Lernen  /  Leitfäden

Die Gemini Decisions API erklärt: Ja/Nein, Multiple Choice und Bewertungen mit Wahrscheinlichkeiten für 10 Cent pro Million Token

Die meisten KI-Aufgaben in der Datenarbeit bestehen nicht darin, Text zu schreiben. Sie bestehen im Labeln: Ist diese Bewertung eine Beschwerde, welches Team bekommt dieses Ticket, wie dringend ist es? Google hat ein Modell nur dafür gebaut, und es liefert Wahrscheinlichkeiten, auf die man echte Schwellenwerte setzen kann.

Leitfaden8 Min. LesezeitAktualisiert am 16 November 2026
KIPythonDatenanalyseNeuigkeiten
Alle Leitfäden und Spickzettel

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.

1,000Fragen pro Aufrufzu einer gemeinsamen Eingabe
0.10Dollar pro Million Tokennur Input, Output ist kostenlos
150Millisekundenkürzeste genannte Gesamtzeit (bis 250)
255Optionenmaximal in einer Multiple-Choice-Frage

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:

Python
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:

Python
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:

Python
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 person

Was 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. 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. 2

    Labels für die Analyse

    Thema, Stimmung, Beschwerde oder nicht, genanntes Produkt: geschlossene Mengen, die man zählen und darstellen kann.

  3. 3

    Qualitätsprüfungen

    KI-Antworten oder Support-Antworten anhand einer Skala bewerten und dann die niedrigsten Werte prüfen.

  4. 4

    Regelprüfungen

    Ja/Nein-Regeln wie „Enthält diese Nachricht personenbezogene Daten?“, mit einem Menschen für die unsicheren Fälle.

  5. 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?

2/3Wie viele Fragen kann ein Aufruf stellen?

3/3Wofür eignet sich der Konfidenzwert gut?

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.

Alessandro Ecclesie AgazziGeschrieben von Alessandro Ecclesie Agazzi, Analytics Engineer in London. Aktualisiert am 16 November 2026. Über mich

War das hilfreich?

Hier erscheinen regelmäßig neue Leitfäden und Artikel zu Neuigkeiten rund um Daten und KI. Folgen Sie mir auf LinkedIn oder teilen Sie diesen Artikel mit Kollegen.