Ein gewöhnliches Sprachmodell antwortet mit Sätzen. Es formuliert, erläutert und erzeugt seine Ausgabe Wort für Wort. Gemini Decision 1 ist für eine andere Aufgabe gebaut: Das Modell soll vorgegebene Möglichkeiten bewerten und Wahrscheinlichkeiten sowie Konfidenzwerte liefern, auf deren Grundlage eine Anwendung ihren nächsten Schritt festlegen kann. Statt einer frei formulierten Antwort erhält die Software ein strukturiertes Ergebnis mit Wahrscheinlichkeiten, Scores, Auswahlbezeichnungen und weiteren Metadaten.
Google stellte die dafür entwickelte Gemini Decisions API am 11. November 2026 vor. Sie richtet sich an klar begrenzte Auswahlaufgaben, bei denen nicht sprachliche Eleganz gefragt ist, sondern eine maschinell verwertbare Einschätzung. Damit rückt eine Seite der künstlichen Intelligenz in den Vordergrund, die für den Nutzer meist unsichtbar bleibt. Während Chatbots durch ihre Worte auffallen, steuert ein Entscheidungsmodell im Hintergrund die Verzweigungen eines digitalen Ablaufs. Warum entwickelt Google ausgerechnet ein KI-Modell, dessen besondere Leistung darin besteht, keinen Antworttext zu erzeugen? Die Frage führt vom sprechenden Assistenten zur stillen Steuerung von Software. Recherchequelle: Google
Warum genügt ein Sprachmodell für viele Entscheidungen nicht?
Nicht jede Aufgabe in einem KI-System verlangt nach einer ausformulierten Antwort. Oft muss eine Anfrage lediglich an die passende Stelle gelangen oder ein Agent aus mehreren Werkzeugen wählen. Ebenso kann es darum gehen, einen Inhalt anhand festgelegter Regeln zu prüfen oder ein Suchergebnis nach vorgegebenen Kriterien einzuordnen. Der Spielraum steht dabei schon vorher fest. Benötigt wird eine maschinell verwertbare Zuordnung.
Bei fest umrissenen Klassifikationsaufgaben ist eine frei formulierte Modellantwort häufig nur ein unnötiges Zwischenprodukt. Die Anwendung müsste daraus erst ein eindeutiges Signal ableiten. Gemini Decision 1 liefert stattdessen strukturierte Bewertungen der bereitgestellten Möglichkeiten, an die der Programmcode unmittelbar Bedingungen knüpfen kann.
Die Google-Dokumentation trennt beide Arbeitsweisen nach ihrem Zweck. Die Decisions API liefert Wahrscheinlichkeiten für Ja-Nein-Fragen, wählt aus festen Optionen oder bewertet Eingaben auf definierten Skalen. Für erzeugte Texte, Zusammenfassungen, Erklärungen, Werkzeugaufrufe und mehrstufiges Schlussfolgern ist dagegen die Interactions API vorgesehen. Damit erhält eine oft verborgene Schicht moderner KI-Anwendungen ein eigenes Modell. Hinter einer dialogischen Oberfläche wartet nicht selten eine nüchterne Verzweigung: Welche der zulässigen Möglichkeiten passt am besten? Damit Gemini diese Frage bearbeiten kann, müssen Auswahl und Kriterien zuvor präzise festgelegt sein. Recherchequelle: Google AI Studio
Wie verwandelt die API Material in eine handhabbare Auswahl?
Wer ein Dokument oder eine Mediendatei nach vielen Merkmalen untersuchen will, muss das Ausgangsmaterial nicht für jede Prüfung erneut senden. Als gemeinsame Eingabe akzeptiert die API Text, Bilder, Audio, Video oder PDF-Dokumente. Ein Request kann höchstens 1.000 separat berechnete Prüfaufträge bündeln. Zusammen dürfen die gemeinsame Eingabe sowie die Anweisungen und Kriterien aller Fragen das Kontextfenster von 262.144 Tokens nicht überschreiten.
Die einzelnen Prüfaufträge greifen zwar auf dieselbe Grundlage zu, bilden aber keine gemeinsame Argumentationskette. Weder fließen andere Fragen noch deren Antworten in die jeweilige Auswertung ein. Abhängigkeiten zwischen den Resultaten muss die Anwendung daher anschließend selbst herstellen. So kann sie mehrere Merkmale desselben Inhalts untersuchen und danach festlegen, wie sie die voneinander unabhängigen Ergebnisse zusammenführt.
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Welche Form ein solches Resultat annimmt, bestimmt der Fragetyp. „noul“ liefert für eine Ja-Nein-Bedingung eine Ja-Wahrscheinlichkeit zwischen 0,01 und 0,99. Bei „choice“ bewertet das Modell 2 bis 255 festgelegte Optionen, wählt eine davon aus und gibt die Wahrscheinlichkeitsverteilung über sämtliche Möglichkeiten zurück. „score“ ordnet das Material auf einer Skala mit 2 bis 255 aufsteigenden Stufen ein. Für die meisten Bewertungsraster rät Google zu einer kompakteren Skala von 2 bis 10 Stufen.
Die gemeinsame Eingabe wird pro Aufruf einmal berechnet; jede Frage fügt Tokens für Anweisungen, Kriterien und technische Formatierung hinzu. Technisch entsteht damit kein Gespräch, sondern ein geordnetes Paket einzelner Urteile. Deren numerische Genauigkeit allein sagt allerdings noch nicht, wie verlässlich sie sich praktisch nutzen lassen.
Was bedeutet eine Zahl wie 0,83 tatsächlich?
Was eine Anwendung mit dem Wert 0,83 anfangen soll, lässt sich nicht aus der Zahl allein ablesen. Erst ein zuvor festgelegter Schwellenwert macht daraus eine Handlung: automatisch weiterverarbeiten, an ein anderes Modell übergeben oder einem Menschen zur Prüfung vorlegen. Google rät dazu, solche Grenzen mit gekennzeichneten Beispielen aus dem jeweiligen Einsatzgebiet zu bestimmen. Dabei sollte berücksichtigt werden, ob in diesem Fall eine fälschlich ausgelöste Aktion oder ein übersehener Treffer den größeren Schaden verursacht.
Der Konfidenzwert gibt an, wie sicher Gemini Decision 1 sein bestbewertetes Ergebnis einschätzt. Bei einer Auswahlfrage verteilt das Modell Wahrscheinlichkeiten auf sämtliche vorgegebenen Optionen. Der zurückgegebene Wert einer Bewertungsskala ist hingegen kein schlicht ausgewählter Rasterpunkt, sondern der wahrscheinlichkeitsgewichtete Durchschnitt ihrer einzelnen Stufen. Eine breite, unsichere Verteilung kann deshalb rechnerisch denselben Mittelwert ergeben wie eine starke Konzentration auf benachbarte Stufen. Für die Interpretation sind neben dem Durchschnitt auch die Wahrscheinlichkeiten der einzelnen Stufen relevant.
Kalibrierung ist dabei nicht mit Fehlerfreiheit gleichzusetzen. Sie beschreibt vielmehr, ob ausgewiesene Wahrscheinlichkeiten über viele vergleichbare Fälle zur beobachteten Trefferquote passen. Der Entwickler Simon Willison erprobte das Modell mit einem Video und vier Ja-Nein-Fragen. Für einen darin sichtbaren Roboter gab Gemini eine Wahrscheinlichkeit von rund 0,92 aus; auch die übrigen Antworten lagen abgestuft zwischen null und eins. Dieser Versuch zeigt, wie das Ausgabeformat praktisch aussieht, liefert als einzelner Test jedoch keinen allgemeinen Genauigkeitsnachweis. Neben der Qualität solcher Werte rücken damit zwangsläufig auch Aufwand, Geschwindigkeit und Kosten ihrer Berechnung in den Blick. Recherchequelle: Simon Willison
Weshalb sind Geschwindigkeit und Preis hier Teil des Produktkonzepts?
Der wirtschaftliche Reiz liegt in einer Ausgabe, deren Umfang rechnerisch äußerst gering bleibt. Im bezahlten Tarif verlangt Google 0,10 US-Dollar je Million Eingabetokens; für die Antwort fallen keine Ausgabetokens an, da Gemini Decision 1 keine Texttokens erzeugt. In einer von Google zusammengestellten Testsuite lagen die Kosten laut Unternehmen bei knapp einem Fünftel dessen, was Gemini 3.5 Flash-Lite über die Interactions API verursachte. Diese Relation beschreibt den dort geprüften Aufgabenmix und ist kein allgemeiner Kostennachweis für beliebige Anwendungen.
Zur Produktidee gehört ebenso die Geschwindigkeit. Google nennt eine mediane Modellrechenzeit von 50 bis 100 Millisekunden und eine Gesamtlatenz von 150 bis 250 Millisekunden. In den veröffentlichten Messungen mit Kontexten von bis zu 16.000 Tokens veränderte sich die Latenz zwischen einer Frage und 100 Fragen nur wenig. Auch hierbei handelt es sich um Herstellerangaben, nicht um unabhängige Messergebnisse.
Für Erprobungen weist die Preistabelle zudem einen kostenlosen Tarif aus, in dem für Eingaben keine Kosten anfallen. Bei der Datennutzung unterscheidet Google zwischen den Tarifstufen: Inhalte aus dem kostenlosen Angebot können laut Tabelle zur Verbesserung eigener Produkte verwendet werden; beim bezahlten Tarif ist dieser Punkt mit „Nein“ gekennzeichnet. Preis und Reaktionszeit sind damit kein bloßes Begleitmaterial der Veröffentlichung. Sie bestimmen wesentlich, ob das Modell regelmäßig als Entscheidungsschicht in laufende Softwareabläufe eingebaut werden kann. Recherchequelle: Google AI Studio
Wo soll der stille Entscheider in KI-Systemen arbeiten?
In einem Agentensystem muss nicht jeder Modellaufruf sichtbar werden. Manche Komponenten schreiben, andere planen oder bedienen Werkzeuge. Gemini Decision 1 ist für die Zwischenräume gedacht: Es soll Anfragen auf Modelle verteilen, Regeln prüfen, geeignete Werkzeuge auswählen, Kontext bewerten, Kandidaten ordnen oder auf Zustände von Benutzeroberflächen und Medieninhalten reagieren. Seine Rolle gleicht damit weniger einem Gesprächspartner als einer schnellen Weiche.
Dass diese Funktion nicht auf Googles eigene Entwicklungsumgebung beschränkt ist, zeigt die Einbindung bei Vercel. Seit dem 11. November 2026 lässt sich Gemini Decision 1 über das AI Gateway des Anbieters aufrufen. Solche Entscheidungsanfragen erscheinen dort zusammen mit anderen Modellaufrufen in Protokollen sowie in der Erfassung von Nutzung und Kosten.
Google beschreibt mehrere interne Einsatzfelder. Stitch bindet die API in einen experimentellen schnellen Entwurfsmodus ein. In der Google-Suche dient sie laut Unternehmensangaben als Sicherheitsschicht für MCP-Werkzeuge, während CC von Google Labs mit ihrer Hilfe aus mehr als 200 Emoji-Reaktionen auswählt. Gemini Notebook nutzt die Bewertungen, um Anfragen verschiedenen Modellstufen und Denkmodi zuzuordnen. Für alltägliche Anfragen sei dadurch eine um bis zu 40 Prozent geringere Latenz erreicht worden.
Diese Beispiele zeigen, welche Aufgaben Google dem Modell zugedacht hat. Ein unabhängiger Nachweis seiner allgemeinen Zuverlässigkeit sind sie nicht. Und selbst eine technisch sauber eingebundene Weiche beantwortet noch nicht, wann ihr Ergebnis ohne weitere Kontrolle handlungsleitend sein sollte. Recherchequelle: Vercel
Wann wird aus einer Wahrscheinlichkeit eine verantwortbare Handlung?
Eine Wahrscheinlichkeit wird nicht dadurch verantwortbar, dass sie präzise aussieht. Erst der Ablauf, der mit ihr umgeht, kann verantwortbar sein. Wer die Auswahlmöglichkeiten formuliert, legt bereits fest, welche Antworten das Modell überhaupt geben kann.
Ein Risiko liegt in der Eingabe selbst: Vom Nutzer gelieferter Text kann versuchen, die eigene Einstufung zu beeinflussen. Die Dokumentation rät daher zu eindeutigen Kriterien und Tests mit gegnerisch konstruierten Beispielen. Zugleich muss die Anwendung Fälle erkennen können, die außerhalb des vorgesehenen Auswahlraums liegen. Bei „choice“-Fragen verteilt Gemini Decision 1 seine Wahrscheinlichkeiten auch dann auf die angebotenen Optionen, wenn keine davon zutrifft. Google empfiehlt dafür Auffangoptionen, vorgeschaltete Geltungsprüfungen oder Konfidenzschwellen, die unsichere Fälle aus der automatischen Verarbeitung herausnehmen. Bei folgenreichen Aktionen wie Auszahlungen soll zusätzlich ein Mensch oder eine zweite Prüfung einbezogen werden. Der Modellwert ist damit ein Signal innerhalb einer Sicherheitsarchitektur, nicht deren Ersatz.
Zum Veröffentlichungsstand vom 12. November 2026 bietet die aktuelle Fassung für wiederkehrende große Eingaben kaum Möglichkeiten zur Kostenoptimierung. Weder Kontext-Caching noch die Batch API stehen bereit, und jeder neue Aufruf zählt wiederholte Inhalte erneut vollständig. Gesprächsverläufe sowie Gedanken- und Werkzeugaufrufblöcke müssen zuvor in eine unterstützte Eingabeform überführt werden. Der Endpunkt gehört zur Version v1beta der Gemini Developer API.
Im kostenlosen Tarif nennt Google Grenzwerte von 200 Anfragen und 50.000 Eingabetokens pro Minute sowie 10.000 Anfragen pro Tag. Für kostenpflichtige Tarifstufen weist die Tabelle höhere Kontingente aus.
Gemini Decision 1 übernimmt also nicht die letzte Entscheidung. Es macht Unsicherheit vielmehr zu einer Zahl, die Software direkt verarbeiten kann. Umso wichtiger werden die Menschen, die Auswahlräume entwerfen, Schwellenwerte setzen und festlegen, wann automatisches Handeln endet. Recherchequelle: Google AI Studio
Weiterführende Informationen
Quellenhinweis: Einzelne Fakten, Einschätzungen und Prognosen dieses Beitrags stützen sich auf Veröffentlichungen der nachfolgend genannten Unternehmen und Institutionen. Die Links dienen zugleich der weiterführenden Information.
Dr. Web – Google startet die Gemini Decisions API für schnelle Entscheidungen
Der Fachartikel erläutert, wie Gemini Decision 1 strukturierte Wahrscheinlichkeiten und Konfidenzwerte statt frei formuliertem Text erzeugt.
https://www.drweb.de/gemini-decisions-api-wahrscheinlichkeiten/
Apidog – So verwenden Sie die Gemini Decisions API
Das technische Tutorial vertieft die Fragetypen „noul“, „choice“ und „score“, multimodale Eingaben, API-Grenzen sowie die Interpretation von Wahrscheinlichkeiten und Schwellenwerten.
https://apidog.com/de/blog/how-to-use-gemini-decisions-api/
The Decoder – Gemini Decisions: Google bringt spezialisiertes KI-Modell für schnelle Entscheidungen statt Textgenerierung
Der Fachbeitrag ordnet Herstellerangaben zu Preis und Latenz sowie Integrationen und praktische Einsätze in Gemini Notebook, Stitch und der Google-Suche ein.
https://the-decoder.de/gemini-decisions-google-bringt-spezialisiertes-ki-modell-fuer-schnelle-entscheidungen-statt-textgenerierung/



