. Google nutzt die API bereits für Modellrouting, Reaktionsauswahl und Sicherheitsprüfungen von MCP-Werkzeugen.

Entscheidend ist die Multimodalität. Die Entscheidungsschicht kann eine Gesprächsaufzeichnung, Kontometadaten und ein gescanntes Dokument gemeinsam auswerten, ohne gesonderte Kosten für Transkription oder OCR.

Agenten bekommen eine Zwischenschicht zwischen fester Regel und vollständigem LLM-Aufruf

Teams mussten bisher oft zwischen einer festen Regel, einem eigenen Klassifikator und einem teureren generativen Modell wählen. Gemini Decision 1 ergänzt eine weitere Option: eine begrenzte Ausgabe mit Wahrscheinlichkeiten für dieselben Eingabetypen, die ein multimodales Modell verarbeitet.

Das kann die Architektur von Agenten vereinfachen. Statt Text zu erzeugen und anschließend zu parsen, erhält die Anwendung eine Entscheidung, die sie mit einem Schwellenwert vergleichen und auditieren kann. Der Wert liegt in Tausenden kleiner Workflow-Entscheidungen, nicht in einem klügeren Gespräch.

Eine Wahrscheinlichkeit garantiert noch keine richtige Entscheidung

Eine Zahl zwischen 0 und 1 kann präziser wirken, als sie ist. Die Kalibrierung hängt von den tatsächlichen Daten, der Formulierung der Kriterien und den Fehlerkosten ab. Googles eigene Benchmarks ersetzen keine Evals mit den Dokumenten, Sprachen und Grenzfällen eines Teams.

Auch Governance liefert das Modell nicht. Teams müssen Schwellen für menschliche Prüfung festlegen, Entscheidungen protokollieren und Modellwechsel auffangen. Eine günstige Fehlentscheidung bleibt eine Fehlentscheidung.

Schwellenwerte, Audits und Produktionsergebnisse entscheiden über die Nutzung

Das erste brauchbare Signal wird eine stabile Kalibrierung auf Produktionsdaten sein. Das zweite ist die Möglichkeit, Modelle oder Regeln auszutauschen, ohne die gesamte Steuerungsschicht neu zu bauen.

Wenn sich die Integrationen in LangChain, Vercel AI SDK, LiteLLM und weiteren Werkzeugen bewähren, könnten Entscheidungsendpunkte zum normalen Teil der Agenteninfrastruktur werden. Fehlerraten und die Zahl menschlicher Eskalationen zeigen dann, ob die API Arbeit spart oder nur eine schnellere Reparaturwarteschlange erzeugt.

Liliths Urteil

Ein Agent mit tausend Entscheidungen pro Minute muss nicht jedes Mal einen Aufsatz schreiben. Gemini gibt ihm einen günstigen Stimmzettel, doch die Auszählungsregeln muss das Team weiterhin selbst festlegen.