Modelos · · 10 min de lectura

Gemini Decisions API: Google convierte el 'sí/no con score' en un producto a $0,10/M tokens

Google lanza Gemini Decisions API con el nuevo modelo Gemini Decision 1: respuestas predefinidas con score de confianza a $0,10 por millón de tokens. Análisis del impacto real para agentes IA en producción.

Comparte: Compartir en LinkedIn Publicar en X

Google acaba de convertir el "sí/no con score" en un producto de plataforma: su nueva Gemini Decisions API, motorizada por el modelo Gemini Decision 1, devuelve respuestas predefinidas con un score de confianza explícito a $0,10 por millón de tokens de entrada. En una sola llamada, evalúa hasta 1.000 preguntas binarias o de elección múltiple. La noticia, publicada por Google vía Techmeme, no es un lanzamiento de modelo más: es Google posicionando un clasificador industrial con la ergonomía de un LLM y el precio de un modelo Flash.

TL;DR: Google empaqueta la decisión determinista como servicio: Gemini Decisions API devuelve respuestas cerradas con confidence score a $0,10/1M tokens de entrada. Es pricing de Flash con la disciplina operativa de un clasificador clásico. Cambia el juego para triage, scoring y routing de agentes IA en producción, pero no exime a nadie de montar gobernanza, evaluación y trazabilidad propias.

El coste real de decidir: por qué $0,10/1M reordena las cuentas

Pongámoslo en términos de CTO. Un LLM frontier (GPT-5 class, Gemini Ultra, Claude Opus) ronda los $10-15 por millón de tokens de entrada. Gemini Flash se ha consolidado en la banda de los $0,10-0,30. Que Google ponga Gemini Decision 1 exactamente en $0,10/1M input no es un detalle: significa que está empaquetando una capacidad nueva —decisión determinista con scoring— al precio de su modelo económico, no al de un producto premium.

La consecuencia práctica es brutal para cualquier caso de uso con volumen alto y respuesta cerrada. Un motor de triage que hoy resuelves con un prompt largo sobre un modelo grande puede migrar a Decisions API sin que el CFO te mire mal. Multiplica: si tu sistema clasifica 2 millones de tickets al mes con prompts de 800 tokens de entrada, el salto de un modelo frontier a Decision 1 no es un ahorro marginal, es cambiar de orden de magnitud en la línea de coste.

A diferencia de lo que sugiere el anuncio oficial, el verdadero reto para las agencias españolas no será integrar el endpoint —eso es medio sprint— sino rediseñar las taxonomías. Una Decisions API rinde según la calidad de las opciones que le pongas en la mano. Si tus decisiones de negocio están mal definidas en producción, Gemini Decision 1 te devolverá el error con un score alto de confianza. Eso es peor que un error obvio.

Confidence scores: la correa de seguridad que los agentes necesitaban

El punto diferencial no es la respuesta predefinida —eso ya lo hacían los structured outputs y el function calling desde 2023—. El punto diferencial es que el modelo devuelve un score de confianza por cada decisión. Y lo devuelve como parte del contrato de la API, no como un log que tú reconstruyes a ciegas.

Esto importa porque resuelve el cuello de botella número uno de los agentes autónomos en producción: la política de escalado. Hasta ahora, cuando un agente debía decidir si aprobaba, enrutaba o rechazaba, la confianza había que inferirla con heurísticas frágiles (logprobs del token, temperatura, consistencia entre muestras). Con Decisions API, la confianza viene etiquetada y se puede usar como umbral operativo: "si confidence < 0,80, deriva a humano; si está entre 0,80 y 0,95, aplicación con revisión posterior; si > 0,95, ejecución automática".

Para cualquier equipo de producto que esté montando workflows de aprobación en banca, seguros o back-office, esto es exactamente lo que faltaba para pasar de demo a producción con SLA. El verdadero valor no está en el score en sí, sino en que convierte la incertidumbre del modelo en un parámetro de enrutamiento. Y eso, para un director de operaciones, vale más que tres puntos de accuracy.

Qué casos de uso absorbe (y cuáles seguirás resolviendo fuera)

Decisions API no es un sustituto de un LLM generativo. Está diseñada para el espacio de problemas donde la respuesta correcta es una entre un conjunto cerrado: sí/no, categoría A/B/C, nivel de riesgo, elegibilidad, ruta de escalado. Ese espacio es enorme en empresas, y hasta ahora lo resolvíamos mal: parte con reglas rígidas que no escalan, parte con LLMs caros que alucinan en el 2% de los casos.

Encaje directo:
- Triage de soporte: clasificación automática por tipología, urgencia y responsabilidad.
- Elegibilidad y scoring en seguros, financiación y KYC con umbrales duros.
- Routing de leads y oportunidades en CRM (con política de escalado a SDR).
- Moderación y compliance: decisión binaria pasar / revisar / bloquear con confidence como criterio de auditoría.
- Validación de outputs de otros agentes: un agente escritor produce, un Decision 1 valida si el resultado cumple política.

Lo que no absorbe: redacción, extracción abierta de entidades no previstas, resumen libre, razonamiento multi-hop sin taxonomía. Si tu caso depende de que el modelo "entienda" la prosa del usuario antes de mapear, seguirás necesitando un LLM generalista en la capa previa. La arquitectura realista es híbrida: LLM generalista para extraer y normalizar, Decisions API para cerrar la decisión con coste y confianza controlados.

Google mueve ficha contra OpenAI y Anthropic en 'structured outputs'

Aquí está la lectura competitiva que no aparece en el blog post de Google. OpenAI lleva dos años empujando structured outputs con JSON Schema estricto y function calling como el estándar de facto para la salida determinista. Anthropic ha ido por la vía de tool use y la fiabilidad del output estructurado en Claude Sonnet. Ninguno de los dos ha lanzado un producto cuyo output sea literalmente "la decisión + la confianza", y ninguno lo ha puesto a $0,10/1M.

Gemini Decision 1 no compite por calidad de razonamiento. Compite por coste por decisión auditada. Y ese es un eje donde Google tiene margen estructural porque controla TPU, infra propia y ahora un modelo afinado en un dominio acotado. Es el mismo movimiento que ya vimos con la estrategia de Anthropic corriendo Claude sobre cuatro silicios distintos — el coste de inferencia se ha convertido en el campo de batalla real, no la capacidad bruta.

Esto pone presión inmediata sobre OpenAI y Anthropic para empaquetar algo equivalente. Mi predicción: en el próximo trimestre veremos un "Decision Mode" o equivalente desde al menos uno de los dos, probablemente con pricing agresivo por debajo de Gemini para forzar el desplazamiento en clientes enterprise que ya están en su stack.

Comparativa operativa por enfoque

Enfoque Coste input /1M tokens Determinismo Trazabilidad Encaje típico
Gemini Decision 1 (Decisions API) $0,10 Alto (respuestas cerradas) Score de confianza nativo Triage, scoring, routing, compliance
LLM frontier + structured outputs $10-15 Medio (depende del schema y del prompt) Logs propios, sin score nativo Análisis con matiz, extracción compleja
Motor de reglas tradicional Coste fijo de infraestructura Muy alto Audit trail completo, pero rígido Compliance estático, elegibilidad fija

La lectura de la tabla no es "elige uno". Es: el motor de reglas se queda para lo inmutable; Decisions API ocupa la zona gris que hoy resuelves con LLM caro; el LLM frontier se reserva para la capa previa y la generación. Esa estratificación es lo que distingue a un equipo que lleva agentes IA a producción de uno que hace demos.

Cómo lo despliegan las agencias en España (y qué se les viene)

Para las empresas que buscan una agencia IA en Madrid para desplegar automatización con agentes, Decisions API baja drásticamente el coste unitario de los workflows de clasificación que antes solo tenían sentido a partir de volúmenes altos. Proyectos que estaban en la papelera por ROI —triage de tickets, scoring de leads, validación de documentos— vuelven a la mesa.

El ecosistema de agencias IA en Barcelona ya está corriendo pilotos de Decisions API sobre casos de back-office bancario y seguros, verticales donde el confidence score es exactamente lo que un comité de riesgos necesita para autorizar el paso a producción. Y en el segmento de automatización pura (RPA + IA), la combinación "reglas estáticas + Decision 1 para la banda gris" se va a convertir en el patrón de referencia durante los próximos doce meses.

Eso sí: las agencias que se limiten a enchufar el endpoint sin repensar las taxonomías de decisión del cliente van a entregar sistemas que fallan elegantemente. Un score alto sobre una taxonomía mal diseñada es el peor escenario posible. Las que ganen serán las que vendan consultoría IA real: definir qué se decide, con qué opciones, con qué umbral de confianza y con qué política de escalado a humano.

La decisión como commodity, la gobernanza como foso

Google acaba de convertir la decisión determinista en una commodity de $0,10/M tokens. Eso es bueno para el mercado: empuja todo el ecosistema de agentes IA hacia una arquitectura más sobria, con capas explícitas y costes por decisión auditables. Pero no resuelve el problema real, que nunca fue técnico: quién define qué se decide, con qué umbral de confianza y qué pasa cuando el sistema falla. Ese sigue siendo territorio del cliente y de las agencias que sepan hacer de traductor entre negocio y modelo.

Antes de que termine el año veremos dos dinámicas en paralelo. Una, presión de precios a la baja desde OpenAI y Anthropic con productos equivalentes. Dos, un aluvión de proyectos mal planteados de empresas que confundirán "tengo un endpoint barato" con "tengo un sistema de decisión en producción". La diferencia entre ambos será, casi siempre, un score de confianza operado con rigor —o ignorado con consecuencias.

Preguntas frecuentes sobre Gemini Decisions API

¿Qué es Gemini Decisions API exactamente?

Es una API de Google que, motorizada por el modelo Gemini Decision 1, devuelve respuestas predefinidas —sí/no o de elección múltiple— junto con un score de confianza por cada decisión. En una sola llamada evalúa hasta 1.000 preguntas. A diferencia de un LLM generalista, su salida está cerrada por diseño.

¿Cuánto cuesta usar Gemini Decision 1?

$0,10 por millón de tokens de entrada. Está en la banda de precio de la familia Flash, muy por debajo de los modelos frontier. Ese pricing es lo que hace viable desplegarlo en volúmenes de clasificación que antes solo se resolvían con reglas o con LLM caros.

¿Sustituye Gemini Decisions API a un motor de reglas o a un LLM generalista?

No. Sustituye la capa intermedia: la zona gris de decisión donde las reglas rígidas se rompen y el LLM generalista es caro o inestable. La arquitectura recomendada es híbrida: LLM para extraer y normalizar, Decisions API para cerrar, y reglas estáticas para lo inmutable.

¿Puedo usar Gemini Decisions API en producción con un agente autónomo?

Sí, y de hecho es su caso de uso natural: el confidence score permite definir umbrales de escalado a humano (por ejemplo, derivar si < 0,80). Lo que la API no resuelve es la gobernanza, la evaluación continua de la taxonomía ni la trazabilidad regulatoria: eso lo montas tú.

¿Qué diferencia a Gemini Decisions API de los structured outputs de OpenAI o Anthropic?

Dos cosas: el score de confianza viene como parte del contrato de la API —no se infiere de logs— y el precio está en la banda de un modelo Flash ($0,10/1M). Los structured outputs de OpenAI y Anthropic exigen modelos frontier, con coste entre dos y tres órdenes de magnitud superior por decisión auditada.

Temas relacionados en agentes.ai

Si quieres aplicar lo que lees en tu empresa, estos son puntos de partida útiles dentro de agentes.ai:

Posts relacionados