Gemini Decision: il modello di Google che decide invece di scrivere

Google entra nella corsa ai modelli che non scrivono, ma decidono. Nella documentazione di Google AI Studio compare Gemini Decision, un modello multimodale specializzato che risponde a domande tipizzate su testo, immagini, video, audio e PDF e restituisce probabilità calibrate invece di un testo generato. Il codice del modello è gemini-decision-1 e si usa tramite una nuova Decisions API.

Se ti occupi di automazione, moderazione, selezione di candidati o instradamento delle richieste, è una novità da capire bene: cambia il modo in cui un sistema AI può prendere piccole decisioni ripetute, in modo veloce e misurabile. Vediamo che cosa dice la scheda ufficiale, che cosa non dice ancora e dove può servirti.

Che cos’è Gemini Decision e come funziona

Secondo la documentazione, il modello valuta le domande in un unico passaggio di prefill e restituisce probabilità calibrate senza produrre alcun token di output. Il limite di output è infatti pari a zero, mentre l’input arriva a 262.144 token. In pratica non ottieni una risposta discorsiva, ma un numero che esprime quanto il modello è sicuro di una certa conclusione, accompagnato da un punteggio di confidenza.

Questa scelta di progetto ha una conseguenza concreta: niente generazione significa meno latenza e risultati più facili da integrare in un flusso automatico, perché non devi interpretare un paragrafo di testo.

Fino a mille domande sullo stesso input

Un dettaglio che colpisce è la scala. Una singola richiesta può contenere fino a 1.000 domande indipendenti sullo stesso contenuto. Se hai un documento, un video o una foto da analizzare, puoi interrogarlo mille volte senza ricaricarlo e senza pagare ogni volta il costo di rielaborarlo da zero. Per chi gestisce volumi elevati di contenuti è un vantaggio pratico evidente.

I tre tipi di domanda supportati

La scheda descrive tre formati. Il primo è la domanda sì o no: il modello restituisce una probabilità calibrata compresa tra 0,01 e 0,99, più un punteggio di confidenza. È il formato adatto a controlli del tipo «questo testo viola la policy?» oppure «questa foto mostra il pacco consegnato correttamente?».

Il secondo è la selezione singola, con un numero di opzioni da 2 a 255. Il risultato comprende l’opzione migliore, le probabilità per ogni opzione e la confidenza. Serve, per esempio, a scegliere a quale reparto inoltrare una richiesta o quale strumento chiamare.

Il terzo è la valutazione con rubrica, con livelli ordinati da 2 a 255. Qui ottieni un punteggio atteso ponderato per le probabilità, le probabilità per ciascun livello e la confidenza. È la forma più utile quando devi dare un voto, per esempio a un candidato rispetto a una griglia di criteri.

Tre formati, un’unica logica: trasformare un giudizio in un numero verificabile.

Casi d’uso indicati da Google

Google elenca alcuni scenari ricorrenti: instradamento delle richieste, verifica delle policy, punteggio dei candidati secondo una rubrica, selezione degli strumenti e classificazione a bassa latenza su flussi multimediali in tempo reale. Sono compiti in cui un modello generativo completo sarebbe spesso eccessivo, lento e costoso, mentre una risposta probabilistica basta.

Per mostrare l’idea, AI Studio propone tre applicazioni di esempio. Il Decisions Playground permette di provare in modo interattivo domande sì o no, di scelta e di punteggio. Doorstep Parcels classifica le foto delle consegne in base alla condizione e al posizionamento del pacco. Find the Zookeeper valuta attributi visivi di diverse scene in un solo passaggio.

Come si usa nel codice

L’esempio di avvio rapido usa il modello gemini-decision-1 sulla versione API v1beta. È disponibile in Python, con il metodo client.decisions.create, in JavaScript e in REST, con l’endpoint /v1beta/decisions e l’autenticazione tramite chiave API. Il quickstart mostra una domanda sì o no e una scelta tra opzioni, quindi la barriera d’ingresso per uno sviluppatore è bassa.

Che cosa non fa Gemini Decision

È importante leggere anche i limiti. La scheda indica una sola versione, gemini-decision-1, aggiornata a novembre 2026, e come funzionalità supportata solo le decisioni calibrate. Non sono supportati la generazione di testo, di audio e di immagini, la Batch API, il caching, il function calling, gli output strutturati, il thinking, la Live API, il grounding con la Ricerca, l’URL context, la file search, l’esecuzione di codice, il computer use e le modalità Flex e Priority.

Non è dunque un sostituto di Gemini per chattare o scrivere. È un componente specializzato, da affiancare ai modelli generativi quando serve soltanto una valutazione. La documentazione, inoltre, non riporta prezzi né quote concrete, ma rimanda alle pagine separate di Pricing e Rate limits.

Un filone che si sta affollando

Gemini Decision non arriva dal nulla. Nelle scorse settimane abbiamo raccontato altri modelli e API costruiti sulla stessa idea. Perplexity ha presentato la sua Decisions API, un modello che risponde con probabilità, mentre Microsoft ha lanciato Decision-1 dentro Foundry, un modello che sceglie invece di scrivere. Anche Cloudflare ha mostrato Clef, modelli decisionali open source per gli agenti.

Il segnale è chiaro: i grandi fornitori stanno separando la capacità di generare da quella di giudicare. L’ingresso di Google, con il vantaggio di un modello nativamente multimodale e di un ambiente di prova come AI Studio, rende la categoria più concreta e più facile da sperimentare.

Perché conta per chi lavora con contenuti e automazioni

Se gestisci un sito, un negozio o un flusso di lavoro con molti contenuti in ingresso, i modelli decisionali permettono di costruire controlli ripetibili: classificare commenti, verificare immagini, smistare richieste, valutare lead. Il fatto che l’output sia una probabilità calibrata ti consente di fissare soglie, per esempio automatizzare solo quando la confidenza supera un certo valore e passare a una revisione umana negli altri casi.

Restano però alcune cautele. La calibrazione è dichiarata dal produttore e va verificata sui tuoi dati. Un modello può essere ben calibrato in media e sbagliare proprio sui casi rari che contano di più, quindi conviene misurare l’accuratezza su un campione reale prima di affidargli decisioni sensibili, come la selezione di persone.

Quando conviene scegliere un modello decisionale

La regola pratica è semplice: se la risposta che ti serve è un’etichetta, una scelta tra poche opzioni o un punteggio, un modello decisionale è quasi sempre più adatto di uno generativo. Se invece devi spiegare, riassumere o scrivere, resti sui modelli tradizionali. Spesso la soluzione migliore è combinarli: il modello decisionale filtra e smista a basso costo, quello generativo interviene solo sui casi che richiedono davvero un testo.

Questo schema riduce i costi e rende il sistema più prevedibile, perché ogni passaggio ha un compito preciso e un risultato misurabile. È un approccio che vale la pena testare anche su piccola scala, magari partendo da un solo processo ripetitivo della tua attività.

Come provarlo da subito

Il modo più semplice è partire dal Decisions Playground in Google AI Studio, scegliere un caso reale e scrivere alcune domande sì o no sul tuo contenuto. Poi passa al quickstart in Python o in REST e confronta le probabilità con il giudizio di una persona su un piccolo insieme di esempi. Se i risultati sono coerenti, puoi allargare il test fino a usare più domande sullo stesso input, sfruttando il limite di mille.

Per approfondire, consulta la scheda ufficiale di gemini-decision-1 su Google AI Studio, dove trovi i limiti, il quickstart e i rimandi a prezzi e quote. Ti conviene tenere d’occhio le due pagine collegate, perché per un uso in produzione i costi per richiesta contano quanto la qualità.

E tu, in quale processo useresti un modello che decide invece di scrivere? Raccontacelo nei commenti e continua a seguirci per gli aggiornamenti sul mondo dell’intelligenza artificiale.