Durante años, buena parte del trabajo con inteligencia artificial ha consistido en pedirle que redacte, resuma, explique o genere una respuesta. Google ha presentado una pieza distinta para otro tipo de tarea: elegir entre opciones conocidas sin tener que producir un texto largo. Se llama Gemini Decisions API y utiliza un modelo específico, Gemini Decision 1, para evaluar preguntas cerradas sobre una entrada compartida.
El anuncio oficial llegó el 11 de noviembre de 2026. Puede servir a aplicaciones que necesitan clasificar, enrutar, comprobar o puntuar información: decidir qué herramienta debe utilizar un agente, asignar una solicitud a una categoría o determinar si un documento cumple una condición. No es una nueva versión de Gemini destinada a conversar mejor ni un sustituto general de los modelos generativos. Su función es más concreta: convertir una entrada en decisiones acotadas y devolver probabilidades para las opciones planteadas.
La diferencia parece pequeña, pero puede cambiar cómo se construyen determinados sistemas. En lugar de solicitar a un modelo que explique cada paso y redacte una respuesta, el desarrollador define las preguntas y las alternativas que el sistema debe valorar. La API devuelve resultados estructurados que el programa puede utilizar directamente.
Qué ha anunciado exactamente Google
Google presentó Gemini Decisions como una nueva API de su plataforma Gemini para realizar decisiones de conjunto cerrado (closed-set decisions). El anuncio oficial de Google describe el servicio y sus primeras aplicaciones. Está impulsada por Gemini Decision 1, identificado en la API como gemini-decision-1, y se ofrece a través de Gemini API y Google AI Studio.
La idea central es evaluar una o varias preguntas sobre el mismo material de entrada. Ese material puede combinar texto, imágenes, audio, vídeo y documentos PDF. Según el anuncio, una solicitud puede incluir hasta 1.000 preguntas independientes y un contexto multimodal de hasta 256.000 tokens. El sistema procesa el contenido compartido y calcula las respuestas para las preguntas definidas, en vez de generar una explicación libre para cada una.
Google describe tres tipos de decisión disponibles:
- Yes/No (noul): estima la probabilidad de que se cumpla una condición. Es apropiado para comprobaciones binarias, como determinar si una imagen contiene un elemento concreto o si una petición satisface una regla.
- Choice: selecciona una opción entre varias alternativas. La documentación del anuncio indica que admite entre 2 y 255 opciones y devuelve probabilidades normalizadas para cada candidata.
- Score: asigna una puntuación dentro de una escala ordenada definida por el desarrollador. Puede servir para clasificar niveles de calidad, prioridad o adecuación según una rúbrica explícita.
Cada resultado incorpora una puntuación de confianza entre 0 y 1. Conviene interpretar ese valor como una señal cuantitativa del modelo, no como una garantía de que la respuesta sea correcta. La confianza necesita validación con datos reales y umbrales adecuados al riesgo de cada aplicación.
Por qué una API de decisiones y no otro modelo generativo
Los modelos generativos habituales producen una secuencia de tokens. Para responder, redactan texto y pueden utilizar razonamiento interno, herramientas o llamadas a funciones, según el sistema que se haya construido. Ese enfoque es flexible, pero no siempre es la forma más eficiente de resolver una pregunta cerrada.
Imaginemos una plataforma que recibe miles de solicitudes y debe asignar cada una a una de cinco categorías. Un modelo generativo podría analizar el texto y redactar una categoría acompañada de una explicación. Después, el programa tendría que interpretar la respuesta, comprobar que pertenece a una lista permitida y gestionar los casos ambiguos. Con una API diseñada para clasificar, el desarrollador plantea directamente las categorías y recibe una elección estructurada con sus probabilidades.
Google afirma que Gemini Decision 1 puntúa las opciones en una única pasada, sin decodificar una respuesta token a token. En el anuncio comunica una latencia de extremo a extremo de entre 150 y 250 milisegundos y un coste de 0,10 dólares por millón de tokens de entrada, sin facturación de tokens de salida. Son cifras publicadas por el proveedor y deben leerse como referencias de sus pruebas y condiciones de servicio, no como tiempos o costes garantizados para cualquier aplicación.
La comparación con un modelo generativo solo tiene sentido cuando ambos resuelven exactamente la misma tarea, con el mismo contexto y los mismos criterios de calidad. Si se necesita redactar una explicación, elaborar una propuesta o responder a una consulta abierta, una API de decisiones no sustituye ese trabajo. Si se necesita seleccionar una opción de un conjunto conocido, puede ser una arquitectura más directa.
Cómo funciona el modelo de decisión
El desarrollador envía un bloque de entrada y define una colección de preguntas. Cada pregunta especifica el tipo de decisión, las instrucciones y, cuando corresponde, las opciones o los niveles de la rúbrica. El modelo procesa la entrada y devuelve los resultados asociados.
Este diseño evita repetir el mismo material de entrada en llamadas separadas para cada comprobación. También permite que la aplicación mantenga el control sobre las categorías válidas. El modelo no decide qué opciones existen: las define el sistema que lo integra.
Un ejemplo de uso con varias preguntas
La documentación de Google utiliza un ejemplo sencillo: una fotografía de una encimera y una nota contextual. A partir de esa entrada compartida, la API puede evaluar si hay un derrame pendiente de limpiar, seleccionar la acción adecuada entre varias posibilidades y puntuar la gravedad de la situación mediante una escala ordenada.
El ejemplo permite entender la separación entre percepción y decisión. El modelo interpreta el material multimodal, pero las preguntas establecen qué información necesita el programa. En una implementación real, la aplicación podría aceptar automáticamente los casos de confianza alta y enviar los resultados dudosos a una persona.
El código de ejemplo publicado por Google utiliza el SDK de Python google-genai, un cliente configurado para la versión v1beta y una llamada a client.decisions.create(). El codelab oficial de modelos discriminativos ofrece un recorrido práctico. La API devuelve un objeto con los resultados de las preguntas. La sintaxis debe comprobarse en la versión del SDK instalada.

Aplicaciones prácticas: dónde puede tener sentido
La utilidad de una API de este tipo depende menos de la espectacularidad del modelo que del proceso al que se incorpora. Resulta especialmente adecuada cuando existen muchas entradas, un conjunto limitado de respuestas y una necesidad clara de automatizar una primera evaluación.
1. Selección de herramientas en agentes de IA
Un agente puede disponer de varias herramientas: buscar información, consultar una base de datos, ejecutar un cálculo o abrir un documento. Antes de actuar, necesita decidir cuál es la más adecuada para la petición recibida. Una capa de decisión puede clasificar la intención y seleccionar una herramienta entre las permitidas.
2. Clasificación y priorización de solicitudes
En un servicio de atención, una solicitud puede pertenecer a facturación, soporte técnico, devoluciones o consultas generales. El modelo puede proponer una categoría y una puntuación de prioridad conforme a una rúbrica. El sistema de gestión decide después a qué equipo asignarla y si necesita revisión.
3. Revisión documental y control de calidad
Una organización puede utilizar preguntas cerradas para comprobar si un documento contiene determinados elementos, si una fotografía corresponde a una categoría o si una ficha parece cumplir una lista de requisitos. El soporte multimodal abre la puerta a combinar documentos escaneados, imágenes y texto contextual.
Sin embargo, una puntuación no equivale a una certificación. Para procesos legales, financieros, sanitarios o de seguridad, la decisión automática debe estar sujeta a controles adicionales y a revisión especializada. El modelo puede ayudar a localizar casos que merecen atención, pero no debe convertirse en la única autoridad.
4. Moderación y aplicación de políticas
Las preguntas binarias o las rúbricas pueden servir para identificar contenido que requiere una revisión posterior. Una aplicación podría evaluar si una entrada parece ajustarse a una política concreta y derivar los casos dudosos a moderación humana.
5. Evaluación de contenido visual y multimedia
La entrada multimodal permite analizar fotografías, fragmentos de audio, vídeos y PDF sin construir necesariamente una cadena independiente de reconocimiento para cada formato. Esto puede ser útil en inventarios, inspecciones, clasificación de material o procesos de archivo, siempre que la calidad de la entrada sea suficiente y el sistema mida sus errores.
Velocidad, coste y rendimiento: cómo leer las cifras anunciadas
Google comunica una latencia total de 150–250 ms y un tiempo de cálculo del modelo de 50–100 ms en las condiciones descritas. También afirma que el rendimiento se mantiene relativamente estable al pasar de una a cien preguntas por solicitud en contextos de hasta 16.000 tokens. El anuncio señala que el límite de contexto total puede alcanzar 256.000 tokens, pero no conviene mezclar ambas cifras: una describe el máximo anunciado y la otra las condiciones de las mediciones de rendimiento mencionadas.
En precio, Google publica 0,10 dólares por millón de tokens de entrada y cero coste por tokens de salida. La entrada compartida se factura una vez por solicitud, mientras que las instrucciones y criterios de cada pregunta también consumen tokens. La compañía compara el coste de sus pruebas con Gemini 3.5 Flash-Lite y afirma que resulta casi cinco veces más económico en su conjunto de benchmarks.
Antes de adoptar la API, conviene construir una prueba con datos representativos del propio negocio. Hay que medir latencia en condiciones reales, precisión por categoría, calibración de confianza, coste por caso resuelto y porcentaje de resultados derivados a revisión. Esos indicadores ofrecen una base más útil que una cifra aislada del anuncio.
Qué cambia para los desarrolladores
Gemini Decisions introduce una interfaz específica para decisiones cerradas dentro del ecosistema Gemini. El SDK oficial de Google para Python incorporó el método client.decisions.create en la versión 3.2.0, publicada el 11 de noviembre de 2026, según el historial oficial de versiones de google-genai. Esto confirma que la integración no se limita a una demostración en AI Studio: existe soporte en la biblioteca oficial.
La API se presenta como una herramienta para complementar otros modelos. Una arquitectura puede utilizar un modelo generativo para interpretar una petición compleja o redactar una respuesta, y recurrir a Gemini Decision 1 para clasificar, puntuar o seleccionar entre opciones. También puede ocurrir lo contrario: el modelo de decisiones filtra y enruta las solicitudes, y solo los casos que necesitan razonamiento o generación pasan a un modelo más general.
Esta combinación permite asignar cada tarea al componente que mejor encaja. No hace falta generar texto cuando basta una etiqueta. Tampoco tiene sentido forzar una clasificación cerrada cuando el usuario necesita una explicación extensa o una conversación abierta.
Límites y riesgos que conviene tener presentes
Una API de decisiones resuelve un problema específico, pero no convierte una predicción en una verdad objetiva. Sus resultados dependen del contenido de entrada, de las instrucciones, de las alternativas y de los datos con los que se haya evaluado el sistema.
La confianza no es una garantía
Una probabilidad alta no demuestra por sí sola que el resultado sea correcto. La calibración debe medirse con conjuntos de prueba que representen las entradas reales. Si el sistema recibe documentos muy distintos de los utilizados durante la evaluación, la confianza puede perder fiabilidad.
Las opciones condicionan la respuesta
En una pregunta de elección múltiple, el modelo selecciona entre las opciones proporcionadas. Si ninguna es adecuada, puede verse obligado a escoger la menos incorrecta. Por eso conviene incluir una alternativa como «no se puede determinar» o una vía de abstención cuando el caso lo requiera. La forma exacta de implementarla dependerá de la API y del diseño de la aplicación.
Los errores tienen consecuencias distintas
Equivocarse al clasificar una fotografía para un catálogo no tiene el mismo impacto que rechazar una reclamación, priorizar una incidencia crítica o evaluar un documento con consecuencias legales. Cuanto mayor sea el impacto, más estrictos deben ser los umbrales, la trazabilidad y la revisión humana.
La entrada multimodal también plantea cuestiones de privacidad
Enviar audio, vídeo, imágenes o documentos puede implicar datos personales, información empresarial o material confidencial. Antes de utilizar la API hay que revisar las condiciones del servicio, la configuración de tratamiento de datos, la retención, la región y las obligaciones legales aplicables. No se debe enviar información sensible por el mero hecho de que el modelo admita ese formato.
La automatización no sustituye el diseño del proceso
Una clasificación solo es útil si existe un flujo posterior claro. Hay que definir quién recibe cada resultado, qué ocurre ante una baja confianza, cómo se corrigen los errores y quién puede modificar las categorías. Sin ese diseño, la API puede añadir otra capa técnica sin resolver el problema operativo.

Cómo evaluar Gemini Decisions antes de incorporarlo a un producto
La mejor forma de valorar la API es comenzar con una tarea pequeña, medible y reversible. No es necesario conectar desde el primer día todos los sistemas de una empresa. Una prueba controlada permite comprobar si la mejora de velocidad o coste compensa los errores y el trabajo de integración.
- Define una decisión concreta. Evita empezar con una petición genérica como «mejorar la atención al cliente». Especifica qué debe decidir el modelo, qué opciones existen y qué consecuencias tendrá cada resultado.
- Prepara un conjunto de evaluación. Reúne ejemplos reales anonimizados o preparados para la prueba, con una respuesta de referencia revisada por personas. Incluye casos normales, ambiguos y poco frecuentes.
- Diseña las opciones y la rúbrica. Las categorías deben ser mutuamente comprensibles y cubrir los casos habituales. Cuando ninguna opción encaje, prevé una salida de abstención o revisión.
- Establece umbrales antes de probar. Decide qué nivel de confianza permite automatizar, cuál exige revisión y cuál debe rechazarse. No ajustes los umbrales solo para que el porcentaje de automatización parezca más alto.
- Compara con una alternativa. Evalúa el modelo de decisiones frente al sistema actual, una clasificación convencional o un modelo generativo. Utiliza los mismos ejemplos y métricas.
- Registra las decisiones. Guarda la versión del modelo, las instrucciones, las opciones, la salida y el resultado de la revisión, respetando las normas de privacidad. Así podrás investigar errores y detectar cambios de comportamiento.
- Empieza en modo asistido. Durante la primera fase, utiliza las predicciones como recomendaciones y deja que una persona confirme las decisiones relevantes. Automatiza solo cuando las pruebas demuestren que el riesgo está controlado.
Gemini Decisions frente a function calling y salidas estructuradas
Es fácil confundir estos conceptos porque todos pueden producir datos que una aplicación utiliza. Sin embargo, cumplen funciones distintas.
El function calling permite que un modelo proponga una llamada a una función definida por el desarrollador, con sus parámetros. Google explica el mecanismo en su documentación de Function calling para Gemini API. La aplicación ejecuta esa función y devuelve el resultado al modelo o al usuario. El modelo decide cuándo necesita una herramienta, pero el código de la aplicación sigue siendo responsable de ejecutarla y controlar los permisos.
Las salidas estructuradas sirven para pedir a un modelo generativo que entregue una respuesta en un formato definido, por ejemplo JSON conforme a un esquema. La documentación de Google sobre Structured outputs detalla esta alternativa. La respuesta puede contener texto, campos y estructuras más complejas, pero el modelo sigue generando una salida.
Gemini Decisions se orienta a otro caso: puntuar opciones delimitadas y devolver resultados de decisión. Puede complementar a function calling o a las salidas estructuradas, pero no las reemplaza. Una aplicación puede usar una clasificación para elegir qué función ofrecer al agente, y después permitir que el modelo genere una llamada con los parámetros necesarios.
La elección depende de la tarea. Si se necesita una respuesta libre en JSON, las salidas estructuradas pueden ser suficientes. Si el modelo debe proponer una herramienta y sus argumentos, se utiliza function calling. Si el problema es elegir entre opciones conocidas, comprobar una condición o puntuar una entrada con una rúbrica, Gemini Decisions está diseñado para ese escenario.
Qué significa para las empresas y los productos digitales
El lanzamiento apunta a una separación más clara entre generar contenido y tomar decisiones dentro de una aplicación. Son tareas relacionadas, pero no idénticas. Un sistema puede necesitar lenguaje natural para comunicarse con una persona y, al mismo tiempo, utilizar clasificadores o modelos discriminativos para decidir qué proceso debe ejecutarse.
En una web profesional, por ejemplo, podría ayudar a categorizar solicitudes recibidas mediante formularios, clasificar recursos visuales o dirigir incidencias al equipo correspondiente. No sería razonable utilizarla para tomar decisiones sensibles sin supervisión, ni enviar datos de clientes a un servicio externo sin revisar antes la base jurídica y las condiciones de tratamiento.
Para los equipos de desarrollo, la cuestión principal es arquitectónica: decidir qué tareas requieren generación, cuáles pueden resolverse con reglas convencionales y cuáles se benefician de un modelo especializado. No todo problema necesita un gran modelo generativo. A veces, una decisión pequeña, rápida y bien definida es suficiente.
Conclusión: una IA especializada en elegir, no en redactar
Gemini Decisions es una propuesta concreta dentro de la evolución de las API de inteligencia artificial. Google separa una tarea que a menudo se resolvía con modelos generativos —clasificar, elegir y puntuar— y la convierte en un servicio especializado, multimodal y orientado a resultados estructurados.
Su interés real dependerá de la calidad de las decisiones, la calibración de las probabilidades y el coste total en producción. Las cifras de velocidad y precio anunciadas son atractivas, pero deben contrastarse con datos propios. La confianza no elimina la supervisión ni los controles de privacidad.
La idea más útil no es que una API nueva vaya a sustituir a los modelos generativos, sino que permite elegir mejor qué tipo de IA utilizar en cada parte de un producto. Cuando el objetivo es redactar, explicar o crear, la generación sigue teniendo sentido. Cuando solo hay que escoger entre alternativas definidas, una API de decisiones puede ser una herramienta más adecuada.
Si trabajas en diseño o desarrollo web, merece la pena observar esta evolución desde el punto de vista del proceso: qué tareas repetitivas pueden automatizarse, qué decisiones deben seguir bajo control humano y cómo integrar la IA sin perder claridad ni responsabilidad. En un proyecto digital, esa definición suele ser tan importante como la tecnología elegida.
Preguntas frecuentes sobre Gemini Decisions
¿Gemini Decisions es un chatbot?
No. Es una API para evaluar preguntas cerradas y seleccionar, comprobar o puntuar opciones. No está pensada para mantener conversaciones abiertas ni redactar artículos.
¿Qué modelo utiliza?
Utiliza Gemini Decision 1, cuyo identificador de modelo es gemini-decision-1.
¿Puede analizar imágenes, audio y vídeo?
Sí. Google indica que admite entradas de texto, imágenes, audio, vídeo y PDF, incluso combinadas dentro de una misma solicitud.
¿Es gratuita?
Google anunció un nivel gratuito para prototipos en AI Studio. También publicó un precio de 0,10 dólares por millón de tokens de entrada y cero coste por tokens de salida. Hay que consultar las condiciones vigentes antes de calcular un presupuesto.
¿Puede sustituir a Gemini Flash o a otros modelos generativos?
No de forma general. Está especializada en decisiones acotadas. Los modelos generativos siguen siendo más apropiados para redactar, resumir, conversar y resolver tareas abiertas.
¿Las decisiones se ejecutan automáticamente?
No por el mero hecho de utilizar la API. Devuelve resultados que la aplicación puede procesar. La ejecución de acciones, la autorización y los controles de seguridad corresponden al sistema que la integra.









