Gemini Decisions API: Was Googles Entscheidungsmodell für Routing und Prüfregeln im Betrieb bringt

Am 11. November 2026 hat Google die Gemini Decisions API vorgestellt, eine eigene Schnittstelle für schnelle, eng gefasste Entscheidungen. Dahinter steht ein neues Modell namens Gemini Decision 1. Es schreibt keine Texte, sondern beantwortet Fragen mit festen Antwortmöglichkeiten und liefert dazu eine Wahrscheinlichkeit und einen Konfidenzwert. Damit zieht Google bei einer Modellklasse nach, die wir Ende Oktober in Entscheidungsmodelle wie Jev und die OpenAI Decisions API vorgestellt haben.

Für Betriebe, die bereits mit Gemini arbeiten oder KI-Agenten planen, ist das interessant, weil viele Automatisierungen im Kern aus kleinen Entscheidungen bestehen: Wohin gehört diese Mail? Ist dieser Auftrag vollständig? Braucht diese Anfrage das große Modell oder reicht ein kleines? Dieser Beitrag zeigt, was die neue Schnittstelle laut Google kann, wo sie im Mittelstand passt und was Du vor dem ersten Einsatz klären solltest.

Quellen sind der Google-Blogbeitrag vom 11. November 2026, der Leitfaden zur Decisions API und die Release Notes der Gemini API (Eintrag vom 11. November 2026). Benchmark- und Latenzangaben stammen von Google selbst. Ob sie für Eure Inhalte gelten, zeigt nur ein eigener Test.

Was die Decisions API anders macht

Ein normales Sprachmodell erzeugt seine Antwort Wort für Wort. Wer daraus eine Entscheidung ableiten will, muss den Text auswerten oder das Modell per Schema zwingen, nur bestimmte Werte zu nennen. Gemini Decision 1 geht einen anderen Weg: Das Modell bewertet die vorgegebenen Antwortoptionen in einem einzigen Durchlauf und gibt Wahrscheinlichkeiten zurück. Es entsteht kein Antworttext.

Die wichtigsten Eckdaten laut Google:

• Drei Fragetypen: Ja oder Nein (im Code noul), Auswahl aus 2 bis 255 Optionen (choice) und Einordnung auf einer geordneten Bewertungsskala (score).
• Viele Fragen auf einmal: Pro Anfrage gehen 1 bis 1.000 unabhängige Fragen an dieselbe Eingabe. Die Fragen sehen sich gegenseitig nicht. Laut Google bleibt die Antwortzeit auch bei vielen Fragen nahezu gleich.
• Multimodale Eingabe: Text, Bilder, Audio, Video und PDF, auch kombiniert, mit einem Kontext von bis zu rund 256.000 Tokens.
• Konfidenz zu jeder Antwort: Jede Antwort enthält einen Wert zwischen 0 und 1. Damit kann Dein Ablauf unsichere Fälle an einen Menschen oder einen zweiten Prüfschritt geben.
• Abrechnung: 0,10 US-Dollar pro Million Eingabe-Tokens, Ausgabe-Tokens werden nicht berechnet. Die gemeinsame Eingabe zählt pro Anfrage nur einmal, jede weitere Frage kostet nur ihre eigenen Anweisungen. Zum Ausprobieren gibt es einen kostenlosen Tarif in Google AI Studio.
• Geschwindigkeit: Google nennt 150 bis 250 Millisekunden von Anfrage bis Antwort.

Die Schnittstelle läuft über die Gemini API (Version v1beta) und braucht laut Leitfaden das SDK google-genai ab Version 3.2. Für Gemini in Google Cloud kündigt Google die Unterstützung erst an. Wer im Unternehmen ausschließlich über Vertex AI arbeitet, muss also noch warten.

Wofür Google die Schnittstelle selbst nutzt

Spannend ist, wie Google die Decisions API intern einsetzt. Laut Blogbeitrag leitet Gemini Notebook damit eingehende Anfragen an die passende Modellstufe und Denkstufe weiter. Alltägliche Fragen werden so schneller beantwortet, die großen Denkmodelle bleiben den schwierigen Aufgaben vorbehalten. Und in der Google-Suche dient sie als Sicherheitsschicht für MCP-Werkzeuge, um auffälliges Verhalten zu erkennen.

Diese beiden Muster sind für den Mittelstand die eigentliche Nachricht. Es geht weniger um ein weiteres Modell als um einen schnellen, günstigen Steuerbaustein vor und zwischen den teuren Schritten eines KI-Ablaufs.

Vier Einsatzfelder im Betrieb

1. Routing: das passende Modell pro Anfrage

Seit dem 10. November gibt es mit Gemini 4 Carbon ein Spitzenmodell, das gründlich nachdenkt und entsprechend mehr kostet. Welche Aufgaben es wirklich braucht, haben wir in Gemini 4 Carbon oder Argon beschrieben. Eine vorgeschaltete Auswahlfrage wie „Ist diese Anfrage eine Standardauskunft, eine Dokumentenauswertung oder eine komplexe technische Frage?“ kann entscheiden, welches Modell den Vorgang bekommt. Das Prinzip kennst Du aus KI-Kosten im Griff. Neu ist, dass der Router selbst kaum etwas kostet und kaum Zeit braucht.

2. Prüfregeln vor einer Aktion

Bevor ein Agent eine Mail verschickt, einen Datensatz ändert oder ein Werkzeug aufruft, lassen sich viele Regeln gleichzeitig abfragen: Enthält der Entwurf personenbezogene Daten? Nennt er einen Preis? Geht er an eine externe Adresse? Jede Frage ist ein eigener Ja-Nein-Check, das Ergebnis kombiniert Dein Code. Das ergänzt die Schutzschichten aus Agent-Guardrails und Prompt Injection, ersetzt sie aber nicht.

3. Eingänge sortieren und vorprüfen

Ein typisches Beispiel ist der Sammelposteingang: Ist die Mail eine Anfrage, eine Bestellung, eine Rechnung oder eine Reklamation? Wie dringend ist sie auf einer Skala von eins bis drei? Fehlt bei einer Bestellung die Liefermenge? Weil die Schnittstelle auch Bilder und PDF liest, lassen sich auch Fotos von Schäden oder eingescannte Lieferscheine gegen feste Kriterien prüfen. Google zeigt im Blog ein Beispiel, bei dem ein Foto zusammen mit einer kurzen Notiz bewertet wird.

4. Qualität von KI-Ergebnissen bewerten

Mit dem Fragetyp score lassen sich Antworten eines anderen Modells nach einer festen Bewertungsskala einordnen, etwa ob eine Zusammenfassung alle Pflichtangaben enthält. Das passt zu dem, was wir in RAG und Agenten im Betrieb evaluieren beschrieben haben: Bewertungen werden günstiger, wenn sie nicht jedes Mal einen langen Begründungstext erzeugen.

Wann die Decisions API nicht passt

Der Leitfaden ist hier erfreulich deutlich. Sobald Du Text, Zusammenfassungen, Erklärungen, extrahierte Werte in einem eigenen JSON-Schema oder Werkzeugaufrufe mit Argumenten brauchst, bleibt ein normales Modell über die Interactions API das richtige Werkzeug. Wie das mit festen Ausgabeformaten geht, steht in Strukturierte Ausgaben mit Gemini. Auch Zahlen, Datumswerte und Fristen soll laut Google besser Dein Code vergleichen und das Ergebnis als fertigen Wert an die Schnittstelle geben.

Die Faustregel: Entscheidungen über eine feste Liste von Möglichkeiten gehen an die Decisions API, alles mit freiem Ergebnis an ein Sprachmodell.

Was Google selbst als gute Praxis empfiehlt

Aus dem Abschnitt „Best practices“ des Leitfadens lassen sich fünf Regeln direkt übernehmen:

1. Eine Frage, eine Entscheidung: Lieber mehrere schmale Fragen in einer Anfrage als eine komplizierte. Zusammengeführt wird im Code.
2. Die ganze Frage ausschreiben: Das Modell sieht Deine internen Schlüssel und Variablennamen nicht, nur den Text der Anweisung.
3. Eine Option für „passt nicht“ einplanen: Entweder ein Feld mit neutralem Namen wie other oder eine vorgeschaltete Ja-Nein-Frage, ob die Eingabe überhaupt zum Thema gehört.
4. Nur senden, was die Fragen brauchen: Unnötiger Inhalt senkt laut Google die Genauigkeit. Das ist zugleich gut für den Datenschutz.
5. Eingaben als nicht vertrauenswürdig behandeln: Ein Text kann versuchen, seine eigene Einordnung zu beeinflussen. Google empfiehlt klare Kriterien, Tests mit absichtlich manipulierten Beispielen und eine zweite Prüfung oder einen Menschen bei folgenreichen Aktionen.

Was Du vor dem Einsatz klären solltest

• Deutsche Inhalte testen: Sammle 50 bis 100 echte, anonymisierte Beispiele aus Deinem Alltag und vergleiche die Ergebnisse mit dem, was Dein Team entschieden hätte.
• Schwellen festlegen: Ab welchem Konfidenzwert läuft ein Vorgang automatisch, wann entscheidet ein Mensch? Diese Grenze gehört schriftlich in die Prozessbeschreibung.
• Datenschutz und Vertrag prüfen: Kläre vor dem Einsatz mit personenbezogenen Daten, unter welchen Bedingungen Du die Gemini API nutzt, wie lange Anfragen gespeichert werden und ob ein Auftragsverarbeitungsvertrag besteht.
• Austauschbar bauen: Setze die Entscheidung als eigenen Schritt in Deinen Ablauf, etwa in n8n. Dann kannst Du später das Modell oder den Anbieter wechseln, ohne den ganzen Prozess umzubauen.
• Protokollieren: Frage, Antwort, Wahrscheinlichkeit und Konfidenz speichern. Nur so findest Du Fehlentscheidungen und kannst die Schwelle nachjustieren.

Ein realistischer Start in drei Schritten

Woche 1: Eine einzige Entscheidung auswählen, die heute oft und nach klaren Regeln getroffen wird, zum Beispiel die Einordnung des Sammelposteingangs. Kriterien aufschreiben und Beispiele sammeln.

Woche 2: Im kostenlosen Tarif von Google AI Studio mit anonymisierten Beispielen testen. Ergebnisse neben die Entscheidungen Deines Teams legen und Schwellen festlegen.

Woche 3: Den Schritt in einen echten Ablauf einbauen, zunächst nur als Vorschlag mit menschlicher Freigabe. Erst wenn die Trefferquote stimmt, laufen sichere Fälle automatisch.

Ob Eure Daten, Prozesse und Regeln für solche Automatisierungen schon reif sind, zeigt der kostenlose AI Readiness Check. Hintergründe zu Reifegrad und Vorgehen findest Du im Whitepaper AI Readiness.

Wie Deschalet unterstützt

Wir helfen Betrieben, wiederkehrende Entscheidungen in ihren Abläufen zu finden, Modelle mit eigenen Beispielen zu testen und die Ergebnisse sauber in Workflows mit n8n, Google Workspace und Google Cloud einzubinden. Unsichere Fälle landen dabei immer bei einem Menschen. Mehr dazu auf unserer Seite Prozessautomatisierung.

Fazit

Die Gemini Decisions API ist kein weiteres Sprachmodell, sondern ein schneller, günstiger Baustein für Entscheidungen mit festen Antworten. Am stärksten ist sie dort, wo Google sie selbst einsetzt: beim Weiterleiten von Anfragen an das passende Modell und bei Prüfregeln vor einer Aktion. Für den Mittelstand lohnt sich ein kleiner, gut gemessener Test mit deutschen Beispielen, klaren Schwellen und menschlicher Freigabe für unsichere Fälle.

Du willst wissen, welche Entscheidungen in Euren Abläufen sich dafür eignen? Buch Dir ein kostenloses Erstgespräch. Wir schauen gemeinsam auf Eure Prozesse und sagen Dir ehrlich, wo sich der Einsatz lohnt und wo nicht.