Google lance l'API Gemini Decisions pour des choix IA rapides et sans texte
Google a publié l'API Gemini Decisions le 12 novembre 2026, permettant une évaluation à faible latence et faible coût de jusqu'à 1 000 options fermées sans générer de texte.
Traduit automatiquement depuis l'original anglais.
Le 12 novembre 2026, Google a introduit l'API Gemini Decisions, un outil spécialisé conçu pour gérer les choix logiques courants dans les applications d'IA sans produire de langage naturel. Ce nouveau service, propulsé par le modèle Gemini Decision 1, vise à réduire la latence et les coûts pour les développeurs ayant besoin de résultats rapides et déterministes plutôt que de prose créative.
Ce qui s'est passé
L'API Gemini Decisions permet aux systèmes logiciels d'évaluer des options prédéfinies en une seule passe, contournant la surcharge computationnelle des modèles génératifs traditionnels. Au lieu de produire une phrase ou un paragraphe, le modèle note jusqu'à 1 000 choix fermés par rapport à une entrée donnée. Google indique que les temps de réponse pour les charges de travail testées varient entre 150 et 250 millisecondes, nettement plus rapide que les interactions standard avec les grands modèles de langage (LLM). La tarification est structurée pour favoriser la prise de décision à haut volume, commençant à 0,10 $ par million de jetons d'entrée, sans frais pour les jetons de sortie.
Cette sortie place Google en concurrence directe avec d'autres géants technologiques qui se tournent vers des modèles de décision spécialisés. OpenAI a lancé sa propre API Decisions quelques semaines seulement avant, tandis que des entreprises comme TypeSafe AI et Microsoft développent également des outils similaires. Le changement du marché reflète une reconnaissance croissante selon laquelle de nombreuses tâches d'IA ne nécessitent pas de capacités génératives. Le PDG de Google, Sundar Pichai, a décrit le modèle comme « conçu pour les choix fermés », soulignant son rôle dans la gestion de décisions bornées et spécifiques plutôt que de générations ouvertes.
Google déploie déjà cette technologie en interne. Dans Gemini Notebook, le modèle gère le routage en temps réel des niveaux de modèles et de raisonnement, réduisant apparemment la latence jusqu'à 40 %. De plus, Google Search utilise le système pour détecter les comportements potentiellement adversariaux impliquant les outils du Model Context Protocol (MCP). Ces cas d'usage internes démontrent la capacité du modèle à traiter des tâches à haute fréquence et faible latence qui seraient inefficaces ou coûteuses avec des modèles génératifs généralistes.
Comment cela fonctionne
Le mécanisme central de l'API Gemini Decisions réside dans sa capacité à traiter un contexte partagé une seule fois, puis à évaluer plusieurs questions indépendantes contre ce contexte. Le modèle prend en charge une fenêtre de contexte de 256 000 jetons et peut gérer du contenu multimodal. Les développeurs définissent un ensemble de réponses ou d'actions possibles, et le modèle attribue des probabilités et des scores de confiance à chaque option. Cette approche élimine le besoin pour le modèle de générer du texte jeton par jeton, qui est la principale source de latence et de coût dans les LLM traditionnels.
Puisque l'API évalue chaque question séparément, elle est mieux adaptée aux tâches parallélisables où une décision ne dépend pas du résultat d'une autre au sein du même appel. Si un flux de travail nécessite une logique séquentielle — où la réponse A détermine la question B — les développeurs doivent effectuer des appels API distincts. Cependant, la structure des coûts est optimisée pour le traitement par lots : les développeurs ne paient qu'une seule fois pour envoyer le contexte partagé, même s'ils posent des centaines de questions à son sujet. Les questions elles-mêmes comptent toujours dans l'utilisation des jetons, mais l'élimination des coûts des jetons de sortie rend le scoring à haut volume économiquement viable.
Détails clés
- Nom du modèle : Gemini Decision 1, conçu spécifiquement pour les choix fermés.
- Performance : Temps de réponse compris entre 150 et 250 millisecondes pour les charges de travail testées.
- Capacité : Prend en charge une fenêtre de contexte de 256 000 jetons et jusqu'à 1 000 questions indépendantes par entrée.
- Tarification : À partir de 0,10 $ par million de jetons d'entrée ; aucun frais pour les jetons de sortie.
- Benchmarks : Google revendique un score de 92,2 % sur JevBench, contre 90,9 % pour GPT-6 Luna d'OpenAI et 90 % pour Jev 1.14 de TypeSafe.
- Disponibilité : Accessible via Google AI Studio avec un niveau de prototypage gratuit, et via des intégrations telles que OpenRouter, LangChain, Vercel et LiteLLM.
Pourquoi c'est important
Pour les ingénieurs logiciels construisant des agents d'IA ou des flux de travail automatisés, l'API Gemini Decisions offre un moyen de dissocier le raisonnement de la génération. De nombreuses applications dépensent des ressources significatives pour générer du texte uniquement pour le reconvertir ensuite en une décision structurée. En sautant l'étape de génération, les développeurs peuvent obtenir une latence inférieure et des coûts plus prévisibles. Cela est particulièrement précieux pour les applications en temps réel, telles que la détection de fraude, le routage dynamique ou les interfaces utilisateur interactives, où des retards de quelques centaines de millisecondes peuvent dégrader l'expérience utilisateur.
Le paysage concurrentiel de l'infrastructure IA évolue des chatbots généralistes vers des primitives spécialisées. Comme noté dans les benchmarks, bien que le modèle de Google ait obtenu un score plus élevé en précision globale, Jev 1.14 de TypeSafe était moins coûteux à exécuter pour la suite complète de benchmarks (0,68 $ contre 0,88 $). Cela suggère que les développeurs devront évaluer soigneusement les compromis entre précision, erreur de calibration et coût en fonction de leurs cas d'usage spécifiques. Le fait que toutes les figures de benchmark proviennent des tests propres de Google signifie qu'une validation indépendante dans des environnements de production sera cruciale pour les équipes prenant des décisions architecturales à long terme.
Ce que vous pouvez faire
- Auditer vos flux de travail IA actuels pour identifier les étapes impliquant une classification simple ou une sélection dans une liste fixe d'options.
- Prototyper avec le niveau gratuit dans Google AI Studio pour tester comment Gemini Decision 1 gère vos questions à choix fermés spécifiques.
- Comparer la latence et les coûts avec votre configuration actuelle de modèle génératif, en prêtant attention aux économies réalisées grâce à l'élimination des jetons de sortie.
- Évaluer les options d'intégration telles que LangChain ou LiteLLM pour voir avec quelle facilité l'API s'adapte à votre stack actuel.
- Surveiller les erreurs de calibration dans vos tests, car Google met en avant une faible erreur de calibration comme force clé de Gemini Decision 1.
- Planifier pour la logique séquentielle en concevant votre architecture pour gérer des appels API distincts lorsque les décisions dépendent des résultats précédents.



