Gemini Decisions API: cómo automatizar decisiones con control
Google estrena una API para resolver preguntas cerradas sobre texto, imágenes, audio, vídeo y PDF. Así puedes usar sus probabilidades, umbrales y revisión humana sin convertirla en un juez automático.
Gemini Decisions API convierte entradas de texto, imágenes, audio, vídeo o PDF en decisiones cerradas con probabilidades y puntuaciones de confianza. Google la presentó el 11 de noviembre de 2026 junto al modelo Gemini Decision 1. Su objetivo no es redactar respuestas abiertas, sino resolver en una sola petición preguntas acotadas: elegir una ruta, comprobar una condición o puntuar un caso según una rúbrica.
La propuesta puede reducir latencia y coste en clasificadores, enrutadores de modelos y controles previos a una acción. Pero una probabilidad no es una garantía. Para usarla con criterio hay que definir opciones completas, calibrar umbrales con datos propios, registrar la versión de las reglas y enviar a revisión humana los casos dudosos o de alto impacto.
Qué es Gemini Decisions API y qué problema intenta resolver
Una llamada generativa tradicional produce texto token a token. La nueva API está diseñada para puntuar opciones delimitadas en un único pase. Según el anuncio oficial de Google, una petición puede compartir una entrada multimodal y evaluar hasta 1.000 preguntas independientes. El modelo admite contextos de hasta 256.000 tokens; Google también publica cifras de rendimiento casi planas hasta 100 preguntas y 16.000 tokens en sus pruebas.
El encaje natural es un punto de control: seleccionar qué modelo atiende una consulta, decidir si un documento necesita revisión, comprobar si una imagen cumple una condición observable o asignar una puntuación siguiendo criterios escritos. No sustituye una base de reglas deterministas cuando la respuesta puede obtenerse sin inferencia, ni convierte automáticamente una política ambigua en una buena política.
Los tres tipos de decisión y cuándo usar cada uno
La API permite combinar tres preguntas sobre una misma entrada. Google denomina noul al formato binario; conviene recordar el nombre exacto al implementar, aunque funcionalmente sea un sí o no.
| Tipo | Qué devuelve | Uso razonable | Control necesario |
|---|---|---|---|
noul | Probabilidad de que una condición sea verdadera. | Comprobar si falta una firma o si existe un daño visible. | Describir también qué cuenta como falso y probar casos límite. |
choice | Opción ganadora y probabilidad normalizada de cada candidata. | Enrutar una solicitud entre colas, herramientas o modelos. | Incluir una salida de excepción cuando ninguna opción encaje. |
score | Puntuación ponderada y probabilidad por nivel de una rúbrica ordenada. | Priorizar revisión según gravedad o calidad observable. | Definir niveles mutuamente distinguibles y validar acuerdo humano. |
La ventaja de una entrada compartida es que una grabación, una foto y los metadatos del caso se procesan una vez para varias preguntas. Esto evita repetir contexto y permite obtener, por ejemplo, presencia de una incidencia, acción recomendada y severidad en una sola llamada. La contrapartida es el acoplamiento: si el contexto contiene datos innecesarios o una instrucción confusa, puede afectar a varias decisiones a la vez.
Arquitectura recomendada: modelo, política y decisión final separados
No permitas que la respuesta del modelo ejecute directamente una acción irreversible. Separa cinco capas:
- Preparación: minimiza datos, valida formatos y elimina contenido que el caso no necesita.
- Evaluación: envía preguntas versionadas, opciones explícitas y criterios verificables.
- Política: traduce probabilidades a aceptar, rechazar, pedir más información o revisar.
- Ejecución: aplica permisos, límites y confirmaciones independientes del modelo.
- Auditoría: conserva versión de modelo, versión de criterios, decisión y resultado posterior sin guardar más datos personales de los necesarios.
Un patrón prudente usa dos umbrales. Por encima del superior, automatiza solo acciones reversibles y de bajo riesgo; por debajo del inferior, aplica la ruta negativa si también es segura; en la zona intermedia, solicita otra evidencia o intervención humana. Los umbrales no deben copiarse de un ejemplo: se calculan con costes reales de falsos positivos y falsos negativos.
La separación también facilita cambiar de proveedor o modelo. Nuestra guía de datos gobernados para agentes explica cómo mantener contexto y permisos fuera del prompt. Para tareas más abiertas, la revisión de Gemini 4 Argon muestra un perfil distinto al de un clasificador acotado.
Cómo probar Gemini Decisions API en siete pasos
- Elige una decisión reversible. Empieza por priorizar o enrutar, no por bloquear cuentas, contratar, despedir o conceder derechos.
- Construye un conjunto etiquetado. Incluye casos normales, ambiguos, adversariales y ejemplos donde expertos discrepan.
- Escribe criterios observables. Sustituye “parece sospechoso” por señales concretas que puedan comprobarse en la entrada.
- Reserva una salida segura. Añade “información insuficiente” o revisión manual cuando las opciones no sean exhaustivas.
- Ejecuta en sombra. Compara decisiones sin afectar producción y mide por segmento, modalidad e idioma.
- Calibra umbrales. Relaciona cada banda de confianza con errores observados y con el coste de equivocarse.
- Activa gradualmente. Limita porcentaje, volumen, permisos y acciones; define una forma rápida de desactivar la automatización.
Qué medir antes de confiar en las probabilidades
La exactitud global puede ocultar fallos caros. Registra precisión, cobertura, falsos positivos, falsos negativos, calibración, latencia en percentiles 50, 95 y 99, coste por caso y proporción enviada a revisión. Divide resultados por tipo de archivo, idioma, calidad de imagen o audio y origen del tráfico cuando sea legítimo hacerlo.
Comprueba además la calibración: entre los casos a los que el sistema asigna aproximadamente 0,8, la condición debería cumplirse cerca del 80 % en una muestra representativa. Si no ocurre, el número sirve para ordenar casos, pero no debe interpretarse literalmente como riesgo. Repite la prueba cuando cambien el modelo, los criterios, la distribución de entrada o el proceso humano de etiquetado.
Para entradas multimodales, prueba qué sucede cuando las fuentes se contradicen: una nota afirma que no hay daño, pero la foto sí lo muestra; un PDF tiene una versión y los metadatos otra. La política debe indicar qué evidencia prevalece o cuándo el conflicto obliga a detenerse.
Errores comunes al automatizar decisiones cerradas
- Tratar confianza como certeza: una puntuación alta todavía puede ser incorrecta.
- Forzar una opción: si ninguna candidata encaja, la normalización sigue produciendo una ganadora.
- Usar criterios subjetivos: el modelo no corrige una rúbrica ambigua o contradictoria.
- Medir solo latencia media: los picos y reintentos importan en un plano de control.
- Enviar datos excesivos: compartir una entrada entre muchas preguntas no justifica incluir información innecesaria.
- Automatizar alto impacto desde el primer día: comienza en sombra y con acciones reversibles.
- No versionar preguntas: cambiar una frase puede alterar resultados y romper comparaciones históricas.
Preguntas frecuentes sobre Gemini Decisions API
¿Sustituye a un modelo generativo general?
No. Está orientada a elecciones cerradas y puntuaciones. Un modelo generativo sigue siendo más apropiado cuando necesitas redactar, resumir o razonar en una salida abierta.
¿Puede procesar varios tipos de archivo juntos?
Sí. Google indica que admite texto, imágenes, audio, vídeo y PDF en una entrada compartida. Debes limitar cada caso a las modalidades necesarias y probar conflictos entre ellas.
¿Una confianza alta permite ejecutar cualquier acción?
No. El impacto manda. Acciones irreversibles, legales, financieras o que afecten a derechos necesitan controles adicionales y, en muchos casos, revisión humana aunque la puntuación sea alta.
¿Cuándo compensa frente a reglas tradicionales?
Cuando la entrada no estructurada requiere interpretación y las opciones pueden definirse con claridad. Si una regla determinista resuelve el caso de forma fiable, suele ser más barata, explicable y estable.
Conclusión: automatizar la ruta, no delegar el criterio
Gemini Decisions API ofrece una pieza específica para clasificación y control multimodal: muchas preguntas sobre una entrada compartida, probabilidades por opción y una latencia publicada baja. Eso puede simplificar enrutadores, filtros y colas de revisión.
Su valor depende del sistema que la rodea. Criterios versionados, opciones exhaustivas, umbrales calibrados, permisos independientes y revisión humana convierten una puntuación en una decisión operativa defendible. Sin esas capas, una API rápida solo permite equivocarse más deprisa.
