La nueva herramienta evalúa opciones y devuelve resultados estructurados. Abrimos el capó para entender cómo puede agilizar aplicaciones y por qué decidir más rápido no significa acertar siempre.
Una IA que responde con decisiones
Google presentó el 11 de noviembre de 2026 Gemini Decisions API, impulsada por el modelo Gemini Decision 1 y disponible a través de la API de Gemini en Google AI Studio.
Según la compañía, evalúa opciones en una sola pasada, sin generar una respuesta palabra a palabra. Admite texto, imágenes, audio, vídeo y PDF, y permite plantear hasta 1.000 preguntas independientes sobre una entrada compartida.
Suena técnico, pero la idea resulta cotidiana. Imagina una oficina de atención al público: algunas personas necesitan una explicación detallada; otras solo necesitan saber a qué ventanilla dirigirse. Para esa segunda tarea, una respuesta breve y bien clasificada puede ser suficiente.
Qué significa decidir entre opciones
La API ofrece tres formatos: preguntas de sí o no, selección entre alternativas y puntuación según una escala definida. Devuelve probabilidades y valores de confianza.
Pensemos en una aplicación ficticia que organiza solicitudes de soporte. Sus responsables podrían definir tres destinos: facturación, problemas técnicos y cambios de cuenta. El sistema analizaría cada mensaje y propondría la categoría correspondiente.
La diferencia entre clasificar y resolver es importante. Decidir que una consulta pertenece a facturación no equivale a comprobar una factura, corregir un cobro o responder adecuadamente al cliente. Es una pieza del proceso.
Abrimos el capó: del resultado a la acción
Una API es una interfaz que permite a dos programas intercambiar peticiones y resultados. En nuestro ejemplo, la aplicación enviaría el mensaje del cliente y recibiría una clasificación que podría utilizar para organizar la bandeja de entrada.
Después entraría en juego la lógica definida por los desarrolladores: asignar el mensaje a un equipo, solicitar más información o dejarlo pendiente de revisión.
Esta separación ayuda a entender dónde está la responsabilidad. El modelo propone un resultado; la aplicación determina qué consecuencias tendrá.
Qué velocidad anuncia Google
Google comunica una latencia de extremo a extremo de entre 150 y 250 milisegundos en sus mediciones con contextos de hasta 16.000 tokens. No es una garantía para cualquier solicitud.
La latencia es el tiempo de espera entre enviar una petición y recibir la respuesta. Sin embargo, el tiempo total que percibe una persona también puede incluir consultas a bases de datos, comprobaciones de permisos y otras operaciones de la aplicación.
Por eso, acelerar una etapa no convierte automáticamente todo un trámite en instantáneo. Una clasificación rápida puede ayudar, pero no elimina los pasos restantes.
Probabilidad y confianza no equivalen a certeza
Un número con decimales puede transmitir una impresión de exactitud mayor de la que merece. Si un sistema asigna una puntuación elevada a una respuesta, todavía debemos comprobar si esas estimaciones se corresponden con sus aciertos reales.
Podemos entenderlo con un ejemplo hipotético: si un modelo expresa una confianza del 90 % en cien clasificaciones comparables, esperaríamos aproximadamente noventa aciertos si esa confianza estuviera bien calibrada. No significa que cada clasificación individual esté garantizada.
Además, una aplicación puede encontrarse con mensajes incompletos, fotografías borrosas o situaciones diferentes a las utilizadas durante sus pruebas. Definir qué hacer ante esas condiciones forma parte del trabajo de integración.
Combinar información puede ayudar, pero también exige criterio
Imaginemos ahora una solicitud sobre un paquete dañado. El cliente aporta una fotografía y escribe: “La caja llegó abierta”. Ambos elementos pueden ofrecer más contexto que uno solo.
Pero esa combinación no permite deducir automáticamente quién causó el daño ni si corresponde una compensación. Para responder a esas preguntas pueden hacer falta registros de entrega, condiciones del servicio y una revisión adicional.
El valor de una herramienta de clasificación depende, en parte, de formular preguntas que puedan responderse con la información disponible.
Cuánto cuesta y qué conviene evaluar
El precio anunciado es de 0,10 dólares por millón de tokens de entrada, sin cargos por tokens de salida.
Para una empresa, el coste de una implantación también incluye desarrollar las conexiones, preparar pruebas y mantener el sistema. Una llamada económica puede resultar poco útil si clasifica mal los casos que más trabajo generan.
Antes de automatizar nuestro ejemplo de soporte, tendría sentido comprobar:
- Acierto: cuántos mensajes llegan al departamento adecuado.
- Errores relevantes: cuáles provocan retrasos o perjudican al cliente.
- Casos ambiguos: cuándo conviene pedir información o intervención humana.
- Resultado operativo: si mejora realmente el tiempo de atención.
La utilidad está en elegir bien qué automatizar
La propuesta puede resultar útil para aplicaciones que necesitan clasificar información o escoger el siguiente paso entre alternativas concretas.
Sin embargo, el anuncio no demuestra que los bancos ya aprueben créditos con esta herramienta ni que las plataformas de entradas hayan eliminado sus verificaciones gracias a ella. Esos escenarios requerirían pruebas y confirmaciones propias.
La pregunta interesante va más allá de cuántos milisegundos tarda una respuesta: ¿qué decisiones podemos automatizar con suficiente fiabilidad y cuáles necesitan una comprobación adicional? Ahí es donde una mejora de velocidad puede convertirse en una mejora real del servicio.
Fuentes y referencias
Sombra Radio · Apoyo de lectores
Ayuda a mantener viva Sombra Radio
Tu aportación voluntaria nos ayuda a seguir publicando sobre IA. Puedes apoyarnos desde 1 € al mes.
