Google lanza Gemini Decision 1: 1000 preguntas a la vez por 0,10 dólares por millón de tokens

Una situación conocida: hay que determinar si una foto muestra una mancha, si la petición de un usuario es segura o a qué modelo conviene enviarla. Se recurre a un LLM grande, este genera un párrafo de razonamiento y después se extrae la palabra «sí» con una expresión regular. Es caro, lento y no permite saber con claridad cuánta confianza tiene el propio modelo en su respuesta. Google ha abordado este problema con un producto específico.

Qué ha lanzado Google

Google DeepMind ha presentado Gemini Decisions API. Es una interfaz para tres tipos de preguntas cerradas: sí/no, elección entre varias opciones y puntuación en una escala. Por debajo funciona el modelo Gemini Decision 1. No genera texto: evalúa directamente las opciones y devuelve sus probabilidades junto con un valor de confianza. La respuesta tarda 150–250 milisegundos.

Su principal característica es que procesa hasta 1000 preguntas independientes en una sola pasada. Admite como entrada texto, imágenes, audio, vídeo y PDF. Es decir, un único documento o fotograma puede pasar por un cuestionario completo de una vez.

Cómo funciona en un ejemplo

Google muestra una foto de una encimera de cocina. En una sola pasada, el modelo responde a preguntas de los tres tipos:

• si hay una mancha: «sí», con un 95% de confianza;
• qué acción de limpieza conviene: selecciona una opción con un 98% de confianza;
• cuál es el nivel de suciedad: 1,19 en una escala de 0 a 2.

En un sistema convencional, harían falta tres peticiones distintas al LLM y procesar sus respuestas de texto. Aquí basta una llamada para obtener cifras que se pueden incorporar directamente a la lógica de la aplicación: si la confianza está por debajo del umbral, se envía el fotograma a una persona.

Google ya utiliza la API internamente. Gestiona el enrutamiento dinámico entre modelos en Gemini Notebook, ayuda a crear prototipos de diseño en Stitch y realiza comprobaciones de seguridad en el buscador de Google. El enrutamiento y la moderación necesitan precisamente una decisión rápida y barata sobre «adónde enviarlo» o «si dejarlo pasar», en lugar de una respuesta extensa.

Precio y pruebas de rendimiento

El precio es de 0,10 dólares por millón de tokens de entrada, sin coste por los tokens de salida. Según Google, resulta aproximadamente cinco veces más barato que Gemini 3.5 Flash-Lite. El acceso ya está abierto a través de Google AI Studio, mientras se van desplegando las integraciones con OpenRouter, LangChain, Vercel y otras plataformas.

Según Google, Gemini Decision 1 lidera un conjunto de pruebas de enrutamiento de agentes, razonamiento y comprensión multimodal. También registra el menor error de calibración (Top-1 ECE). Dicho de forma sencilla, cuando el modelo afirma tener un «90% de confianza», acierta aproximadamente el 90% de las veces. Para una API que devuelve probabilidades, esto importa más que un punto porcentual adicional de precisión: los umbrales de decisión solo funcionan si las cifras son fiables.

En las últimas semanas han ido apareciendo modelos similares. Primero presentó su versión la startup Jev, y poco después se sumaron OpenAI, Cloudflare y Microsoft. Todo apunta a que los «modelos de decisión» se están consolidando como una categoría de herramientas propia junto a los modelos de chat.

Limitaciones y próximos pasos

Por ahora, todas las cifras proceden de Google: tanto la afirmación de que es «cinco veces más barato» como el liderazgo en las pruebas de rendimiento. El artículo no incluye verificaciones independientes. Por su descripción, el modelo solo sirve para preguntas cerradas. Si se necesita una explicación o una respuesta extensa, habrá que recurrir a un LLM convencional. Algunas integraciones todavía no están listas.

Pasos prácticos para los equipos:

• Identificar dónde se utiliza un LLM como clasificador en el producto: enrutamiento de peticiones, moderación, etiquetado de datos y revisión de archivos adjuntos.
• Preparar un pequeño conjunto de datos propios etiquetados y comparar Decision 1 con el sistema actual en precio, latencia y precisión.
• Comprobar por separado la calibración con datos propios. Si las probabilidades son fiables, se pueden crear cascadas: el modelo resuelve los casos de alta confianza y los dudosos pasan a la siguiente etapa.

Si se confirman las afirmaciones de Google, los modelos de decisión baratos podrían asumir toda la clasificación rutinaria que hoy realizan los grandes LLM, dejando a estos las tareas que requieren pensar y escribir.