El nuevo modelo Gemini de Google toma decisiones sin redactar respuestas

Google DeepMind presentó la API el 11 de noviembre de 2026, en un anuncio de la gerente de producto Min Choi y el científico principal Felix Yu. Según Google, funciona con Gemini Decision 1 y puede evaluar hasta 1,000 preguntas independientes de sí o no, de opción múltiple y de puntuación con rúbrica sobre material compartido en una sola solicitud. Es una conexión que puede utilizar otro software, no otra interfaz de chatbot.⁠2

La diferencia importa. Un modelo generativo convencional construye una respuesta token por token; después, una aplicación que busca una decisión quizá tenga que extraerla de esa respuesta. En cambio, Gemini Decision 1 evalúa alternativas acotadas en una sola pasada de procesamiento y devuelve juicios estructurados y probabilidades. La documentación de Google indica que el software puede ramificar, ordenar y enrutar directamente a partir de la respuesta, con un uso de tokens de salida que siempre es cero. No proporciona una explicación abierta.⁠1⁠3

Eso puede hacer que el endpoint resulte útil allí donde la respuesta deseada sea una instrucción para la aplicación que lo rodea: elegir un modelo, comprobar una política, clasificar material pertinente o decidir adónde debe dirigirse una solicitud. La ventaja de ingeniería es evidente. Si el software necesita un juicio acotado, hacer que un modelo redacte primero un párrafo es un rodeo evitable.⁠1⁠3

La cobertura del lanzamiento de Hybrid.co.id describe tres tipos de preguntas que los desarrolladores pueden combinar en una sola llamada. Las preguntas de sí o no estiman si se cumple una condición, con descripciones opcionales de lo que cuenta como verdadero o falso. Las preguntas de opción múltiple admiten de dos a 255 candidatos y devuelven probabilidades normalizadas entre esas alternativas. Las preguntas con rúbrica usan niveles ordenados que comienzan en cero y devuelven una puntuación ponderada continua junto con las probabilidades de cada nivel.⁠1

Estas definiciones dejan una responsabilidad considerable en manos del desarrollador. Alguien todavía tiene que elegir las alternativas, definir los niveles de puntuación y decidir qué acción se debe tomar a continuación. Una respuesta bien formulada no puede corregir una pregunta mal planteada. Tampoco elegir la opción más probable demuestra que la aplicación ofreciera las opciones adecuadas desde el principio.

Consideremos el ejemplo de seguros descrito en la cobertura del lanzamiento: se puede proporcionar un PDF de una reclamación junto con fotografías de los daños. Una aplicación podría plantear preguntas acotadas sobre ese material y usar las probabilidades para determinar el siguiente paso. Es un mecanismo de admisión plausible, no una prueba de que el modelo pueda aprobar o rechazar reclamaciones de forma segura. La diferencia entre dirigir un archivo y decidir el derecho de alguien a una prestación no debería desaparecer solo porque ambas cosas puedan representarse como una clasificación.⁠1

Las entradas anunciadas incluyen texto, imágenes, audio, video y PDF, combinados en una misma solicitud. Hybrid informa de una ventana de contexto de hasta 256,000 tokens —las unidades que procesa el sistema— y de una resolución ajustable para imágenes o video. Una resolución menor puede reducir el consumo de tokens a costa de perder detalle visual. Por ejemplo, una grabación de una llamada con un cliente puede enviarse junto con la información de su cuenta, en vez de tratarse como una entrada completamente aparte.⁠1

La afirmación de las mil preguntas también debe entenderse correctamente: son muchas preguntas aplicadas a material compartido, no mil paquetes de entrada completos y sin relación entre sí procesados sin costo adicional. Cada pregunta aporta sus propias instrucciones y criterios.⁠1

Hybrid informa de una mediana de tiempo de cálculo del modelo de 50–100 milisegundos y una latencia de extremo a extremo de 150–250 milisegundos para contextos de hasta 16,000 tokens. También señala que la duración de la respuesta se mantiene casi estable entre una y 100 preguntas. Estas afirmaciones son más limitadas que las capacidades destacadas en el titular: no demuestran la misma velocidad con 1,000 preguntas ni con el contexto máximo anunciado.⁠1

Las cifras de velocidad no se han reproducido de forma independiente en la información periodística disponible sobre este lanzamiento. Tampoco hay una descripción reproducible del hardware, la región de servicio, la concurrencia, las condiciones de calentamiento ni la distribución completa de los tiempos de respuesta. Las aplicaciones deberían tomarlas como un motivo para hacer pruebas, no como una garantía de nivel de servicio.⁠20

El precio informado es de $0.10 por millón de tokens de entrada, sin cargo por tokens de salida. Sin embargo, se indica que el material compartido se cobra una sola vez por solicitud, independientemente del número de preguntas que lo utilicen; las instrucciones y los criterios de las preguntas siguen sumando tokens de entrada. Hybrid también señala que no hay cargos variables por tokens de razonamiento ni tarifas separadas por transcripción de audio y reconocimiento óptico de caracteres. Por tanto, procesar material con el servicio no es gratis. La ausencia de cargos por salida es más fundamental que un descuento: no se genera texto de respuesta que pueda cobrarse.⁠1⁠3

Una comparación del lanzamiento califica el endpoint de «casi cinco veces» más barato que Gemini 3.5 Flash-Lite mediante la API Interactions en pruebas de referencia equivalentes. Sin una metodología reproducida, eso no constituye un ahorro universal. Los costos reales dependen del material enviado, del número y la extensión de las preguntas y de la carga de trabajo a la que sustituya.⁠1

Google describe las probabilidades devueltas como calibradas: en términos generales, eso significa que las probabilidades previstas deberían corresponderse con la frecuencia con que los resultados son realmente correctos. Hybrid describe información de confianza en una escala de cero a uno, que los desarrolladores pueden usar para establecer umbrales para procedimientos alternativos o revisión humana. Un valor alto sigue siendo una predicción, no una garantía.⁠1⁠3

El material del lanzamiento promociona resultados en enrutamiento, razonamiento, clasificación y comprensión multimodal, incluida una afirmación de que tiene el menor error de calibración. No demuestra mediciones de calibración validadas de forma independiente, una tasa de error general ni una comparación de precisión reproducible. Esas omisiones importan sobre todo cuando una clasificación incorrecta activa una acción difícil de revertir.⁠1⁠20

Los usos internos descritos por Google muestran el papel previsto. Un flujo de trabajo llamado Gemini Notebook selecciona niveles de modelos y de razonamiento, y reserva un razonamiento más profundo para las consultas más complejas; se le atribuye una reducción de latencia de hasta un 40 por ciento para las consultas cotidianas. Esa afirmación corresponde a ese flujo de trabajo, no a todas las aplicaciones que usan el endpoint. En la aplicación CC de Google Labs, la tarea es más sencilla: elegir un emoji entre más de 200 opciones en una fracción de segundo.⁠1

En los demás ejemplos también hay que distinguir entre el modelo de decisión y el producto que lo rodea. Se describe que Stitch lo utiliza en experimentos rápidos con lienzos que incluyen wireframes interactivos y revisiones controladas por voz o tacto. Un ejemplo de Google Search comprueba si las herramientas del Model Context Protocol —conexiones entre sistemas de IA y herramientas— presentan comportamientos adversarios o contenido dañino. El ejemplo de seguridad no ofrece cifras de precisión de detección ni de falsos positivos. Ilustra un uso previsto, no una inmunidad demostrada frente a ataques.⁠1

El acceso se ofrece a través de la API Gemini en Google AI Studio mediante una clave de API, con guías para Python, JavaScript y REST, y un nivel gratuito para la creación de prototipos. El identificador del modelo es gemini-decision-1. Entre los anuncios de compatibilidad del ecosistema figuran el kit de software google-genai y las integraciones con OpenRouter, LangChain, Vercel y otros marcos de trabajo. Son afirmaciones de compatibilidad al lanzamiento, no resultados de producción verificados de clientes. Se indica que la disponibilidad en Google Cloud llegará próximamente, sin una fecha concreta.⁠1⁠2

La información periodística sobre el lanzamiento no aclara qué países pueden acceder ni si el servicio está en vista previa o en disponibilidad general. Más importante aún, la prueba decisiva sigue pendiente: comprobar si la velocidad, el costo y la calidad de la confianza se mantienen en las cargas de trabajo propias de los desarrolladores. Un modelo que nunca redacta una respuesta puede ser valioso. Aun así, el software necesita una razón sólida para actuar sobre la respuesta que ese modelo implica.