Como explicar o Jev para o time e para quem aprova o orçamento?

Explicar um modelo que NÃO gera texto pra quem só viu chatbot na vida é o tipo de reunião que trava no primeiro slide

O gestor pergunta "e o que ele responde?" e você diz "uma probabilidade", aí o silêncio come solto na sala 😛

O Jev é o primeiro modelo público da TypeSafe AI dentro da categoria que a própria empresa chama de System One Models, anunciado depois de dois anos em stealth

Ele recebe um state não estruturado mais perguntas tipadas e devolve decisões tipadas com probabilidade, sem fase de geração, sem streaming, sem cadeia de raciocínio

Este post não é review, é roteiro de pitch interno: como traduzir isso pra linguagem de negócio, que perguntas vão aparecer e o que responder com honestidade quando a resposta for "ele não faz isso"

Traduzindo "decisão tipada com probabilidade calibrada" para linguagem de negócio

A frase é feia, mas ela cabe em três benefícios que qualquer gestor entende

Explico o porquê antes do como, que é o que faz o pitch parar de pé

1. Saída restrita: acabou o parsing quebrado

O Jev seleciona entre as opções que VOCÊ fornece na requisição

Isso significa que ele não pode devolver algo fora do conjunto definido nem saída malformada

Traduz assim na reunião: some a classe inteira de bug "a IA respondeu num formato estranho e o job caiu"

Se você conhece um enum no código, é bem semelhante: o conjunto de valores possíveis é fechado antes da chamada, não depois

2. Probabilidade calibrada: você define onde entra humano

A TypeSafe treina o Jev com um método próprio chamado Reinforcement Learning for Calibrated Decisions (RLCD), onde as probabilidades são otimizadas contra desfechos reais pra refletir incerteza

Calibração é a propriedade central que a empresa divulga

Por que isso importa pro negócio? Porque com probabilidade na mão tu monta política, não torcida

Acima de tal valor automatiza, na faixa do meio manda pra fila humana, abaixo cai no fluxo padrão

Esse é o slide que faz o gestor sentar na cadeira: o limite de risco vira um número que ELE escolhe

3. Noul, Choice e Score: formatos que o time já usa

A API trabalha com três primitivas de pergunta

• Noul: sim/não que retorna probabilidade
• Choice: escolha de uma opção entre as que você fornece
• Score: nota em escala (precisa de pelo menos 2 níveis e a API aceita até 10)

Respostas de Choice e Score carregam um valor de confidence entre 0 e 1, derivado da distribuição de probabilidade

E o Noul? Não tem esse campo

Motivo simples, e vale explicar em voz alta antes que alguém do time de dados levante a mão: no Noul a própria probabilidade JÁ é a resposta, então um segundo número de confiança seria redundante

Antes de montar o pitch, vale alinhar internamente para quem o Jev serve, porque metade das objeções da reunião nasce de alguém achando que ele ia escrever o e-mail do cliente

Roteiro de pitch interno: como montar a apresentação em 5 passos

Aqui é o passo a passo da APRESENTAÇÃO, não da implementação

Cada passo vem com o erro comum, porque eu sei que tu vai querer pular o passo 4 haha

1. Escolha UMA decisão que hoje passa por LLM generalista

Roteamento de ticket, triagem de fila, classificação de intenção, escolha de modelo num router, aquela coisa que hoje você pede pro modelo "responder só com uma palavra" e reza

Escreva a decisão no formato da primitiva antes de abrir slide nenhum:

Decisão: este ticket é urgente?
Primitiva: Noul (sim/nao, devolve probabilidade)
Política: alta probabilidade -> automatiza
          faixa do meio      -> fila humana
          baixa              -> fluxo padrão

Erro comum deste passo: levar cinco casos de uso pra reunião

Pitch com cinco frentes vira discussão de prioridade e morre sem decisão, leva um

2. Mapeie o custo atual dessa decisão

Três linhas: quanto você gasta de retry quando a saída vem torta, quanto de código de parsing e validação existe hoje só pra segurar isso, e qual a latência que o usuário sente

Esse número é seu, é interno, e é ele que dá credibilidade

Erro comum deste passo: apresentar só custo de token

O custo caro raramente é o token, é o retry, o incidente e a fila que atrasa

3. Monte a prova com dado público + dado interno

O dado público vem do benchmark da LiteLLM (está na tabela mais abaixo)

O dado interno vem do passo 2

Os dois juntos contam a história: "existe medição de terceiro apontando ordem de grandeza, e o nosso gargalo é exatamente esse"

Erro comum deste passo: colar o número do benchmark como se fosse resultado seu

Alguém vai perguntar a metodologia e você não vai ter, diga desde o começo que é teste de terceiro

4. Defina o critério de sucesso ANTES do piloto

Escreva no slide o que precisa acontecer pra virar decisão de compra

Pode ser taxa de acerto acima de X na sua amostra rotulada, latência dentro do orçamento da requisição, zero saída fora do conjunto

Erro comum deste passo: piloto sem critério

Sem critério definido antes, o piloto termina e todo mundo discute se "pareceu bom", e aí ninguém aprova nada

5. Peça o orçamento com número fechado

O Jev 1.13 é cobrado só por token de entrada: US$ 0,042 por 1 milhão de tokens de input e US$ 0,00 por 1 milhão de tokens de output

Pega seu volume mensal de decisões, estima o tamanho do state, multiplica, leva o número

Erro comum deste passo: prometer que o Jev substitui o chatbot

Ele não substitui, ele decide

Se você prometer substituição, a primeira demo te desmente na frente da diretoria e o projeto inteiro perde a confiança 😬

Os números que sustentam o pitch (e as ressalvas que você precisa dizer junto)

A LiteLLM publicou um benchmark rodado em 18/09/2026 comparando o Jev com o Haiku classificando requisições num auto router

A TypeSafe, por sua vez, informa latência ponta a ponta do Jev na faixa de 70 ms a 500 ms

Agora a parte que separa pitch honesto de pitch de vendedor: as ressalvas estão no próprio post da LiteLLM

• os prompts do teste eram sintéticos
• não houve revisão independente
• o teste não mede a qualidade da resposta final, só a classificação

Fala isso VOCÊ, no slide, antes que o time de dados encontre

Quem apresenta a limitação do próprio dado ganha a sala

Quem é pego escondendo perde o benefício da dúvida no resto da apresentação inteira, e aí nem o número bom vale mais nada

As perguntas que gestor e time de dados vão fazer (e respostas honestas)

Se liga, essas caem em toda reunião

"Isso substitui nosso LLM?"

Por que aparece: porque todo mundo traduz "modelo novo" como "troca de chatbot"

Resposta honesta: não

O Jev não escreve resposta pro cliente, não resume, não gera código e não explica a decisão

Não existe reasoning trace nem streaming

Como desenhar: ele entra na camada de decisão, antes ou ao lado do modelo generativo, não no lugar dele

"E se ele errar?"

Por que aparece: porque é a pergunta certa, sempre

Resposta honesta: o jev-1.13 tem uma página própria de jaggedness na documentação, com fraquezas conhecidas listadas: leitura literal da pergunta (negações e escopo lidos ao pé da letra), dificuldade com indireção e dupla negação, e falta de precisão numérica

Como desenhar: escreva pergunta direta, sem dupla negação, e use a probabilidade pra mandar o caso duvidoso pra revisão humana

Vale também deixar combinado o que acontece quando a decisão não chega, porque comitê nenhum aprova fluxo que não tem plano B

"Ele calcula, conta e compara datas?"

Por que aparece: alguém vai querer perguntar "esse pedido passou de 30 dias?" direto pro modelo

Resposta honesta: não

A documentação afirma que o Jev não é calculadora e não conta de forma confiável (caracteres, ocorrências, itens de lista), e que lê datas como texto, não como quantidade ordenada

Como desenhar: aritmética, contagem e comparação de data ficam no código da aplicação

O código calcula, o Jev decide em cima do resultado

"E os nossos dados?"

Por que aparece: jurídico e segurança sempre chegam nessa

Resposta honesta: a política de privacidade da TypeSafe diz que a empresa não treina nem faz fine tuning de modelos com o Input dos clientes e não divulga Input a terceiros fora de seus prestadores de serviço

Tem DPA e política publicados no site, e zero data retention (ZDR) disponível pra enterprise mediante contato com a empresa, que é garantia contratual sobre RETENÇÃO de dado, assunto diferente de treino

E se o time já passa pelo Vercel AI Gateway, lá ZDR e no training são flags habilitáveis por requisição, reforço técnico na própria chamada em cima de uma política que já vale por padrão

Como desenhar: leva a política impressa pra reunião com o jurídico, não leva print de tweet

"Quanto custa de verdade?"

Por que aparece: é a pergunta de quem assina

Resposta honesta: cobrança só no token de entrada, US$ 0,042 por 1 milhão de tokens de input e US$ 0,00 no output

E cada conta começa com US$ 5 de crédito gratuito no console

Como desenhar: o custo escala com o tamanho do state, então state enxuto é economia direta

"E a segurança do input?"

Por que aparece: porque o state costuma vir de texto de usuário

Resposta honesta: a acurácia cai quando o state cresce com conteúdo irrelevante pra decisão, efeito que a própria TypeSafe chama de context rot

E o modelo não traz garantia contra prompt injection no state que ele lê, input adversarial está listado entre as fraquezas

Como desenhar: manda só o que a decisão precisa

State grande não é "mais contexto pro modelo", é mais ruído e mais custo ao mesmo tempo

Como propor um piloto barato sem pedir aprovação de orçamento

Aqui está a jogada que destrava a reunião: você não precisa de orçamento pra começar

A TypeSafe removeu a waitlist do Jev em 21/09/2026, o acesso passou a ser aberto pra qualquer pessoa

O cadastro é feito no console da TypeSafe, com Google ou e-mail, e a conta já começa com US$ 5 de crédito gratuito

Os caminhos de integração também já existem:

API da TypeSafe:      POST https://api.typesafe.ai/v1/systemone
Vercel AI Gateway:    typesafe-ai/jev
Cloudflare Workers AI: typesafe/jev

Se o time já roda no Vercel AI Gateway ou no Workers AI, o piloto é uma mudança de id de modelo na camada que vocês JÁ usam

Enquadra assim na conversa: "não estou pedindo decisão, estou pedindo uma semana pra validar com crédito gratuito e trazer número nosso"

Comitê adora aprovar coisa que já vem com dado interno em cima da mesa 😀

Vídeo: o contexto de modelos que esse pitch precisa

Pra entrar no assunto de modelos com um panorama geral antes de montar a apresentação, esse vídeo do canal compara Kimi K3, GPT-5.6 Sol e Fable 5 num teste lado a lado

É material introdutório sobre o cenário atual de modelos, bom pra quem vai sentar na reunião sem contexto nenhum

Conclusão

O melhor pitch do Jev é aquele que diz, em voz alta, o que o modelo NÃO faz

Não gera texto, não resume, não explica a decisão, não calcula, não conta, não compara data

O que ele faz é devolver decisão tipada com probabilidade, restrita ao conjunto que você enviou, num modelo treinado com RLCD pra que essa probabilidade signifique alguma coisa

Próximo passo bem concreto: escolhe UMA decisão tipada do teu produto, monta ela como Noul, Choice ou Score, roda com o crédito inicial do console e leva número PRÓPRIO pra reunião

Slide com dado interno vale mais que qualquer benchmark de terceiro, sempre valeu

Até o próximo post! 🙂