Am 11. November 2026 hat Google die Gemini Decisions API vorgestellt, angetrieben von einem neuen Modell namens Gemini Decision 1. Es schreibt keine Antworten. Sie geben ihm eine Eingabe und eine Liste von Fragen mit festen Antwortmöglichkeiten, und es bewertet jede Option in einem Durchgang und gibt die Wahrscheinlichkeiten zurück. Für Analysten ist das genau das, was Labeln, Weiterleiten und Qualitätsprüfungen brauchen.
Warum ein Modell, das nicht schreibt
Wenn Sie ein normales Chatmodell fragen „Ist das eine Beschwerde?“, erzeugt es Text, fügt vielleicht eine Erklärung hinzu, und Sie müssen die Antwort auswerten. Sie zahlen für die Output-Token, warten auf sie, und ein „Ja“ sagt nichts darüber, wie sicher das Modell war. Gemini Decision 1 liest die Eingabe einmal und bewertet jede mögliche Antwort direkt. Google nennt 150 bis 250 Millisekunden insgesamt und sagt, dass die Zeit von 1 bis 100 Fragen pro Anfrage fast gleich bleibt.
- noul (Ja/Nein)
- Die Wahrscheinlichkeit, dass eine Aussage zutrifft. Sie können beschreiben, was als wahr und was als falsch gilt.
- choice (Multiple Choice)
- Wählt eine von 2 bis 255 Optionen und gibt für jede eine Wahrscheinlichkeit zurück.
- score (Skala)
- Bewertet die Eingabe auf einer geordneten Skala, die Sie beschreiben, beginnend bei 0, und liefert einen gewichteten Wert plus die Wahrscheinlichkeit jeder Stufe.
- confidence
- Eine Zahl von 0 bis 1 zu jeder Antwort. Niedrige Konfidenz ist Ihr Signal, einen Menschen zu fragen.
Der einfache Aufruf
Das ist Googles eigenes Quickstart-Beispiel mit dem Python-Paket google-genai. Jede Frage hat einen selbst gewählten Namen, einen Typ und eine Anweisung:
from google import genai
client = genai.Client(http_options={"api_version": "v1beta"})
result = client.decisions.create(
model="gemini-decision-1",
input="The blue mug I ordered on Monday arrived cracked on Wednesday.",
questions={
"is_damaged": {
"type": "noul",
"instructions": "Did the item arrive damaged?",
},
"queue": {
"type": "choice",
"instructions": "Which support queue should handle this message?",
"criteria": {
"billing": "Payment, invoice, or refund questions.",
"replacements": "Damaged, missing, or wrong items.",
"general": "Product questions and account updates.",
},
},
},
)
damaged = result.answers["is_damaged"]
queue = result.answers["queue"]
print(f"P(damaged)={damaged.noul:.2f} queue={queue.choice}")Auf einer Skala bewerten
Eine Skala macht aus einem vagen Urteil eine Zahl. Sie listen die Stufen der Reihe nach auf, beginnend bei 0:
result = client.decisions.create(
model="gemini-decision-1",
input="Export fails in Safari but works in Chrome.",
questions={
"severity": {
"type": "score",
"instructions": "How severe is this issue for the user?",
"criteria": [
"Cosmetic: appearance only, no lost functionality.",
"Workaround available: a task fails, but another way works.",
"Fully blocked: a task fails with no workaround.",
],
},
},
)
answer = result.answers["severity"]
print(answer.score, answer.confidence, answer.probabilities)Eine ganze Spalte labeln
Jeder Aufruf teilt sich eine Eingabe, also machen Sie für eine Tabelle einen Aufruf pro Zeile und stellen alle Fragen auf einmal. Eine Skizze mit pandas, mit denselben Aufrufen wie oben:
import pandas as pd
reviews = pd.read_csv("reviews.csv") # columns: review_id, text
questions = {
"is_complaint": {"type": "noul",
"instructions": "Is the customer complaining?"},
"topic": {"type": "choice",
"instructions": "What is the review mainly about?",
"criteria": {"delivery": "Shipping, delays, damage in transit.",
"product": "Quality, size, features.",
"service": "Support, returns, staff.",
"price": "Cost, discounts, value."}},
}
rows = []
for r in reviews.itertuples():
a = client.decisions.create(model="gemini-decision-1",
input=r.text, questions=questions).answers
rows.append({"review_id": r.review_id,
"p_complaint": a["is_complaint"].noul,
"topic": a["topic"].choice,
"topic_confidence": a["topic"].confidence})
labels = pd.DataFrame(rows)
to_check = labels[labels["topic_confidence"] < 0.6] # send these to a personWas es kostet
Sie zahlen nur für den Input: 0,10 Dollar pro Million Token. Die gemeinsame Eingabe wird einmal pro Anfrage berechnet, egal wie viele Fragen Sie stellen, und jede Frage fügt nur den Text ihrer Anweisung und Optionen hinzu. Eine Bewertung mit 100 Wörtern hat etwa 130 Token; rechnen Sie rund 100 Token für zwei kurze Fragen dazu, und Sie kommen auf etwa 230 Token pro Aufruf. Für 100.000 Bewertungen sind das etwa 23 Millionen Token, also rund 2,30 Dollar zu diesen Preisen. Prüfen Sie die aktuelle Preisliste vor einem großen Lauf.
Decisions API
Labels mit Wahrscheinlichkeiten- Keine Output-Token, die man bezahlen oder abwarten muss
- Wahrscheinlichkeiten und Konfidenz zu jeder Antwort
- Bilder, Audio, Video und PDFs im selben Aufruf
- Nur geschlossene Fragen; kann keinen freien Text extrahieren oder zusammenfassen
- Läuft außerhalb Ihres Data Warehouse, die Daten verlassen es also
Am besten für Weiterleitung, Labeln und Qualitätsprüfungen in großem Umfang.
KI-Funktionen in SQL
Labels im Data Warehouse- Die Daten bleiben in Snowflake, BigQuery oder Databricks
- Einfaches SQL, kein Code zu betreiben
- Sie zahlen die KI-Tarife der Plattform, meist pro Token rein und raus
- Je nach Plattform weniger Details zu Wahrscheinlichkeiten
Am besten, wenn die Daten schon im Data Warehouse liegen und Governance wichtig ist.
Für den Weg über das Data Warehouse lesen Sie KI-Funktionen in SQL: Snowflake, BigQuery und Databricks im Vergleich.
Wofür sie passt und wofür nicht
- 1
Weiterleiten
Eine Anfrage an das richtige Team, die richtige Warteschlange oder das richtige KI-Modell schicken. Google nutzt sie, um in Gemini Notebook die Modellstufe zu wählen, und sagt, dass Alltagsanfragen dadurch bis zu 40 % schneller wurden.
- 2
Labels für die Analyse
Thema, Stimmung, Beschwerde oder nicht, genanntes Produkt: geschlossene Mengen, die man zählen und darstellen kann.
- 3
Qualitätsprüfungen
KI-Antworten oder Support-Antworten anhand einer Skala bewerten und dann die niedrigsten Werte prüfen.
- 4
Regelprüfungen
Ja/Nein-Regeln wie „Enthält diese Nachricht personenbezogene Daten?“, mit einem Menschen für die unsicheren Fälle.
- 5
Nicht geeignet für
Zusammenfassungen schreiben, freie Textfelder extrahieren oder offene Fragen beantworten. Dafür nehmen Sie ein normales Modell.
Testen Sie Ihr Wissen
1/3Was gibt Gemini Decision 1 zurück?
Es bewertet die vorgegebenen Optionen in einem Durchgang, ohne Text zu erzeugen.
2/3Wie viele Fragen kann ein Aufruf stellen?
Die gemeinsame Eingabe wird einmal berechnet, viele Fragen zum selben Element sind also günstig.
3/3Wofür eignet sich der Konfidenzwert gut?
Mit der Konfidenz automatisieren Sie die klaren Fälle und prüfen die unklaren.
Sie haben 0 von 3 richtig.
Mehr: Claude Fable 5.2 gegen Gemini 4 Carbon, Embeddings und Vektorsuche für Analysten und warum KI-Agenten eine semantische Schicht brauchen.
Quellen: Google, „Gemini Decisions API: Fast, calibrated multimodal decisions“ (11. November 2026); Dokumentation von Google AI Studio zur Decisions API und zum Modell Gemini Decision 1 (Codebeispiele). Das pandas-Beispiel ist unsere eigene Skizze auf Basis der dokumentierten Aufrufe. Angaben zu Geschwindigkeit, Kosten und Genauigkeit stammen von Google.
