Impara  /  Guide

La Gemini Decisions API spiegata: risposte sì/no, a scelta multipla e punteggi con probabilità, a 10 centesimi per milione di token

La maggior parte del lavoro AI sui dati non consiste nello scrivere testo. Consiste nell'etichettare: questa recensione è un reclamo, a quale team va questo ticket, quanto è urgente? Google ha creato un modello solo per questo, e restituisce probabilità su cui puoi davvero fissare delle soglie.

Guida8 min di letturaAggiornato il 16 novembre 2026
AIPythonAnalisi dei datiNovità
Tutte le guide e i cheat sheet

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.

1,000Domande per chiamatasu un unico input condiviso
0.10Dollari per milione di tokensolo input, l'output è gratis
150Millisecondiil tempo totale più basso indicato (fino a 250)
255Opzioniil massimo in una domanda a scelta multipla

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:

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}")

Dare un punteggio su una scala

Una scala trasforma un giudizio vago in un numero. Elenchi i livelli in ordine, da 0 in su:

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)

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:

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

Quanto 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. 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. 2

    Etichette per l'analisi

    Argomento, sentiment, reclamo o no, prodotto citato: insiemi chiusi che puoi contare e mettere in un grafico.

  3. 3

    Controlli di qualità

    Valuta risposte AI o risposte del supporto rispetto a una scala, poi rivedi i punteggi più bassi.

  4. 4

    Controlli di regole

    Regole sì/no come "questo messaggio contiene dati personali?", con una persona per i casi incerti.

  5. 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?

2/3Quante domande può porre una chiamata?

3/3Qual è un buon uso del punteggio di confidenza?

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.

Alessandro Ecclesie AgazziScritto da Alessandro Ecclesie Agazzi, analytics engineer a Londra. Aggiornato il 16 novembre 2026. Chi sono

Ti è stato utile?

Qui escono regolarmente nuove guide e articoli sulle novità di dati e AI. Seguimi su LinkedIn o condividi questo articolo con un collega.