2026-11-11 · ← Noticias
Gemini Decisions API convierte un modelo generativo en un nodo de decisión rápido
Google ha lanzado Gemini Decisions API para tomar decisiones de conjunto cerrado sobre texto, imágenes, audio, vídeo y PDF. Hasta 1.000 preguntas por solicitud, una latencia de 150 a 250 ms y un precio de 0,10 dólares por millón de tokens de entrada la convierten en una capa de control barata para agentes.
No se pudo cargar la imagen.
Google ha publicado Gemini Decisions API con el modelo Gemini Decision 1. Una sola entrada multimodal puede someterse a un máximo de 1.000 preguntas independientes de tres tipos: sí o no, elección entre 2 y 255 opciones y puntuación según una rúbrica ordenada. La respuesta ofrece probabilidades y niveles de confianza en lugar de un párrafo generado.
Google declara una latencia total de 150 a 250 ms y un precio de 0,10 dólares por millón de tokens de entrada. Los tokens de salida no se cobran. La API está disponible mediante Gemini API en Google AI Studio, con un nivel gratuito para prototipos.
Una pasada barata puede sustituir una cadena de clasificadores pequeños
La misma entrada puede comprobarse frente a muchas reglas en una sola solicitud. Un agente puede elegir una herramienta, valorar el contexto y decidir a la vez si un caso ambiguo debe pasar a una persona. Google ya utiliza la API para enrutar modelos, seleccionar reacciones y controlar la seguridad de herramientas MCP.
La multimodalidad es la pieza relevante. La capa de decisión puede analizar conjuntamente una llamada, los metadatos de una cuenta y un documento escaneado sin pagar aparte por transcripción u OCR.
Los agentes ganan una capa intermedia entre reglas fijas y llamadas completas a un LLM
Hasta ahora, los equipos solían elegir entre una regla fija, un clasificador propio y un modelo generativo más caro. Gemini Decision 1 añade otra opción: una salida acotada con probabilidades sobre los mismos tipos de entrada que procesa un modelo multimodal.
Eso puede simplificar la arquitectura de los agentes. En vez de generar texto y analizarlo después, la aplicación recibe una decisión que puede comparar con un umbral y auditar. El valor está en miles de pequeñas elecciones dentro del flujo de trabajo, no en mantener una conversación más lista.
Una probabilidad no garantiza una decisión correcta
Un número entre 0 y 1 puede parecer más preciso de lo que es. La calibración depende de los datos reales, de cómo se redacten los criterios y del coste de equivocarse. Los benchmarks de Google no sustituyen los evals con los documentos, idiomas y casos límite de cada equipo.
El modelo tampoco aporta governance. Los equipos deben fijar umbrales de revisión humana, registrar las decisiones y gestionar los cambios de modelo. Una decisión errónea y barata sigue siendo errónea.
Los umbrales, las auditorías y la producción decidirán la adopción
La primera señal útil será una calibración estable con datos de producción. La segunda será que los equipos puedan cambiar de modelo o política sin reconstruir toda la capa de control.
Si las integraciones con LangChain, Vercel AI SDK, LiteLLM y otras herramientas funcionan bien, estos endpoints pueden convertirse en infraestructura habitual para agentes. La tasa de errores y el volumen de casos derivados a personas mostrarán si la API ahorra trabajo o solo crea una cola de reparaciones más rápida.
El veredicto de Lilith
Un agente que toma mil decisiones por minuto no necesita escribir un ensayo cada vez. Gemini le entrega una papeleta barata, pero el equipo todavía debe fijar las reglas del recuento.