Google hat die Gemini Decisions API veröffentlicht, eine Programmierschnittstelle für Aufgaben, bei denen Künstliche Intelligenz Daten schnell auswerten, Aktionen auswählen und vorgegebene Bedingungen prüfen muss. Das Herzstück der neuen Lösung ist das Modell Gemini Decision 1, das mehrere Informationsarten gleichzeitig analysieren und bis zu 1.000 Fragen in einer einzigen Anfrage verarbeiten kann. Nach Vorstellung der Entwickler handelt es sich dabei nicht um ein weiteres generatives Modell, sondern um ein spezialisiertes Entscheidungswerkzeug, bei dem am Ende keine ausführliche Antwort gefordert ist, sondern eine Bewertung, eine Auswahl oder ein numerischer Wert.

Entscheidung in einem Durchgang statt sequenziellem Text

Der Hauptunterschied der Neuheit zu herkömmlichen generativen Modellen liegt in der Art der Anfrageverarbeitung. Anstatt Text sequenziell zu „schreiben“, bewertet Gemini Decision 1 die vorgeschlagenen Optionen in einem einzigen Durchgang. Dadurch beträgt die mediane Berechnungszeit 50–100 ms, und unter Berücksichtigung der vollständigen Anfrageverarbeitung erhöht sich die Latenz auf 150–250 ms. Dieser Ansatz macht das Modell für Szenarien geeignet, in denen Reaktionsgeschwindigkeit kritisch ist und nicht das Volumen des generierten Textes.

Multimodalität und drei Bewertungsmodi

Das Modell arbeitet mit Text, Bildern, Audiodateien, Videos und PDF-Dokumenten, wobei verschiedene Datentypen in einem einzigen Kontext kombiniert werden können. Beispielsweise lässt sich ein Telefongespräch mit Kontoinformationen abgleichen oder ein Scan eines Versicherungsantrags zusammen mit Fotos von Fahrzeugschäden prüfen. Der maximale Gesamtkontext erreicht 256.000 Token. Die Entwickler haben drei Bewertungsmodi vorgesehen: Bestimmung der Wahrheitswahrscheinlichkeit einer Aussage, Auswahl der passendsten Option aus einer Liste und Bewertung anhand einer vorgegebenen Skala. Für jedes Ergebnis wird ein Vertrauenswert von 0 bis 1 ausgegeben, sodass die Anwendung zweifelhafte Fälle automatisch zur menschlichen Überprüfung weiterleiten kann — in der Demo-Oberfläche sieht dies beispielsweise aus wie die Erkennung einer verschütteten Flüssigkeit mit einer Sicherheit von 0,95 und der Aktionsempfehlung „mit Tuch abwischen“ bei einer Wahrscheinlichkeit von 98 %.

Wo Google die neue API bereits einsetzt

Das Unternehmen plant, die Gemini Decisions API als Zwischensteuerungsschicht für KI-Systeme zu nutzen. So setzt Gemini Notebook sie ein, um je nach Komplexität der Anfrage das geeignete Modell und die passende Argumentationsebene auszuwählen: Die Latenz bei Standardanfragen sinkt um bis zu 40 %, während Deep-Analysis-Modelle für komplexe Aufgaben reserviert bleiben. Im Konstruktor Stitch (früher bekannt als Galileo AI) hilft die Technologie beim Erstellen von Interface-Prototypen, und die Google-Suche nutzt sie zur Erkennung schädlichen Verhaltens bei der Interaktion mit MCP-Werkzeugen.

Tests, Wirtschaftlichkeit und Kosten

Google nennt Ergebnisse von Vergleichstests, die Anfragerouting, logische Argumentation, Ranking und multimodales Verständnis abdecken. Laut Angaben des Entwicklers zeigte Gemini Decision 1 die besten Ergebnisse in dieser Testreihe und den geringsten Kalibrierungsfehler. Unter gleichen Testbedingungen erwies sich das Modell als fast fünfmal so wirtschaftlich wie Gemini 3.5 Flash-Lite mit API. Die Nutzung kostet 0,10 US-Dollar pro Million Input-Token, während Output-Token nicht berechnet werden: Die allgemeinen Eingabedaten werden einmalig bezahlt, unabhängig von der Anzahl der zu prüfenden Fragen, und zusätzliche Kosten entstehen nur durch Anweisungen und Kriterien der jeweiligen Prüfung.

Zugang für Entwickler

Entwickler können sich bereits einen API-Schlüssel in der Google AI Studio besorgen und die kostenlose Stufe für Prototypen nutzen. Integrationen mit OpenRouter, LangChain, Vercel, LiteLLM, Pydantic AI und anderen Tools erscheinen schrittweise, und das Unternehmen verspricht, die Gemini-Unterstützung in Google Cloud später hinzuzufügen. Somit wird die Gemini Decisions API als günstige und schnelle „Entscheidungsschicht“ positioniert, die sich ohne Erzeugung überflüssiger Token in bestehende KI-Pipelines einbinden lässt.