Jev: o novo modelo de IA que classifica em vez de gerar texto

Um modelo que não escreve — ele decide

A maioria dos modelos de IA que usamos hoje faz a mesma coisa: gera texto, token por token. É assim que um ChatGPT ou um Claude respondem. Mas existe um gargalo escondido nesse formato: todo agente de IA roda em um loop, e cada decisão desse loop exige uma nova chamada ao modelo. O resultado é um sistema lento e caro, mesmo quando a tarefa é simples.

É exatamente esse gargalo que o Jev, novo modelo lançado pela TypeSafe AI, promete atacar. A aposta da empresa é simples e ousada: um modelo que não gera texto nenhum. Em vez disso, ele classifica e avalia. E faz isso de forma rápida, barata e — o detalhe mais interessante — em paralelo.

O que é um “modelo System One”

A TypeSafe chama o Jev de “System One model”, uma referência direta à teoria do psicólogo Daniel Kahneman sobre os dois sistemas de pensamento. O Sistema 1 é rápido, intuitivo e automático; o Sistema 2 é lento, deliberativo e analítico. Os LLMs tradicionais seriam o Sistema 2 — pensam, raciocinam, geram texto. O Jev seria o Sistema 1: uma camada de decisão instantânea.

Na prática, isso significa que o Jev responde a perguntas estruturadas em vez de escrever parágrafos. Ele suporta três tipos de pergunta:

• Choice — escolhe entre um conjunto de opções e devolve a probabilidade de cada uma, com um índice de confiança.
• Score — pontua uma entrada contra níveis ordenados (baixo, médio, alto), retornando a pontuação contínua e a distribuição subjacente.
• Noul — responde a perguntas de sim/não, devolvendo a probabilidade de a afirmação ser verdadeira.

O truque que torna o Jev eficiente: você pode fazer várias perguntas sobre o mesmo estado em uma única requisição. Como a própria TypeSafe descreve, os modelos System One avaliam cada pergunta em paralelo — “adicionar perguntas quase não muda o tempo de resposta e custa apenas os tokens das perguntas extras, que são baratos”.

Onde o Jev encaixa no seu agente

É importante deixar claro: o Jev não substitui um LLM. Ele não gera texto e não raciocina de forma aberta. O valor dele está em tirar do LLM as tarefas de classificação que hoje desperdiçam latência e dinheiro. A TypeSafe descreve o Jev como um complemento: use o LLM para raciocínio e geração, e o Jev para as decisões rápidas e estruturadas do caminho.

Dois casos de uso se destacam:

• Roteamento de modelos — uma consulta simples de busca não precisa do mesmo modelo que uma tarefa de depuração difícil. Um middleware de roteamento usa o Jev para avaliar a requisição e escolher o modelo adequado, mais barato para o trivial e mais capaz para o complexo.
• Auto Mode — agentes ainda são intrinsecamente pouco confiáveis. Ferramentas como Claude Code e Codex têm classificadores internos que bloqueiam ações perigosas antes de executá-las, mas essa etapa sempre ficou trancada no código fechado. Com um classificador barato e performático disponível, o mesmo padrão de segurança pode ser aplicado a qualquer agente.

Os primeiros usos reais já apareceram: a Browserbase está usando o Jev para alimentar agentes de navegação por frações de centavo, e desenvolvedores construíram desde agentes de trading ao vivo até triagem de e-mail em escala.

Por que isso importa agora

O Jev chega em um momento em que o custo de operar agentes de IA se tornou o principal freio para colocá-los em produção. Se uma camada de classificação barata e paralela puder assumir boa parte das decisões que hoje passam por um LLM completo, o custo por tarefa de um agente cai drasticamente — e casos de uso que eram inviáveis economicamente passam a fechar a conta.

A integração com o LangChain (via o pacote langchain-typesafe) já está disponível, o que deve acelerar a adoção entre quem constrói agentes em Python. Ainda é cedo para cravar que o Jev vai virar padrão, mas a proposta — separar decisão de geração — ataca um problema real e bem medido do ecossistema de agentes.