L’API Gemini Decisions de Google fait passer les choix des agents au-delà de la génération de texte
Google a lancé l’API Gemini Decisions le 11 novembre, permettant aux développeurs d’évaluer jusqu’à 1 000 questions indépendantes sans générer de réponse écrite. Ce nouvel endpoint, une interface de programmation d’applications dédiée, cible les choix sur lesquels les logiciels doivent agir immédiatement. Sa proposition centrale remet en question une conception familière des agents : demander à un modèle conversationnel d’écrire quelque chose que le code doit ensuite interpréter.
Cette évolution met sous pression les développeurs qui utilisent la génération de texte généraliste pour le routage, la classification et les vérifications de politique. Ces tâches nécessitent souvent une réponse bornée, c’est-à-dire une sélection parmi des possibilités prédéfinies. Un paragraphe expliquant quelle file d’assistance choisir apporte peu lorsque l’application a finalement besoin d’un identifiant de file.
Les propres modèles génératifs Gemini de Google offrent le point de comparaison immédiat. Ils peuvent produire des réponses structurées, mais le nouvel endpoint sépare l’évaluation des décisions de la production écrite. Ce changement soulève une question pratique pour les concepteurs d’agents : quelles décisions bénéficient d’un raisonnement ouvert, et lesquelles devraient devenir des tâches de notation étroitement définies ?
L’API Gemini Decisions fait des choix bornés un produit distinct
Google a transformé une tâche courante de soutien au sein des applications d’IA en un service dédié.
Le lancement introduit Gemini Decision 1, identifié dans les requêtes comme gemini-decision-1. La documentation du modèle de décision de Google répertorie les textes, images, fichiers audio, vidéos et PDF parmi les entrées prises en charge. Elle précise une limite d’entrée partagée de 262 144 tokens, les unités utilisées par les modèles pour traiter le contenu.
Les développeurs peuvent soumettre des vérifications binaires, des questions à choix multiples ou des évaluations selon une grille ordonnée, un ensemble prédéfini de critères de notation. Les questions à choix multiples prennent en charge entre 2 et 255 options. Le service renvoie des probabilités avec ses sélections, plutôt que de composer une réponse conversationnelle.
Cette approche est importante, car de nombreuses actions d’agents commencent par un menu limité. Un système peut choisir un outil, attribuer une demande à un service ou décider si une information mérite un examen. Ces décisions diffèrent de la rédaction d’une réponse, car l’application connaît déjà les résultats autorisés.
Prenons l’exemple hypothétique d’une application de service client qui examine un message et une photographie jointe. Elle doit reconnaître le problème, sélectionner une destination et signaler toute incertitude. À ce stade, l’application n’a pas nécessairement besoin d’une explication destinée au client.
Séparer ces fonctions donne aux développeurs une frontière plus claire entre décider et communiquer. Un service de décision peut proposer l’itinéraire, tandis qu’un modèle génératif rédige une réponse lorsque cela est approprié. Le code applicatif classique reste responsable des autorisations, des règles métier et de l’exécution.
Cette frontière rend aussi les exigences produit plus explicites. Une équipe doit définir ses actions possibles avant de demander au modèle de choisir parmi elles. Ce travail révèle les catégories manquantes, les règles qui se chevauchent et les situations nécessitant une escalade.
L’annonce modifie donc davantage que le format des réponses. Elle présente le jugement borné comme un composant indépendant que les développeurs peuvent évaluer séparément. Les équipes peuvent examiner les performances de routage sans les mêler à la qualité rédactionnelle ou au style conversationnel.
Pour les acheteurs, cette séparation offre une question d’approvisionnement plus ciblée. Le service rend-il un flux de travail particulier plus rapide ou plus fiable dans des conditions réalistes ? Une affirmation générale sur l’intelligence d’un modèle apporte moins d’éléments utiles que la réponse à cette question plus restreinte.
Le lancement donne aussi aux développeurs une raison de réexaminer les prompts accumulés. Un prompt de routage écrit durant un prototype peut devenir discrètement une infrastructure permanente. Lorsque cela se produit, ses hypothèses méritent le même examen que tout autre composant contrôlant un flux de production.
La conséquence immédiate est un choix architectural. Les développeurs disposent désormais d’une autre manière d’implémenter les petits jugements qui entourent un assistant plus vaste. La place de cette option dépend de la charge de travail, plutôt que du seul attrait de supprimer la génération de texte.
Les concepteurs d’agents subissent une pression pour séparer les décisions des réponses
Les équipes les plus directement concernées sont celles qui consacrent un appel génératif à une décision dont l’ensemble de réponses est déjà défini.
Un modèle conversationnel reste utile lorsqu’une application a besoin d’interprétation, de synthèse ou d’une explication. La pression apparaît lorsqu’un flux de travail demande automatiquement ces capacités, alors que son étape suivante ne consomme qu’une étiquette. Cette conception peut masquer ce que le système doit réellement accomplir.
Dans un flux de support hypothétique, reconnaître une plainte urgente et composer une réponse empathique sont deux tâches distinctes. Elles peuvent utiliser les mêmes éléments, mais la réussite ne signifie pas la même chose. La première concerne le traitement opérationnel ; la seconde concerne la communication.
Les combiner crée des problèmes d’évaluation. Une réponse fluide peut détourner l’attention des évaluateurs d’un mauvais routage. À l’inverse, une classification correcte peut être incluse dans une réponse maladroite qui donne l’impression que l’ensemble de l’interaction a échoué.
Séparer les tâches permet aux équipes d’attribuer des responsabilités plus nettes. Les responsables du routage peuvent examiner la précision de la destination et le comportement d’escalade. Les concepteurs de conversations peuvent évaluer si le message final répond à la question du client.
Google présente son adoption interne comme une preuve que cette séparation a des usages pratiques. Son annonce sur les décisions multimodales décrit des applications liées au routage de modèles, aux interactions de conception, à la sélection d’emoji et à la sécurité des outils. Il s’agit de déploiements rapportés par l’entreprise, plutôt que de résultats clients audités indépendamment.
Le point commun est une décision située entre l’entrée et l’action. Le système doit choisir ce qui se passe ensuite avant de proposer une expérience plus large. Cela rend ce nouveau service pertinent pour la coordination logicielle, même lorsque les utilisateurs n’en voient jamais la sortie.
Cette évolution met aussi les équipes applicatives sous pression pour justifier la complexité. Un agent généraliste peut gérer un flux de travail entier avec un prompt flexible. Un composant de décision spécialisé ajoute une dépendance, une cible d’évaluation et un point de défaillance potentiel.
Le composant ajouté ne justifie sa place que si le système obtenu s’améliore. Une classification plus rapide a une valeur limitée si des requêtes supplémentaires, des nouvelles tentatives ou des transferts effacent cet avantage. Des sorties plus claires n’aident que lorsque le code en aval les utilise correctement.
Les acheteurs en entreprise devraient donc examiner le parcours complet, de l’entrée utilisateur à la tâche accomplie. Le temps de réponse d’un modèle ne représente qu’une partie de cette expérience. L’authentification, le transfert des médias, la récupération de données et l’escalade humaine peuvent tout autant façonner le résultat.
Les flux de travail liés aux connaissances illustrent cette distinction. Choisir quel contenu mérite de l’attention diffère de trouver les éléments nécessaires pour faire ce choix. Une base de connaissances consultable traite la couche informationnelle ; un composant de décision traite un jugement ultérieur.
Cette distinction évite une lecture trop large du lancement. Un endpoint de notation ne peut compenser l’absence de documents ou des politiques obsolètes. La qualité de la décision dépend toujours des éléments et des options qui lui sont fournis.
La pression est donc organisationnelle autant que technique. Les équipes ont besoin d’une personne responsable des définitions de catégories, des exemples d’évaluation et des règles d’escalade. Une réponse de modèle plus simple ne supprime pas ces responsabilités.
La notation des options modifie le travail effectué par le modèle
La distinction technique concerne la manière dont le modèle produit sa réponse, au-delà de la forme des données renvoyées.
Google indique que Gemini Decision 1 évalue les résultats candidats en un seul passage avant, un calcul à travers le modèle. L’entreprise oppose ce processus à la génération séquentielle de tokens de réponse. Cette conception cible les charges de travail où le choix parmi des résultats connus constitue le résultat utile.
Google fait état d’une latence de bout en bout de 150 à 250 millisecondes dans les conditions de benchmark qu’il indique. Sa discussion de la latence couvre des contextes allant jusqu’à 16K tokens et rapporte des résultats presque constants pour 1 à 100 questions. Ces conditions doivent rester associées à l’affirmation.
Elles n’établissent pas des performances identiques pour chaque longueur d’entrée ou nombre de questions pris en charge. Une limite de capacité documentée décrit ce qu’un service accepte. Un benchmark décrit le comportement dans une configuration de test particulière.
La même distinction s’applique aux entrées multimodales, qui combinent différents types de contenu. La prise en charge d’une vidéo n’établit pas une vitesse uniforme pour toutes les vidéos. La durée, le niveau de détail visuel, le temps de transfert et le traitement applicatif restent pertinents dans un déploiement réel.
L’argument économique découle de la réduction du travail répété. Lorsque plusieurs vérifications concernent le même contenu, les développeurs sont incités à les évaluer ensemble. Toutefois, une comparaison pertinente doit inclure le système environnant plutôt que d’isoler une requête commode.
Un examen documentaire hypothétique illustre cet attrait. Une application peut vérifier si les informations requises apparaissent, attribuer une catégorie et évaluer l’exhaustivité. Ces questions partagent des éléments, mais chacune produit un signal opérationnel différent.
La frontière importante est l’indépendance. Si un jugement ultérieur exige une réponse antérieure, le flux de travail contient une dépendance. Regrouper des questions ne les transforme pas automatiquement en processus de raisonnement séquentiel.
Pour les développeurs, cela encourage une décomposition attentive des tâches. Une question étroite possède une condition de réussite plus claire qu’une demande combinant interprétation, jugement de politique et sélection d’action. Cela facilite aussi l’analyse des défaillances.
Il existe une alternative au sein de la gamme de produits Google. Sa documentation sur les sorties structurées décrit des réponses contraintes par JSON Schema, une spécification des structures de données autorisées. Les développeurs peuvent utiliser cette approche pour obtenir des champs prévisibles à partir d’un modèle génératif.
Cette alternative est importante, car une mise en forme fiable ne nécessite pas à elle seule un modèle de décision distinct. Une application qui reçoit déjà un identifiant de catégorie valide a résolu une partie du problème d’intégration. La comparaison restante concerne la latence, la précision, l’incertitude et l’adéquation opérationnelle.
La génération structurée conserve également de la flexibilité lorsqu’un flux de travail nécessite un nouveau texte en plus d’une sélection. Un service de notation bornée remplit un objectif plus étroit. Aucune de ces approches ne supprime la nécessité de définir ce qu’est une réponse correcte.
Pour cette raison, le lancement ne devrait pas devenir un référendum sur les modèles conversationnels. Différentes étapes peuvent nécessiter différentes sorties. La comparaison utile consiste à déterminer si un évaluateur dédié améliore suffisamment une étape précise pour justifier son adoption.
Les développeurs devraient également éviter de considérer la brièveté des sorties comme une preuve de jugement fiable. Un identifiant court peut encoder une interprétation erronée aussi facilement qu’un paragraphe. La décision sous-jacente doit toujours être évaluée sur des exemples représentatifs.
Le mécanisme modifie le travail confié au modèle. Il ne règle pas la politique de l’application, ne détermine pas le niveau de risque acceptable et ne fournit pas les éléments manquants. Ces limites définissent où la nouvelle approche devient utile et où ses avantages s’arrêtent.
Les scores de confiance ne résolvent pas l’ambiguïté des politiques
Une probabilité ne devient utile sur le plan opérationnel que lorsque l’application sait comment réagir face à l’incertitude.
Les indications de Google sur les probabilités et la confiance distinguent la réponse renvoyée de la confiance associée à cette réponse. Elles recommandent également de sélectionner des seuils à partir d’exemples étiquetés issus du propre trafic de l’application. La responsabilité de l’évaluation incombe donc clairement à l’équipe qui déploie le système.
L’étalonnage décrit à quel point les probabilités prédites correspondent aux résultats observés dans des cas comparables. Il porte sur des tendances observées sur plusieurs exemples, plutôt que sur une garantie attachée à une réponse individuelle. Une erreur commise avec assurance reste possible.
Pour un routeur de demandes d’assistance, cette distinction influe sur l’escalade. Une équipe peut tolérer certaines demandes générales mal orientées tout en considérant les plaintes de sécurité non détectées comme plus graves. Un seuil de confiance partagé n’exprime pas automatiquement ces priorités différentes.
L’ambiguïté des politiques présente un autre problème. Si les catégories se chevauchent, le modèle peut sélectionner une réponse autorisée tout en enfreignant le processus prévu par l’organisation. Le défaut commence dans le système de catégories, et non dans le formatage de la réponse.
Prenons une plainte hypothétique impliquant à la fois un litige de facturation et un produit défectueux. Une destination unique peut convenir selon les procédures d’une entreprise. Une autre entreprise peut exiger une prise en charge coordonnée entre plusieurs services.
Aucune de ces organisations ne découle du seul message. L’application doit fournir la politique pertinente et définir ce que représente la sélection. Sinon, l’évaluation risque de récompenser des réponses qui ne font que correspondre aux hypothèses implicites d’un évaluateur.
Les choix en ensemble fermé introduisent également un problème de couverture. Les options disponibles peuvent omettre l’action appropriée. Dans cette situation, classer les options listées ne peut pas créer la catégorie manquante.
Un parcours d’escalade répond donc à un objectif différent de celui d’une classification ordinaire. Il donne au système un moyen d’arrêter le traitement automatique lorsqu’un cas sort de son périmètre prévu. Les équipes devraient évaluer directement ce comportement.
L’absence de justification écrite modifie également l’enquête. Une sélection et une valeur de confiance fournissent des signaux utiles, mais elles n’expliquent pas chaque interprétation sous-jacente. Les organisations ont toujours besoin de traces reliant les entrées, les politiques, les versions de modèle et les actions résultantes.
Ces traces deviennent particulièrement précieuses après une modification de politique. Un routage auparavant acceptable peut devenir erroné même si le modèle se comporte de manière cohérente. La surveillance doit distinguer les erreurs du modèle des changements apportés aux règles qui régissent la tâche.
La sécurité crée une autre limite. Un classificateur qui évalue du contenu suspect traite toujours ce contenu comme une entrée. Les équipes produit devraient tester si des instructions adversariales, des preuves trompeuses ou un formatage inhabituel influencent les décisions qui leur importent.
Le cas d’usage de sécurité rapporté par Google n’établit pas une protection universelle pour toutes les applications. Une évaluation de sécurité nécessite un modèle de menace défini, c’est-à-dire les attaques et les défaillances prises en compte. Des outils et des autorisations différents entraînent des conséquences différentes.
La même prudence s’applique aux affirmations concernant la vitesse. Une application qui escalade davantage de cas peut sembler fiable tout en augmentant la charge de travail humaine. Une autre peut accomplir davantage de tâches automatiquement tout en laissant passer plus d’erreurs nuisibles.
Ces résultats doivent être évalués ensemble. Le temps de réponse, le taux d’achèvement, la charge d’escalade et la gravité des erreurs déterminent conjointement si le déploiement améliore le flux de travail. Optimiser une seule mesure peut masquer une dégradation ailleurs.
Nul besoin d’un critique nommé pour fabriquer une controverse autour de ces limites. Elles découlent de la différence entre sélectionner une réponse et autoriser une action. L’annonce fournit un nouveau composant de décision ; chaque organisation définit toujours les conditions dans lesquelles son résultat devient conséquent.
Les premiers exemples montrent la portée, tandis qu’une validation plus large reste ouverte
Une démonstration fonctionnelle établit une capacité exploitable, tandis que la fiabilité en production exige un ensemble de preuves plus étendu.
Le développeur Simon Willison a publié le jour de l’annonce un test de classification vidéo réalisé directement. Il a soumis une vidéo de robot et posé des questions sur son contenu et son emplacement. Son article a fait état de réponses probabilistes plutôt que de réponses uniformément absolues.
Cet exemple offre au lancement une référence externe concrète. Il montre un développeur indépendant utilisant l’interface vidéo. Il n’établit pas l’exactitude générale sur la vidéo, la qualité de l’étalonnage à grande échelle ni des performances durables sous trafic de production.
Sa valeur réside dans la visibilité qu’il donne aux limites du produit. Le développeur a fourni des questions, le service a évalué le média, et le résultat a étayé un jugement circonscrit. Il n’était pas nécessaire de transformer l’échange en réponse conversationnelle.
Pour les équipes produit, l’étape suivante consiste à déterminer si leur propre flux de travail partage cette structure. Un menu de décisions fixe constitue un candidat plausible. Une tâche exigeant de la découverte, de la négociation ou une explication détaillée pose un problème différent.
Un outil hypothétique de revue de médias illustre les deux aspects. Il pourrait utiliser des vérifications circonscrites pour prioriser des extraits à inspecter. Un examinateur pourrait ensuite demander une explication ou une analyse plus large par l’intermédiaire d’une capacité distincte.
Cette organisation préserverait la distinction entre triage et jugement final. Le triage détermine ce qui mérite attention. L’examen final détermine si les preuves justifient une conclusion conséquente.
Les flux de travail documentaires soulèvent une question similaire. Une classification peut aider à organiser le contenu sans établir si celui-ci est exact. Acheminer un document vers le bon service ne valide pas ses affirmations.
C’est important pour les travailleurs du savoir, car le traitement automatisé peut donner l’apparence de décisions certaines à des jugements incertains. Une interface épurée peut n’afficher que la catégorie sélectionnée. Si la confiance et l’escalade disparaissent de l’expérience, les utilisateurs perdent le contexte nécessaire pour évaluer le résultat.
La conception du produit environnant mérite donc autant d’attention que les performances du modèle. Une application devrait indiquer lorsqu’une décision exige une vérification. Elle devrait aussi permettre la correction sans obliger les utilisateurs à reconstituer l’ensemble du flux de travail.
Les comparaisons avec les classificateurs traditionnels exigent la même rigueur. Un classificateur est un système entraîné ou configuré pour attribuer des entrées à des catégories. Une tâche spécialisée et stable peut justifier cette approche, tandis que des exigences changeantes peuvent favoriser des critères flexibles en langage naturel.
Le lancement ne tranche pas ce choix de manière universelle. Les équipes doivent comparer l’effort nécessaire pour définir, maintenir et valider chaque option. Une interface pratique peut réduire le travail d’intégration sans éliminer le travail de long terme nécessaire au maintien de la qualité des décisions.
Les preuves les plus solides relieraient le comportement du modèle à des résultats effectivement obtenus. La demande est-elle parvenue à la bonne équipe ? Les examinateurs ont-ils détecté les cas importants ? Les utilisateurs ont-ils reçu une résolution utile avec moins de délai ?
Ces questions empêchent les démonstrations de recevoir plus de poids qu’elles ne le méritent. Elles créent aussi un pont pratique entre l’expérimentation initiale et une décision de production défendable.
Ce qu’il faut surveiller jusqu’au début de 2027
Les prochaines évolutions les plus instructives relieront la qualité mesurée des décisions, la préparation opérationnelle et une utilisation durable.
Premièrement, surveillez les évaluations indépendantes utilisant des charges de travail représentatives. Elles devraient comparer le nouveau point de terminaison aux systèmes que les équipes remplaceraient réellement. Une étude utile conserverait les définitions de tâches et rapporterait à la fois l’automatisation réussie et les erreurs conséquentes.
Des preuves couvrant des entrées difficiles renforceraient l’argument en faveur d’une adoption plus large. Des résultats limités à des exemples propres laisseraient ouverte la question centrale du déploiement. Les acheteurs doivent comprendre où les performances se dégradent et avec quelle clarté l’incertitude signale cette dégradation.
La comparaison devrait également inclure l’ensemble du parcours applicatif. Une réponse de modèle plus rapide compte lorsqu’elle se traduit par un travail achevé plus rapidement. Si l’orchestration ou l’escalade absorbe les gains, le bénéfice architectural devient plus limité.
Deuxièmement, surveillez la disponibilité opérationnelle et la maturité de l’intégration. L’annonce de lancement de Google indiquait que la prise en charge de Gemini dans Google Cloud était à venir. Cette déclaration doit être considérée comme un plan de déploiement jusqu’à ce que la documentation du service concerné confirme sa disponibilité.
L’adoption en entreprise dépend souvent de davantage d’éléments que de la simple réponse d’un point de terminaison. Les équipes ont besoin de contrôles d’accès adaptés, de surveillance, de quotas et de procédures de déploiement. Les progrès sur ces exigences rendraient le lancement pertinent pour davantage d’environnements de production.
La maturité de l’intégration affecte également la maintenance. Un framework qui expose la requête de base est différent d’une application qui gère de manière fiable les erreurs, les nouvelles tentatives et l’évolution du comportement du modèle. Les acheteurs devraient demander quelles parties sont disponibles aujourd’hui et lesquelles restent de leur responsabilité.
Troisièmement, surveillez les déploiements qui communiquent des résultats de flux de travail durables. Les cas d’usage internes et les démonstrations individuelles constituent des points de départ. Des retours sur une période plus longue offriraient des preuves plus solides concernant l’effort de maintenance, la revue humaine et le comportement lorsque les entrées changent.
Les rapports les plus convaincants expliqueraient les échecs autant que les améliorations. La valeur d’un système de routage dépend en partie de ce qui se produit lorsque sa réponse privilégiée est erronée. Des descriptions claires des corrections et des escalades renforceraient la confiance dans la conception globale.
Ces signaux préciseront si la notation spécialisée devient une couche durable dans les logiciels d’agents. Ils révéleront également où la génération généraliste reste le choix le plus pratique. Les deux résultats peuvent coexister dans une même application.
Pour les développeurs qui évaluent la Gemini Decisions API, commencez par un flux de travail dont les résultats autorisés possèdent déjà des définitions claires. Comparez-la à l’implémentation existante en utilisant les mêmes preuves et critères de réussite. Incluez des cas ambigus, des informations manquantes et des exemples qui devraient déclencher une revue humaine.
Distinguez l’exactitude des décisions de la qualité de toute réponse écrite éventuelle. Consignez le travail nécessaire pour maintenir les catégories, enquêter sur les erreurs et mettre à jour les politiques. Examinez ensuite si le flux de travail complet devient plus rapide ou plus facile à exploiter. Quel jugement récurrent dans votre application dispose d’un ensemble de réponses clair, et quelles preuves justifieraient de laisser un logiciel agir sur son résultat ?



