Durante os últimos anos, quase toda conversa sobre inteligência artificial passou por uma mesma ideia: modelos que entendem perguntas e respondem com textos cada vez mais convincentes.
Agora, uma nova proposta está chamando a atenção da comunidade técnica.
O modelo Jev, criado pela TypeSafe AI, tenta seguir um caminho diferente. Em vez de funcionar como um chatbot tradicional, ele foi desenvolvido para tomar decisões calibradas, avaliar possibilidades e retornar resultados mais estruturados para sistemas de software.
A empresa foi fundada por Diogo Almeida, pesquisador que participou do desenvolvimento do ChatGPT, do InstructGPT e de técnicas importantes de treinamento de modelos de inteligência artificial.
Segundo uma reportagem do TechCrunch, a proposta está despertando grande entusiasmo entre desenvolvedores porque pode tornar determinadas aplicações de IA mais rápidas, econômicas e previsíveis.
Quem criou o modelo Jev?
O Jev foi desenvolvido pela TypeSafe AI, startup fundada por Diogo Almeida, Erik Gafni e Sasha Sheng.
Diogo Almeida trabalhou na OpenAI e participou de pesquisas relacionadas ao ChatGPT e ao aprendizado por reforço com feedback humano, conhecido pela sigla RLHF.
Essa técnica teve papel importante na evolução dos modelos de linguagem porque ajudou os sistemas a produzir respostas mais alinhadas com as expectativas humanas.
Depois de deixar a OpenAI, Almeida passou a questionar algumas limitações dos grandes modelos de linguagem.
Embora os LLMs sejam capazes de escrever, programar, resumir documentos e conversar com usuários, eles também podem:
- inventar informações;
- demonstrar confiança quando estão errados;
- produzir respostas inconsistentes;
- gastar muitos recursos para tarefas simples;
- tomar decisões difíceis de auditar;
- gerar textos quando o sistema precisava apenas de uma classificação.
Foi a partir desse problema que surgiu a TypeSafe AI.
O que torna o Jev diferente?
O Jev não é apresentado como um grande modelo de linguagem tradicional.
Ele é descrito como um modelo baseado em arquitetura transformer, mas com uma finalidade diferente: produzir decisões calibradas em vez de gerar longas respostas em linguagem natural.
Isso significa que, em determinados cenários, o sistema pode retornar:
- uma escolha;
- uma classificação;
- uma probabilidade;
- uma recomendação;
- um nível de confiança;
- uma avaliação estruturada.
Imagine, por exemplo, um sistema que precisa identificar se uma transação parece suspeita.
Um chatbot poderia explicar em vários parágrafos por que considera a operação arriscada. Já um modelo especializado poderia retornar algo mais útil para o software:
- risco elevado;
- probabilidade estimada;
- categoria da ocorrência;
- recomendação de revisão.
Para um desenvolvedor, essa saída pode ser muito mais fácil de integrar a um sistema real.
Uma IA que não precisa conversar o tempo todo
A maioria das pessoas conhece a inteligência artificial por meio de interfaces de conversa.
Você escreve uma pergunta e recebe uma resposta.
Esse formato é excelente para:
- atendimento;
- pesquisa;
- criação de textos;
- brainstorming;
- explicações;
- programação;
- suporte ao usuário.
Porém, muitos sistemas não precisam de uma conversa completa.
Uma plataforma de pagamentos não precisa que a IA escreva um ensaio sobre cada transação. Um sistema de logística não precisa gerar uma explicação extensa para cada rota. Uma ferramenta de segurança não precisa transformar todo alerta em uma resposta de várias páginas.
Em muitos casos, o software precisa apenas de uma decisão objetiva.
É nesse espaço que o Jev tenta atuar.
A proposta é utilizar um modelo especializado para realizar tarefas de avaliação e decisão sem depender de toda a estrutura de um chatbot generativo.
Por que os desenvolvedores estão interessados?
Desenvolvedores costumam avaliar uma tecnologia por critérios muito práticos.
Eles querem saber:
- quanto custa executar o modelo;
- quanto tempo leva para responder;
- se o resultado é previsível;
- como integrar a ferramenta;
- se o modelo funciona em escala;
- se é possível monitorar suas decisões;
- se os resultados podem ser testados;
- se o sistema apresenta comportamento consistente.
Os grandes modelos de linguagem são extremamente versáteis, mas essa versatilidade pode ser desnecessária em tarefas específicas.
Se uma aplicação precisa somente identificar uma categoria ou calcular uma probabilidade, usar um modelo gigantesco pode significar mais custo e complexidade.
O Jev tenta oferecer uma alternativa mais especializada.
Essa abordagem pode ser atraente para empresas que desejam integrar IA a produtos reais, mas precisam controlar orçamento, latência e previsibilidade.
O problema das respostas inventadas
Um dos maiores desafios dos modelos de linguagem é a chamada alucinação.
O sistema produz uma resposta que parece correta, mas contém informações falsas, interpretações equivocadas ou referências que não existem.
Isso acontece porque os LLMs são treinados para gerar sequências prováveis de linguagem. Eles não funcionam necessariamente como uma base de dados perfeita ou como um mecanismo capaz de verificar todas as afirmações antes de responder.
Em uma conversa informal, uma pequena imprecisão pode ser corrigida pelo usuário.
Em um sistema empresarial, o impacto pode ser muito maior.
Uma resposta errada pode:
- aprovar uma transação suspeita;
- classificar um cliente de forma incorreta;
- enviar uma informação inadequada;
- recomendar uma ação equivocada;
- causar prejuízo financeiro;
- criar problemas regulatórios;
- comprometer a confiança do consumidor.
Um modelo voltado para decisões calibradas pode reduzir parte desse problema em tarefas específicas, especialmente quando a aplicação precisa de probabilidades e categorias bem definidas em vez de textos criativos.
Isso não significa que o Jev seja incapaz de errar. Nenhum sistema de IA deve ser tratado como infalível.
A vantagem está na possibilidade de tornar o resultado mais estruturado e mais fácil de testar.
O que significa uma decisão calibrada?
Uma decisão calibrada tenta apresentar não apenas uma resposta, mas também uma indicação de confiança.
Por exemplo, em vez de retornar apenas:
“Este cliente provavelmente abandonará o serviço.”
O sistema poderia apresentar:
- probabilidade estimada;
- fatores observados;
- categoria de risco;
- limite de confiança;
- recomendação para revisão humana.
Essa informação ajuda o desenvolvedor a decidir como o sistema deverá agir.
Se a confiança for baixa, a aplicação pode encaminhar o caso para uma pessoa.
Se a confiança for alta e o risco for baixo, o processo pode continuar automaticamente.
Essa lógica é especialmente importante em aplicações que precisam equilibrar automação e supervisão humana.
O modelo pode complementar grandes modelos de linguagem
A proposta da TypeSafe AI não precisa ser interpretada como uma substituição completa dos grandes modelos de linguagem.
Em muitos casos, o Jev pode trabalhar junto com eles.
Um LLM pode interpretar uma solicitação complexa, resumir um documento ou conversar com o usuário. Depois, o Jev pode avaliar o resultado, identificar riscos e verificar se a decisão está dentro dos critérios esperados.
Esse modelo de trabalho cria uma espécie de camada de supervisão.
Um sistema generativo produz uma resposta. O modelo especializado verifica:
- se a resposta está adequada;
- se existe risco de erro;
- se a decisão possui confiança suficiente;
- se o resultado deve ser encaminhado para um humano;
- se a saída segue as regras do negócio.
A ideia é utilizar modelos diferentes para tarefas diferentes.
Essa arquitetura pode ser comparada a uma equipe de especialistas. Um sistema cria, outro verifica, um terceiro classifica e um quarto monitora.
Agentes de IA também podem ser monitorados
O crescimento dos agentes de IA criou um novo desafio.
Agentes podem pesquisar informações, acessar ferramentas, executar tarefas e tomar decisões em várias etapas.
Quanto mais autonomia possuem, maior é a necessidade de supervisão.
Uma empresa pode utilizar um grande modelo para controlar um agente, mas o custo de usar outro LLM para monitorar cada ação pode ser alto.
Segundo a proposta apresentada pela TypeSafe AI, o Jev poderia atuar como uma camada de verificação mais leve e especializada.
Ele poderia ajudar a identificar:
- decisões fora do padrão;
- ações com risco elevado;
- respostas inconsistentes;
- comportamentos inesperados;
- solicitações que exigem aprovação;
- alterações que deveriam ser bloqueadas.
Essa aplicação é interessante para empresas que desejam explorar automações avançadas sem entregar liberdade total aos sistemas.
A Rapid Genius trabalha com automações inteligentes, ciência de dados e desenvolvimento de soluções digitais, áreas relacionadas à criação de processos mais controlados e eficientes.
O treinamento com dados sintéticos
A TypeSafe AI afirma que o Jev foi treinado exclusivamente com dados sintéticos.
Dados sintéticos são informações geradas artificialmente para reproduzir determinados cenários, comportamentos ou decisões.
Essa abordagem pode oferecer algumas vantagens:
- maior controle sobre os exemplos;
- possibilidade de criar situações raras;
- redução da exposição de dados pessoais;
- geração de grandes volumes de casos;
- treinamento focado em tarefas específicas;
- facilidade para testar diferentes condições.
Ao mesmo tempo, dados sintéticos precisam ser bem construídos.
Se os exemplos não representarem adequadamente o mundo real, o modelo pode apresentar falhas quando for utilizado em situações diferentes das previstas.
Esse é um dos pontos que desenvolvedores e empresas precisarão avaliar com atenção.
Um modelo treinado com dados sintéticos deve ser validado em cenários reais antes de participar de decisões importantes.
O que é reinforcement learning from calibrated decisions?
A TypeSafe AI utiliza o termo “reinforcement learning from calibrated decisions” para descrever sua abordagem de treinamento.
Em português, a expressão pode ser traduzida como aprendizado por reforço a partir de decisões calibradas.
A ideia geral é treinar o modelo para escolher respostas ou decisões com maior controle sobre confiança, probabilidade e resultado esperado.
Essa abordagem se diferencia do treinamento focado apenas em produzir texto agradável ou semelhante à linguagem humana.
O objetivo é criar um sistema que compreenda melhor o tipo de decisão que precisa ser tomada e a margem de incerteza envolvida.
Para aplicações empresariais, essa diferença pode ser relevante.
Uma empresa geralmente não precisa que a IA pareça inteligente. Ela precisa que o sistema seja útil, previsível e integrado ao processo correto.
O nome Jev tem uma inspiração econômica
O nome Jev faz referência ao economista britânico William Stanley Jevons.
A escolha também está relacionada ao chamado paradoxo de Jevons, segundo o qual a redução do custo de utilização de um recurso pode aumentar seu consumo total.
Aplicando essa ideia à inteligência artificial, a TypeSafe AI parece apostar que modelos mais baratos e rápidos poderão ser utilizados em muito mais situações.
Em vez de concentrar IA em algumas tarefas complexas e caras, empresas poderiam integrar modelos especializados a milhares de etapas menores:
- verificação de qualidade;
- triagem;
- classificação;
- monitoramento;
- detecção de riscos;
- recomendação;
- validação;
- controle de agentes.
Se o custo de executar essas funções cair, a quantidade de processos automatizados poderá crescer rapidamente.
O Jev pode ajudar empresas menores?
Essa é uma das possibilidades mais interessantes.
Grandes empresas normalmente conseguem pagar por modelos avançados, infraestrutura própria e equipes especializadas.
Pequenas empresas, por outro lado, precisam escolher cuidadosamente onde utilizar inteligência artificial.
Um modelo mais rápido e econômico poderia ser utilizado em processos como:
- qualificação de leads;
- análise de mensagens;
- classificação de clientes;
- priorização de tarefas;
- identificação de oportunidades;
- controle de qualidade;
- previsão de abandono;
- automação de atendimento;
- análise de dados;
- monitoramento de operações.
Isso não significa que toda pequena empresa deva adotar o Jev imediatamente.
A tecnologia ainda precisa ser testada, documentada e avaliada em diferentes cenários.
Entretanto, a tendência é importante: o futuro da IA pode incluir muitos modelos especializados trabalhando juntos, em vez de depender de um único sistema gigantesco.
Uma nova fase para o desenvolvimento de software
Durante anos, os desenvolvedores utilizaram APIs de grandes modelos de linguagem para adicionar inteligência aos seus produtos.
Agora, pode surgir uma arquitetura mais diversificada.
Um aplicativo pode usar:
- um LLM para conversar com o usuário;
- um modelo de decisão para classificar dados;
- um sistema de visão para analisar imagens;
- um modelo pequeno para detectar anomalias;
- um agente para executar tarefas;
- uma camada de segurança para verificar ações;
- um banco de dados para armazenar contexto.
Esse modelo pode aumentar a complexidade inicial do desenvolvimento, mas também pode tornar a aplicação mais eficiente.
Cada sistema é utilizado na função para a qual foi desenvolvido.
O resultado pode ser uma tecnologia mais modular, econômica e fácil de controlar.
Empresas que desenvolvem sites, aplicativos e sistemas digitais poderão incorporar diferentes modelos de IA conforme as necessidades específicas de cada projeto.
O entusiasmo precisa ser acompanhado de testes
A comunidade técnica está animada, mas entusiasmo não é o mesmo que comprovação definitiva.
Uma nova arquitetura pode parecer promissora em demonstrações e testes iniciais, mas ainda precisa ser avaliada em situações reais.
Os desenvolvedores devem observar:
- desempenho em diferentes conjuntos de dados;
- estabilidade;
- custo total;
- facilidade de integração;
- comportamento fora do padrão;
- resistência a entradas maliciosas;
- qualidade das probabilidades;
- capacidade de explicação;
- manutenção;
- disponibilidade de suporte.
Também é importante verificar se as informações divulgadas são resultados independentes ou estimativas da própria empresa.
O Jev pode representar uma mudança significativa, mas será necessário acompanhar sua adoção e o desempenho em aplicações reais.
Conclusão: a próxima revolução pode não parecer um chatbot
O modelo Jev está chamando atenção porque propõe uma visão diferente para a inteligência artificial.
Em vez de tentar gerar textos cada vez maiores, ele busca atuar em tarefas de decisão, classificação, verificação e controle.
Essa mudança pode parecer menos impressionante para o público geral, mas pode ser extremamente relevante para desenvolvedores.
A maior parte dos sistemas empresariais não precisa de uma IA que converse durante horas. Precisa de uma tecnologia que:
- tome decisões mais consistentes;
- indique níveis de confiança;
- reduza custos;
- responda rapidamente;
- seja fácil de integrar;
- permita supervisão;
- diminua riscos.
Diogo Almeida ajudou a construir tecnologias que contribuíram para a popularização dos chatbots modernos. Agora, com o Jev, ele parece estar tentando resolver uma das limitações criadas pelo próprio sucesso dos grandes modelos de linguagem.
A pergunta que fica é:
O futuro da inteligência artificial dependerá de modelos maiores ou de modelos especializados trabalhando juntos?
O entusiasmo dos desenvolvedores sugere que existe espaço para uma nova resposta.
A IA do futuro talvez não seja apenas aquela que escreve, conversa e cria imagens.
Pode ser também aquela que decide, verifica, classifica e trabalha silenciosamente nos bastidores dos sistemas que usamos todos os dias.
