Google ha ampliado las capacidades de procesamiento de documentos de Gemini API con soporte nativo para archivos de Microsoft Office y OpenDocument, junto con controles para seleccionar solo las partes de un archivo que un modelo debe procesar.

Las aplicaciones pueden enviar documentos de Word, presentaciones de PowerPoint, libros de Excel y archivos de OpenDocument sin convertirlos primero a otro formato compatible. También pueden apuntar a páginas de documentos, pestañas de hojas de trabajo, rangos de celdas, intervalos de audio o video y capas de contenido específicas. Google dice que los clientes procesan y pagan solo por el contenido seleccionado.

La combinación importa más que la compatibilidad básica con el formato de archivo. Convierte la selección de archivos en parte de la solicitud de inferencia y su semántica de facturación, lo que potencialmente reduce la cantidad de material irrelevante enviado a un modelo. También crea un nuevo desafío de compatibilidad para las puertas de enlace que intentan presentar una interfaz coherente entre proveedores.

La conversión de archivos ya no siempre es necesaria

Las aplicaciones de documentos suelen utilizar servicios de conversión para extraer texto, representar páginas o normalizar archivos antes de enviar su contenido a un modelo. La compatibilidad nativa con Office puede eliminar algunos de esos pasos de los procesos basados ​​en Gemini, particularmente para los flujos de trabajo creados en torno a informes, presentaciones y hojas de cálculo.

Esto podría simplificar los sistemas de ingesta y preservar una mayor parte de la estructura original de un documento. Un asistente financiero, por ejemplo, podría dirigir Gemini a una hoja de trabajo o rango de celdas en particular en lugar de extraer y transmitir un libro completo. Un flujo de trabajo de presentación podría seleccionar un grupo de diapositivas, mientras que una aplicación multimedia podría aislar un intervalo de audio o vídeo relevante.

La división está disponible tanto en las indicaciones del usuario como en las respuestas de la función de almacenamiento de archivos. Esto último es importante para los agentes: una herramienta puede devolver un archivo al mismo tiempo que identifica la parte que debe considerar el modelo, en lugar de obligar a la aplicación a crear un archivo derivado separado para cada resultado de la herramienta.

Los beneficios prácticos variarán. Es posible que las fórmulas complejas, los objetos incrustados y los diseños inusuales de Office no se comporten de manera consistente en todos los archivos, y el paquete de investigación no establece reducciones universales de token o latencia. Los equipos necesitarán pruebas representativas antes de eliminar las etapas de conversión y validación existentes.

El contenido seleccionado se convierte en un límite de facturación

GoogleLa afirmación de que los clientes pagan solo por el contenido seleccionado introduce un límite de costos más granular que el procesamiento de archivos completos. Las aplicaciones pueden potencialmente evitar pagar para inspeccionar cientos de páginas irrelevantes o pestañas de hojas de cálculo no utilizadas cuando una tarea concierne sólo a una sección estrecha.

Los desarrolladores aún deben evitar tratar un selector como una estimación de costo garantizada. El eventual recuento de tokens y el tiempo de procesamiento pueden depender de la estructura del archivo, el segmento seleccionado y cómo el modelo representa ese material. Los registros de uso deben conservar tanto la referencia del archivo original como los parámetros de selección exactos para que los costos puedan explicarse más adelante.

Esto es especialmente relevante para revendedores y plataformas de software que muestran a los clientes un desglose del uso. Es posible que sus libros de contabilidad necesiten distinguir el tamaño de un archivo cargado de la parte enviada para inferencia. Sin esa distinción, una factura podría parecer inconsistente con el documento visible para el usuario o hacer que las disputas de costos sean difíciles de investigar.

OpenAI la compatibilidad no cubre todos los selectores

Los selectores de página, hoja de cálculo, rango de celdas, intervalo de medios y capa de contenido no se asignan claramente a una entrada de archivo compatible con OpenAI convencional.Por lo tanto, una puerta de enlace multimodelo API para equipos tiene varias opciones: exponer extensiones específicas de Gemini, traducir un subconjunto portátil de selectores o exigir que las aplicaciones preprocesen archivos antes de usar proveedores que carecen de controles equivalentes.

Descartar silenciosamente selectores no compatibles sería arriesgado. Podría hacer que un proveedor procese un documento completo, cambiando tanto la respuesta como la factura. Las puertas de enlace deben validar las solicitudes, identificar los tipos de selección no admitidos y registrar la solicitud normalizada que finalmente se envió en sentido ascendente.

El mismo problema afecta el enrutamiento. Dos modelos pueden anunciar la entrada de documentos y al mismo tiempo admitir tipos de archivos, controles de selección y reglas de facturación sustancialmente diferentes. Un plano de control AI API para los equipos de desarrolladores debe representar esas capacidades explícitamente en lugar de tratar la "entrada de archivos" como una única característica intercambiable.

Lo que los desarrolladores deben verificar

Los equipos que usan Gemini deben probar archivos representativos de Word, PowerPoint, Excel y OpenDocument, incluidos archivos con fórmulas, medios incrustados y diseños complejos. Deben comparar las solicitudes de archivos completos y fragmentados en cuanto a la calidad de la respuesta, el uso y la latencia, al tiempo que conservan los metadatos del selector en los registros.

Los operadores de puerta de enlace tienen trabajo adicional: definir un esquema para los nuevos controles, rechazar rutas entre proveedores no admitidas y actualizar la medición de cara al cliente para mostrar qué contenido se seleccionó. El lanzamiento puede reducir el trabajo de conversión y el procesamiento innecesario, pero solo cuando esas nuevas solicitudes y la semántica de facturación sobrevivan a cada capa entre la aplicación y Gemini.