Aprender  /  Guías

La Gemini Decisions API explicada: respuestas de sí/no, opción múltiple y puntuaciones con probabilidades, por 10 céntimos el millón de tokens

La mayor parte del trabajo de IA con datos no consiste en escribir texto. Consiste en etiquetar: ¿esta reseña es una queja, a qué equipo va este ticket, qué urgencia tiene? Google ha creado un modelo solo para eso, y devuelve probabilidades sobre las que de verdad puedes fijar umbrales.

Guía8 min de lecturaActualizado el 16 de noviembre de 2026
IAPythonAnálisis de datosNovedades
Todas las guías y chuletas

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.

1,000Preguntas por llamadasobre una entrada compartida
0.10Dólares por millón de tokenssolo entrada, la salida es gratis
150Milisegundosel tiempo total más bajo citado (hasta 250)
255Opcionesel máximo en una pregunta de opción múltiple

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:

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}")

Puntuar en una escala

Una escala convierte un juicio difuso en un número. Enumeras los niveles en orden, desde 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)

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:

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

Cuánto 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. 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. 2

    Etiquetas para el análisis

    Tema, sentimiento, queja o no, producto mencionado: conjuntos cerrados que puedes contar y representar en un gráfico.

  3. 3

    Controles de calidad

    Puntuar respuestas de IA o del soporte con una escala y revisar después las puntuaciones más bajas.

  4. 4

    Controles de normas

    Reglas de sí/no como «¿este mensaje contiene datos personales?», con una persona para los casos dudosos.

  5. 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?

2/3¿Cuántas preguntas puede plantear una llamada?

3/3¿Cuál es un buen uso de la puntuación de confianza?

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.

Alessandro Ecclesie AgazziEscrito por Alessandro Ecclesie Agazzi, analytics engineer en Londres. Actualizado el 16 de noviembre de 2026. Sobre mí

¿Te ha resultado útil?

Aquí se publican con regularidad nuevas guías y artículos sobre las novedades en datos e IA. Sígueme en LinkedIn o comparte este artículo con un compañero.