GoogleがLLMの出力を「型付き判断」に変えるAPIを公開——画像×テキストを入力し、Yes/No・分類・スコアを構造化して返す

11月11日、Googleが「Gemini Decisions API: Fast, calibrated multimodal decisions」と題した記事を公開した。LLMの出力を業務ロジックに直結できる「構造化された判断」として返す新API「Gemini Decisions API」の詳細が明かされている。画像・テキストといったマルチモーダルな入力を受け取り、あらかじめ定義した質問に対して型付きの回答を返す設計であり、後段の処理系がLLM出力を解釈するコストを大きく削減できる点が注目を集めている。

LLMを「答えを生成するもの」から「判断を下すもの」へ

LLMを業務システムに組み込む際にエンジニアが直面する壁のひとつが、出力の構造化だ。自由文生成では後段のパース処理が煩雑になり、ハルシネーション（事実に基づかない出力）のリスクも高まる。OpenAIのStructured OutputsやJSON modeのような「スキーマに沿ったJSONを返す」アプローチは普及しつつあるが、これらはあくまで出力フォーマットの制約であり、「何を判断するか」という問いの設計はエンジニア側に委ねられたままだった。

Gemini Decisions APIはこの一歩先を狙っている。モデル名は **gemini-decision-1**、現時点では v1beta エンドポイントで提供されている。生成AIの柔軟性を保ちつつ、出力を業務ロジックに直結できる形式に絞り込む——そのコンセプトは、LLMの使われ方を「生成」から「判断」へシフトさせようとするものだ。

3種類の質問タイプ——「Yes/No」より実用的な設計

APIの核心は questions パラメータにある。現時点で定義されている質問タイプは以下の3種類だ。

**noul**（Yes / No / Unknown / Not Applicable の頭字語）：二値判定が難しいケースを想定したGoogle独自設計の4択。現実の業務では「判断できない」「対象外」という状況が頻繁に発生するため、単純なbooleanより実用的な設計となっている
**choice**：定義済みの選択肢からひとつを選ぶ分類タスク。各選択肢に判定基準（criteria）をテキストで記述でき、モデルへの指示と選択肢定義を一体化できる
**score**：段階的な評価を行うスコアリング。段階ごとの基準を配列で渡す

公式のサンプルはブレイクルームの監視という具体的なシナリオで示されている。カウンターを撮影した画像と「午前9時の会議前チェック」というテキストを入力し、「液体がこぼれているか（noul）」「次にすべき対応は何か（choice: ふき取り／清掃員の派遣／問題なし）」「汚れの深刻度（score: 0〜2段階）」の3問を一度に問い合わせる構成だ。コードの骨格は以下のとおり。

result = client.decisions.create(
    model="gemini-decision-1",
    input=[
        {"type": "image", "uri": "..."},
        {"type": "text", "text": "Breakroom counter check before the 9 AM client meeting."}
    ],
    questions={
        "has_spill":   {"type": "noul",   "instructions": "Is there an uncleaned liquid spill on the counter?"},
        "next_action": {"type": "choice", "instructions": "Which cleanup action fits the scene?",
                        "criteria": {"wipe_with_cloth": "...", "dispatch_janitorial": "...", "ready_for_meeting": "..."}},
        "severity":    {"type": "score",  "instructions": "Rate the severity.",
                        "criteria": ["Clean and ready.", "Minor localized spill.", "Major spill or safety hazard."]},
    },
)

返ってくる値は各キーに対応した型付きの回答であり、後段の処理系がLLMの自由文を解釈する必要はない。

「calibrated（較正済み）」という一語が意味するもの

API名に含まれる「calibrated」という語は見逃せない。LLMの確率出力における較正（calibration）とは、モデルが「70%の確信度」と示したとき実際に70%の確率で正しいかどうかを調整することを指す。未較正のモデルは過信または過小評価しがちで、自動化パイプラインの判断基準として使いにくい。

Googleがこの語を明示的にAPI名に冠していることは、単なる分類モデルではなく信頼度の扱いに一定の工夫を施していることを示唆している。ただし、現時点の公開情報では信頼スコアの数値がレスポンスに含まれるかどうか、またどのような手法で較正されているかは明かされていない。Google AI for Developers上の公式ドキュメントで今後の仕様追加を確認するとよいだろう。

どんな場面で使えるか

このAPIが特に力を発揮するのは、画像や文書をトリガーとした自動化パイプラインだ。品質検査・コンテンツモデレーション・フォームの自動仕分け・EC商品の属性抽出といった用途で、後段の処理系がLLM出力を解釈するコストを大きく削減できる。マルチモーダル対応により、テキストだけでなく画像・動画フレームなどを判断根拠として使える点も強みだ。

現時点では v1beta エンドポイントでの提供であり、スキーマの安定性や料金体系についても公式情報が限られている。本番導入を検討する際は、仕様変更のリスクを念頭に置きつつ段階的な評価から始めるのが現実的だ。

詳細はGemini Decisions API: Fast, calibrated multimodal decisionsを参照していただきたい。