Jev: a IA que decide em vez de redigir (e por que isso pode mudar a automação)

Um dos co-inventores do ChatGPT se fez uma pergunta perturbadora: por que modelos de chat «super-humanos» ainda não automatizaram massivamente o trabalho? Sua resposta é um novo tipo de modelo, apresentado pela empresa TypeSafe e chamado Jev, treinado com um método chamado RLCD. Sua aposta: a IA mais útil para a economia não é aquela que fala melhor, mas aquela que decide mais rápido. Decodificação, com as nuances importantes.

O problema: discutir não é decidir

ChatGPT, Claude ou Gemini são excelentes para compreender, explicar e criar texto. Mas em um software, muitas vezes precisamos de algo muito mais simples: uma decisão. Este e-mail é urgente? Esta transação é suspeita? Para qual serviço rotear este ticket? Um modelo de chat responde com uma frase que precisa ser interpretada depois; Jev responde diretamente com a decisão.

O que Jev faz concretamente

Enquanto um LLM clássico redige uma resposta em texto livre, Jev escolhe diretamente entre valores autorizados e retorna uma saída estruturada, imediatamente utilizável pelo seu código.

// Um LLM clássico responde em texto livre :
// « Après analyse, je pense que ce courriel est
//   probablement une reclamation urgente... »

// Jev responde diretamente uma decisão estruturada :
{
  "category": "reclamation_urgente",
  "probability": 0.94
}

O software pode então agir por conta própria: transferir a mensagem, abrir um ticket ou solicitar uma validação humana se a probabilidade for muito baixa.

Por que « 20 a 200× mais rápido » e « 40 a 400× mais barato »

Os LLMs produzem o texto palavra por palavra, e cada palavra gerada é cobrada como output token. Jev não redige: ele seleciona diretamente um valor — uma escolha, um score, uma probabilidade — e pode processar várias perguntas em paralelo. Isso explica as saídas anunciadas como gratuitas e um custo de entrada muito baixo. Atenção, no entanto: esses números se referem a tarefas de decisão adaptadas ao Jev, não a uma comparação universal com os LLMs, e por enquanto provêm da TypeSafe.

O jargão decodificado

• Co-inventing ChatGPT : ter participado dos trabalhos que levaram ao ChatGPT — não tê-lo inventado sozinho.
• Superhuman chat models : melhores que o humano em certas tarefas precisas, não em tudo.
• AGI : inteligência artificial geral, capaz de se adaptar a quase todos os problemas como um humano.
• In stealth : a empresa trabalhava em segredo, sem produto público.
• RLCD : Reinforcement Learning for Calibrated Decisions — produzir decisões acompanhadas de probabilidades confiáveis.
• Frontier model : modelo apresentado como estando na vanguarda tecnológica.
• Composable intelligence : combinar várias pequenas decisões em um workflow complexo.
• AFAICT : « as far as I can tell », de acordo com o que posso constatar.

Atenção ao marketing « zero alucinação »

A fórmula é um pouco enganosa. O Jev normalmente não consegue inventar uma resposta fora das escolhas autorizadas, nem produzir um JSON quebrado ou um texto imaginário. Mas ele pode perfeitamente escolher a resposta válida errada: se precisar decidir entre « fraude », « normal » e « incerto », ele sempre retornará um desses valores — mesmo que classifique uma fraude real como « normal ». Zero alucinação não significa, portanto, zero erro.

Casos de uso muito concretos

Jev brilha quando as respostas possíveis são conhecidas com antecedência:

• Classificar um e-mail: urgente, normal ou spam.
• Detectar uma transação potencialmente fraudulenta.
• Encaminhar automaticamente um ticket para o serviço correto.
• Avaliar a gravidade de um alerta de cibersegurança.
• Classificar um documento: fatura, contrato, CV ou formulário.
• Atribuir uma pontuação de risco a um cliente ou a uma operação.
• Filtrar conteúdo perigoso ou inapropriado.
• Decidir qual agente de IA ou ferramenta chamar.
• Determinar se um caso incerto deve ser enviado a um humano.

Para projetos reais: uma ferramenta de finanças pessoais pode categorizar despesas e identificar transações incomuns; uma plataforma de treinamento pode classificar perguntas de alunos ou verificar critérios de avaliação precisos.

Exemplo real: a compactação no Claude Code

Um plugin open source, fast-jev-compaction, substitui o resumo de compactação do Claude Code por decisões Jev: cada chamada antiga de ferramenta e seu resultado são avaliados em uma única requisição rápida, os rastros obsoletos são removidos ou encurtados, e o que é conservado permanece como está. Resultado: menos tokens, menos ruído no contexto, custo reduzido e processamento potencialmente mais rápido.

Duas observações importantes para evitar mal-entendidos. Primeiro, o plugin não remove as ferramentas, skills ou plugins em si: ele remove apenas seus rastros antigos considerados inúteis no histórico; as mensagens recentes e os textos do usuário e do assistente são protegidos, e em caso de falha ele retorna à compactação normal do Claude Code. Em seguida, se este plugin for escrito em TypeScript, Jev não é limitado ao TypeScript: ele funciona por API, portanto suas decisões podem ser utilizadas também a partir de Python, Java, C# ou outras linguagens.

A boa arquitetura: LLM + Jev

Jev não é nem « um ChatGPT mais poderoso », nem uma AGI. É um motor de julgamento extremamente rápido. A combinação mais promissora é esta: um LLM para compreender, explicar e criar, e Jev para tomar rapidamente as decisões repetitivas. A regra é simples: se você quiser produzir conteúdo, use ChatGPT ou Grok; se precisar tomar milhares de pequenas decisões rápidas, use Jev.

A ideia é realmente interessante para a automação industrial. Resta uma ressalva importante: os desempenhos anunciados vêm principalmente da TypeSafe e deverão ser confirmados por avaliações independentes. Fique de olho.