Jev: quando uma IA que só decide vale mais que um chatbot

O que muda na operação quando a IA só precisa decidir?

Quando a IA só precisa decidir, a operação ganha velocidade e gasta menos nas tarefas de triagem: separar o contato que está pronto para comprar, definir qual chamado atender primeiro, marcar a avaliação que ameaça a reputação. São decisões pequenas, repetidas centenas de vezes por dia, que hoje ocupam alguém da equipe.

A maior parte das empresas que usa IA hoje usa um modelo de linguagem, o tipo de IA por trás do ChatGPT, que responde escrevendo texto. Para triagem, isso sobra. O sistema pede uma categoria, recebe um parágrafo e ainda precisa descobrir qual categoria o parágrafo quis dizer. Quando o modelo escreve algo fora do previsto, a automação para.

O Jev inverte a ordem. Você define antes as respostas possíveis, por exemplo "qualificado", "não qualificado" e "precisa de mais informação", e ele devolve uma delas, com a probabilidade de cada uma. Alguns usos numa PME:

• Atendimento no WhatsApp: ler a conversa e decidir se o contato já pode falar com um vendedor.
• Suporte: dar uma nota de irritação a cada chamado e atender primeiro os mais altos.
• Avaliações de clientes: separar a reclamação comum da que fala em risco à saúde, que precisa de resposta no mesmo dia.
• Cadastro: apontar se um produto parece estar na categoria errada, para alguém conferir.

A probabilidade é o que torna isso usável. Uma decisão com alta certeza segue sozinha; uma decisão dividida vai para uma pessoa conferir. A automação fica com o volume, e a equipe fica com os casos duvidosos.

Quanto custa usar o Jev?

O Jev custa US$ 0,042 por milhão de tokens de entrada, e a resposta não é cobrada, segundo a própria TypeSafe (TypeSafe, 15/09/2026). Token é a unidade em que os modelos de IA medem texto, algo entre uma sílaba e uma palavra. Na prática, cada decisão custa uma fração de centavo.

Uma conta de ordem de grandeza ajuda a enxergar. Se cada conversa analisada tiver 500 tokens, 10 mil conversas somam 5 milhões de tokens, o que dá cerca de US$ 0,21 no preço anunciado. Na comparação da própria TypeSafe, os modelos de linguagem cobram de US$ 0,20 a US$ 10 por milhão de tokens de entrada, e a saída costuma sair cerca de cinco vezes mais cara (TypeSafe, 15/09/2026).

A velocidade segue a mesma lógica. A empresa informa tempo de resposta de 70 a 500 milissegundos, de 40 a 200 vezes mais rápido que os modelos maiores nesse tipo de pergunta (TypeSafe, 15/09/2026). Numa página que reage ao visitante ou numa tela de caixa, essa diferença decide se a ideia funciona ou fica lenta demais para usar.

O preço do modelo, porém, não é o custo do projeto. Definir as opções, integrar com os sistemas da empresa, testar com casos reais e acompanhar os erros depois de ligar consome mais que os tokens de muitos meses. É esse trabalho que decide se a triagem acerta.

Daqui para baixo o texto entra em como o Jev funciona e em como ele se encaixa num fluxo de automação. Quem só queria saber se vale olhar para ele pode pular para a tabela comparativa.

Como o Jev funciona por dentro?

O Jev funciona como um modelo de decisão: recebe o estado do sistema e uma pergunta com respostas previstas, e devolve um valor de formato fixo com probabilidades, em vez de gerar texto palavra por palavra. A TypeSafe chama essa categoria de "System One", em referência ao pensamento rápido e intuitivo descrito por Daniel Kahneman.

A documentação no OpenRouter, o serviço que dá acesso ao modelo, descreve três tipos de pergunta (OpenRouter):

• Choice: escolhe uma entre várias opções e devolve a probabilidade de cada uma.
• Noul: diz se uma condição é verdadeira, com a probabilidade do sim.
• Score: posiciona algo numa escala ordenada, como uma nota de 1 a 5.

A diferença técnica para um LLM (sigla em inglês para modelo de linguagem de grande porte) está na forma de produzir a resposta. O LLM escreve um token depois do outro, e cada um depende dos anteriores. O Jev gera todas as saídas numa única consulta, o que a empresa chama de amostragem não autorregressiva (TypeSafe, 15/09/2026). É daí que vem a velocidade: uma pergunta com dezenas de decisões sai de uma vez.

Os limites também estão escritos. Cada escolha aceita até 255 opções (TypeSafe, 15/09/2026), e a versão 1.13 trabalha com até 32 mil tokens de contexto, somando o estado e as perguntas (OpenRouter). O treino usa um método próprio, chamado RLCD (aprendizado por reforço para decisões calibradas), cujos detalhes não foram publicados.

Quem está por trás é uma empresa nova. A TypeSafe saiu do anonimato em 15/09/2026 com US$ 40 milhões de investimento liderado pelo fundo DCVC, e o fundador, Diogo Almeida, trabalhou na OpenAI no InstructGPT, no ChatGPT e no GPT-4 (DCVC, 15/09/2026).

Por que a TypeSafe diz que o Jev não alucina?

A TypeSafe diz que o Jev não alucina porque a saída é sempre uma das opções definidas antes: o modelo não tem como responder fora do formato, e a empresa afirma que ele "nunca comete erros de tipo" (TypeSafe, 15/09/2026). Essa garantia é de formato, não de acerto.

Alucinação, no uso comum, é o modelo afirmar algo falso com segurança. O Jev elimina uma parte disso: ele não inventa uma categoria que não existe nem devolve uma resposta quebrada. Mas, como observa o pesquisador Anthony Maio, nada impede que ele escolha a opção errada, leia mal a evidência ou dê probabilidade alta a uma resposta ruim (Anthony Maio, 09/2026).

Isso muda onde fica o trabalho de conferência. Deixa de ser preciso checar se a resposta veio no formato certo. Continua sendo preciso checar se ela está certa, por amostragem, com casos reais da empresa.

Como o Jev entra num fluxo de automação que já existe?

O Jev entra num fluxo de automação como um ponto de decisão: o fluxo recebe o dado, pergunta ao Jev e segue por um caminho ou outro conforme a resposta e a probabilidade. A própria TypeSafe descreve esse uso como um "if inteligente" (TypeSafe, 15/09/2026), uma condição que depende de interpretação.

Numa ferramenta como o n8n, plataforma de automação que liga sistemas por fluxos visuais, isso vira uma chamada à API do OpenRouter no meio do fluxo. API é a interface pela qual um sistema conversa com outro. O desenho mais seguro tem três saídas:

1. Certeza alta: o fluxo segue sozinho e encaminha o contato ou abre o chamado prioritário.
2. Certeza intermediária: o caso vai para uma lista de revisão, onde uma pessoa decide.
3. Falha ou demora na resposta: o fluxo registra o erro e segue pela regra padrão, sem perder a mensagem.

O ponto de corte entre a primeira e a segunda saída não vem pronto. Ele sai de um teste com casos já resolvidos, comparando o que o modelo decidiu com o que a equipe decidiu na época. A VT Sávio trabalha com n8n, e é nesse tipo de ponto que um modelo de decisão se encaixa sem trocar o resto do fluxo.

Em automações de triagem, o erro mais frequente não costuma ser do modelo, e sim da lista de opções. Categorias que se sobrepõem, como "urgente" e "reclamação", fazem qualquer modelo oscilar entre as duas, e a certeza baixa acaba lida como defeito da IA. Antes de escolher o modelo, vale escrever as opções e pedir que duas pessoas da equipe classifiquem os mesmos casos. Se elas discordam entre si, o problema está na pergunta, e trocar de modelo não resolve.

Quando o Jev não é a escolha certa?

O Jev não é a escolha certa quando a tarefa pede texto, explicação ou respostas que não cabem numa lista fechada. A documentação é direta: ele não produz raciocínio, explicação nem texto livre, e não substitui um modelo de conversa (OpenRouter). Nesses casos, um modelo de linguagem continua sendo a ferramenta.

Há outras situações em que ele não compensa:

• A regra fixa resolve. Se "pedido acima de determinado valor vai para o gerente" dá conta do problema, uma condição simples é mais barata, mais previsível e mais fácil de auditar que qualquer IA.
• O volume é baixo. Com poucas dezenas de decisões por dia, um modelo de linguagem comum também custa pouco e já vem integrado a muitas ferramentas. A vantagem de preço do Jev só pesa em escala.
• A decisão precisa de justificativa. Crédito, contratação e cobrança costumam exigir que alguém explique por que o sistema decidiu. A LGPD garante ao titular dos dados o direito de pedir revisão de decisões tomadas só por tratamento automatizado que afetem seus interesses (Lei nº 13.709/2018, art. 20). O Jev devolve a probabilidade, não o motivo.
• As opções mudam toda semana ou passam de 255. Uma lista que não se estabiliza não dá base para medir se o modelo está acertando.

Nenhum desses casos pede desistir da automação. Pede escolher a peça certa para cada ponto: regra fixa onde ela resolve, modelo de linguagem onde é preciso escrever, e um modelo de decisão onde há muito volume e resposta fechada. As três convivem no mesmo fluxo.

O que ainda não dá para afirmar sobre o Jev?

Ainda não dá para afirmar que as probabilidades do Jev são confiáveis fora dos testes da própria TypeSafe. O modelo foi lançado em acesso antecipado em 15/09/2026, e até 28/09/2026 não havia avaliação independente publicada da calibração, da arquitetura ou do método de treino (Anthony Maio, 09/2026).

Os números de desempenho são da empresa. Os ganhos de 193,6 vezes em velocidade e 444,6 vezes em custo vêm de avaliações internas, e a própria TypeSafe diz esperar que eles fiquem no topo do que se verá no uso real (TypeSafe, 15/09/2026).

O português não está documentado. Nem a documentação do OpenRouter nem o anúncio da TypeSafe mencionam os idiomas suportados. Para uma empresa brasileira, o primeiro teste é com casos reais, em português, antes de qualquer decisão de uso.

Certeza calibrada envelhece. Uma política nova, um perfil de cliente diferente ou uma mudança no produto podem tornar pouco confiáveis probabilidades que funcionavam no mês anterior (Anthony Maio, 09/2026). O acompanhamento precisa continuar depois que a automação entra no ar.

Este artigo foi escrito a partir do anúncio da TypeSafe, da documentação do Jev no OpenRouter, do comunicado do fundo DCVC e da análise de Anthony Maio. Por se tratar de um produto lançado em setembro de 2026, preço, limites e disponibilidade podem mudar.