L'11 novembre 2026 Google ha lanciato la Gemini Decisions API, basata su un nuovo modello chiamato Gemini Decision 1. Non scrive risposte. Gli dai un input e un elenco di domande con risposte fisse, e lui valuta ogni opzione in un solo passaggio e restituisce le probabilità. Per chi analizza dati è esattamente ciò che serve per etichettare, smistare e controllare la qualità.
Perché un modello che non scrive
Quando chiedi a un normale modello di chat "è un reclamo?", genera testo, magari aggiunge una spiegazione, e tu devi interpretare la risposta. Paghi i token di output, li aspetti, e un "sì" non ti dice quanto il modello fosse sicuro. Gemini Decision 1 legge l'input una volta e valuta direttamente ogni risposta possibile. Google indica da 150 a 250 millisecondi in totale, e dice che il tempo resta quasi uguale da 1 a 100 domande per richiesta.
- noul (sì/no)
- La probabilità che un'affermazione sia vera. Puoi descrivere cosa conta come vero e cosa come falso.
- choice (scelta multipla)
- Sceglie una tra 2 e 255 opzioni e restituisce una probabilità per ciascuna.
- score (scala)
- Valuta l'input su una scala ordinata che descrivi tu, a partire da 0, e restituisce un punteggio ponderato più la probabilità di ogni livello.
- confidence
- Un numero da 0 a 1 su ogni risposta. Una confidenza bassa è il segnale per chiedere a una persona.
La chiamata di base
Questo è il quickstart di Google, con il pacchetto Python google-genai. Ogni domanda ha un nome scelto da te, un tipo e un'istruzione:
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}")Dare un punteggio su una scala
Una scala trasforma un giudizio vago in un numero. Elenchi i livelli in ordine, da 0 in su:
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)Etichettare un'intera colonna
Ogni chiamata condivide un unico input, quindi per una tabella fai una chiamata per riga e poni tutte le domande insieme. Una bozza con pandas, con le stesse chiamate di sopra:
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 personQuanto costa
Paghi solo l'input: 0,10 dollari per milione di token. L'input condiviso si paga una volta per richiesta, qualunque sia il numero di domande, e ogni domanda aggiunge solo il testo della sua istruzione e delle sue opzioni. Una recensione di 100 parole sono circa 130 token; aggiungi circa 100 token per due domande brevi e arrivi a circa 230 token per chiamata. Per 100.000 recensioni sono circa 23 milioni di token, cioè circa 2,30 dollari a questi prezzi. Controlla il listino aggiornato prima di un'elaborazione grande.
Decisions API
Etichette con probabilità- Nessun token di output da pagare o da aspettare
- Probabilità e confidenza su ogni risposta
- Immagini, audio, video e PDF nella stessa chiamata
- Solo domande chiuse; non può estrarre testo libero né riassumere
- Gira fuori dal tuo data warehouse, quindi i dati escono
Ideale per smistare, etichettare e controllare la qualità su grandi volumi.
Funzioni AI in SQL
Etichette dentro il data warehouse- I dati restano in Snowflake, BigQuery o Databricks
- SQL semplice, nessun codice da ospitare
- Paghi le tariffe AI della piattaforma, di solito per token in entrata e in uscita
- Meno dettagli sulle probabilità, a seconda della piattaforma
Ideale quando i dati sono già nel data warehouse e la governance conta.
Per la strada del data warehouse, leggi le funzioni AI in SQL: Snowflake, BigQuery e Databricks a confronto.
Dove funziona, e dove no
- 1
Smistamento
Manda una domanda al team, alla coda o al modello AI giusto. Google la usa per scegliere il livello di modello in Gemini Notebook, e dice che così il tempo delle domande di tutti i giorni è sceso fino al 40%.
- 2
Etichette per l'analisi
Argomento, sentiment, reclamo o no, prodotto citato: insiemi chiusi che puoi contare e mettere in un grafico.
- 3
Controlli di qualità
Valuta risposte AI o risposte del supporto rispetto a una scala, poi rivedi i punteggi più bassi.
- 4
Controlli di regole
Regole sì/no come "questo messaggio contiene dati personali?", con una persona per i casi incerti.
- 5
Non adatta a
Scrivere riassunti, estrarre campi di testo libero o rispondere a domande aperte. Per questo usa un modello normale.
Verifica cosa hai capito
1/3Cosa restituisce Gemini Decision 1?
Valuta le opzioni che gli dai in un solo passaggio, senza generare testo.
2/3Quante domande può porre una chiamata?
L'input condiviso si paga una volta, quindi fare molte domande sullo stesso elemento costa poco.
3/3Qual è un buon uso del punteggio di confidenza?
La confidenza ti permette di automatizzare i casi chiari e rivedere quelli incerti.
Hai risposto correttamente a 0 domande su 3.
Altro: Claude Fable 5.2 contro Gemini 4 Carbon, embedding e ricerca vettoriale per chi analizza dati e perché gli agenti AI hanno bisogno di un livello semantico.
Fonti: Google, "Gemini Decisions API: Fast, calibrated multimodal decisions" (11 novembre 2026); documentazione di Google AI Studio per la Decisions API e il modello Gemini Decision 1 (esempi di codice). L'esempio con pandas è una nostra bozza basata sulle chiamate documentate. I dati su velocità, costi e accuratezza sono di Google.
