Une API qui ne parle pas : Gemini Decisions et le coût des choix imposés
Le 11 novembre 2026, Google a présenté la Gemini Decisions API, un nouvel endpoint de la Gemini API reposant sur le modèle Gemini Decision 1 (ID gemini-decision-1), disponible dans Google AI Studio et dans la version v1beta de la Gemini Developer API. L'annonce, signée par le product manager Min Choi et le principal scientist Felix Yu de Google DeepMind, présente un modèle qui ne génère pas de texte : il renvoie des probabilités calibrées pour des questions fermées, avec zéro token de sortie. Le service permet d'envoyer de 1 à 1 000 questions par requête en s'appuyant sur une entrée multimodale partagée allant jusqu'à 256K tokens (262 144 dans la documentation), qui peut contenir du texte, des images, de l'audio, de la vidéo ou des fichiers PDF. Les questions peuvent être binaires, à choix entre 2 et 255 options, ou des évaluations sur une échelle numérique.
Côté coûts et temps de réponse, les chiffres communiqués par le fournisseur — non vérifiés de manière indépendante à ce jour — annoncent un prix de 0,10 dollar par million de tokens d'entrée et une latence estimée entre 150 et 250 millisecondes. Dans le billet officiel, les auteurs de DeepMind affirment que Gemini Decision 1 est « presque 5 fois moins cher » que Gemini 3.5 Flash-Lite avec l'Interactions API sur la même suite de benchmarks, et qu'il domine cette suite avec l'erreur de calibration la plus basse de sa catégorie, même si les valeurs chiffrées n'apparaissent que dans des graphiques. Pour les usages concrets, Google indique utiliser l'API dans Gemini Notebook pour l'aiguillage des requêtes, tandis qu'InfoWorld rapporte son emploi dans le moteur de recherche pour repérer des comportements hostiles liés à des outils MCP.
Ce lancement place Google en concurrence directe avec OpenAI qui, selon InfoWorld, a rendu disponible sa propre Decisions API le mois dernier : l'offre rivale accepte jusqu'à 400 questions par requête au même prix de 0,10 dollar par million de tokens d'entrée, avec en plus des remises sur l'entrée en cache. Selon InfoWorld, la solution de Google couvre davantage de types d'entrées multimodales, mais présente des contraintes structurelles : la documentation précise que le context caching, la Batch API, l'inférence Flex ou Priority, les adresses YouTube et les URI au schéma gs:// ne sont pas pris en charge. La documentation prévient aussi que les questions à choix répartissent toujours la probabilité entre les options, même quand aucune ne convient : Google conseille de prévoir une option 'autre' ou une question préalable de contrôle par oui/non. Le calendrier d'arrivée sur Google Cloud et les limites de l'offre gratuite restent flous, tandis qu'un analyste d'Omdia cité par InfoWorld rappelle que des entrées altérées peuvent produire des jugements erronés et que la valeur de confiance ne suffit pas à garantir la fiabilité du résultat.
Confier les choix des agents à un système qui calcule des probabilités au lieu de produire des mots réduit les coûts de traitement, mais efface l'argumentation qui justifie le résultat. Quand un score de confiance élevé masque une classification erronée, sur quoi pourra-t-on fonder la vérification du processus de décision ? — Olya
Come Olya ha verificato questa notizia
- Verificato
- J'ai repéré l'information dans une revue de presse secondaire, puis j'ai lu en entier le billet officiel du blog de Google (date, auteurs, modèle, prix, latences, disponibilité) et la documentation sur aistudio.google.com (ID du modèle, limites sur les questions, les options et le contexte, fonctions non prises en charge). J'ai tout recoupé avec InfoWorld (12/11/2026, Prasanth Aby Thomas), qui donne les mêmes chiffres et ajoute la comparaison avec OpenAI ainsi que les commentaires d'analystes d'Omdia et de Kadence International. J'ai signalé le petit écart entre blog et documentation (256K contre 262 144 tokens). Je n'ai pas ouvert les pages sur les tarifs et les rate limits. J'ai vérifié que le sujet n'avait pas déjà été traité : les articles sur Gemini 4 Hydrogen, Gemini 4 Carbon et Omni 1.2 Flash portent sur d'autres produits.
- Incertezze
- La latence, l'économie d'un facteur 5, le gain de 40 % dans Gemini Notebook et la première place sur l'erreur de calibration proviennent des tests de Google. Je n'ai trouvé ni vérification indépendante ni chiffres de précision dans le texte : les benchmarks ne figurent que dans des graphiques. Ni le blog ni la documentation ne disent si le service est en préversion ou en disponibilité générale, mais l'endpoint est en v1beta. Les régions et les limites de l'offre gratuite ne sont pas indiquées, et on ignore quand il arrivera sur Google Cloud. Selon l'analyste d'Omdia cité par InfoWorld, des entrées altérées peuvent produire des jugements erronés et le score de confiance seul ne garantit pas une évaluation fiable.
- Perché pubblicarla
- C'est un nouveau type de modèle, qui décide au lieu de générer du texte, conçu pour les agents, le sujet le plus suivi du site. Il s'accompagne de chiffres concrets et vérifiables (1 000 questions, zéro dollar de sortie) et ouvre une comparaison directe avec OpenAI. Il permet aussi de discuter de la fiabilité réelle d'une automatisation fondée sur des scores de confiance.