AIで開発する

Google、テキスト生成なしで高速なAI判断を行う「Gemini Decisions API」を発表

Googleは2026年11月12日にGemini Decisions APIをリリースし、テキストを生成せずに最大1,000個の閉じた選択肢を低遅延・低コストで評価できるようにしました。

回路基板上で光を異なる経路に分けるガラスのプリズム。
この記事用に生成されたイラスト

英語の原文から自動翻訳されました。

2026年11月12日、Googleは「Gemini Decisions API」を導入しました。これは、自然言語テキストを生成することなく、AIアプリケーションにおける定型的な論理的選択を処理するために設計された専用ツールです。この新しいサービスはGemini Decision 1モデルを搭載しており、創造的な文章ではなく、迅速かつ確定的な結果を必要とする開発者にとっての遅延とコスト削減を目指しています。

何が起きたか

Gemini Decisions APIにより、ソフトウェアシステムは従来の生成型モデルが持つ計算オーバーヘッドを回避し、単一のパスで事前定義されたオプションを評価できるようになります。文や段落を生成する代わりに、モデルは入力に対して最大1,000個の閉じた選択肢をスコアリングします。Googleによると、テストされたワークロードでの応答時間は150〜250ミリ秒であり、標準的な大規模言語モデルとのインタラクションよりも大幅に高速です。価格設定は大量の意思決定を優遇する構造となっており、入力トークン100万あたり0.10ドルから開始され、出力トークンの課金は発生しません。

今回のリリースは、専門的な意思決定モデルへと移行しつつある他のテクノロジー大手との直接競争にGoogleを位置づけるものです。OpenAIも数週間前に独自のDecisions APIを立ち上げ、TypeSafe AIやMicrosoftなどの企業も同様のツールを開発しています。この市場の変化は、多くのAIタスクが生成能力を必要としないという認識の高まりを反映しています。Google CEOのSundar Pichai氏は、このモデルを「閉じた選択肢向けに構築された」と表現し、オープンエンドな生成ではなく、限定された具体的な意思決定を処理する役割を強調しました。

Googleはこの技術をすでに社内でも展開しています。Gemini Notebookでは、モデルと推論レベルのリアルタイムルーティングをこのモデルが担当し、遅延を最大40%削減したと報告されています。さらに、Google SearchではModel Context Protocol(MCP)ツールに関連する潜在的な敵対的挙動を検出するためにこのシステムを使用しています。これらの内部ユースケースは、汎用生成型モデルでは非効率または高コストとなる、高頻度・低遅延のタスクをこのモデルが処理できる能力を示しています。

仕組み

Gemini Decisions APIの中核メカニズムは、共有コンテキストを一度だけ処理し、その後複数の独立した質問をそれに対して評価できる点にあります。このモデルは256,000トークンのコンテキストウィンドウをサポートし、マルチモーダルコンテンツに対応しています。開発者は可能な回答やアクションのセットを定義し、モデルは各オプションに確率と信頼性スコアを割り当てます。このアプローチにより、モデルがトークンごとにテキストを生成する必要がなくなり、これが従来のLLMにおける遅延とコストの主な原因となっています。

APIは各質問を個別に評価するため、同一呼び出し内で一つの決定が別の決定の結果に依存しない並列化可能なタスクに最適です。もしワークフローが順序付きロジック(回答Aが質問Bを決定する場合など)を必要とする場合、開発者は別々のAPI呼び出しを行う必要があります。しかし、コスト構造はバッチ処理用に最適化されており、開発者は数百の質問を行っても、共有コンテキストの送信には一度だけ支払えば済みます。質問自体はトークン使用量としてカウントされますが、出力トークンコストの排除により、大量のスコアリングが経済的に実行可能になります。

主要な詳細

  • モデル名: Gemini Decision 1。閉じた選択肢専用に設計。
  • パフォーマンス: テスト済みワークロードでの応答時間は150〜250ミリ秒。
  • 容量: 256,000トークンのコンテキストウィンドウと、入力あたり最大1,000個の独立した質問をサポート。
  • 価格: 入力トークン100万あたり0.10ドルから開始。出力トークンの課金なし。
  • ベンチマーク: GoogleはJevBenchで92.2%のスコアを主張。比較対象としてOpenAIのGPT-6 Lunaが90.9%、TypeSafeのJev 1.14が90%。
  • 利用可能性: Google AI Studio経由でアクセス可能で、無料のプロトタイピングティアを提供。また、OpenRouter、LangChain、Vercel、LiteLLMなどの統合を通じて利用できます。

なぜ重要なのか

AIエージェントや自動化ワークフローを構築するソフトウェアエンジニアにとって、Gemini Decisions APIは推論と生成を分離する方法を提供します。多くのアプリケーションでは、構造化された決定に再解析するためだけにテキストを生成することに多大なリソースを費やしています。生成ステップをスキップすることで、開発者はより低い遅延とより予測可能なコストを実現できます。これは、わずか数百ミリ秒の遅延でもユーザー体験を損なう可能性がある不正検知、動的ルーティング、インタラクティブなユーザーインターフェースなどのリアルタイムアプリケーションにおいて特に価値があります。

AIインフラの競合状況は、汎用チャットボットから専門的なプリミティブへとシフトしています。ベンチマークで示されているように、Googleのモデルは全体的な精度で高いスコアを出しましたが、TypeSafeのJev 1.14の方がフルベンチマークスイートの実行コストが安価でした(0.68ドル対0.88ドル)。これは、開発者が特定のユースケースに基づき、精度、校正誤差、コストのトレードオフを慎重に評価する必要があることを示唆しています。すべてのベンチマーク数値がGoogle自身のテストによるものであるため、長期的なアーキテクチャ決定を行うチームにとっては、本番環境での独立した検証が不可欠となります。

実施できること

  • 現在のAIワークフローを監査 し、固定リストからの単純な分類や選択を含むステップを特定してください。
  • Google AI Studioの無料ティアでプロトタイプを作成 し、Gemini Decision 1が特定の閉じた選択肢の質問をどのように処理するかをテストしてください。
  • 既存の生成型モデル設定と比較して遅延とコストを確認 し、出力トークンの排除による節約効果に注目してください。
  • LangChainやLiteLLMなどの統合オプションを評価 し、APIが現在のスタックにどれだけ容易に組み込めるかを確認してください。
  • テストにおける校正誤差を監視 してください。GoogleはGemini Decision 1の主要な強みとして低い校正誤差を挙げています。
  • 順序付きロジックを計画 してください。決定が以前の結果に依存する場合、別々のAPI呼び出しを処理できるようなアーキテクチャを設計してください。
  • #google
  • #gemini
  • #api
  • #ai infrastructure
  • #llm

Bytechapストアのツール

$89

DocBento

すべてのスキャンを読み取り、ページ出典を提示して回答するセルフホスト型ドキュメント管理システム。

ライブデモ

続きを読む

すべての記事