Jev, a IA que classifica textos sem escrever: onde ela cabe na empresa

O Jev virou assunto pela velocidade. A TypeSafe AI, startup de São Francisco, lançou o modelo em 15 de setembro anunciando respostas entre 70 e 500 milissegundos, ou seja, em até meio segundo, medidas perto dos servidores dela, na Costa Oeste dos Estados Unidos. O anúncio somou 1.989 votos e mais de 500 comentários no Hacker News, um fórum de tecnologia. Numa entrevista ao podcast Latent Space, em 21 de setembro, o fundador Diogo Almeida disse outra coisa: a marca do Jev é ser "a melhor coisa em inteligência por dólar", e sobre velocidade, "veremos". Ele gosta dos usos que dependem de velocidade, mas não acha que serão o nicho do Jev.

Para quem toca uma empresa, é essa aposta no custo que interessa. A velocidade depende da distância até o servidor, e o do Jev fica nos Estados Unidos. O custo por decisão não muda com a distância, e é nele que o Jev quer competir: em triagens que hoje ficam com alguém da equipe ou que a empresa deixa de fazer porque sairiam caras demais.

O que o Jev faz: lê um texto e escolhe entre respostas que você definiu

Um assistente como o ChatGPT recebe uma pergunta e escreve uma resposta. O Jev não escreve nada. Ele recebe um texto, que pode ser um e-mail, um chamado, uma ficha de cadastro ou um anúncio, e responde a perguntas fechadas sobre ele, em três formatos:

• escolha entre opções: qual destas categorias descreve o texto? No exemplo da documentação, um cliente conta que o tênis chegou no tamanho errado e pede outro número, e o Jev aponta o time de trocas, e não o de entregas nem o financeiro;
• sim ou não: o cliente quer falar com uma pessoa? "Já pedi três vezes, posso falar com uma pessoa de verdade?" recebeu 0,99 de probabilidade de sim, numa escala de 0 a 1 em que 1 é certeza total. "Obrigado, resolveu!" recebeu 0,02;
• nota numa escala: urgência de um pedido, gravidade de um defeito, quanto um lead se parece com o cliente que você procura.

Os exemplos da documentação estão em inglês; as frases acima são tradução nossa. Toda resposta vem com um número que diz o quanto o modelo tem certeza. A TypeSafe descreve esse uso do Jev como um "if inteligente": o "se" que qualquer sistema já tem (se for reclamação, manda para tal fila), só que decidido por um modelo que interpreta o texto, e não por uma regra escrita à mão. O Jev foi feito para ser consultado por programas, e não por pessoas.

Por que ele pode ser barato: não gasta nada escrevendo

A IA cobra por token, a unidade em que mede texto, mais ou menos um pedaço de palavra. Um modelo de linguagem comum, o tipo de IA que escreve, como o que está por trás do ChatGPT, monta a resposta um pedaço de cada vez, e o fornecedor costuma cobrar mais pelo que a IA escreve do que pelo texto que você manda. Em setembro de 2026, o Claude Haiku 4.5, da Anthropic, custa US$ 1 por milhão de tokens enviados e US$ 5 por milhão de tokens escritos; o GPT-6 Luna, da OpenAI, US$ 0,10 e US$ 0,50.

O Jev calcula todas as respostas de uma vez, porque elas já estão definidas antes da pergunta. A TypeSafe cobra só o texto enviado, US$ 0,042 por milhão de tokens, e não cobra a resposta. Esse número não se compara direto com os de cima, porque cada modelo gasta uma quantidade diferente de tokens para a mesma tarefa: a comparação que vale é o custo por decisão. A própria TypeSafe admite que ainda não consegue provar que o preço se sustenta sem subsídio, e diz esperar que ele caia.

Pela cotação oficial do dólar (PTAX do Banco Central) de 29 de setembro, R$ 5,2204, o milhão de tokens do Jev sai a R$ 0,22. O exemplo de atendimento da documentação, uma mensagem curta com três perguntas, usa 392 tokens: mil mensagens assim custam cerca de 9 centavos de real, e um milhão, cerca de R$ 86, antes de IOF e dos impostos sobre serviço importado.

Fora do inglês, o mesmo texto pode virar mais tokens, o que encarece cada decisão e diminui o tamanho do texto que cabe num único envio. Emil Lindfors, engenheiro de dados em Oslo que testou o Jev em norueguês em 18 de setembro, calculou que o limite de cada envio comporta cerca de 64 mil caracteres na língua dele, e não os 120 mil que se esperaria em inglês. Não encontramos medição nem teste em português.

A velocidade anunciada foi medida perto do servidor

A documentação da TypeSafe diz que a maioria das consultas termina em cerca de 100 milissegundos, um décimo de segundo. Quem testou fora da empresa mediu mais, e ainda assim pouco: no teste de Lindfors, o tempo típico de resposta do Jev (a mediana, o valor do meio da lista) foi de 0,32 segundo para onze perguntas de uma vez; no JevBench, um teste comparativo mantido por terceiros, 0,62 segundo. Não encontramos, em nenhum dos dois, de onde partiram os pedidos, nem medição feita do Brasil. Almeida disse no podcast que o Jev é muito sensível à distância e que os usuários europeus viram um ganho de velocidade bem menor que o dos americanos, porque, na data da entrevista, a empresa não tinha servidores na Europa.

Numa fila de milhares de e-mails processada à noite, sem ninguém esperando na tela, a demora pode pesar menos que o custo, como disse o próprio fundador. A velocidade vira critério quando a decisão acontece no meio de uma tela que o cliente está usando.

Os números de manchete e os de quem testou fora da TypeSafe

A página da TypeSafe fala em 193,6 vezes mais rápido e 444,6 vezes mais barato que os modelos de linguagem. Os números vêm de quatro testes montados pela equipe da própria empresa, que avisa que eles devem estar entre os melhores casos. A nota desses testes não compara as respostas com o que uma pessoa decidiria, e sim com a média de outros dois modelos de IA, o GPT-6 Astra e o Claude Fable 5.1. A TypeSafe não publica resultados em testes comparativos públicos e recomenda que cada cliente monte o próprio teste.

Fora de casa, a diferença encolhe. No JevBench, com 1.624 decisões em inglês, o GPT-6 Luna na configuração padrão, que a OpenAI descreve como o seu modelo mais eficiente para tarefas focadas e de alto volume, custou 3,5 vezes mais que o Jev: cerca de R$ 594 por milhão de decisões, contra R$ 169. Em compensação, teve nota de acerto bem maior, 96,2 contra 72,0, numa escala em que 0 é o resultado de um chute e 100 é acertar tudo. O custo por decisão do Jev ali fica acima do da mensagem de atendimento porque o preço acompanha o texto enviado: cada decisão do teste equivale a uns 770 tokens. Os autores do JevBench mantêm o jev-router.com, um serviço de modelos de decisão abertos, que qualquer um pode baixar e rodar no próprio servidor, e declaram esse conflito na página.

No teste de Lindfors, com 24 documentos, o Jev empatou com o DeepSeek V4.1 Flash, modelo de linguagem de outro fornecedor, usado sem o modo de raciocínio, em que a IA pensa por etapas antes de responder: os dois bateram com o gabarito, a lista de respostas tidas como certas, em 20 de 24 documentos. Na pergunta de nota numa escala, o Jev foi melhor, 19 contra 14. Custou cerca de 6 vezes menos e respondeu cerca de 8 vezes mais rápido, com a ressalva do autor de que as consultas ao DeepSeek passaram por vários serviços que hospedam o modelo, o que mistura os tempos. O gabarito foi feito por outro modelo de IA, e com 24 documentos a margem de erro, como numa pesquisa eleitoral pequena, é de uns 15 pontos percentuais para cada lado.

Nossa leitura é que o Jev não é o modelo que mais acerta, mas custa menos por decisão que os modelos de linguagem comparados a ele nesses testes. Em reais, a diferença para o Luna fica numa fração de centavo por decisão, e só vira dinheiro em volume grande. A troca de acerto por preço compensa quando o erro custa pouco perto dessa fração de centavo e o sistema sabe o que fazer quando o modelo erra. Volume alto multiplica a economia, mas multiplica os erros na mesma proporção.

A certeza que vem com cada resposta é o que permite automatizar

Um modelo que acerta 95% das vezes e não avisa quando está nos outros 5% não consegue automatizar a tarefa, porque alguém precisa conferir tudo. O argumento é da TypeSafe, que diz que os modelos de linguagem exageram na própria confiança. Os testes de fora divergem: no de Lindfors, quando o DeepSeek com raciocínio se dizia entre 0,7 e 0,9 seguro, o gabarito concordava só em 48% das vezes; no JevBench, a certeza do GPT-6 Luna acompanhou o acerto real ainda melhor que a do Jev. O princípio vale para qualquer modelo que devolva a certeza, e o Jev a devolve em toda resposta. No exemplo da documentação, "você é um robô?" ficou em 0,40 de probabilidade de o cliente querer uma pessoa: talvez queira, talvez não. É o caso típico para passar a alguém.

No exemplo que a documentação dá, de um banco que atende por voz, qualquer pedido abaixo de 0,6 vai para um atendente, e aprovar uma transferência sem ninguém olhar exige mais de 0,85. No teste de Lindfors, quando o Jev tinha certeza de 0,9 ou mais, bateu com o gabarito em 14 de 15 documentos; abaixo disso, em 6 de 9. O corte de outra empresa não serve para a sua: ele sai dos seus exemplos, e com volume alto a revisão por amostragem substitui a conferência de tudo.

No projeto de captura de documentos que fizemos para a e-Safer, um dos desafios permanentes era este: o reconhecimento automático falha em parte dos casos, e o fluxo precisa continuar funcionando quando isso acontece. Não testamos o Jev, mas a lição serve para qualquer automação que decide sozinha: o caso incerto precisa ter destino definido antes, com responsável e prazo.

Onde aplicar na empresa

A documentação da TypeSafe traz um mapa de usos por setor, e todos têm três coisas em comum: a decisão se repete muitas vezes, depende de ler um texto e cabe numa lista de respostas. Traduzido para o dia a dia de uma empresa:

Fonte: mapa de casos de uso da documentação da TypeSafe, lido em 30/09/2026, e, na linha "dados parados", a entrevista de Diogo Almeida ao Latent Space. Exemplos adaptados pela X-Apps.

Conta, data e regra fixa continuam no seu sistema: prazo de atendimento, valor de reembolso, vencimento de boleto. O Jev entra só onde é preciso interpretar o que a pessoa escreveu, divisão que a própria TypeSafe recomenda. Vale também a ordem que já defendemos para agentes de IA e sistemas tradicionais: primeiro a IA lê, classifica e sugere, e só depois muda algum dado.

A lista de respostas é a parte difícil

O Jev só escolhe entre as opções que você deu. Se a resposta certa não está na lista, ele escolhe uma das que estão. Por isso a lista precisa de uma opção do tipo "revisar", e alguém precisa conferir se o modelo a usa nos casos certos.

Vimos um problema parecido na nossa própria conta de anúncios, numa revisão de agosto, antes do lançamento do Jev. A lista de contatos que não tinham virado negócio misturava dois grupos que pediam tratamentos opostos: quem não tinha nada a ver com o que vendemos e quem só não tinha respondido. A saída que registramos foi revisar a lista com IA, começando pelos sem perfil e preservando quem só não tinha respondido. A IA faz a separação. Quem define as opções é quem conhece o negócio.

Onde o Jev erra, segundo a própria TypeSafe

A TypeSafe publica uma página, revisada em 17 de setembro, só com os pontos fracos da versão atual, a 1.13. Os que mais importam para uma empresa:

• conta e contagem. O Jev não é calculadora e não conta com segurança letras, ocorrências ou itens de uma lista;
• datas. Ele lê data como texto: dizer qual vem antes, quantos dias faltam ou se um prazo venceu não é confiável;
• leitura ao pé da letra. Ele responde a pergunta escrita, não a que se quis fazer; uma negação mal colocada muda a resposta;
• raciocínio em várias etapas. Perguntas que dependem de encadear conclusões pioram;
• texto demais. A precisão cai quando o texto enviado vem cheio de coisa que não tem a ver com a decisão;
• texto escrito para enganar. Uma mensagem com instruções escondidas pode mudar a resposta, o que pesa em formulário aberto ao público.

A página dos modelos acrescenta que o inglês é a língua em que a precisão é melhor, e que o Jev só lê texto: imagem, áudio e vídeo precisam virar texto antes, e um PDF digitalizado traz junto os problemas de extrair dados de milhares de documentos. Fora da documentação, o desenvolvedor Mike Ramos deu ao Jev, em 17 de setembro, as cartas do adversário em três mãos de pôquer, todas com uma combinação que vencia a do jogador, e nas três o Jev respondeu que o jogador estava na frente.

O lançamento prometia que o Jev "não alucina", termo do setor para quando a IA inventa uma resposta. A TypeSafe explica o alcance da frase: a resposta sempre sai no formato combinado e dentro das opções dadas, e por isso o 0% de alucinação dos gráficos dela não saiu de um teste, é automático. A decisão ainda pode estar errada. No Hacker News, a conta que se apresenta como CEO da TypeSafe admitiu que o modelo pode errar com alta confiança, e o contrato de cliente não garante funcionamento livre de erros.

Quando o Jev não compensa

Quando o erro sai caro. Se um chamado na fila errada, um sinistro liberado sem perito ou um lead bom descartado custa mais que a fração de centavo que o GPT-6 Luna custou a mais por decisão no JevBench, o modelo que acerta mais pode sair mais barato no fim.

Quando o dado não pode ir para os Estados Unidos. A política de privacidade da TypeSafe diz que os serviços ficam hospedados nos EUA. A empresa afirma que não treina o modelo com os dados dos clientes, mas o contrato permite usá-los, sem prazo, para gerar dados de uso do serviço (registros técnicos, estatísticas e classificações que a TypeSafe pode usar sem restrição, inclusive para melhorar os próprios produtos), vigiar fraude e abuso e cumprir a lei. Não guardar nada do que você envia (a retenção zero) é opção oferecida a clientes corporativos, e não encontramos preço publicado para ela. Mandar dado pessoal coletado no Brasil para um serviço no exterior é transferência internacional sob a LGPD, permitida só nos casos que o artigo 33 lista, e isso vale desde o primeiro teste. O adendo de proteção de dados da TypeSafe, de 24 de abril de 2026, traz cláusulas para dados que saem da União Europeia e do Reino Unido, e não encontramos nele menção à LGPD. A primeira pergunta ao fornecedor é se ele aceita incluir no contrato cláusulas-padrão contratuais, uma das garantias que o artigo 33 admite. Uma alternativa é um modelo aberto, que pode rodar em servidor da própria empresa, sem o dado sair dela: no JevBench, dois deles ficaram um pouco à frente do Jev na nota geral, que também pesa custo e velocidade. Contando só o acerto e o quanto a certeza informada bate com o acerto real, o Jev ficou em primeiro entre os modelos que custam e demoram no máximo o dobro dele.

Quando a decisão é sobre pessoas e exige explicação. O Jev devolve um número, e não um motivo. Simon Willison, desenvolvedor que escreve sobre IA, lembra que o motivo que um modelo de linguagem escreve também não tem garantia de ser o verdadeiro, mas vê no Jev uma caixa-preta ainda mais fechada e desaconselha usá-lo para ranquear candidatos a emprego, porque o número pode esconder vieses que não aparecem na resposta. O artigo 20 da LGPD dá à pessoa cujos dados foram usados o direito de pedir revisão de decisão tomada só por sistema automático, e o parágrafo 1º obriga a empresa a informar, quando pedida, os critérios usados. "O modelo deu 0,8" não é critério que se sustente.

Quando a empresa precisa de fornecedor estável agora. O Jev saiu em acesso antecipado, com lista de espera, e em 30 de setembro a documentação já mostrava como usá-lo por intermediários como o OpenRouter e o Vercel AI Gateway. Os limites de uso, avisa a documentação, podem mudar sem aviso. O fundador disse que a empresa não altera um modelo depois de publicado, mas não promete suporte longo às versões antigas, e cada versão nova obriga a refazer o teste que definiu os cortes.

Quando o volume é pequeno. Se a sua equipe classifica algumas centenas de e-mails por mês, o preço do Jev pesa pouco e o custo fica quase todo no trabalho de ligá-lo aos seus sistemas. Uma pessoa, uma regra simples ou o modelo de linguagem que você já usa podem dar conta.

O que entra na conta além do preço do Jev

Fonte: documentação, política de privacidade (19/11/2025), contrato de cliente (23/09/2026) e adendo de proteção de dados (24/04/2026) da TypeSafe, lidos em 30/09/2026; relato de Sameer Nanda, 21/09/2026. "Sem dado público" quer dizer que nenhuma fonte consultada publica o valor.

A OpenAI anunciou um serviço com a mesma ideia

Catorze dias depois do lançamento do Jev, no DevDay de 29 de setembro, evento da OpenAI para desenvolvedores, a empresa anunciou a Decisions API, um serviço que outros sistemas consultam diretamente. Pelo texto oficial, ele faz o modelo Luna responder a perguntas definidas pelo cliente, escolhendo entre respostas fixadas antes, a partir de texto ou imagem, para classificar conteúdo, encaminhar pedidos ou escolher o próximo passo de um agente de IA. Está em prévia limitada, com liberação ampla prevista para os próximos dias, e na consulta que fizemos na manhã de 30 de setembro não encontramos preço nem documentação pública. O anúncio não cita a TypeSafe. Quem tratou a Decisions API como provável resposta ao Jev, no mesmo dia 29, foram o site The New Stack e o blogueiro Simon Willison.

Além de aceitar imagem, o que o Jev não faz, o serviço da OpenAI deixa uma dúvida: o texto oficial não diz se ele devolve a certeza de cada resposta. O The New Stack escreveu que sim, mas o texto da OpenAI não confirma. Se não devolver, o desvio para uma pessoa passa a depender de uma opção "revisar" na lista. Para a empresa, a lição é não amarrar o processo a um fornecedor: as perguntas, as respostas possíveis e as decisões que a sua equipe já tomou são seus, e podem ficar guardados no seu sistema.

O teste começa pelas decisões que a sua equipe já tomou

Escolha uma decisão repetitiva que hoje alguém toma na mão, como as da tabela de usos. Ainda nesta semana, separe algumas dezenas de casos que a sua equipe já decidiu e tire deles tudo o que identifica o cliente, direta ou indiretamente: nome, CPF, e-mail, telefone, endereço, número de pedido ou de protocolo e qualquer nome citado no texto. Se não der para tirar tudo, mandar esses casos a um serviço no exterior já exige o enquadramento no artigo 33. Essa lista é o gabarito, e montá-la não depende de nenhum fornecedor.

Depois, peça a quem cuida dos seus sistemas, equipe interna ou fornecedor, para passar esses casos pelo Jev, pelo serviço da OpenAI ou por qualquer outro modelo, sem deixá-lo agir, anotando a certeza de cada resposta e a partir de que nota ele concorda com as pessoas. Anote também quantos tokens cada caso gastou, porque a conta em reais deste texto saiu de um exemplo em inglês. Se a decisão acontece numa tela que o cliente usa, meça o tempo de resposta a partir do seu servidor. Com poucas dezenas de casos a margem de erro é grande, como no teste norueguês, então amplie para algumas centenas antes de deixar o modelo agir sozinho. O método para avaliar um fornecedor de IA sem confiar no número que ele mostra detalha esse teste. Se o modelo só concorda com a equipe num corte que manda quase tudo para uma pessoa, a resposta para a sua empresa, por enquanto, é não.

Qual decisão da sua empresa é tomada mais vezes por dia, e ela cabe numa lista fechada de respostas?

Perguntas frequentes

Fontes e método

• TypeSafe AI: post de lançamento de 15/09/2026 (preço, velocidade declarada, 193,6 e 444,6 vezes, método dos testes internos, limitações admitidas); documentação lida em 30/09/2026 (preço e limites do jev-1.13.0, tipos de pergunta, exemplos de resposta, faixas de certeza, mapa de usos, intermediários e página de limitações revisada em 17/09); política de privacidade de 19/11/2025, contrato de cliente de 23/09/2026 e adendo de proteção de dados de 24/04/2026. Fonte primária; desempenho é alegação do fabricante.
• Diogo Almeida, entrevista ao Latent Space publicada em 21/09/2026: falas sobre inteligência por dólar, velocidade, servidores e versões. Alegação de entrevistado, em tradução nossa.
• Hacker News: thread do lançamento, contagem lida em 30/09/2026, e comentário de 15/09/2026 da conta CompleteSkeptic, que se apresenta como CEO da TypeSafe.
• Emil Lindfors, teste de 18/09/2026 com 24 documentos em norueguês e gabarito feito pelo Claude Fable 5.1. Teste único.
• JevBench v1.5.4 (Benchmark Heaven), preços de 25/09/2026, 1.624 decisões em inglês. Os autores mantêm o jev-router.com, de modelos de decisão abertos, e declaram o conflito.
• Mike Ramos (backnotprop), teste de pôquer de 17/09/2026. Simon Willison, texto de 21/09/2026 e live blog do DevDay de 29/09/2026. Sameer Nanda, relato de 21/09/2026. The New Stack, reportagem de 29/09/2026.
• OpenAI: resumo oficial do DevDay, 29/09/2026 (Decisions API); documentação e tabela de preços da API consultadas na manhã de 30/09/2026; preço do GPT-6 Luna lido em 30/09/2026. Anthropic: preço do Claude Haiku 4.5 lido em 30/09/2026.
• Banco Central: PTAX de venda de 29/09/2026 (R$ 5,2204).
• Custo por mil e por milhão de mensagens, custo por milhão de decisões em reais, tokens por decisão, diferença por decisão e as razões de 6 e 8 vezes: cálculo nosso sobre os valores acima, sem IOF nem tributos. Preços e limites valem para setembro de 2026.