Quando usar o Jev em vez de um chatbot? 5 casos de uso de automação dentro do software

Fala aí, beleza? Chatbot foi feito pra conversar com uma pessoa do outro lado, o Jev foi feito pra decidir dentro do seu código, devolvendo dado tipado em vez de texto pra alguém ler

Parece detalhe, mas muda tudo na hora de automatizar

O Jev é o primeiro modelo da categoria "System One Models", da TypeSafe AI, anunciado em acesso antecipado no dia 15/09/2026 depois de cerca de dois anos em stealth. Ele não escreve parágrafo bonito, ele responde pergunta tipada com probabilidade calibrada

Então bora ao que interessa: 5 cenários de decisão dentro de software, cada um com o gatilho que dispara a chamada, a decisão que você espera e o caminho de fallback quando a confiança não dá pra agir sozinho

Como o Jev decide: perguntas tipadas, confiança e as três faixas de ação

Antes dos casos, o modelo mental. Sem ele, o resto não faz sentido

A entrada do Jev é um state não estruturado (string ou dado estruturado) mais um mapa de perguntas que você, dev, define. A saída são respostas tipadas com distribuição de probabilidade

Sacou a diferença? Você não pede "me diz o que fazer com esse ticket", você pergunta coisas fechadas e recebe resposta que já encaixa no seu switch

As três primitivas da API:

• choice: escolhe uma opção de um conjunto, aceitando até 255 opções por pergunta
• score: avalia em níveis ordenados que você mesmo define
• noul: pergunta sim/não, onde a própria probabilidade é o sinal

E aqui mora o pulo do gato: toda resposta carrega um valor de confiança entre 0 e 1, derivado da distribuição. Distribuição concentrada significa resposta confiante, distribuição espalhada significa incerteza

Formação Recomendada

Formação Claude Code

Domine Claude Code do absoluto zero até o avançado

• 120 aulas
• 4 projetos
• 9h 45min

Conhecer formação

E como usar essa confiança?

A documentação sugere dividir o comportamento do sistema em três faixas:

1. Alta confiança: agir automaticamente
2. Confiança média: prosseguir com cautela, pedindo confirmação, marcando para revisão ou buscando mais informação
3. Baixa confiança: não agir, rotear para humano, pedir esclarecimento ou cair em outro sistema

Tome cuidado com uma coisa aqui: o limiar NÃO é um número único pro sistema inteiro

A doc coloca um piso de 0,5 pra descartar respostas genuinamente incertas, e deixa claro que acima disso o limiar pra agir sem confirmação é mais alto em operação destrutiva do que em operação de leitura. Apagar registro pede mais certeza que ordenar uma lista, né?

Dois detalhes técnicos que valem guardar: o treino do Jev usa RLCD (Reinforcement Learning for Calibrated Decisions), que otimiza pra que as probabilidades sejam honestas, em vez de otimizar preferência humana (RLHF) ou recompensa verificável (RLVR). E o contexto é de cerca de 32 mil tokens, compartilhados entre o state e a maior pergunta

Ou seja: não é pra jogar o banco de dados inteiro lá dentro 😛

5 casos de uso em que o Jev faz mais sentido que um chatbot

1. Triagem de suporte: classificar e rotear ticket sem humano no meio

Gatilho: chegou ticket novo na fila

Decisão esperada: classificar o ticket por problema, área de produto e intenção, detectar urgência, frustração, risco de churn e pedido de reembolso, e então rotear pro time, fila ou fluxo certo

Repara que nada disso é texto. É choice pra área de produto, score pra urgência, noul pra "isso é pedido de reembolso?"

O padrão de intent routing da documentação usa a confiança como gatilho de escalada. O exemplo documentado é direto: se intent.confidence < 0.5, roteia pra um agente humano. E se o complexity.score indicar caso complexo demais, ou houver baixa confiança, também vai pra humano

Fallback: o ticket não morre numa fila errada, ele cai no colo de uma pessoa com a classificação parcial já anexada. O humano não começa do zero, ele só resolve o que a máquina admitiu não saber

2. Moderação de conteúdo: permitir, avisar, revisar ou bloquear

Gatilho: usuário publicou algo (comentário, post, anúncio, mensagem)

Decisão esperada: aplicar os critérios da SUA empresa e detectar toxicidade, spam, fraude e exposição de dados pessoais

Aqui entra a combinação que a doc descreve: severidade mais confiança. Não é só "é tóxico ou não", é "quão grave" cruzado com "quão certo estou". Dessas duas dimensões saem quatro ações possíveis: permitir, avisar, revisar ou bloquear

Um chatbot te devolveria um parágrafo explicando o raciocínio dele. Legal pra ler, ruim pra virar if no seu código milhares de vezes por hora

Fallback: severidade alta com confiança baixa não vira bloqueio automático, vira fila de revisão humana. Bloquear usuário errado custa caro, então esse é exatamente o tipo de ação que merece limiar mais alto

3. Lead scoring e roteamento comercial

Gatilho: entrou lead novo pelo formulário ou pelo CRM

Decisão esperada: pontuar fit de indústria e maturidade, detectar intenção de compra, priorizar e rotear o lead

Esse caso é score puro. Você define os níveis ordenados que fazem sentido pro seu funil e recebe de volta o nível mais a confiança

O ganho aqui é que a decisão vira dado tipado no banco, não um texto que alguém precisa interpretar depois

Fallback: lead com confiança média não vai direto pro vendedor sênior nem pro descarte, vai pra uma fila de conferência rápida. Pior cenário num funil não é errar o score, é jogar fora um lead bom por causa de uma classificação que o sistema nem tinha certeza

4. Portão de decisão antes de ação destrutiva no produto

Gatilho: o usuário (ou um agente automático) pediu algo que apaga, cancela, reembolsa ou sobrescreve

Decisão esperada: o Jev responde perguntas fechadas do tipo "essa solicitação é mesmo de cancelamento definitivo?" ou "esse pedido se refere ao registro X?", cada uma com sua probabilidade

Esse é o caso onde a regra do limiar variável brilha. A documentação é explícita: acima do piso de 0,5, o limiar pra agir sem confirmação é mais alto em operação destrutiva do que em operação de leitura

Na prática, você escreve algo assim no seu código: se a operação é leitura, limiar baixo e segue o baile. Se a operação apaga coisa, o mesmo valor de confiança que era suficiente antes agora não é mais

Fallback: não passou no limiar, não executa. Mostra confirmação explícita pro usuário ou manda pra revisão. Os rm -rf da vida a gente já conhece, não precisa de IA pra reinventar esse erro 😀

5. Enriquecimento de decisão em lote com speculative fan-out

Gatilho: você tem um item (ticket, documento, evento, registro) e várias perguntas possíveis sobre ele, sem saber de antemão quais vão importar

Decisão esperada: mandar TODAS as perguntas de uma vez, inclusive as especulativas, e deixar o código decidir depois o que era relevante

O padrão speculative fan-out permite isso porque todas as perguntas são avaliadas em paralelo. Acrescentar pergunta normalmente não adiciona latência

O exemplo documentado é bem convincente: agrupar 13 perguntas em uma única chamada saiu 12,2x mais barato e 10,0x mais rápido, sem mudança nenhuma nas respostas

Pensa no que isso destrava: em vez de chamar o modelo, olhar o resultado, decidir a próxima pergunta e chamar de novo (sequencial, lento, caro), você pergunta tudo de uma vez e ramifica no seu próprio código

Fallback: cada resposta do lote carrega a própria confiança. As que ficarem abaixo do piso simplesmente não entram na decisão, e se as perguntas críticas do fluxo vieram fracas, o item inteiro vai pra revisão humana

Jev vs chatbot: o que muda na prática

A saída sair de graça tem uma explicação técnica, não é promoção: o Jev não faz geração sequencial de tokens, então não existe "texto gerado" pra cobrar

Sobre o comparativo de performance, vou ser honesto com você: a própria TypeSafe afirma ser até 193,6x mais rápido e 444,6x mais barato que modelos concorrentes em tarefas de classificação (a imprensa cita comparação com Claude Sonnet 5 em velocidade e Opus 5 em custo)

Número da fabricante é número da fabricante, beleza? Anota como sinal de direção, não como verdade medida por terceiro

Por que decisão automática só funciona com fallback: o caso das 1.497 imagens

Deixa eu te contar uma coisa que aconteceu comigo e que explica melhor que qualquer teoria por que essa história de faixa de confiança importa

Eu peguei minha pasta de downloads, aquela bagunça clássica, e pedi pro Claude Cowork organizar as thumbnails do canal. Eram 1.497 imagens lá dentro, sendo 250 thumbnails que meu editor tinha largado na pasta

A tarefa era agrupar por vídeo/tema, criar subpastas, renomear de forma descritiva, identificar qual era a versão final de cada thumbnail e gerar um arquivo MD com a listagem toda. E mostrar o plano ANTES de mover qualquer arquivo

E é aí que a ficha cai

O trabalho pesado ali não era gerar texto. Era decidir, item a item, 1.497 vezes seguidas: essa imagem pertence a que grupo? essa é a versão final ou um rascunho? esse nome descreve mesmo o conteúdo?

Quando eu testei, no começo a ferramenta pedia permissão pra cada ação nos arquivos, e depois de usar bastante esse comportamento diminuiu. Durante a execução dava pra acompanhar o progresso em tempo real, vendo em quais arquivos ela estava mexendo. No fim eu recebi um relatório consolidado em Markdown com tudo

O plano antes de mover arquivo É o fallback. É o sistema dizendo "olha, eu decidi isso tudo, mas antes de eu mexer nos seus arquivos, confere aí"

Volume alto não quebra por causa de uma decisão ruim. Quebra quando o sistema tomou 1.497 decisões e você não tem como saber em quais delas ele estava chutando. Esse é exatamente o problema que a confiança calibrada resolve: separar as 1.400 que podem seguir sozinhas das 97 que precisam de olho humano

Se você curte esse tipo de comparação, eu já escrevi sobre o que um agente de IA realmente resolve e onde ele trava

No vídeo acima eu mostro a organização das thumbnails do começo ao fim, mais dois outros casos reais rodando na minha máquina

Quando o chatbot continua sendo a escolha certa

Agora o contrapeso, porque post que só elogia ferramenta é propaganda disfarçada

Se a sua entrega final é conversa, redação, explicação ou código gerado, o Jev simplesmente não serve. Ele não gera texto livre, ponto. Não é limitação de versão, é a natureza da categoria

Precisa responder o cliente com uma mensagem escrita? Precisa de um assistente que explique, resuma e converse com o time? Aí o caminho é outro, e ferramentas como o ChatGPT Work para equipes existem exatamente pra isso

E tem as limitações de estado atual, que são reais:

• O acesso direto segue em acesso antecipado por lista de espera no site da TypeSafe, sem data pública de disponibilidade geral até hoje (18/09/2026), ainda que já existam caminhos de integração publicados (Netlify e agent skill)
• Não é modelo de pesos abertos, o acesso é fechado via API da TypeSafe. Se sua arquitetura exige rodar localmente, já era
• Contexto de cerca de 32 mil tokens pede disciplina no que você manda no state

A arquitetura que me parece mais sensata é híbrida: o Jev decide e roteia, e um LLM conversacional redige quando o destino da mensagem é um ser humano

Cada um fazendo o que faz bem, sem forçar o martelo a virar chave de fenda

Próximo passo: como colocar a mão no Jev hoje

Se você quer testar, o caminho é esse:

1. Pro acesso direto à API, entrar na waitlist do acesso antecipado no site da TypeSafe AI. Não existe data de disponibilidade geral anunciada, então não dá pra prometer prazo

2. Com acesso em mãos, usar os SDKs oficiais ou a API HTTP crua. Existe SDK em Python e em JavaScript (ESM, CommonJS e tipos TypeScript), e os SDKs já tratam política de retry por padrão

3. Na API HTTP, a chamada vai pro endpoint de System One, com o alias jev-latest no campo model:

curl -X POST https://api.typesafe.ai/v1/systemone \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "jev-latest",
    "state": "...",
    "questions": { }
  }'

O formato exato do state e do mapa de perguntas está na documentação da TypeSafe, e é ali que você define suas primitivas choice, score e noul

4. Alternativa sem gerenciar API key: o Jev está disponível no AI Gateway da Netlify. Você instala @typesafe-ai/sdk e usa dentro de Netlify Functions, sem criar API key nem configurar provider ou base URL, e o uso é cobrado nos créditos da Netlify. Exige Node.js 20 ou superior

O erro comum desse passo é esquecer da versão do Node: com versão antiga o SDK não sobe

5. Se você vive dentro do Claude Code, dá pra instalar a agent skill oficial da TypeSafe:

claude plugin marketplace add typesafe-ai/skills
claude plugin install typesafe@typesafe-ai

Depois é só invocar com /typesafe:typesafe-ai na sua sessão

Repara que esse é o uso assistido, você dentro do agente durante o desenvolvimento. A decisão que roda sozinha em produção continua saindo pela API ou pelo SDK, onde quem lê a resposta é o seu código

6. Em outros agentes, a instalação da skill sai por outro comando, local ao projeto por padrão (use -g pra global):

npx skills add typesafe-ai/skills --skill typesafe-ai

E o conselho final, que vale mais que qualquer comando: comece pelo caso de uso de menor consequência

Classificação que só ordena uma lista, tag que só organiza uma fila, score que só prioriza. Deixa a operação destrutiva pro dia em que você já entendeu como a confiança se comporta com os SEUS dados

Quando a decisão errada custa barato, você aprende de graça. Quando custa caro, você aprende do jeito ruim 😅

Até o próximo post!