O Google apresentou em 11 de novembro de 2026 a Gemini Decisions API, um endpoint voltado a decisões fechadas — como escolher uma ferramenta, validar uma regra de política ou classificar um trecho de contexto — sem pedir que o modelo escreva uma resposta inteira. A novidade usa o modelo Gemini Decision 1 para avaliar até 1.000 perguntas independentes sobre um mesmo conjunto de entradas, incluindo texto, imagens, áudio, vídeo e PDFs, e devolver probabilidades e níveis de confiança.

Na prática, a proposta separa uma tarefa comum em aplicações de IA: muitas etapas de um agente não precisam de prosa, código ou raciocínio exposto; precisam apenas de uma escolha limitada, verificável e rápida. O Google posiciona a API como uma alternativa para roteamento, checagens de política, seleção de ferramentas e avaliação de contexto. Ela está disponível pela Gemini API no Google AI Studio.

O que a Gemini Decisions API resolve

Modelos generativos tradicionais produzem tokens um a um. Esse comportamento é necessário quando o produto precisa redigir um e-mail, explicar uma decisão ou escrever código. Mas pode ser um desperdício quando a aplicação só precisa responder perguntas como: “esta solicitação deve ir para suporte ou vendas?”, “qual das três ferramentas é apropriada?”, “este documento contém o dado obrigatório?” ou “a resposta atende à rubrica?”.

A Gemini Decisions API foi desenhada para esse segundo tipo de fluxo. Em vez de gerar uma justificativa longa, o Gemini Decision 1 atribui pontuações às alternativas fornecidas pelo desenvolvedor. O resultado é uma decisão de conjunto fechado, acompanhada de probabilidade e confiança. Segundo o Google, a API aceita três formatos principais de decisão: perguntas de sim/não, escolha entre opções e avaliação por rubrica.

Os números divulgados pelo Google

O anúncio informa que uma chamada pode combinar uma entrada multimodal com até 1.000 perguntas independentes. O limite de contexto divulgado é de até 256 mil tokens, enquanto a comparação de desempenho do Google cita latência de computação do modelo entre 50 e 100 ms e latência ponta a ponta de 150 a 250 ms em contextos de até 16 mil tokens. Esses intervalos são dados do fornecedor: não são um benchmark independente do NoticIA e podem variar com tamanho de entrada, região, fila e formato de mídia.

O preço anunciado é de US$ 0,10 por 1 milhão de tokens de entrada, sem cobrança de tokens de saída. Essa estrutura importa porque a API não se apoia em uma resposta textual gerada token a token. O Google também afirma que, na sua suíte de benchmarks compartilhada, a combinação ficou quase cinco vezes mais barata do que Gemini 3.5 Flash-Lite com a Interactions API. A comparação deve ser lida no escopo do benchmark do próprio Google, não como garantia de economia em todo produto.

Gráfico do Google comparando a Decisions API com outras APIs em benchmarks
Gráfico divulgado pelo Google para comparar a Decisions API com outras APIs; resultados e metodologia pertencem ao fornecedor.

Por que “calibração” é mais importante do que apenas acertar

Uma decisão automatizada não é útil apenas quando escolhe a alternativa correta: ela também precisa comunicar o quanto merece confiança. Um roteador de agentes que afirma 99% de confiança em escolhas erradas pode ser mais perigoso do que outro que reconhece incerteza e envia o caso para revisão humana.

O Google descreve o Gemini Decision 1 como um modelo com foco em decisões “calibradas”, isto é, em probabilidades que devem refletir melhor a chance real de acerto. Essa promessa é relevante para filas de exceção, moderação, triagem documental e automação de atendimento. Ainda assim, equipes que adotarem o endpoint devem medir a calibração no próprio domínio: uma política interna, um contrato em português ou um fluxo regulado têm distribuição de dados e custos de erro diferentes dos benchmarks públicos.

Entradas multimodais em uma única avaliação

O modelo pode receber texto, imagem, áudio, vídeo e PDF na mesma chamada. Isso reduz a necessidade de construir um pipeline separado de OCR, transcrição e classificação para certos casos, embora não elimine a necessidade de validar qualidade de entrada, privacidade e retenção de dados.

Um exemplo prático é a triagem de evidências de campo: uma equipe pode enviar uma foto, uma descrição textual e um PDF de procedimento para decidir se há sinais suficientes de não conformidade. Outro é o suporte técnico: um vídeo curto da falha, um log e um manual podem alimentar perguntas padronizadas para escolher a próxima ação. A API retorna a decisão; a aplicação ainda deve definir quando executar uma ação automaticamente e quando escalar para uma pessoa.

Exemplo visual do Google de decisão multimodal para identificar um derramamento
Exemplo visual do anúncio: o modelo identifica um derramamento e sugere a próxima ação. Imagem: Google.

Onde a API faz sentido em agentes de IA

  • Seleção de ferramentas: antes de chamar uma API, o agente pode avaliar qual ferramenta atende melhor ao pedido e com qual confiança.
  • Roteamento de modelos: tarefas simples podem ir para um modelo mais barato; casos ambíguos, para um fluxo mais capaz ou para revisão humana.
  • Checagem de política: perguntas objetivas podem verificar se uma resposta contém uma divulgação obrigatória ou se uma ação ultrapassa uma regra predefinida.
  • Classificação e extração controlada: equipes podem avaliar documentos contra rubricas, sem confundir a pontuação com uma explicação livre do modelo.
  • Avaliação de contexto: em RAG, a aplicação pode perguntar se um conjunto de trechos contém evidência suficiente antes de redigir a resposta final.

Como começar sem transformar confiança em autorização cega

O ponto de entrada oficial é a documentação da Decisions API no Google AI Studio, que o Google relaciona a guias para Python, JavaScript e REST. Antes de levar o endpoint à produção, uma implementação responsável deve começar por um conjunto de decisões pequeno e auditável.

  1. Defina opções mutuamente exclusivas e uma consequência clara para cada opção.
  2. Monte exemplos reais, anonimizados quando necessário, incluindo casos ambíguos e casos em que a resposta correta é “encaminhar para humano”.
  3. Registre decisão, probabilidade, confiança, versão do prompt, versão de política e resultado humano posterior.
  4. Escolha um limiar conservador para automação. Abaixo dele, o fluxo deve pedir mais evidência ou escalar a tarefa.
  5. Reavalie periodicamente falsos positivos, falsos negativos e a calibração por segmento de dados.

Essa disciplina é essencial porque uma probabilidade retornada pela API não transfere responsabilidade para o modelo. Em processos que afetam crédito, saúde, emprego, segurança ou direitos de uma pessoa, a decisão final precisa obedecer às regras aplicáveis, ter rastreabilidade e, quando necessário, supervisão humana.

Limitações que continuam existindo

A Decisions API não é uma substituta universal de LLMs generativos. Ela serve para alternativas delimitadas; se a tarefa exige descoberta aberta, explicação detalhada, negociação ou criação de conteúdo, a aplicação continuará precisando de outro modelo ou de outra etapa. Também não elimina erros de especificação: opções ruins, uma rubrica vaga ou evidência incompleta podem produzir uma decisão aparentemente precisa, mas operacionalmente errada.

Há ainda limites que o anúncio não resolve sozinho: o Google não apresentou, nessa publicação, uma garantia de desempenho para todos os idiomas, setores ou cenários de alto risco. Quem trabalha com português brasileiro deve validar vocabulário local, documentos com linguagem jurídica e variantes regionais antes de usar os scores para automatizar ações.

Análise do NoticIA

O lançamento aponta para uma divisão mais madura na arquitetura de agentes: geração de linguagem não precisa ocupar cada etapa. Um componente especializado em decidir entre alternativas pode reduzir custo e latência em tarefas repetitivas, além de tornar a política operacional mais observável. A oportunidade real não está em substituir o julgamento humano com um número de confiança; está em usar o número para desenhar melhor a fronteira entre automação, coleta adicional de evidência e revisão.

Para desenvolvedores brasileiros, a pergunta mais útil não é “o modelo acerta tudo?”, mas “qual decisão limitada eu consigo medir e auditar melhor do que um prompt aberto?”. Se a resposta for seleção de ferramenta, triagem de documentos ou checagem de requisitos, a Gemini Decisions API pode simplificar a camada de controle. Se for uma decisão com impacto humano relevante e critérios ainda nebulosos, a prioridade deve continuar sendo governança, testes locais e um caminho explícito de escalonamento.

Resumo

  • O Google lançou a Gemini Decisions API em 11 de novembro de 2026, baseada no modelo Gemini Decision 1.
  • O endpoint avalia decisões fechadas sobre texto, imagens, áudio, vídeo e PDFs.
  • O anúncio promete até 1.000 perguntas por chamada, probabilidades e scores de confiança.
  • O preço divulgado é US$ 0,10 por 1 milhão de tokens de entrada, sem tokens de saída cobrados.
  • A adoção responsável exige testes no domínio real, limites de automação e revisão humana para casos incertos ou sensíveis.


Descubra mais sobre noticiAI

Assine para receber nossas notícias mais recentes por e-mail.

Deixe seu comentário