✦ EYTVERSE — UNIVERSE WITH A SOUL
☁️ SEMESTA KREATIF ERIKA YUMNA TIFFANY • 🤝 KOLABORASI BERSAMA LALA (@ASC.LALA)
✦ EYT
EYTverse Universe with a Soul
✦ EYTVERSE — UNIVERSE WITH A SOUL
DITERBITKAN November 11, 2026 • TIM REDAKSI EYTVERSE (DIKURASI KREATOR)

Gemini Decision 1: Model Google yang Menjawab, Bukan Menulis


 
Pada 11 November 2026, Google merilis Gemini Decision 1 beserta Gemini Decisions API, sebuah model AI yang tidak pernah menulis satu kata pun. Model ini membaca teks, gambar, audio, video, atau PDF, lalu menjawab hingga 1.000 pertanyaan terdefinisi tentang materi tersebut dalam sekali jalan — bukan dengan paragraf, melainkan dengan jawaban dan skor keyakinan. Peluncuran ini dilaporkan pada hari yang sama oleh VentureBeat, Unite.AI, dan sejumlah media teknologi lainnya, yang merujuk pada pengumuman resmi Google dan dokumentasi Gemini API. Di tengah banjir model generatif yang berlomba menulis lebih panjang dan lebih fasih, Google justru merilis model yang menolak menulis sama sekali. Dan justru di situlah letak idenya.


Selama ini, ketika sebuah program membutuhkan keputusan dari AI — apakah sebuah permintaan melanggar kebijakan, alat mana yang harus dipakai agen, ke model mana sebuah pertanyaan harus diteruskan, atau apakah sebuah jawaban sudah benar — caranya adalah meminta model bahasa menulis jawaban, lalu mengubah tulisan itu kembali menjadi nilai terstruktur yang bisa dieksekusi oleh kode. Proses bolak-balik ini lambat, mahal, dan rapuh: model bisa menjawab dengan format yang tidak terduga, menambahkan penjelasan yang tidak diminta, atau menjawab dengan kata-kata yang harus diparse dengan ekspresi reguler. Gemini Decision 1 memotong seluruh proses itu dengan mengembalikan angka yang bisa langsung dipakai program.


## Cara kerja model yang tidak menulis


Gemini Decision 1 bekerja dengan cara yang berbeda dari model bahasa biasa. Model bahasa konvensional menghasilkan jawaban token demi token, satu kata demi satu kata, sampai kalimatnya selesai. Gemini Decision 1 justru menilai kandidat jawaban yang sudah ditentukan dalam satu forward pass — satu langkah inferensi — lalu mengembalikan probabilitas untuk setiap kandidat. Menurut laporan Unite.AI, pendekatan inilah yang memungkinkan program bercabang, mengurutkan, dan meneruskan alur kerja secara langsung berdasarkan jawaban yang bertipe, tanpa harus mengubah teks menjadi nilai terlebih dahulu.


Dalam satu permintaan, pengembang mengirim satu masukan bersama (shared input) yang bisa berupa teks, gambar, audio, video, atau PDF, dengan total hingga 262.144 token, beserta daftar pertanyaan tentang masukan tersebut. Menurut dokumentasi Google yang dikutip Unite.AI dan Madrobot, ada tiga jenis pertanyaan yang didukung. Pertama, yes/no (noul): memeriksa apakah sebuah pernyataan berlaku, dan mengembalikan probabilitas bahwa kondisi tersebut benar, antara 0,01 dan 0,99. Kedua, choice (pilihan ganda): memilih pemenang dari 2 hingga 255 kandidat, dengan probabilitas untuk setiap kandidat. Ketiga, score (skor rubrik): menilai masukan berdasarkan skala berurutan yang ditentukan pengembang, dan mengembalikan skor berbobot beserta probabilitas tiap tingkat.


Setiap jawaban disertai skor keyakinan dari 0 hingga 1, yang didefinisikan sebagai perkiraan probabilitas bahwa jawaban teratas tersebut benar. Menurut laporan Madrobot dan XenoSpectrum, untuk pertanyaan yes/no, keyakinan diambil dari probabilitas yang lebih tinggi antara ya dan tidak; untuk pilihan ganda, keyakinan adalah probabilitas kandidat teratas; dan untuk skor rubrik, keyakinan adalah probabilitas tertinggi di antara tingkat-tingkat skala. Skor keyakinan ini adalah bagian terpenting dari desain API ini: aplikasi dapat meneruskan kasus yang tidak pasti ke manusia atau ke model yang lebih besar, dan hanya mengeksekusi otomatis kasus yang keyakinannya tinggi.


Satu sifat penting lainnya: pertanyaan-pertanyaan dalam satu permintaan bersifat independen satu sama lain. Menurut laporan Unite.AI dan AI Frontier Post, menambah atau menghapus satu pertanyaan tidak mengubah jawaban pertanyaan lainnya. Sifat ini membuat perilaku API dapat diprediksi dan mudah diuji.


## Kecepatan dan harga: angka-angka Google


Google memosisikan Decisions API sebagai alat untuk keputusan yang cepat dan berulang di dalam agen AI. Menurut pengumuman Google yang dikutip berbagai media, model ini membutuhkan 50 hingga 100 milidetik komputasi model, dan 150 hingga 250 milidetik latensi end-to-end untuk masukan multimodal dan konteks hingga 16.000 token. Angka-angka ini berasal dari Google sendiri dan belum diverifikasi secara independen, tetapi jika akurat, model ini bekerja dalam waktu sekitar seperempat detik — cukup cepat untuk dipakai di dalam alur kerja agen yang membutuhkan banyak keputusan berurutan.


Harganya juga agresif. Gemini Decision 1 dipatok 0,10 dolar AS per juta token input, tanpa biaya output sama sekali, karena memang tidak ada token output yang dihasilkan. Menurut laporan MLQ dan AI Frontier Post, masukan bersama hanya ditagih sekali per permintaan, berapa pun banyaknya pertanyaan yang diajukan — setiap pertanyaan tambahan hanya menambah token instruksinya sendiri yang singkat. Struktur harga ini membuat ekonomi API ini sangat berbeda dari model generatif biasa: mengajukan 1.000 pertanyaan tentang satu dokumen tidak jauh lebih mahal daripada mengajukan satu pertanyaan tentang dokumen yang sama. Namun harga per token yang murah tidak otomatis berarti biaya per tugas yang murah: menurut Artificial Analysis, biaya Gemini Decision 1 mencapai 345 dolar AS per juta tugas pada Decision Index, lebih tinggi dari Jev 1.14 yang 156 dolar AS dan Drex Max v1.1 yang 103 dolar AS, sehingga perhitungan biaya harus dilakukan berdasarkan beban kerja sendiri.


## Apa yang bisa dilakukan dengan model keputusan


Google merancang Decisions API untuk keputusan-keputusan kecil yang berulang di dalam perangkat lunak. Menurut laporan VentureBeat dan Unite.AI, contoh penggunaannya antara lain: memilih alat (tool) yang harus dipakai agen AI, memeriksa permintaan terhadap aturan kebijakan, meneruskan pertanyaan ke model yang tepat, serta menilai dan memberi peringkat jawaban. Google sendiri sudah memakai API ini untuk meneruskan pertanyaan di Gemini Notebook, dalam sebuah eksperimen desain di Stitch, dan sebagai lapisan keamanan untuk alat MCP di Search, menurut laporan MLQ.


Untuk memahami kegunaannya, bayangkan sebuah agen pelanggan yang menerima ribuan pesan setiap hari. Sebelum pesan diteruskan ke agen manusia atau ke model besar yang mahal, sistem dapat mengajukan puluhan pertanyaan tentang setiap pesan dalam satu panggilan: apakah pesan ini berisi keluhan, apakah berisi permintaan pengembalian dana, seberapa mendesak masalahnya, apakah bahasanya sopan atau kasar, dan ke tim mana pesan ini seharusnya diteruskan. Semua pertanyaan itu dijawab dalam seperempat detik, dengan skor keyakinan untuk masing-masing, dan hanya pesan yang ambigu yang diteruskan ke peninjau manusia. Tanpa model keputusan, alur kerja yang sama membutuhkan model generatif yang menulis analisis untuk setiap pesan, lalu kode tambahan untuk mengekstrak keputusan dari teks tersebut — lebih lambat, lebih mahal, dan lebih rapuh.


Contoh lain adalah moderasi konten dan kepatuhan kebijakan. Sebuah platform dapat mengajukan pertanyaan-pertanyaan terdefinisi tentang setiap unggahan — apakah konten ini mengandung ujaran kebencian, apakah ini spam, apakah ini melanggar kebijakan tertentu — dan mendapatkan jawaban probabilistik yang bisa langsung memicu tindakan otomatis atau peninjauan manusia berdasarkan ambang keyakinan. Karena pertanyaan-pertanyaan itu independen, menambah aturan kebijakan baru tidak mengubah jawaban atas aturan yang sudah ada.


Ada pula penggunaan dalam evaluasi dan penjaminan mutu AI itu sendiri. Pengembang yang membangun sistem AI dapat memakai Decisions API untuk menilai keluaran model lain: apakah jawaban ini benar, apakah jawaban ini lengkap, apakah jawaban ini mengikuti instruksi. Dengan skor rubrik, penilaian dapat dibuat konsisten dan dapat diulang, dan dengan probabilitas per tingkat, pengembang dapat melihat seberapa yakin model penilai terhadap penilaiannya sendiri.


## Skor 66 di Artificial Analysis Decision Index


Untuk menilai kualitas Gemini Decision 1, ukuran independen yang tersedia adalah Artificial Analysis Decision Index v2.1. Menurut laporan VentureBeat dan OrcaRouter, Gemini Decision 1 mendapatkan skor 66 pada indeks tersebut — tepatnya 65,98 — dan menempati peringkat sembilan dari delapan belas model keputusan yang dinilai, sedikit di atas median lapangan yang berada di angka 64. Indeks ini bukan tabel akurasi biasa: indeks ini adalah rata-rata tertimbang dari enam evaluasi, dan masing-masing dinilai sebagai akurasi dikurangi penalti Brier atas keyakinan yang melekat pada jawaban. Dengan kata lain, indeks ini menghukum model yang terlalu percaya diri ketika salah, dan menghargai model yang keyakinannya sesuai dengan akurasinya.


Rincian komponennya menarik. Menurut laporan OrcaRouter, Gemini Decision 1 menempati peringkat pertama pada dua komponen pengetahuan dan penalaran: AA-Omniscience-Decision v1.1 dengan skor 66,3 dan HLE-MultiChoice dengan skor 48,7. Pada komponen pengetahuan, akurasi mentahnya sebesar 44,8 persen adalah yang tertinggi di antara delapan belas model keputusan pada papan peringkat. Namun pada komponen terbesar, AA-Paperclip yang berbobot 30 persen, Gemini Decision 1 hanya mendapat skor 56,8 dan peringkat sembilan. Tes ini mengajukan lima belas pertanyaan tentang setiap dokumen — resume, makalah, faktur, atau kwitansi — dan dokumen hanya dihitung lolos jika seluruh lima belas jawaban benar. Gemini Decision 1 meloloskan 33 persen dokumen secara penuh, dibandingkan 35,5 persen untuk Jev dan 63 persen untuk Drex Max v1.1.


Komponen lainnya menunjukkan gambaran yang beragam. Pada EvalSafe-O*NET-AA, penilaian dokumen tempat kerja, Gemini Decision 1 mendapat 87,1 dan peringkat delapan. Pada When2Call, evaluasi pemanggilan alat dari NVIDIA, model ini mendapat 80,5 dan peringkat empat belas — peringkat terlemahnya. Pada AA-Symmetry, yang menguji apakah model mempertahankan jawabannya ketika urutan pilihan diubah atau dinegasikan, Gemini Decision 1 mendapat 70,5, dan hanya mempertahankan jawabannya 38,3 persen dari waktu. Gambaran keseluruhannya adalah model yang kuat dalam pengetahuan dan penalaran, tetapi masih lemah dalam keputusan dokumen yang ketat dan dalam konsistensi terhadap perubahan urutan.


Perbandingan dengan pesaing terdekat juga penting. Menurut tabel VentureBeat, Jev 1.14 dari TypeSafe mendapat skor 66,23 — hanya sedikit di atas Gemini Decision 1 yang 65,98 — dengan waktu 92 milidetik per tugas dan biaya 156 dolar AS per juta tugas. Drex Max v1.1 memimpin papan peringkat dengan skor 72,62, waktu 283 milidetik per tugas, dan biaya 103 dolar AS per juta tugas. Clef-Omni mendapat 57,75, dan GPT-6 Luna (Decisions) mendapat 60,25. Jadi Gemini Decision 1 berada di tengah atas, bersaing ketat dengan Jev, tetapi tertinggal dari Drex Max v1.1 yang memimpin.


Satu hal yang perlu dicatat dengan jujur: Google sendiri tidak mempublikasikan tabel benchmark apa pun bersama model ini. Menurut laporan OrcaRouter, catatan rilisnya mengumumkan model dan API, dan dokumentasinya menjelaskan bentuk permintaan serta batasannya, tetapi tidak ada angka kinerja dari vendor yang bisa dibandingkan. Semua angka kinerja di atas berasal dari Artificial Analysis, yang diukur dengan harness evaluator mereka sendiri. Ini berarti penilaian independen tersedia, tetapi penilaian dari vendor tidak ada — situasi yang tidak biasa untuk peluncuran model besar, dan alasan tambahan untuk menunggu evaluasi independen lebih lanjut.


## Kategori baru: model keputusan


Gemini Decision 1 bukan satu-satunya model keputusan yang ada, dan memahami kategori ini membantu menempatkan peluncuran Google dalam konteks yang tepat. Menurut laporan VentureBeat, dalam benchmark peluncuran Google sendiri, Gemini Decision 1 memimpin lima dari tujuh tes yang dijalankan keempat model, dan mendapat skor 92,2 persen pada JevBench, di depan GPT-6 Luna dengan 90,9 persen dan Jev 1.14 dengan 90,0 persen. Model ini juga memiliki kesalahan kalibrasi terendah dalam perbandingan Google, yaitu 0,0250, kira-kira setengah dari Jev yang 0,0494. Namun angka-angka ini berasal dari Google sendiri dan belum direplikasi secara independen.


Kategori model keputusan sendiri masih sangat baru. Model-model seperti Jev dari TypeSafe, Clef, dan penawaran dari Microsoft menunjukkan bahwa industri sedang membangun kategori produk yang berbeda dari model bahasa generatif: model yang dirancang khusus untuk menjawab pertanyaan tertutup dengan probabilitas, bukan untuk menulis teks. Perbedaan ini penting karena menentukan bagaimana model dievaluasi: bukan dari kefasihan atau kreativitas, melainkan dari akurasi dan kalibrasi — seberapa sering model benar, dan seberapa jujur keyakinannya tentang kebenarannya sendiri.


## Batasan dan hal yang belum didukung


Seperti halnya peluncuran API baru lainnya, Gemini Decisions API hadir dengan sejumlah batasan yang perlu diketahui pengembang sebelum menggunakannya. Menurut laporan Unite.AI dan Dev.to, akses awal dibatasi pada Gemini Developer API v1beta, dengan Gemini Decision 1 sebagai satu-satunya model yang tersedia. Instruksi pertanyaan hanya berupa teks, dan riwayat percakapan serta blok pemanggilan alat (tool-call blocks) tidak didukung. Menurut laporan MLQ, belum ada dukungan untuk prompt caching, Batch API, maupun inferensi Flex atau Priority. Model ini juga hanya tersedia di Google, melalui Gemini API di Google AI Studio, dengan tier gratis yang tersedia untuk pembuatan prototipe, dan tidak ada daftar di Vertex AI dalam dokumentasi yang dirilis Google, menurut OrcaRouter.


Batasan-batasan ini masuk akal untuk API yang baru dirilis, tetapi memiliki implikasi praktis. Tanpa prompt caching, pengembang yang mengajukan pertanyaan yang sama berulang kali tentang masukan yang sama akan membayar penuh untuk masukan bersama setiap kali. Tanpa Batch API, tidak ada cara resmi untuk mengantrekan pekerjaan besar dengan harga yang lebih murah. Dan tanpa dukungan riwayat percakapan, setiap permintaan harus membawa seluruh konteksnya sendiri.


Ada pula peringatan penting tentang kalibrasi yang disampaikan dalam dokumentasi dan laporan peliputnya. Menurut laporan Unite.AI, Google merekomendasikan agar pengembang menetapkan ambang batas (threshold) menggunakan contoh berlabel dari lalu lintas mereka sendiri, dan tetap mempertahankan pemeriksaan manusia atau pemeriksaan kedua untuk tindakan berisiko tinggi seperti pembayaran. Menurut XenoSpectrum, keyakinan yang dikembalikan model tidak boleh diperlakukan begitu saja sebagai tingkat akurasi yang sebenarnya. Peringatan ini penting: skor keyakinan adalah perkiraan model tentang kebenarannya sendiri, dan perkiraan tersebut bisa saja salah — terutama pada jenis masukan yang berbeda dari data yang dipakai untuk mengkalibrasi model.


## Mengapa model yang menjawab penting bagi agen AI


Untuk memahami mengapa Google merilis model ini sekarang, ada baiknya melihat arah industri agen AI. Agen-agen AI modern membuat ratusan keputusan kecil dalam satu tugas: alat mana yang dipakai, apakah sebuah langkah berhasil, apakah sebuah permintaan aman, apakah sebuah hasil sudah cukup baik untuk diserahkan ke pengguna. Setiap keputusan itu, jika diambil oleh model bahasa generatif, membutuhkan waktu dan biaya token output, serta kode tambahan untuk mengubah teks menjadi tindakan. Ketika keputusan-keputusan itu diambil oleh model yang mengembalikan probabilitas dalam 150 hingga 250 milidetik, arsitektur agen menjadi lebih sederhana, lebih cepat, dan lebih murah.


Gemini Decision 1 juga mencerminkan pergeseran yang lebih luas dalam cara industri memandang model AI: bukan lagi satu model raksasa yang melakukan segalanya, melainkan ekosistem model-model khusus yang masing-masing melakukan satu hal dengan baik. Dalam ekosistem seperti itu, Decisions API mengisi celah yang selama ini diisi dengan cara yang canggung — meminta model penulis untuk berpura-pura menjadi model penilai.


## Kesimpulan


Gemini Decision 1 adalah model yang menarik justru karena ia menolak melakukan hal yang paling diasosiasikan dengan AI modern: menulis. Dengan mengembalikan jawaban terdefinisi beserta skor keyakinan — ya atau tidak, pilihan ganda, atau skor rubrik — untuk hingga 1.000 pertanyaan dalam sekali jalan, dengan latensi 150 hingga 250 milidetik dan harga 0,10 dolar AS per juta token input tanpa biaya output, model ini menawarkan cara yang lebih cepat, lebih murah, dan lebih dapat diandalkan untuk mengambil keputusan-keputusan kecil yang berulang di dalam perangkat lunak. Skor 66 pada Artificial Analysis Decision Index, dengan peringkat sembilan dari delapan belas dan peringkat pertama pada komponen pengetahuan, menempatkannya di tengah atas kategori model keputusan yang baru muncul — bersaing ketat dengan Jev, tertinggal dari Drex Max v1.1, dan jauh di depan model-model yang lebih kecil.


Namun gambaran yang seimbang harus menyertakan catatan-catatan pentingnya: semua angka kinerja berasal dari Google atau Artificial Analysis, bukan dari pengujian penulis; model ini hanya meloloskan 33 persen dokumen secara penuh pada tes AA-Paperclip; belum ada dukungan untuk caching, batch, atau Vertex AI; dan skor keyakinan tidak boleh diperlakukan sebagai tingkat akurasi yang sebenarnya. Bagi pengembang yang membangun agen AI, Decisions API layak dicoba — tetapi dengan pengujian kalibrasi sendiri dan dengan jalur fallback ke manusia untuk keputusan berisiko tinggi.


Catatan transparansi: Artikel ini disusun dari pemberitaan sekunder yang dapat dilacak, terutama pengumuman resmi Google tentang Gemini Decisions API pada 11 November 2026 sebagaimana dilaporkan oleh VentureBeat, Unite.AI, Madrobot, MLQ, AI Frontier Post, XenoSpectrum, dan Dev.to, serta skor Artificial Analysis Decision Index v2.1 sebagaimana dilaporkan oleh VentureBeat dan OrcaRouter. Semua angka kinerja, harga, dan latensi adalah angka yang dilaporkan Google dan Artificial Analysis, bukan hasil pengukuran penulis. Penulis tidak mengakses Gemini Decisions API, tidak memakai Gemini Decision 1, dan tidak melakukan pengujian langsung terhadap model ini. Jika ada pembaruan dokumentasi, perubahan harga, atau hasil evaluasi independen setelah artikel ini ditulis, informasi tersebut belum tercakup di sini.

✦ KARYA ORISINAL EYTVERSE • PERSONA & KOLABORASI

Semesta Kreatif Erika & Kolaborasi Lala

EYTverse berpusat pada Erika Yumna Tiffany sebagai AI muse dan persona editorial utama yang memberi benang merah pada seluruh eksplorasi teknologi, visual, musik, dan busana di situs ini—serta berkolaborasi erat dengan karakter Alana Sheela Clarissa (Lala / @asc.lala).

☁️ AI MUSE UTAMA & PERSONA EDITORIAL

Erika Yumna Tiffany (Erika)

Titik tumpu identitas EYTverse. Erika merepresentasikan semangat eksplorasi yang hangat, ekspresif, dan penuh rasa ingin tahu—memadukan gaya busana Street-Modest bernuansa pastel dengan eksperimen teknologi AI, pengujian tools kreatif, serta proyek musik orisinal seperti "Bismillah" dan "Qadarullah".

LAGU ORISINAL EYTVERSE Bismillah — Erika Yumna Tiffany
🌸 KOLABORATOR UTAMA • @ASC.LALA

Alana Sheela Clarissa (Lala)

Karakter kolaborator dalam semesta kreatif ini dengan identitas ASC Lala (@asc.lala) yang berdiri mandiri. Lala menghadirkan nuansa Luxury Modern Modest yang tenang dan reflektif melalui seri karya visual, busana, serta lagu orisinal "Sakinah".

LAGU ORISINAL KOLABORATOR Sakinah — Alana Sheela Clarissa
01 // PERSONA & AI MUSE

Erika Yumna Tiffany

Titik tumpu identitas dan persona editorial yang menyatukan beragam topik ke dalam dunia kreatif EYTverse.

02 // KREATOR MANUSIA

Pengarah & Kurator

Menentukan arah proyek, memberikan instruksi, memilih topik, serta mengkurasi dan menyunting konten sesuai kebutuhan.

03 // KOLABORASI AI

Eksplorasi & Draf Kreatif

Membantu pengembangan draf tulisan, analisis, ide, dan materi visual/audio secara terbuka.