Muito do que a IA faz dentro de apps não é escrever. É escolher: qual modelo deve atender esta consulta, esta imagem viola alguma regra, qual a gravidade desta reclamação. A nova Gemini Decisions API do Google foi feita para esse tipo de trabalho. Em vez de gerar uma resposta palavra por palavra, o modelo Gemini Decision 1 pontua um conjunto fixo de opções numa única passada e devolve probabilidades, o que o torna mais rápido e muito mais barato que perguntar a um modelo de chat.
O funcionamento é simples de explicar. Você envia uma entrada, que pode misturar texto, imagens, áudio, vídeo e PDFs até 256K tokens, junto com até 1.000 perguntas independentes. Cada pergunta é de um de três tipos: uma checagem de sim ou não, uma escolha entre 2 e 255 opções ou uma nota numa escala ordenada. Toda resposta vem com uma pontuação de confiança entre 0 e 1, para que desenvolvedores mandem os casos incertos a uma pessoa ou a um modelo mais forte. O Google cita 150-250 ms de ponta a ponta, quase constantes de 1 a 100 perguntas por requisição com entradas de até 16K tokens.
O preço é o destaque. O Decision 1 custa US$ 0,10 por milhão de tokens de entrada e nada pela saída, a entrada compartilhada é cobrada uma vez, não importa quantas perguntas sejam feitas, e há um nível gratuito no AI Studio para protótipos. O Google diz que isso o deixa quase cinco vezes mais barato no seu conjunto de benchmarks do que usar o Gemini 3.5 Flash-Lite pela API comum, e afirma ter o menor erro de calibração nesses testes. Dentro do Google, ele já roteia consultas no Gemini Notebook, onde segundo a empresa a latência caiu até 40% em perguntas do dia a dia, e escolhe reações com emoji entre mais de 200 opções no CC, do Google Labs.
É uma categoria que já acompanhamos. O Jev, da TypeSafe AI, que avaliamos, oferece a mesma ideia de escolhas tipadas e probabilidades por US$ 0,042 por milhão de tokens de entrada com saída grátis, menos da metade do preço do Google. As vantagens do Google são a entrada multimodal nativa e as integrações com OpenRouter, LangChain, Vercel, LiteLLM e outros; a do Jev é o custo. Para equipes que classificam em grande escala, vale comparar com os próprios dados.
As ressalvas são as de sempre. Os resultados de benchmark e as afirmações sobre calibração são do próprio Google, e o anúncio não descreve o conjunto de testes em detalhe. Um modelo de decisão só escolhe entre as opções que você dá, então uma pergunta mal formulada ainda recebe uma resposta confiante. E os números de latência pressupõem entradas bem mais curtas que o máximo de 256K.