Gemini Decision 1 llega a Vercel AI Gateway

Gemini Decision 1: el modelo que decide sin escribir

Gemini Decision 1, el modelo de decisión de Google, ya está disponible en Vercel AI Gateway, y su propuesta se resume en un número incómodo para cualquier equipo que paga facturas de inferencia: cero tokens de salida. En lugar de redactar una respuesta, devuelve probabilidades booleanas, opciones y scores. Para un founder que construye agentes, eso cambia la unidad de costo de todo lo que no es conversación: enrutamiento, validaciones, filtros y rankings dejan de pagarse como texto generado.

La diferencia no es cosmética. Un agente típico pasa buena parte de su tiempo no respondiendo, sino clasificando: ¿este ticket pide reembolso?, ¿esta herramienta aplica para esta tarea?, ¿qué resultado va primero? Hoy eso se resuelve pidiéndole a un modelo generativo un JSON y rezando para que el formato llegue bien.

¿Qué hace distinto un modelo de decisión frente a un LLM generativo?

Un LLM conversacional produce texto y tú lo interpretas. Un modelo de decisión produce la respuesta ya estructurada. Gemini Decision 1 devuelve Booleanos con su probabilidad, elecciones entre alternativas y puntuaciones, en lugar de una frase que hay que parsear.

¿Y esto cómo se aplica en tu negocio?

Dueños de negocio de Latinoamérica y España usan un agente de IA para ganar más y recuperar su tiempo. El Kit «tu mano derecha con IA» te muestra cómo en un video de 11 minutos, con una ficha para armar el tuyo. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

El modelo es multimodal: trabaja con texto, imágenes, audio, video y documentos PDF. Vercel enumera usos concretos: enrutar solicitudes, verificar políticas, filtrar herramientas de agentes y ordenar resultados. Todos son operaciones de control, no de contenido.

Hay una consecuencia práctica que suele pasarse por alto: si no hay texto generado, no hay texto que validar. El clásico JSON.parse que falla una vez de cada cincuenta llamadas y rompe el flujo del agente deja de ser un problema de ingeniería para convertirse en algo que el modelo resuelve por diseño.

¿Cómo se usa Gemini Decision 1 desde AI Gateway?

Vercel expone el modelo con el identificador google/gemini-decision-1 y tres vías de acceso: el AI SDK, una API compatible con TypeSafe y la Decisions API. No todas soportan lo mismo, y ahí está el detalle que conviene leer antes de elegir arquitectura:

AI SDK 7 es la única vía que acepta documentos PDF, audio y video como entrada.
La API compatible con TypeSafe y la Decisions API solo procesan texto e imágenes.
El SDK expone la función como experimental_decide, un prefijo que conviene tomar en serio al planificar el roadmap.

En el ejemplo publicado, la pregunta se declara con un tipo y una instrucción en lenguaje natural: el sistema recibe el mensaje de un cliente que fue cobrado dos veces y responde si solicita un reembolso. Es el patrón clásico de la IA aplicada: una pregunta acotada, una respuesta verificable.

Ese prefijo experimental_ no es un detalle de estilo. Significa que la interfaz puede cambiar sin aviso, así que vale la pena envolver la llamada en una capa propia de abstracción antes de esparcirla por veinte archivos del backend.

¿Por qué un modelo que decide y no redacta cambia la economía del agente?

Porque el token de salida es, casi siempre, la línea más cara de la factura. GCN reportó que en el lanzamiento de Gemini 3.6 Flash, del 21 de julio de 2026, Google bajó el precio del token de salida de US$9,00 a US$7,50 por millón mientras mantenía la entrada en US$1,50 por millón: cinco veces más caro producir que leer. La brecha se repite en los modelos de frontera. Ars Technica informó que Gemini 4 Argon se ofrece a US$2 por millón de tokens de entrada y US$10 por millón de salida.

Con esa asimetría, cada paso de un agente que consiste en «decidir algo» y hoy se implementa como generación de texto está costando varias veces lo que debería. Un modelo de decisión no elimina el costo de entrada, pero sí el de salida, y en flujos que se ejecutan miles de veces por hora la diferencia se compone rápido.

Hay un segundo ahorro, menos visible: la latencia. Menos tokens generados es menos tiempo de espera, y en un agente que encadena cinco o seis pasos eso se percibe en la experiencia del usuario final.

¿Qué pasa con el costo y la observabilidad en AI Gateway?

Vercel indica que las llamadas de decisión aparecen en los logs de AI Gateway y cuentan para los presupuestos igual que el resto de las solicitudes. Para un equipo chico eso vale más de lo que parece: no hay que montar instrumentación nueva para saber cuánto cuesta una decisión, porque el gasto cae en el mismo panel que el resto de los modelos.

La contracara es que el modelo se integra en la capa de facturación de Vercel, lo que ata la observabilidad a ese proveedor. Si tu equipo ya usa AI Gateway como puerta única a distintos modelos, la operación es trivial. Si no, suma una dependencia nueva para una sola función.

¿Qué significa esto para tu startup?

La tentación es tratarlo como un juguete de demo. El uso real está en los puntos de control que hoy resuelves con prompts largos y salida en JSON.

Haz un inventario de puntos de decisión. Recorre tu agente y anota dónde le pides al modelo una respuesta cerrada: clasificar intención, decidir si se escala a un humano, validar si una acción cumple una política, elegir qué herramienta usar. Cada uno de esos es candidato a migrar.
Empieza por el caso más verificable. Una pregunta tipo «¿el cliente pide reembolso?» tiene respuesta correcta y auditable. Migra ese primero, mide costo y latencia por llamada en los logs antes y después, y solo entonces extiende el patrón.
Reserva el modelo generativo para lo que sí requiere redacción. La respuesta al cliente sigue necesitando un LLM. La decisión de a quién derivarlo, no. Separar esas dos capas es la mejora arquitectónica real.
Aísla la dependencia. Con una función marcada como experimental, encapsula la llamada detrás de una interfaz propia desde el primer día.

Para un equipo en LATAM o España que compite con menos capital, este tipo de recorte es más relevante que un benchmark: no se trata de tener el modelo más potente, sino de no pagar por texto que nadie lee.

¿Qué no se sabe todavía de Gemini Decision 1?

En el material publicado no aparecen métricas de precisión ni benchmarks independientes del modelo, tampoco su precio específico como llamada de decisión dentro de AI Gateway. Tampoco hay información sobre límites de tasa o sobre el costo que tiene procesar video o PDF largos en la vía de AI SDK 7, un punto que puede mover la ecuación para casos con documentos extensos.

Antes de mover producción, conviene correr una validación propia: tomar unas cuantas decisiones reales, comparar contra la salida del modelo generativo que usas hoy y mirar la tasa de acierto. Ningún changelog sustituye esa prueba.

Conclusión

Gemini Decision 1 no compite por escribir mejor: compite por no escribir. Para quien opera agentes, la noticia no es un modelo más en el catálogo de Vercel AI Gateway, sino la posibilidad de mover la capa de control de la generación de texto a preguntas estructuradas con respuesta verificable. La disponibilidad de PDF, audio y video solo en la vía de AI SDK 7 marca la primera decisión de arquitectura. Y el costo de salida que reportan medios como GCN y Ars Technica en los modelos Gemini de frontera explica por qué vale la pena hacer ese cambio ahora y no cuando la factura duela.