Mil preguntas, una sola pasada del modelo y ni un token de salida en la factura. Google abrió el 11 de noviembre de 2026 la Gemini Decisions API con un modelo nuevo, Gemini Decision 1, que no genera texto: puntúa opciones cerradas y devuelve probabilidades. Llega detrás de OpenAI y Jev con el mismo formato de preguntas, pero, a diferencia de ellos, acepta audio, vídeo y PDF.
Qué es y qué trae
La idea es sacar del LLM generativo todas las decisiones acotadas que hoy le pedimos con un prompt y un parser frágil detrás: a qué modelo mandar una consulta, si un ticket es una caída, qué herramienta debe usar un agente, si un texto cumple una política. En vez de escribir la respuesta token a token, gemini-decision-1 evalúa en una pasada las opciones que tú defines y devuelve la probabilidad de cada una.
Hay tres tipos de pregunta, que se pueden mezclar en la misma petición:
noul(sí/no): la probabilidad de que una condición se cumpla.choice: elige entre 2 y 255 opciones y devuelve la ganadora y la distribución normalizada.score: puntúa contra una rúbrica ordenada (empieza en 0) y devuelve una nota continua ponderada.
Cada respuesta lleva además una confidence de 0 a 1, pensada para que tu código mande los casos dudosos a un modelo más caro o a una persona.
Las cifras que publica Google:
| Dato | Gemini Decision 1 |
|---|---|
| Precio | 0,10 $ por millón de tokens de entrada, salida a 0 $ |
| Preguntas por petición | de 1 a 1.000 |
| Contexto | 262.144 tokens entre la entrada y todas las preguntas |
| Entradas | texto, imagen, audio, vídeo y PDF |
| Latencia | 150–250 ms de extremo a extremo (con contextos de hasta 16K tokens) |
| Disponibilidad | Gemini Developer API, versión v1beta, con capa gratuita en AI Studio |
El detalle que más cambia el coste: la entrada compartida se factura una vez por petición, da igual cuántas preguntas le hagas. Cada pregunta solo suma los tokens de su enunciado y sus criterios. Si hoy evalúas un documento con diez llamadas a un LLM, una por comprobación, aquí pagas el documento una vez.
Google dice que ya lo usa como plano de control: Gemini Notebook lo usa para enrutar cada consulta al modelo y nivel de razonamiento adecuados (con hasta un 40 % menos de latencia en las consultas sencillas) y Google Search, como capa de seguridad para sus herramientas MCP.
Cómo probarlo
Necesitas una clave de AI Studio. Por REST basta con un POST al endpoint v1beta/decisions:
curl -s https://generativelanguage.googleapis.com/v1beta/decisions \
-H "x-goog-api-key: $GEMINI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gemini-decision-1",
"input": "Desde las 10:40 el checkout devuelve 502 a todos los clientes de la UE.",
"questions": {
"is_outage": {
"type": "noul",
"instructions": "¿El ticket describe una caída del servicio?"
},
"team": {
"type": "choice",
"instructions": "¿Qué equipo debe atenderlo?",
"criteria": {
"billing": "Facturas, cobros y devoluciones.",
"platform": "Errores, latencia o caídas.",
"account": "Acceso, contraseñas y permisos."
}
}
}
}'La respuesta trae un objeto answers con una entrada por clave: is_outage con su probabilidad y su confidence, y team con la opción ganadora, el mapa de probabilities y su confidence. En usage, total_output_tokens es siempre 0. Desde Python hace falta google-genai 3.2 o posterior (pip install -U google-genai) y la llamada es client.decisions.create(...) con un cliente en api_version="v1beta".
Gemini Decision 1 frente a OpenAI Decisions y Jev
No llega sola. OpenAI tiene su Decisions API sobre gpt-6-luna, ya en disponibilidad general, y TypeSafe, la startup detrás de Jev, lo vende a través de OpenRouter y otros proveedores. Google ha copiado hasta el vocabulario: noul es el término de Jev para las preguntas de sí/no.
| Gemini Decision 1 | OpenAI Decisions (gpt-6-luna) | Jev (TypeSafe) | |
|---|---|---|---|
| Precio de entrada | 0,10 $/M | 0,10 $/M | 0,042 $/M en OpenRouter |
| Salida | gratis | gratis | gratis |
| Entradas | texto, imagen, audio, vídeo, PDF | texto, imagen, JSON | texto e imagen (desde Jev 1.14) |
| Preguntas por petición | hasta 1.000 | hasta 400 | varias en una pasada |
| Tipos | noul, choice, score | predicado, elección, puntuación | noul, choice, score, box |
| Madurez | v1beta, recién lanzada | GA | versiones fijadas (jev-1.13…) |
Dónde gana y dónde pierde
Gana en multimodalidad y en volumen. Es la única de las tres que acepta audio, vídeo y PDF directamente. OpenAI rechaza ficheros y audio, y Jev pide convertir audio y vídeo a texto antes. Si tu caso es clasificar llamadas grabadas, facturas escaneadas o clips, Gemini te ahorra la transcripción o el OCR intermedio, que tampoco se cobra aparte. Y 1.000 preguntas por petición frente a 400 importa cuando aplicas una política larga, regla a regla, al mismo documento.
Gana en calibración, según sus propios datos. Google afirma que tiene el menor error de calibración de su batería de pruebas. Simon Willison lo probó con un vídeo y vio la diferencia de estilo: Jev y OpenAI devuelven 1,0 o 0,0 en las preguntas de sí/no, mientras que Gemini contestó, por ejemplo, 0,92 a "¿sale un robot?" y 0,05 a "¿sale un dragón?". Si vas a usar umbrales para escalar casos dudosos, una probabilidad que no se satura a 0 o 1 es justo lo que necesitas.
Pierde en precio frente a Jev. A 0,042 $ por millón, Jev cuesta menos de la mitad. Para clasificar solo texto a gran volumen, la diferencia pesa más que el audio que no vas a enviar.
Pierde en madurez. OpenAI ya está en GA. Gemini Decision 1 vive en la Gemini Developer API (v1beta) y su llegada a Gemini en Google Cloud está anunciada como "próximamente". Esa es la cautela que importa: si tu empresa solo consume modelos a través de Vertex AI por residencia de datos o por contrato, todavía no la puedes usar en producción.
Un aviso sobre la comparación de Google: el "casi 5 veces más barato" es frente a Gemini 3.5 Flash-Lite con la Interactions API en su batería de pruebas, no frente a los Gemini 4 actuales ni frente a los rivales de la tabla.
Veredicto
Para quién sí: equipos que ya enrutan peticiones entre modelos, revisan contenido o aplican políticas con un LLM generativo y un parser, y sobre todo los que trabajan con audio, vídeo o PDF. Pasar esas decisiones a un modelo que solo puntúa recorta latencia y factura, y te da una probabilidad con la que fijar umbrales de verdad.
Para quién no, de momento: quien necesite Vertex AI o una API estable, que tiene hoy la opción GA de OpenAI con el mismo precio, y quien solo clasifique texto a mucho volumen, donde Jev sale más barato. En los dos casos, el formato de las preguntas es casi idéntico entre proveedores, así que probar Gemini con tu propio conjunto de casos cuesta poco.
Fuentes
- Gemini Decisions API: Fast, calibrated multimodal decisions — Google, 11 de noviembre de 2026.
- Decisions API — documentación de Google AI Studio.
- Decisions — documentación de OpenAI.
- What is Jev? — OpenRouter.
- Gemini Decisions API — Simon Willison, 11 de noviembre de 2026.