Google lanza la API de Decisiones Gemini para opciones de IA rápidas y sin texto
Google lanzó la API de Decisiones Gemini el 12 de noviembre de 2026, permitiendo una evaluación de baja latencia y bajo costo de hasta 1.000 opciones de conjunto cerrado sin generar texto.
Traducido automáticamente del original en inglés.
El 12 de noviembre de 2026, Google presentó la API de Decisiones Gemini, una herramienta especializada diseñada para gestionar elecciones lógicas rutinarias en aplicaciones de IA sin generar lenguaje natural. Este nuevo servicio, impulsado por el modelo Gemini Decision 1, busca reducir la latencia y los costos para desarrolladores que necesitan resultados rápidos y deterministas en lugar de prosa creativa.
Qué ocurrió
La API de Decisiones Gemini permite a los sistemas de software evaluar opciones predefinidas en una sola pasada, evitando la sobrecarga computacional de los modelos generativos tradicionales. En lugar de producir una oración o un párrafo, el modelo puntúa hasta 1.000 elecciones de conjunto cerrado contra una entrada dada. Google afirma que los tiempos de respuesta para las cargas de trabajo probadas oscilan entre 150 y 250 milisegundos, significativamente más rápido que las interacciones estándar con grandes modelos de lenguaje. La estructura de precios favorece la toma de decisiones de alto volumen, comenzando en $0.10 por millón de tokens de entrada, sin cargos por tokens de salida.
Este lanzamiento coloca a Google en competencia directa con otros gigantes tecnológicos que se dirigen hacia modelos de decisión especializados. OpenAI lanzó su propia API de Decisiones apenas unas semanas antes, mientras que empresas como TypeSafe AI y Microsoft también están desarrollando herramientas similares. El cambio en el mercado refleja un reconocimiento creciente de que muchas tareas de IA no requieren capacidades generativas. El CEO de Google, Sundar Pichai, describió el modelo como “diseñado para elecciones de conjunto cerrado”, enfatizando su papel en la gestión de decisiones acotadas y específicas en lugar de generación abierta.
Google ya está desplegando esta tecnología internamente. En Gemini Notebook, el modelo gestiona el enrutamiento en tiempo real de modelos y niveles de razonamiento, reduciendo supuestamente la latencia hasta en un 40%. Además, Google Search utiliza el sistema para detectar comportamientos potencialmente adversarios que involucran herramientas del Protocolo de Contexto del Modelo (MCP). Estos casos de uso internos demuestran la capacidad del modelo para manejar tareas de alta frecuencia y baja latencia que serían ineficientes o costosas utilizando modelos generativos de propósito general.
Cómo funciona
El mecanismo central de la API de Decisiones Gemini es su capacidad para procesar un contexto compartido una sola vez y luego evaluar múltiples preguntas independientes contra él. El modelo admite una ventana de contexto de 256.000 tokens y puede manejar contenido multimodal. Los desarrolladores definen un conjunto de posibles respuestas o acciones, y el modelo asigna probabilidades y puntuaciones de confianza a cada opción. Este enfoque elimina la necesidad de que el modelo genere texto token por token, que es la principal fuente de latencia y costo en los LLM tradicionales.
Dado que la API evalúa cada pregunta por separado, es ideal para tareas paralelizables donde una decisión no depende del resultado de otra dentro de la misma llamada. Si un flujo de trabajo requiere lógica secuencial —donde la respuesta A determina la pregunta B—, los desarrolladores deben realizar llamadas separadas a la API. Sin embargo, la estructura de costos está optimizada para el procesamiento por lotes: los desarrolladores pagan solo una vez por enviar el contexto compartido, incluso si plantean cientos de preguntas sobre él. Las preguntas mismas siguen contando para el uso de tokens, pero la eliminación de los costos de tokens de salida hace que la puntuación de alto volumen sea económicamente viable.
Detalles clave
- Nombre del modelo: Gemini Decision 1, diseñado específicamente para elecciones de conjunto cerrado.
- Rendimiento: Tiempos de respuesta entre 150 y 250 milisegundos para las cargas de trabajo probadas.
- Capacidad: Admite una ventana de contexto de 256.000 tokens y hasta 1.000 preguntas independientes por entrada.
- Precios: Comienza en $0.10 por millón de tokens de entrada; sin cargos por tokens de salida.
- Benchmarks: Google afirma una puntuación del 92.2% en JevBench, frente al 90.9% de GPT-6 Luna de OpenAI y el 90% de Jev 1.14 de TypeSafe.
- Disponibilidad: Accesible a través de Google AI Studio con un nivel gratuito de prototipado, y mediante integraciones como OpenRouter, LangChain, Vercel y LiteLLM.
Por qué importa
Para ingenieros de software que construyen agentes de IA o flujos de trabajo automatizados, la API de Decisiones Gemini ofrece una forma de desacoplar el razonamiento de la generación. Muchas aplicaciones gastan recursos significativos generando texto solo para analizarlo nuevamente en una decisión estructurada. Al omitir el paso de generación, los desarrolladores pueden lograr menor latencia y costos más predecibles. Esto es particularmente valioso para aplicaciones en tiempo real, como detección de fraude, enrutamiento dinámico o interfaces de usuario interactivas, donde retrasos de incluso unos pocos cientos de milisegundos pueden degradar la experiencia del usuario.
El panorama competitivo de la infraestructura de IA está cambiando de chatbots de propósito general a primitivas especializadas. Como se indica en los benchmarks, aunque el modelo de Google obtuvo una puntuación más alta en precisión general, Jev 1.14 de TypeSafe fue más barato de ejecutar para la suite completa de benchmark ($0.68 frente a $0.88). Esto sugiere que los desarrolladores deberán evaluar cuidadosamente los compromisos entre precisión, error de calibración y costo según sus casos de uso específicos. El hecho de que todas las cifras de benchmark provengan de pruebas propias de Google significa que la validación independiente en entornos de producción será crucial para los equipos que tomen decisiones arquitectónicas a largo plazo.
Qué puedes hacer
- Audita tus actuales flujos de trabajo de IA para identificar pasos que impliquen clasificación simple o selección de una lista fija de opciones.
- Prototipa con el nivel gratuito en Google AI Studio para probar cómo maneja Gemini Decision 1 tus preguntas específicas de conjunto cerrado.
- Compara latencia y costos contra tu configuración actual de modelos generativos, prestando atención al ahorro derivado de la eliminación de tokens de salida.
- Evalúa opciones de integración como LangChain o LiteLLM para ver qué tan fácilmente se adapta la API a tu stack actual.
- Monitorea errores de calibración en tus pruebas, ya que Google destaca el bajo error de calibración como una fortaleza clave de Gemini Decision 1.
- Planifica para lógica secuencial diseñando tu arquitectura para manejar llamadas separadas a la API cuando las decisiones dependan de resultados previos.



