Lilith.
⌕
Ilustracja redakcyjna: Gemini Decisions API zmienia model generatywny w szybki węzeł decyzyjny
Ilustracja Lilith · remiks redakcyjny

Google udostępnił Gemini Decisions API z modelem Gemini Decision 1. Jeden multimodalny materiał można sprawdzić za pomocą maksymalnie 1 000 niezależnych pytań w trzech formatach: tak lub nie, wybór od 2 do 255 opcji oraz ocena według uporządkowanej skali. Odpowiedź zawiera prawdopodobieństwa i poziom pewności, a nie wygenerowany akapit.

Google podaje opóźnienie 150 do 250 ms od żądania do odpowiedzi i cenę 0,10 dolara za milion tokenów wejściowych. Tokeny wyjściowe są bezpłatne. API działa przez Gemini API w Google AI Studio, także w bezpłatnym planie do prototypowania.

Jeden tani przebieg może zastąpić łańcuch małych klasyfikatorów

Ten sam materiał można w jednym żądaniu sprawdzić według wielu reguł. Agent może jednocześnie wybrać narzędzie, ocenić kontekst i zdecydować, czy niejednoznaczny przypadek przekazać człowiekowi. Google używa już API do routingu modeli, wyboru reakcji i kontroli bezpieczeństwa narzędzi MCP.

Kluczowa jest multimodalność. Warstwa decyzyjna może wspólnie analizować nagranie rozmowy, metadane konta i zeskanowany dokument bez osobnego rachunku za transkrypcję lub OCR.

Agenci zyskują warstwę pośrednią między regułą a pełnym wywołaniem LLM

Zespoły często wybierały między sztywną regułą, własnym klasyfikatorem a droższym modelem generatywnym. Gemini Decision 1 dodaje inną opcję: ograniczony wynik z prawdopodobieństwem dla tych samych typów danych, które obsługuje model multimodalny.

Może to uprościć architekturę agentów. Zamiast generować tekst i później go parsować, aplikacja otrzymuje decyzję, którą da się porównać z progiem i poddać audytowi. Wartość kryje się w tysiącach drobnych wyborów w workflow, a nie w bardziej błyskotliwej rozmowie.

Prawdopodobieństwo nadal nie gwarantuje poprawnej decyzji

Liczba od 0 do 1 może sprawiać wrażenie większej precyzji, niż faktycznie daje. Kalibracja zależy od danych, sformułowania kryteriów i kosztu błędu. Benchmarki Google nie zastąpią evali na własnych dokumentach, językach i przypadkach granicznych.

Model nie zapewnia też governance. Zespół musi ustalić progi kontroli przez człowieka, rejestrować decyzje i obsłużyć zmianę modelu. Tania błędna decyzja nadal pozostaje błędna.

O wdrożeniu zdecydują progi, audyt i wyniki produkcyjne

Pierwszym ważnym sygnałem będzie stabilna kalibracja na danych produkcyjnych. Drugim będzie możliwość zmiany modelu lub polityki bez przebudowy całej warstwy sterującej.

Jeśli integracje z LangChain, Vercel AI SDK, LiteLLM i innymi narzędziami się sprawdzą, endpointy decyzyjne mogą wejść do standardowego zestawu infrastruktury agentowej. Dopiero odsetek błędów i liczba eskalacji do ludzi pokażą, czy API oszczędza pracę, czy tylko szybciej zapełnia kolejkę poprawek.

Werdykt Lilith

Agent podejmujący tysiąc decyzji na minutę nie musi za każdym razem pisać eseju. Gemini wręcza mu tanią kartę do głosowania, lecz zasady liczenia głosów nadal ustala zespół.