El 11 de noviembre de 2026 Google lanzó la Gemini Decisions API, basada en un nuevo modelo llamado Gemini Decision 1. No escribe respuestas. Le das una entrada y una lista de preguntas con respuestas fijas, y evalúa cada opción en una sola pasada y devuelve las probabilidades. Para quien analiza datos, es justo lo que necesitan el etiquetado, el enrutamiento y los controles de calidad.
Por qué un modelo que no escribe
Cuando preguntas a un modelo de chat normal «¿es una queja?», genera texto, quizá añade una explicación, y tú tienes que interpretar la respuesta. Pagas los tokens de salida, los esperas, y un «sí» no dice nada de lo seguro que estaba el modelo. Gemini Decision 1 lee la entrada una vez y puntúa directamente cada respuesta posible. Google cita de 150 a 250 milisegundos en total, y dice que el tiempo apenas cambia de 1 a 100 preguntas por petición.
- noul (sí/no)
- La probabilidad de que una afirmación sea cierta. Puedes describir qué cuenta como verdadero y qué como falso.
- choice (opción múltiple)
- Elige una de entre 2 y 255 opciones y devuelve una probabilidad para cada una.
- score (escala)
- Puntúa la entrada en una escala ordenada que describes tú, empezando en 0, y devuelve una puntuación ponderada más la probabilidad de cada nivel.
- confidence
- Un número de 0 a 1 en cada respuesta. Una confianza baja es la señal para preguntar a una persona.
La llamada básica
Este es el ejemplo de inicio rápido de Google, con el paquete de Python google-genai. Cada pregunta tiene un nombre que eliges tú, un tipo y una instrucción:
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}")Puntuar en una escala
Una escala convierte un juicio difuso en un número. Enumeras los niveles en orden, desde 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)Etiquetar una columna entera
Cada llamada comparte una sola entrada, así que para una tabla haces una llamada por fila y planteas todas las preguntas a la vez. Un esbozo con pandas, con las mismas llamadas de arriba:
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 personCuánto cuesta
Solo pagas la entrada: 0,10 dólares por millón de tokens. La entrada compartida se cobra una vez por petición, con independencia del número de preguntas, y cada pregunta solo añade el texto de su instrucción y sus opciones. Una reseña de 100 palabras son unos 130 tokens; suma unos 100 tokens por dos preguntas cortas y tendrás unos 230 tokens por llamada. Para 100.000 reseñas son unos 23 millones de tokens, es decir, unos 2,30 dólares a estos precios. Consulta la tarifa vigente antes de un proceso grande.
Decisions API
Etiquetas con probabilidades- Sin tokens de salida que pagar ni esperar
- Probabilidades y confianza en cada respuesta
- Imágenes, audio, vídeo y PDF en la misma llamada
- Solo preguntas cerradas; no puede extraer texto libre ni resumir
- Funciona fuera de tu almacén de datos, así que los datos salen de él
Ideal para enrutar, etiquetar y controlar la calidad a gran volumen.
Funciones de IA en SQL
Etiquetas dentro del almacén- Los datos se quedan en Snowflake, BigQuery o Databricks
- SQL sencillo, sin código que alojar
- Pagas las tarifas de IA de la plataforma, normalmente por tokens de entrada y salida
- Menos detalle sobre probabilidades, según la plataforma
Ideal cuando los datos ya están en el almacén y la gobernanza importa.
Para la vía del almacén, lee las funciones de IA en SQL: Snowflake, BigQuery y Databricks comparados.
Dónde encaja y dónde no
- 1
Enrutamiento
Enviar una consulta al equipo, la cola o el modelo de IA adecuados. Google la usa para elegir el nivel de modelo en Gemini Notebook, y dice que así el tiempo de las consultas diarias bajó hasta un 40 %.
- 2
Etiquetas para el análisis
Tema, sentimiento, queja o no, producto mencionado: conjuntos cerrados que puedes contar y representar en un gráfico.
- 3
Controles de calidad
Puntuar respuestas de IA o del soporte con una escala y revisar después las puntuaciones más bajas.
- 4
Controles de normas
Reglas de sí/no como «¿este mensaje contiene datos personales?», con una persona para los casos dudosos.
- 5
No sirve para
Redactar resúmenes, extraer campos de texto libre o responder preguntas abiertas. Para eso usa un modelo normal.
Pon a prueba lo que has aprendido
1/3¿Qué devuelve Gemini Decision 1?
Puntúa las opciones que le das en una sola pasada, sin generar texto.
2/3¿Cuántas preguntas puede plantear una llamada?
La entrada compartida se cobra una vez, así que hacer muchas preguntas sobre el mismo elemento sale barato.
3/3¿Cuál es un buen uso de la puntuación de confianza?
La confianza te permite automatizar los casos claros y revisar los dudosos.
Has acertado 0 de 3.
Más: Claude Fable 5.2 frente a Gemini 4 Carbon, embeddings y búsqueda vectorial para analistas y por qué los agentes de IA necesitan una capa semántica.
Fuentes: Google, «Gemini Decisions API: Fast, calibrated multimodal decisions» (11 de noviembre de 2026); documentación de Google AI Studio sobre la Decisions API y el modelo Gemini Decision 1 (ejemplos de código). El ejemplo con pandas es un esbozo propio basado en las llamadas documentadas. Las cifras de velocidad, coste y precisión son de Google.
