Google lanza Gemini Decision 1: decisiones a partir de vídeo por 0,10 dólares por millón de tokens

Llega al servicio de atención al cliente una solicitud con una fotografía de un producto dañado. La aplicación necesita identificar el tipo de problema, elegir un departamento y determinar si hace falta una revisión manual. Por lo general, no tiene sentido generar varios párrafos de explicación para hacerlo. Google ha lanzado Gemini Decisions API: el desarrollador proporciona el material y las respuestas permitidas, y el modelo Gemini Decision 1 devuelve puntuaciones que el código utiliza después.

El interés práctico está en poder trasladar las comprobaciones repetitivas a una llamada independiente. Por ejemplo, primero se pueden distribuir las consultas y después derivar los casos complejos a una persona o a un modelo que prepare la respuesta al cliente. Para el equipo, es una oportunidad de comprobar cuánto tiempo y dinero se dedica actualmente a generar texto para tomar una sola decisión operativa.

Qué recibe la aplicación

Según el anuncio de Google, la API admite texto, imágenes, audio, vídeo y PDF. Ofrece tres tipos de preguntas: sí/no, elección entre opciones predefinidas y valoración según una escala descrita. El precio es de 0,10 dólares por millón de tokens de entrada; no se cobra por los tokens de salida.

Imaginemos un servicio de inspección de viviendas antes de su entrega. Un usuario sube un vídeo de una habitación y añade este comentario: «Después de la lluvia apareció agua junto a la ventana». El equipo puede plantear varias preguntas independientes: si se ven indicios de una filtración, a qué especialista hay que derivar la solicitud y con qué urgencia se necesita una inspección. Es un ejemplo de uso posible, no un resultado publicado de pruebas del producto.

La calidad de este proceso empieza por la redacción de las preguntas. «¿Está todo bien aquí?» deja demasiado margen de interpretación. Resulta más útil enumerar señales observables y describir las categorías: agua en el suelo, manchas en la pared o daños en los acabados. La valoración de la urgencia también necesita criterios claros; de lo contrario, será difícil vincular una cifra con una acción.

Por qué un 92% todavía no es una garantía

Simon Willison probó la API con un vídeo en el que aparecía un robot. Preguntó si había un dragón o un robot en la imagen y si la acción transcurría en Francia o en Estados Unidos. En la respuesta que compartió, la probabilidad de que hubiera un robot era de aproximadamente el 92,3%, y la de que hubiera un dragón, de alrededor del 5%. Para Estados Unidos, el modelo devolvió cerca del 92,3%; para Francia, el 8,3%.

Esta prueba muestra el formato de respuesta y la capacidad de procesar ese vídeo concreto. No establece la precisión del modelo con vídeos cualesquiera. Y, sobre todo, una estimación del 92% no significa por sí sola que exactamente 92 de cada cien decisiones similares vayan a ser correctas. Esa correspondencia debe comprobarse con ejemplos etiquetados de la tarea concreta.

La geografía añade otra dificultad. Reconocer un objeto con confianza y determinar el país donde se grabó son tareas distintas. La imagen puede contener suficientes indicios para identificar un robot, pero no suficiente información sobre el lugar. Si un error tiene consecuencias económicas o afecta al acceso del usuario a un servicio, conviene prever una respuesta de «información insuficiente» y una vía de revisión manual.

Cómo comprobar su utilidad antes de implantarla

Yo empezaría por una operación que el producto ya realice habitualmente: distribuir solicitudes, comprobar si un documento está completo o elegir la siguiente herramienta de un agente. Para una primera comparación hacen falta ejemplos reales cuya respuesta correcta se conozca, incluidos los casos difíciles: fotos de mala calidad, comentarios contradictorios y varios problemas a la vez.

Después conviene medir tres cosas: la proporción de decisiones incorrectas, el tiempo de procesamiento y el coste total por solicitud. El precio por millón de tokens sirve para comparar tarifas, pero el producto paga por el material procesado. Un vídeo largo y una consulta breve de texto pueden tener costes muy diferentes. Las llamadas repetidas y la revisión manual también deben incluirse en el cálculo.

Es mejor elegir el umbral de automatización según el coste del error. Una etiqueta mal asignada suele corregirse con facilidad. Una reclamación rechazada por error ya genera un conflicto con el cliente. Por eso, una misma puntuación del modelo puede permitir una acción automática en un proceso y exigir una revisión en otro.

Merece la pena probar Gemini Decisions API allí donde las posibles acciones se conocen de antemano. Se puede empezar en modo de observación: guardar las decisiones del modelo junto a las de los empleados, analizar las discrepancias y solo después activar el procesamiento automático. Así, el equipo podrá responder a la pregunta principal: si la nueva API ayuda a su producto en concreto.