La API Gemini Decisions de Google lleva las decisiones de los agentes más allá de la generación de texto
Google lanzó la API Gemini Decisions el 11 de noviembre, permitiendo a los desarrolladores evaluar hasta 1.000 preguntas independientes sin generar una respuesta escrita. El nuevo endpoint, una interfaz de programación de aplicaciones específica, se dirige a decisiones sobre las que el software debe actuar de inmediato. Su propuesta central cuestiona un diseño habitual de agentes: pedir a un modelo conversacional que escriba algo que el código debe interpretar después.
Esto presiona a los desarrolladores que usan generación de texto de propósito general para el enrutamiento, la clasificación y las comprobaciones de políticas. Estas tareas suelen requerir una respuesta acotada, es decir, una selección entre posibilidades predefinidas. Un párrafo que explique qué cola de soporte elegir aporta poco cuando la aplicación finalmente necesita un identificador de cola.
Los propios modelos generativos Gemini de Google ofrecen la comparación inmediata. Pueden producir respuestas estructuradas, pero el nuevo endpoint separa la puntuación de decisiones de la salida escrita. El cambio plantea una cuestión práctica para quienes desarrollan agentes: ¿qué decisiones se benefician del razonamiento abierto y cuáles deberían convertirse en tareas de puntuación estrictamente definidas?
La API Gemini Decisions convierte las elecciones acotadas en un producto independiente
Google ha convertido una tarea auxiliar común dentro de las aplicaciones de IA en un servicio específico.
El lanzamiento presenta Gemini Decision 1, identificado en las solicitudes como gemini-decision-1. La documentación del modelo de decisiones de Google incluye texto, imágenes, audio, vídeo y PDF entre las entradas compatibles. Especifica un límite compartido de entrada de 262.144 tokens, las unidades que usan los modelos para procesar contenido.
Los desarrolladores pueden enviar comprobaciones binarias, preguntas de opción múltiple o valoraciones frente a una rúbrica ordenada, un conjunto predefinido de criterios de puntuación. Las preguntas de opción múltiple admiten entre 2 y 255 opciones. El servicio devuelve probabilidades junto con sus selecciones, en lugar de redactar una respuesta conversacional.
Este empaquetado importa porque muchas acciones de los agentes comienzan con un menú limitado. Un sistema puede elegir una herramienta, asignar una solicitud a un departamento o decidir si la información merece revisión. Estas decisiones difieren de redactar una respuesta porque la aplicación ya conoce los resultados permitidos.
Pensemos en una aplicación hipotética de atención al cliente que revisa un mensaje y una fotografía adjunta. Debe reconocer el problema, seleccionar un destino y señalar la incertidumbre. La aplicación no necesita necesariamente una explicación orientada al cliente en esa etapa.
Separar estas funciones ofrece a los desarrolladores una frontera más clara entre decidir y comunicar. Un servicio de decisiones puede proponer la ruta, mientras que un modelo generativo redacta una respuesta cuando corresponde. El código ordinario de la aplicación sigue siendo responsable de los permisos, las reglas de negocio y la ejecución.
Esta frontera también hace más explícitos los requisitos del producto. Un equipo debe definir sus posibles acciones antes de pedir al modelo que elija entre ellas. Ese trabajo revela categorías ausentes, reglas superpuestas y situaciones que requieren escalamiento.
Por tanto, el anuncio cambia más que el formato de respuesta. Presenta el juicio acotado como un componente independiente que los desarrolladores pueden evaluar por separado. Los equipos pueden examinar el rendimiento del enrutamiento sin mezclarlo con la calidad de escritura o el estilo conversacional.
Para los compradores, esa separación ofrece una pregunta de adquisición más concreta. ¿El servicio hace que un flujo de trabajo específico sea más rápido o fiable en condiciones realistas? Una afirmación general sobre la inteligencia del modelo aporta menos evidencia útil que la respuesta a esa pregunta más acotada.
El lanzamiento también da a los desarrolladores una razón para revisar los prompts acumulados. Un prompt de enrutamiento escrito durante un prototipo puede convertirse silenciosamente en infraestructura permanente. Cuando eso ocurre, sus supuestos merecen el mismo escrutinio que cualquier otro componente que controle un flujo de trabajo de producción.
La consecuencia inmediata es una decisión arquitectónica. Los desarrolladores ahora tienen otra forma de implementar los pequeños juicios que rodean a un asistente más amplio. Que esa opción merezca un lugar depende de la carga de trabajo, no solo del atractivo de eliminar la generación de texto.
Los desarrolladores de agentes afrontan presión para separar decisiones y respuestas
Los equipos más directamente afectados son aquellos que destinan una llamada generativa a una decisión cuyo conjunto de respuestas ya está definido.
Un modelo conversacional sigue siendo útil cuando una aplicación necesita interpretación, síntesis o una explicación. La presión surge cuando un flujo de trabajo solicita automáticamente esas capacidades, aunque su siguiente paso solo consume una etiqueta. Ese diseño puede ocultar lo que el sistema realmente necesita lograr.
En un flujo de trabajo hipotético de soporte, reconocer una queja urgente y redactar una respuesta empática son tareas separadas. Pueden usar la misma evidencia, pero el éxito significa cosas distintas. La primera se refiere a la gestión operativa; la segunda, a la comunicación.
Combinarlas crea problemas de evaluación. Una respuesta fluida puede distraer a los revisores de una ruta equivocada. A la inversa, una clasificación correcta puede llegar dentro de una respuesta incómoda que hace que toda la interacción parezca fallida.
Separar las tareas permite a los equipos asignar responsabilidades más claras. Los responsables del enrutamiento pueden examinar la precisión del destino y el comportamiento de escalamiento. Los diseñadores de conversación pueden evaluar si el mensaje final responde a la pregunta del cliente.
Google presenta la adopción interna como evidencia de que esta separación tiene usos prácticos. Su anuncio sobre decisiones multimodales describe aplicaciones relacionadas con el enrutamiento de modelos, las interacciones de diseño, la selección de emoji y la seguridad de herramientas. Se trata de implementaciones comunicadas por la empresa, no de resultados de clientes auditados de forma independiente.
La característica común es una decisión situada entre la entrada y la acción. El sistema debe elegir qué ocurre después antes de ofrecer una experiencia más amplia. Esto hace que el nuevo servicio sea relevante para la coordinación de software, incluso cuando los usuarios nunca ven su resultado.
Esto también presiona a los equipos de aplicaciones a justificar la complejidad. Un agente de propósito general podría gestionar todo un flujo de trabajo con un prompt flexible. Un componente especializado de decisión introduce otra dependencia, otro objetivo de evaluación y otro posible punto de fallo.
El componente añadido solo se gana su lugar si el sistema resultante mejora. Una clasificación más rápida tiene un valor limitado si las solicitudes adicionales, los reintentos o las transferencias eliminan el beneficio. Las salidas más claras solo ayudan cuando el código posterior las utiliza correctamente.
Por ello, los compradores empresariales deberían examinar todo el recorrido, desde la entrada del usuario hasta la tarea completada. El tiempo de respuesta de un modelo representa solo una parte de esa experiencia. La autenticación, la transferencia de medios, la recuperación de datos y el escalamiento a personas pueden determinar el resultado con la misma intensidad.
Los flujos de trabajo de conocimiento ilustran esta distinción. Elegir qué material merece atención difiere de encontrar la evidencia necesaria para tomar esa decisión. Una base de conocimiento consultable aborda la capa de información; un componente de decisión aborda un juicio posterior.
Esta distinción evita una interpretación excesivamente amplia del lanzamiento. Un endpoint de puntuación no puede compensar documentos ausentes o políticas desactualizadas. La calidad de la decisión sigue dependiendo de la evidencia y las opciones que se le proporcionen.
Por tanto, la presión es organizativa además de técnica. Los equipos necesitan que alguien sea responsable de las definiciones de categorías, los ejemplos de evaluación y las reglas de escalamiento. Una respuesta de modelo más simple no elimina esas responsabilidades.
Puntuar opciones cambia el trabajo realizado por el modelo
La distinción técnica se refiere a cómo el modelo produce su respuesta, más allá de la forma de los datos devueltos.
Google afirma que Gemini Decision 1 puntúa resultados candidatos en una sola pasada hacia adelante, un cálculo a través del modelo. Contrasta ese proceso con la generación secuencial de tokens de respuesta. El diseño se dirige a cargas de trabajo en las que elegir entre resultados conocidos es el resultado útil.
Google informa de una latencia de extremo a extremo de 150–250 milisegundos bajo las condiciones de referencia que declara. Su análisis de latencia cubre contextos de hasta 16K tokens e informa de resultados casi planos en 1–100 preguntas. Esas condiciones deben mantenerse vinculadas a la afirmación.
No establecen un rendimiento idéntico para cada longitud de entrada o número de preguntas compatible. Un límite de capacidad documentado describe lo que un servicio acepta. Una prueba de referencia describe el comportamiento bajo una configuración de prueba concreta.
La misma distinción se aplica a las entradas multimodales, que combinan diferentes tipos de contenido. Admitir un vídeo no establece una velocidad uniforme para todos los vídeos. La duración, el detalle visual, el tiempo de transferencia y la gestión de la aplicación siguen siendo relevantes para una implementación real.
El argumento económico se deriva de reducir el trabajo repetido. Cuando varias comprobaciones se refieren al mismo material, los desarrolladores tienen un incentivo para evaluarlas juntas. Sin embargo, una comparación significativa debe incluir el sistema circundante en lugar de aislar una solicitud conveniente.
Una revisión hipotética de documentos ilustra el atractivo. Una aplicación podría comprobar si aparece la información requerida, asignar una categoría y evaluar la integridad. Estas preguntas comparten evidencia, pero cada una produce una señal operativa diferente.
El límite importante es la independencia. Si un juicio posterior requiere una respuesta anterior, el flujo de trabajo contiene una dependencia. Empaquetar preguntas juntas no las convierte automáticamente en un proceso de razonamiento secuencial.
Para los desarrolladores, esto fomenta una descomposición cuidadosa de las tareas. Una pregunta acotada tiene una condición de éxito más clara que una solicitud que combina interpretación, juicio de políticas y selección de acciones. También facilita investigar los fallos.
Existe una alternativa dentro de la línea de productos de Google. Su documentación de salida estructurada describe respuestas restringidas por JSON Schema, una especificación de estructuras de datos permitidas. Los desarrolladores pueden usar ese enfoque para obtener campos predecibles de un modelo generativo.
Esta alternativa importa porque un formato fiable por sí solo no requiere un modelo de decisión independiente. Una aplicación que ya recibe un identificador de categoría válido ha resuelto parte del problema de integración. La comparación restante se refiere a latencia, precisión, incertidumbre y adecuación operativa.
La generación estructurada también conserva flexibilidad cuando un flujo de trabajo necesita texto nuevo junto con una selección. Un servicio de puntuación acotada cumple una finalidad más limitada. Ninguno de los dos enfoques elimina la necesidad de definir qué significa una respuesta correcta.
Por esta razón, el lanzamiento no debería convertirse en un referéndum sobre los modelos conversacionales. Las distintas etapas pueden requerir resultados diferentes. La comparación útil pregunta si un evaluador específico mejora una etapa concreta lo suficiente como para justificar su adopción.
Los desarrolladores también deberían resistirse a tratar la brevedad de la salida como evidencia de un juicio sólido. Un identificador corto puede codificar una interpretación equivocada tan fácilmente como un párrafo. La decisión subyacente aún requiere evaluación frente a ejemplos representativos.
El mecanismo cambia el trabajo asignado al modelo. No resuelve la política de la aplicación, determina el riesgo aceptable ni aporta evidencia ausente. Esos límites definen dónde el nuevo enfoque se vuelve útil y dónde terminan sus ventajas.
Las puntuaciones de confianza no resuelven la ambigüedad de las políticas
Una probabilidad solo se vuelve útil en términos operativos cuando la aplicación sabe cómo responder ante la incertidumbre.
La guía de probabilidad y confianza de Google distingue entre la respuesta devuelta y la confianza en esa respuesta. También recomienda seleccionar umbrales utilizando ejemplos etiquetados del propio tráfico de la aplicación. Esto sitúa la responsabilidad de la evaluación directamente en el equipo que realiza el despliegue.
La calibración describe en qué medida las probabilidades predichas coinciden con los resultados observados en casos comparables. Se refiere a patrones entre ejemplos, en lugar de a una garantía asociada a una respuesta individual. Un error con alta confianza sigue siendo posible.
Para un enrutador de soporte, esa distinción afecta a la escalación. Un equipo podría tolerar algunas consultas generales mal dirigidas, mientras considera más graves las quejas de seguridad no detectadas. Un umbral de confianza compartido no expresa automáticamente esas prioridades diferentes.
La ambigüedad de las políticas presenta otro problema. Si las categorías se solapan, el modelo puede seleccionar una respuesta permitida y aun así incumplir el proceso previsto por la organización. El defecto comienza en el sistema de categorías, no en el formato de la respuesta.
Considérese una queja hipotética que involucra tanto una disputa de facturación como un producto defectuoso. Un único destino podría ser adecuado según los procedimientos de una empresa. Otra empresa podría exigir una gestión coordinada entre departamentos.
Ninguna de las dos disposiciones se deduce únicamente del mensaje. La aplicación debe proporcionar la política pertinente y definir qué representa la selección. De lo contrario, la evaluación corre el riesgo de recompensar respuestas que simplemente coinciden con las suposiciones no expresadas de un revisor.
Las opciones de conjunto cerrado también introducen un problema de cobertura. Las opciones disponibles podrían omitir la acción correcta. En esa situación, clasificar las opciones enumeradas no puede crear la categoría que falta.
Por tanto, una vía de escalación cumple una función distinta de la clasificación ordinaria. Ofrece al sistema una forma de detener el manejo automático cuando el caso queda fuera de su alcance previsto. Los equipos deberían evaluar ese comportamiento de forma directa.
La ausencia de una justificación por escrito también cambia la investigación. Una selección y un valor de confianza proporcionan señales útiles, pero no explican todas las interpretaciones subyacentes. Las organizaciones siguen necesitando registros que conecten entradas, políticas, versiones de modelos y acciones resultantes.
Esos registros se vuelven especialmente valiosos después de un cambio de política. Una ruta antes aceptable puede pasar a ser incorrecta aunque el modelo se comporte de manera consistente. La monitorización debe distinguir entre errores del modelo y cambios en las reglas que rigen la tarea.
La seguridad crea otro límite. Un clasificador que evalúa contenido sospechoso sigue procesando ese contenido como entrada. Los equipos de producto deberían comprobar si instrucciones adversarias, pruebas engañosas o formatos inusuales afectan a las decisiones que les importan.
El caso de uso de seguridad informado por Google no establece una protección universal para todas las aplicaciones. Una evaluación de seguridad necesita un modelo de amenazas definido, es decir, los ataques y fallos que se están considerando. Diferentes herramientas y permisos producen consecuencias distintas.
La misma cautela se aplica a las afirmaciones sobre velocidad. Una aplicación que escala más casos puede parecer fiable mientras incrementa la carga de trabajo humana. Otra puede completar más tareas automáticamente mientras permite más errores perjudiciales.
Estos resultados pertenecen a la misma evaluación. El tiempo de respuesta, la tasa de finalización, la carga de escalación y la gravedad de los errores determinan conjuntamente si el despliegue mejora el flujo de trabajo. Optimizar una sola métrica puede ocultar un deterioro en otra parte.
No hace falta un crítico identificado para fabricar controversia en torno a esos límites. Se derivan de la diferencia entre seleccionar una respuesta y autorizar una acción. El anuncio proporciona un nuevo componente de decisión; cada organización sigue definiendo las condiciones bajo las cuales su resultado adquiere consecuencias.
Los primeros ejemplos muestran alcance, mientras la validación más amplia sigue abierta
Una demostración funcional establece una capacidad utilizable, mientras que la fiabilidad en producción exige un conjunto de pruebas más amplio.
El desarrollador Simon Willison publicó una prueba directa de clasificación de vídeo en la fecha del anuncio. Envió un vídeo de un robot y formuló preguntas sobre su contenido y ubicación. Su publicación informó respuestas probabilísticas, en lugar de respuestas uniformemente absolutas.
Ese ejemplo proporciona al lanzamiento una referencia externa concreta. Muestra a un desarrollador independiente utilizando la interfaz de vídeo. No establece precisión general en vídeo, calidad amplia de calibración ni rendimiento sostenido bajo tráfico de producción.
Su valor reside en hacer visible el límite del producto. El desarrollador proporcionó preguntas, el servicio evaluó el contenido multimedia y el resultado respaldó un juicio acotado. No fue necesario convertir el intercambio en una respuesta conversacional.
Para los equipos de producto, el siguiente paso es identificar si su propio flujo de trabajo comparte esa estructura. Un menú fijo de decisiones crea un candidato plausible. Una tarea que requiere descubrimiento, negociación o una explicación detallada presenta un problema diferente.
Una herramienta hipotética de revisión multimedia ilustra ambas caras. Podría utilizar comprobaciones acotadas para priorizar clips para inspección. Después, un revisor podría solicitar una explicación o un análisis más amplio mediante una capacidad independiente.
Esa disposición preservaría la distinción entre triaje y juicio final. El triaje determina qué merece atención. La revisión final determina si las pruebas respaldan una conclusión con consecuencias.
Los flujos de trabajo de documentos plantean una cuestión similar. Una clasificación puede ayudar a organizar material sin establecer que el contenido subyacente sea exacto. Dirigir un documento al departamento correcto no valida sus afirmaciones.
Esto importa a los trabajadores del conocimiento porque el manejo automatizado puede hacer que los juicios inciertos parezcan resueltos. Una interfaz limpia podría mostrar solo la categoría seleccionada. Si la confianza y la escalación desaparecen de la experiencia, los usuarios pierden el contexto necesario para evaluar el resultado.
Por ello, el diseño del producto que rodea al modelo merece atención junto con el rendimiento del modelo. Una aplicación debería comunicar cuándo una decisión requiere revisión. También debería permitir la corrección sin obligar a los usuarios a reconstruir todo el flujo de trabajo.
Las comparaciones con clasificadores tradicionales requieren la misma disciplina. Un clasificador es un sistema entrenado o configurado para asignar entradas a categorías. Una tarea dedicada y estable podría justificar ese enfoque, mientras que requisitos cambiantes podrían favorecer criterios flexibles en lenguaje natural.
El lanzamiento no resuelve esa elección de manera universal. Los equipos deben comparar el esfuerzo necesario para definir, mantener y validar cada opción. Una interfaz conveniente puede reducir el trabajo de integración sin eliminar el trabajo a largo plazo de mantener la calidad de las decisiones.
La evidencia más sólida conectaría el comportamiento del modelo con resultados completados. ¿Recibió la solicitud el equipo adecuado? ¿Los revisores detectaron los casos importantes? ¿Los usuarios obtuvieron una resolución útil con menos demora?
Estas preguntas evitan que las demostraciones tengan más peso del que merecen. También crean un puente práctico entre la experimentación temprana y una decisión de producción defendible.
Qué observar hasta principios de 2027
Los próximos avances más informativos conectarán la calidad medida de las decisiones, la preparación operativa y el uso sostenido.
En primer lugar, observe las evaluaciones independientes que utilicen cargas de trabajo representativas. Deberían comparar el nuevo endpoint con los sistemas que los equipos reemplazarían realmente. Un estudio útil conservaría las definiciones de las tareas e informaría tanto la automatización exitosa como los errores con consecuencias.
La evidencia en entradas difíciles fortalecería el argumento para una adopción más amplia. Los resultados limitados a ejemplos limpios dejarían abierta la cuestión central del despliegue. Los compradores necesitan comprender dónde se degrada el rendimiento y con qué claridad la incertidumbre señala esa degradación.
La comparación también debería incluir la ruta completa de la aplicación. Una respuesta más rápida del modelo importa cuando se traduce en trabajo completado más rápidamente. Si la orquestación o la escalación absorben el ahorro, el beneficio arquitectónico se vuelve más limitado.
En segundo lugar, observe la disponibilidad operativa y la madurez de la integración. El anuncio de lanzamiento de Google indicó que el soporte para Gemini en Google Cloud estaba próximo. Esa declaración debería tratarse como un plan de despliegue hasta que la documentación del servicio correspondiente confirme la disponibilidad.
La adopción empresarial suele depender de algo más que de si un endpoint responde. Los equipos necesitan controles de acceso adecuados, monitorización, cuotas y procedimientos de despliegue. El avance en esos requisitos haría que el lanzamiento fuera relevante para más entornos de producción.
La madurez de la integración también afecta al mantenimiento. Un marco que expone la solicitud básica es distinto de una aplicación que maneja errores, reintentos y cambios en el comportamiento del modelo de manera fiable. Los compradores deberían preguntar qué partes están disponibles hoy y cuáles siguen siendo su responsabilidad.
En tercer lugar, observe los despliegues que revelen resultados sostenidos de los flujos de trabajo. Los casos de uso internos y las demostraciones individuales proporcionan puntos de partida. Los informes de mayor duración ofrecerían pruebas más sólidas sobre el esfuerzo de mantenimiento, la revisión humana y el comportamiento a medida que cambian las entradas.
Los informes más persuasivos explicarían los fallos además de las mejoras. El valor de un sistema de enrutamiento depende en parte de lo que ocurre cuando su respuesta preferida es incorrecta. Relatos claros de corrección y escalación fortalecerían la confianza en el diseño más amplio.
Estas señales aclararán si la puntuación especializada se convierte en una capa duradera del software de agentes. También revelarán dónde la generación de propósito general sigue siendo la opción más práctica. Ambos resultados pueden coexistir dentro de la misma aplicación.
Para los desarrolladores que evalúan Gemini Decisions API, comiencen con un flujo de trabajo cuyos resultados permitidos ya tengan definiciones claras. Compárenlo con la implementación existente utilizando las mismas pruebas y criterios de éxito. Incluyan casos ambiguos, información faltante y ejemplos que deberían activar la revisión humana.
Mantengan separada la precisión de las decisiones de la calidad de cualquier respuesta escrita posterior. Registren el trabajo necesario para mantener las categorías, investigar errores y actualizar la política. Después, examinen si el flujo de trabajo completo se vuelve más rápido o más fácil de operar. ¿Qué juicio recurrente de su aplicación tiene un conjunto claro de respuestas, y qué pruebas justificarían permitir que el software actúe según su resultado?



