Le 11 novembre 2026, Google a lancé la Gemini Decisions API, propulsée par un nouveau modèle appelé Gemini Decision 1. Il n'écrit pas de réponses. Vous lui donnez une entrée et une liste de questions à réponses fixes ; il évalue chaque option en un seul passage et renvoie les probabilités. Pour les analystes, c'est exactement ce dont ont besoin l'étiquetage, l'aiguillage et les contrôles qualité.
Pourquoi un modèle qui n'écrit pas
Quand vous demandez à un modèle de chat classique « est-ce une réclamation ? », il génère du texte, ajoute peut-être une explication, et vous devez interpréter la réponse. Vous payez les jetons de sortie, vous les attendez, et un « oui » ne dit rien de la certitude du modèle. Gemini Decision 1 lit l'entrée une fois et évalue directement chaque réponse possible. Google annonce 150 à 250 millisecondes au total, et indique que le temps reste presque identique de 1 à 100 questions par requête.
- noul (oui/non)
- La probabilité qu'une affirmation soit vraie. Vous pouvez décrire ce qui compte comme vrai et ce qui compte comme faux.
- choice (choix multiple)
- Choisit une option parmi 2 à 255 et renvoie une probabilité pour chacune.
- score (grille)
- Note l'entrée sur une échelle ordonnée que vous décrivez, à partir de 0, et renvoie une note pondérée et la probabilité de chaque niveau.
- confidence
- Un nombre de 0 à 1 sur chaque réponse. Une confiance faible est le signal pour demander à une personne.
L'appel de base
Voici le quickstart de Google, avec le paquet Python google-genai. Chaque question a un nom que vous choisissez, un type et une consigne :
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}")Noter sur une échelle
Une grille transforme un jugement flou en nombre. Vous listez les niveaux dans l'ordre, à partir de 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)Étiqueter une colonne entière
Chaque appel partage une seule entrée : pour une table, faites un appel par ligne et posez toutes vos questions d'un coup. Une ébauche avec pandas, avec les mêmes appels que ci-dessus :
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 personCombien ça coûte
Vous ne payez que l'entrée : 0,10 dollar par million de jetons. L'entrée partagée est facturée une fois par requête, quel que soit le nombre de questions, et chaque question n'ajoute que le texte de sa consigne et de ses options. Un avis de 100 mots fait environ 130 jetons ; ajoutez environ 100 jetons pour deux questions courtes et vous arrivez à environ 230 jetons par appel. Pour 100 000 avis, cela fait environ 23 millions de jetons, soit environ 2,30 dollars à ces prix. Vérifiez la grille tarifaire avant un gros traitement.
Decisions API
Étiquettes avec probabilités- Aucun jeton de sortie à payer ni à attendre
- Probabilités et confiance sur chaque réponse
- Images, audio, vidéo et PDF dans le même appel
- Uniquement des questions fermées ; elle ne peut ni extraire du texte libre ni résumer
- Tourne hors de votre entrepôt de données, donc les données en sortent
Idéale pour l'aiguillage, l'étiquetage et les contrôles qualité à grand volume.
Fonctions d'IA en SQL
Étiquettes dans l'entrepôt- Les données restent dans Snowflake, BigQuery ou Databricks
- Du SQL simple, aucun code à héberger
- Vous payez les tarifs IA de la plateforme, en général par jeton en entrée et en sortie
- Moins de détails sur les probabilités, selon la plateforme
Idéales quand les données sont déjà dans l'entrepôt et que la gouvernance compte.
Pour la voie de l'entrepôt, voir les fonctions d'IA en SQL : Snowflake, BigQuery et Databricks comparés.
Où elle a sa place, et où elle ne l'a pas
- 1
Aiguillage
Envoyer une demande à la bonne équipe, file d'attente ou modèle d'IA. Google l'utilise pour choisir le niveau de modèle dans Gemini Notebook, et dit que le temps des requêtes courantes a baissé jusqu'à 40 %.
- 2
Étiquettes pour l'analyse
Sujet, sentiment, réclamation ou non, produit cité : des ensembles fermés que vous pouvez compter et mettre en graphique.
- 3
Contrôles qualité
Noter des réponses d'IA ou du support selon une grille, puis revoir les notes les plus basses.
- 4
Contrôles de règles
Des règles oui/non comme « ce message contient-il des données personnelles ? », avec une personne pour les cas incertains.
- 5
Pas pour
Rédiger des résumés, extraire des champs de texte libre ou répondre à des questions ouvertes. Utilisez un modèle classique pour cela.
Testez vos connaissances
1/3Que renvoie Gemini Decision 1 ?
Il évalue les options que vous lui donnez en un seul passage, sans générer de texte.
2/3Combien de questions un appel peut-il poser ?
L'entrée partagée est facturée une fois : poser beaucoup de questions sur le même élément coûte peu.
3/3Quel est un bon usage du score de confiance ?
La confiance permet d'automatiser les cas clairs et de revoir les cas incertains.
Vous avez 0 bonne(s) réponse(s) sur 3.
Pour aller plus loin : Claude Fable 5.2 contre Gemini 4 Carbon, embeddings et recherche vectorielle pour les analystes et pourquoi les agents d'IA ont besoin d'une couche sémantique.
Sources : Google, « Gemini Decisions API: Fast, calibrated multimodal decisions » (11 novembre 2026) ; documentation de Google AI Studio sur la Decisions API et le modèle Gemini Decision 1 (exemples de code). L'exemple pandas est notre propre ébauche fondée sur les appels documentés. Les chiffres de vitesse, de coût et de précision sont ceux de Google.
