O que é JEV?
O JEV é um modelo de inteligência artificial desenvolvido pela TypeSafe AI para tomar decisões estruturadas dentro de softwares.
Essa definição parece simples, mas representa uma abordagem bastante diferente daquela que popularizou ferramentas como ChatGPT, Claude e Gemini.
Enquanto os grandes modelos de linguagem ficaram conhecidos pela capacidade de conversar, escrever textos, desenvolver código e responder perguntas, o JEV foi projetado principalmente para fazer algo diferente: analisar uma situação e decidir.
A própria TypeSafe AI apresenta o JEV como seu primeiro System One Model, uma nova categoria de modelos voltados para decisões rápidas que possam ser utilizadas diretamente por sistemas computacionais. O modelo foi apresentado publicamente em 15 de setembro de 2026.
Você pode conhecer a apresentação oficial no blog da TypeSafe AI sobre o JEV.
Em vez de perguntar a uma inteligência artificial:
“Escreva um texto explicando se este cliente está interessado em comprar.”
um sistema poderia enviar os dados do cliente ao JEV e perguntar:
“Qual é a probabilidade de este contato ter intenção de compra?”
O resultado não precisa ser um parágrafo. Pode ser simplesmente uma decisão acompanhada de uma probabilidade.
Essa diferença muda profundamente a forma como a inteligência artificial pode ser incorporada a softwares, sistemas empresariais, agentes autônomos e aplicações em tempo real.
Por que a TypeSafe chama o JEV de System One?
O conceito de System One, ou Sistema 1, é inspirado na distinção popularizada pelo psicólogo Daniel Kahneman entre formas rápidas e intuitivas de julgamento e processos mais lentos e deliberativos.
A TypeSafe utilizou essa ideia para descrever uma categoria de inteligência artificial especializada em decisões rápidas.
Segundo a empresa, modelos de linguagem tradicionais são extremamente flexíveis, mas essa flexibilidade tem um custo. Eles normalmente precisam gerar uma resposta palavra por palavra, ou mais precisamente token por token.
O JEV segue outra filosofia.
Ele recebe informações sobre o estado de uma situação, analisa perguntas previamente definidas e devolve decisões estruturadas que podem ser utilizadas diretamente pelo programa.
É quase como transformar inteligência artificial em uma nova espécie de função dentro do código.
O software fornece uma situação.
O JEV avalia.
O JEV retorna probabilidades.
O código decide o que fazer com elas.
Essa arquitetura ajuda a explicar a frase utilizada pela TypeSafe para resumir sua proposta: dados não estruturados entram e decisões probabilísticas tipadas saem.
Como o JEV funciona na prática?
Uma chamada ao JEV contém essencialmente um estado e um conjunto de perguntas.
O estado representa aquilo que o modelo precisa analisar.
Imagine uma empresa recebendo a seguinte mensagem:
“Olá, gostaria de saber o preço do aplicativo para Samsung, LG, Roku e Android TV. Vocês também fazem a publicação?”
Esse texto pode ser enviado como estado.
Em seguida, o sistema pode perguntar ao JEV qual é a intenção desse usuário, qual é sua probabilidade de compra, qual departamento deve receber o contato ou qual deve ser a prioridade comercial.
A documentação oficial da API mostra que o endpoint do System One aceita um estado e múltiplas perguntas em uma mesma requisição.
A documentação técnica pode ser consultada diretamente na API oficial da TypeSafe AI.
O ponto particularmente interessante é que essas perguntas podem ser processadas como decisões estruturadas, evitando a necessidade de solicitar ao modelo a geração de um longo texto para cada pequena avaliação.
Choice, Score e Noul: os três tipos de decisão do JEV
O JEV trabalha atualmente com três primitivas principais de decisão chamadas Choice, Score e Noul.
Choice é usado quando o modelo precisa escolher entre alternativas previamente definidas.
Imagine um atendimento que precisa ser classificado como comercial, suporte técnico, financeiro ou cancelamento.
O JEV pode analisar a mensagem e distribuir probabilidades entre essas opções.
Score é apropriado para situações em que algo precisa receber uma pontuação dentro de uma escala ordenada.
Uma empresa poderia, por exemplo, utilizar esse recurso para avaliar o nível de urgência de uma solicitação, a relevância de um documento ou a qualidade de determinado conteúdo.
Noul representa uma avaliação probabilística semelhante a uma pergunta de sim ou não.
Um sistema poderia perguntar:
“Há indícios de fraude?”
“Este cliente demonstra intenção de cancelar?”
“Este documento precisa de análise humana?”
Em vez de simplesmente responder sim ou não, o modelo pode retornar uma probabilidade, permitindo que o próprio sistema defina limites de segurança.
Essa combinação é importante porque permite transformar julgamentos que antes eram difíceis de programar em componentes que podem fazer parte de workflows convencionais.
Por que não usar simplesmente ChatGPT ou Claude?
Essa é provavelmente a pergunta mais importante para entender o JEV.
Modelos como ChatGPT e Claude são extremamente versáteis. Eles escrevem, programam, resumem documentos, conversam e executam raciocínios complexos.
O problema é que muitas aplicações empresariais não precisam gerar um texto.
Elas precisam tomar uma decisão.
Imagine um sistema processando 10 milhões de registros.
Para cada registro, ele precisa saber apenas se determinada condição parece verdadeira, qual categoria melhor representa o conteúdo ou qual prioridade deve receber.
Pedir para um grande modelo de linguagem elaborar uma resposta completa para cada uma dessas decisões pode introduzir latência e custos desnecessários.
A proposta do JEV é especializar a inteligência artificial nessa camada decisória.
A TypeSafe afirma que seu modelo pode trabalhar com latência na faixa de aproximadamente 70 a 500 milissegundos em seus testes e que o processamento pode ser dezenas de vezes mais rápido do que modelos de fronteira em tarefas adequadas ao formato System One. Esses números são afirmações publicadas pela própria empresa e podem variar conforme localização, carga, integração e natureza da tarefa.
Quanto custa usar o JEV?
Outro ponto que chama atenção é o modelo de preços.
No momento desta publicação, a TypeSafe informa um preço de US$ 42 por bilhão de tokens de entrada, equivalente a US$ 0,042 por milhão de tokens. A empresa informa também que não cobra pelos tokens de saída do JEV.
Consulte sempre o site oficial da TypeSafe AI antes de realizar cálculos de custos, porque preços de serviços de inteligência artificial podem mudar.
Essa estrutura pode tornar o modelo especialmente interessante para empresas que precisam executar enormes quantidades de pequenas decisões.
O benefício potencial não vem apenas do preço por token. Vem do fato de o modelo não precisar gerar longas sequências de texto para entregar uma decisão simples.
O que significa RLCD?
Uma das tecnologias apresentadas pela TypeSafe junto com o JEV é o Reinforcement Learning for Calibrated Decisions, chamado de RLCD.
Em português, podemos interpretar o conceito como aprendizado por reforço voltado para decisões calibradas.
Modelos conversacionais normalmente são treinados e ajustados utilizando diferentes técnicas destinadas a produzir respostas úteis, coerentes e alinhadas às preferências humanas.
No caso do JEV, a TypeSafe afirma ter direcionado o treinamento para outro objetivo: produzir decisões acompanhadas de probabilidades que representem adequadamente a incerteza do modelo.
Isso é fundamental para automação.
Imagine que um sistema considera automaticamente uma transação legítima quando a confiança ultrapassa determinado limite.
Quando a confiança estiver baixa, o software pode encaminhar o caso para uma pessoa.
A inteligência artificial não precisa fingir certeza.
A incerteza pode fazer parte do próprio workflow.
O JEV realmente não alucina?
Aqui existe uma distinção muito importante.
A TypeSafe utiliza a expressão “zero hallucinations” para explicar uma característica estrutural do JEV. Como as respostas possíveis são definidas previamente, o modelo não pode simplesmente inventar um novo formato de saída ou produzir uma opção que não estava prevista naquele tipo de decisão.
Isso não significa que o JEV seja incapaz de errar.
Imagine que o software pergunta se determinado e mail é comercial ou suporte.
O modelo obrigatoriamente retorna uma resposta dentro das possibilidades definidas, mas ainda pode classificar incorretamente a mensagem.
Portanto, existe uma diferença essencial entre não inventar uma saída fora do esquema permitido e estar sempre correto.
A própria abordagem da TypeSafe utiliza probabilidades e níveis de confiança justamente porque existe incerteza. O software pode então criar políticas para decidir quando confiar automaticamente no resultado e quando solicitar revisão humana.
Onde o JEV pode ser utilizado?
O potencial mais interessante do JEV aparece em aplicações que realizam grandes quantidades de pequenas decisões.
Atendimento ao cliente é um bom exemplo.
Um sistema pode identificar intenção, urgência, possibilidade de cancelamento, necessidade de intervenção humana e departamento responsável antes mesmo de uma pessoa abrir a mensagem.
Em vendas, a IA pode ajudar a classificar oportunidades, identificar sinais de interesse e priorizar contatos.
Em processamento de documentos, pode analisar notas fiscais, contratos, solicitações e registros para decidir quais itens precisam de revisão.
Em segurança, pode auxiliar sistemas a classificar alertas e determinar quais situações justificam escalonamento.
A própria TypeSafe publicou avaliações envolvendo atendimento ao cliente, processamento de faturas, observabilidade de agentes e incidentes de segurança. Esses experimentos devem ser interpretados como avaliações desenvolvidas pela própria empresa, não como certificações independentes.
Os exemplos podem ser explorados no site de avaliações de workflows da TypeSafe.
JEV pode trabalhar junto com ChatGPT ou Claude?
Sim, e talvez esse seja um dos cenários mais interessantes.
Não é necessário escolher entre um modelo decisório e um modelo generativo.
Eles podem assumir funções diferentes.
Imagine um agente de atendimento.
O JEV analisa a mensagem e determina que existe uma alta probabilidade de intenção comercial.
O código verifica o cadastro do cliente.
Um LLM recebe essas informações e escreve uma resposta personalizada.
O JEV analisa posteriormente se a resposta gerada respeita determinadas condições.
O sistema envia a mensagem.
Nesse cenário, cada tecnologia faz aquilo para o qual foi melhor projetada.
O JEV toma decisões estruturadas.
O LLM produz linguagem.
O software mantém controle sobre regras, permissões e ações.
Essa arquitetura híbrida pode ser mais interessante do que simplesmente pedir a um único modelo que faça tudo.
O caso Pokémon Red chamou atenção para o JEV
Poucos dias depois do lançamento, o JEV ganhou visibilidade com experimentos realizados por desenvolvedores.
Um dos casos divulgados envolveu Pokémon Red. Segundo reportagem da Tom’s Hardware, um projeto utilizando o JEV conseguiu chegar ao Hall da Fama do jogo em menos de uma semana. O experimento não deve ser interpretado como uma demonstração de que o JEV realizou tudo sozinho. O projeto utilizava uma infraestrutura criada por desenvolvedores e recebeu auxílio do Claude Opus 5 para analisar logs e ajudar a ajustar situações nas quais o agente ficava preso.
A experiência é interessante justamente porque demonstra uma possível direção para agentes de IA: modelos especializados cooperando entre si, em vez de um gigantesco modelo tentando executar sozinho todas as etapas de um problema.
O interesse da comunidade também levou a hackathons e experimentos com aplicações de atendimento, robótica e ferramentas de IA, segundo reportagem recente do Business Insider.
JEV substituirá os grandes modelos de linguagem?
Provavelmente essa é a forma errada de enxergar a tecnologia.
O JEV não foi projetado para escrever um artigo como este.
Também não pretende substituir diretamente um modelo especializado em programação, redação, pesquisa ou conversação.
Sua proposta está em outra camada.
A pergunta mais útil talvez seja:
Quantas vezes estamos utilizando um enorme modelo generativo quando tudo o que nosso software realmente precisava era de uma decisão?
Se a resposta for “muitas vezes”, modelos especializados como o JEV podem representar uma mudança importante na arquitetura dos sistemas de inteligência artificial.
IA deixa de ser apenas conversa e passa a integrar o software
A primeira grande onda da IA generativa levou inteligência artificial para a interface de chat.
A próxima etapa pode levá-la para dentro das regras de funcionamento dos próprios sistemas.
Um banco pode precisar avaliar risco.
Um marketplace precisa classificar produtos.
Um software empresarial precisa priorizar solicitações.
Um agente precisa escolher qual ferramenta utilizar.
Um serviço de segurança precisa decidir se um alerta merece investigação.
Em todas essas situações existe algo em comum: a saída final não precisa necessariamente ser uma frase.
Precisa ser uma decisão confiável o suficiente para que outro componente do software saiba o que fazer.
É exatamente nesse espaço que a TypeSafe está posicionando o JEV.
O que torna o JEV importante para o futuro da inteligência artificial?
Durante anos, grande parte da evolução da IA pública foi medida pela qualidade das respostas que uma pessoa conseguia obter conversando com um modelo.
JEV propõe uma pergunta diferente:
E se a principal interface da inteligência artificial não for uma caixa de texto, mas o próprio código?
Isso abre espaço para uma arquitetura na qual modelos generativos continuam responsáveis por tarefas abertas e criativas, enquanto modelos decisórios assumem milhões de julgamentos pequenos, repetitivos e estruturados.
O resultado pode ser uma inteligência artificial menos visível para o usuário, porém muito mais presente nos bastidores das aplicações.
Em vez de conversar com a IA, talvez o usuário simplesmente perceba que o software ficou mais inteligente.
Perguntas frequentes sobre o JEV
O que é JEV?
JEV é o primeiro System One Model público da TypeSafe AI. Ele foi desenvolvido para receber informações e produzir decisões estruturadas com probabilidades e níveis de confiança, em vez de gerar longas respostas em linguagem natural.
JEV é um chatbot?
Não. Sua função principal não é conversar. O modelo foi projetado para atuar como mecanismo de decisão dentro de softwares.
JEV é um LLM?
A TypeSafe posiciona o JEV como uma categoria diferente, chamada System One Model. Sua saída não é baseada na geração convencional de strings como ocorre nos grandes modelos de linguagem.
O JEV pode escrever textos?
Essa não é sua finalidade. Para geração de textos, código ou conversas, modelos generativos continuam sendo mais apropriados.
O JEV pode errar?
Sim. Saídas tipadas evitam determinados tipos de falha estrutural, mas não garantem que toda decisão seja correta. Por isso probabilidades, confiança, testes e políticas de revisão continuam importantes.
Quem criou o JEV?
O JEV foi desenvolvido pela TypeSafe AI, empresa fundada por Diogo Almeida. A apresentação oficial do produto foi publicada em 15 de setembro de 2026.
Como testar ou conhecer o JEV?
O ponto de partida mais seguro é o site oficial da TypeSafe AI e a documentação oficial da API.
Conclusão: por que vale a pena acompanhar o JEV
O JEV representa uma ideia simples, mas potencialmente poderosa: nem toda tarefa de inteligência artificial precisa terminar em texto.
Existem bilhões de decisões acontecendo diariamente dentro de softwares. Classificar, priorizar, selecionar, avaliar, direcionar, verificar e decidir fazem parte praticamente de qualquer sistema digital.
A TypeSafe aposta que uma parcela significativa dessas decisões poderá ser realizada por modelos especializados que combinam velocidade, baixo custo, saídas estruturadas e representação explícita de incerteza.
Ainda é uma tecnologia recente, apresentada publicamente em setembro de 2026, e muitas das principais métricas disponíveis foram publicadas pela própria TypeSafe. Portanto, resultados de produção e avaliações independentes serão importantes para determinar até onde essa abordagem poderá chegar.
Mas a ideia por trás do JEV merece atenção.
ChatGPT, Claude e outros grandes modelos mostraram ao mundo que máquinas podem produzir linguagem com qualidade impressionante.
O JEV tenta responder à próxima pergunta:
E se, em vez de pedir para a inteligência artificial falar sobre o que deve ser feito, pudermos integrá-la ao software para ajudar a decidir o que deve ser feito?
É nesse ponto que o JEV pode se tornar mais do que apenas mais um novo modelo de inteligência artificial.
Ele representa uma tentativa de transformar inteligência em uma primitiva nativa do software.
