Empresa TypeSafe AI sai do stealth e faz barulho com modelo Jev

Antes desse anúncio, Almeida passou dois anos trabalhando em sigilo no desenvolvimento da empresa.

Ao contrário dos grandes modelos de linguagem (LLMs, ou large language models), o Jev não gera texto. Ele recebe um estado não estruturado, como um dado, um log ou uma transação. Em seguida, devolve decisões estruturadas com probabilidades, pensadas para serem lidas diretamente por outro software, sem interpretação humana no meio do caminho.

O que aconteceu

Segundo Almeida, a pergunta que o levou a fundar a TypeSafe era simples: os modelos de chat já são excelentes em conversar. Por que, então, a automação de verdade ainda engatinha? Para ele, a resposta está em construir uma classe de modelo separada, otimizada para decisões e não para diálogo.

Esse raciocínio resultou no System One Model anunciado agora.

O Jev foi criado para tarefas como classificar chamados, decidir qual ferramenta acionar dentro de um workflow, atribuir pontuações a registros ou determinar quando uma solicitação precisa de revisão humana. Em vez de produzir sequências longas de texto, o modelo devolve valores tipados: opções pré-definidas, escalas ou probabilidades de sim/não.

A diferença técnica central está na forma de gerar respostas:

• LLMs tradicionais geram texto token por token, de forma sequencial, condicionando cada palavra à anterior.
• O Jev avalia as opções possíveis em paralelo e devolve diretamente o valor definido pelo desenvolvedor, sem precisar montar uma frase.
• Nos chamados outputs tipados, quem desenvolve define de antemão quais formatos de resposta o sistema pode retornar, o que elimina erros de formatação na integração com o código.

A empresa afirma que essa arquitetura torna erros de tipo matematicamente impossíveis, já que a estrutura da resposta é garantida por design. Isso não significa, porém, que o modelo nunca tome uma decisão incorreta: a garantia é sobre o formato da saída, não sobre o acerto do julgamento.

Para demonstrar velocidade, a TypeSafe divulgou uma execução do jogo Doom controlada pelo Jev, servindo como vitrine da arquitetura. O bot toma decisões a partir de uma descrição textual do estado do jogo, não de imagens da tela. De acordo com a TypeSafe, a demo roda a cerca de 10 consultas por segundo, a um custo estimado de US$ 7 por hora.

A própria empresa reconhece que um bot tradicional, sem IA, jogaria melhor. Mas o ponto era outro: mostrar reação rápida a diferentes estados do jogo e capacidade de seguir instruções, como relatou o The Register.

Qual o objetivo da TypeSafe AI com lançamento?

O argumento central da TypeSafe é que, para conversar com humanos, gerar texto de forma sequencial faz sentido. Mas dentro de um software, produzir uma resposta em linguagem natural para depois interpretá-la e convertê-la em decisão estruturada adiciona etapas desnecessárias, que custam tempo e dinheiro.

É justamente essa camada intermediária que a empresa quer ocupar.

Os números de desempenho, divulgados pela própria empresa e não por avaliação independente, reforçam essa aposta. A TypeSafe informa latência de 70 a 500 milissegundos, contra 3 a 329 segundos de modelos de fronteira. Além disso, o preço é de US$ 0,042 por milhão de tokens de entrada, sem cobrança pelos tokens de saída.

Na prática, em avaliações internas de workflows, a empresa afirma ter chegado a 193,6 vezes mais rápido e 444,6 vezes mais barato que modelos usados como referência. Essa comparação toma como base o GPT-6 Astra e o Claude Fable 5.1.

Para devs, gestores de produto e times de automação, o Jev não se propõe a substituir os LLMs conversacionais. A proposta é ocupar uma camada intermediária: classificação de chamados, roteamento de tarefas, verificação de respostas de outros modelos e processamento de grandes volumes de dados em tempo real.

Na prática, isso significa latência compatível com sistemas em produção, algo difícil de alcançar com modelos que geram texto sequencialmente.

Os benchmarks de "193x mais rápido" e "444x mais barato" partem de avaliações feitas pela própria TypeSafe, usando concorrentes específicos como referência. Por isso, o número não deve ser lido como vantagem universal: o ganho depende do tipo de tarefa e do desenho do workflow.

Ainda assim, o lançamento sinaliza uma mudança de paradigma possível. Em vez de colocar um chatbot no centro de cada aplicação, empresas poderiam usar modelos especializados como camada invisível de decisão.

Nesse cenário, quem usa o produto final nem precisa saber que há um modelo como o Jev rodando nos bastidores.

Para Almeida, reduzir o custo da inteligência artificial é o que permite ampliar a quantidade de decisões que passam a ser automatizadas dentro do software.

Quer entender melhor como integrar modelos de IA a sistemas e workflows?

Se você quer aprender a incorporar modelos especializados a aplicações reais, seja com APIs, agentes autônomos ou pipelines de automação, vale se aprofundar. Por isso, conheça as trilhas completas de IA aplicada da Alura. Elas cobrem desde o consumo de modelos via API até a engenharia de agentes e a arquitetura de soluções com IA.