Google enseña a Gemini a decidir sin escribir

Decidir sin escribir

Google presentó el 11 de noviembre la Gemini Decisions API, una vía nueva de su API para desarrolladores que no sirve para conversar, sino para decidir. Funciona con Gemini Decision 1 (`gemini-decision-1`), un modelo nuevo de Google, cuyo anuncio firman un responsable de producto y un científico principal de Google DeepMind, el laboratorio de IA de Google, que a su vez pertenece a Alphabet. Se usa a través de Google AI Studio, el entorno de Google para desarrolladores que trabajan con Gemini.

Google la plantea para decisiones acotadas: qué herramienta usa un agente, si un contenido cumple una norma, a qué modelo se manda una consulta o si un contexto sirve para la tarea. Según Google, en vez de redactar la respuesta palabra a palabra, el modelo puntúa todas las opciones en una sola pasada y devuelve sus probabilidades, con una confianza de 0 a 1 en cada respuesta para que el programa mande los casos dudosos a otro sistema o a una persona.

Hay tres tipos de pregunta, y se pueden mezclar en la misma petición. `noul` es la de sí o no y devuelve la probabilidad de que algo se cumpla; `choice` elige entre 2 y 255 opciones y da la probabilidad de cada una, y `score` pone una nota en una escala ordenada que define el programador.

El ejemplo de Google es la foto de la encimera de una sala de descanso antes de una reunión, con tres preguntas a la vez: si hay un líquido derramado sin limpiar, qué conviene hacer —pasar un trapo, llamar al servicio de limpieza o nada, porque está lista— y qué gravedad tiene el desorden.

Mil preguntas en una sola pasada

La entrada puede mezclar texto, imágenes, audio, vídeo y PDF —según los ejemplos de Google, la grabación de una llamada con los datos de la cuenta, o una reclamación escaneada con las fotos del daño—. Entre la entrada y las preguntas caben hasta 262.144 tokens, y en una sola petición, hasta 1.000 preguntas independientes.

Según Google, la latencia mediana es de 50 a 100 milisegundos de cálculo del modelo y de 150 a 250 de extremo a extremo, y apenas cambia entre 1 y 100 preguntas por petición. La letra pequeña: esa medida es para contextos de hasta 16.000 tokens. Google no da la latencia con entradas más largas, y su documentación técnica no trae ninguna cifra; solo dice que se mantiene casi plana al añadir preguntas.

El precio es de 0,10 dólares por millón de tokens de entrada y cero por la salida, porque el modelo no genera texto. La entrada común se cobra una vez por petición, se hagan las preguntas que se hagan, y cada pregunta suma solo sus instrucciones y sus criterios. Según Google, tampoco hay cargos aparte por tokens de razonamiento, por transcribir audio o por leer el texto de una imagen.

Para prototipos hay una capa gratuita en Google AI Studio. Según la página de precios de Google, lo que se envía en esa capa se usa para mejorar sus productos; en la de pago, no. La API no admite caché de contexto ni procesamiento por lotes (Batch API), y de momento solo está en la Gemini Developer API, en su versión v1beta.

Google ya la usa en casa

Según Google, varios de sus equipos ya trabajan con la Decisions API. Gemini Notebook, de Google, la usa como enrutador en tiempo real: decide a qué nivel de modelo y de razonamiento manda cada consulta, y así atiende las cotidianas con hasta un 40 % menos de latencia y reserva los modelos de razonamiento profundo para las complejas.

En Stitch, la herramienta de diseño de Google, un experimento de lienzo rápido genera en segundos maquetas navegables de un flujo de producto y aplica cambios hechos con la voz o con un toque. CC, un experimento de Google Labs, el área de proyectos experimentales de Google, elige la reacción con emoji adecuada entre más de 200 en una fracción de segundo.

El buscador de Google la emplea como capa de seguridad para las herramientas MCP: detecta comportamiento y contenido hostil. Google asegura que lo hace con alta eficacia en pruebas adversarias (adversarial evals) y sin salirse del margen de latencia, pero no da cifras.

Fuera de Google, la integración se está desplegando en herramientas para desarrolladores como OpenRouter —un servicio que reúne en una sola interfaz modelos de muchos proveedores—, LangChain, Vercel, LiteLLM, Pydantic AI, Pipecat, LiveKit y OpenCode. Dentro de casa, llegará pronto a Gemini en Google Cloud.

OpenAI, Microsoft y TypeSafe AI ya estaban ahí

OpenAI, la empresa de ChatGPT, abrió su Decisions API a todos los desarrolladores el 22 de octubre, con GPT-6 Luna como único modelo; Microsoft presentó el 9 de octubre Microsoft-Decision-1, un modelo derivado de Qwen3.5-9B que se usa en Microsoft Foundry, su plataforma de IA en la nube Azure, y a través de OpenRouter, y TypeSafe AI presentó Jev el 15 de septiembre. Lo que añade Google está en lo que lee —audio, vídeo y PDF— y en cuántas preguntas acepta en cada petición.

Un detalle comprobable en la documentación de cada una: los tres tipos de pregunta de Google se llaman igual que los de Jev y los de Microsoft-Decision-1, `noul`, `choice` y `score`, y OpenAI llama `predicate` a la de sí o no.

La tabla compara fichas de producto, no rendimiento: no hay una prueba común a las cuatro. Y que Google y OpenAI tengan el mismo precio de lista por millón de tokens de entrada no garantiza el mismo coste, porque cada empresa cuenta los tokens con su propio sistema y OpenAI descuenta la entrada que se repite gracias a la caché, algo que Google no ofrece.

Las pruebas, por ahora, son de Google

Google afirma que, en una batería de pruebas de enrutado de agentes, razonamiento, ordenación y comprensión multimodal, Gemini Decision 1 queda en cabeza en el conjunto y con el menor error de calibración. También dice que, en esas mismas pruebas, sale casi cinco veces más barato que Gemini 3.5 Flash-Lite usado con la Interactions API de Google.

Son pruebas elegidas, hechas y publicadas por la empresa que vende el modelo. Las puntuaciones solo aparecen en gráficos del anuncio, sin desglose en el texto, y hasta que alguien las repita fuera de Google son afirmaciones de la propia compañía.