Jev é o próximo hype da IA ou o fim da monocultura dos LLMs?

Nesse fim de semana estudei mais a fundo o Jev da TypeSafe AI↳Inteligência artificial440 conteúdosUX e IA: Transformando Experiências Digitais com Inteligência ArtificialProduto & UX · jan 2025MCP: O que é e por que você vai ouvir falar disso em breve?AI · jul 2025IA generativa e a urgência de reconstruir nossa relação com a verdadeAI · jun 2025Ver tudo em AI →. E ele me deixou a impressão de que a indústria de IA sofre de uma espécie de amnésia tecnológica. Engraçado que tenho acompanhado a discussão em torno de Jev e RLCD (Reinforcement Learning for Calibrated Decisions), e quando me aprofundei mais, a sensação de déjà-vu foi inevitável.

Sim, a proposta é interessante. Em vez de utilizar um grande modelo autoregressivo para gerar tokens até produzir uma resposta, Jev recebe um estado, inclusive texto não estruturado, e responde a questões previamente delimitadas com escolhas, scores ou probabilidades. Em outras palavras, troca parte da enorme flexibilidade da geração aberta por um espaço de decisão mais restrito e diretamente consumível por software.

Há inovação nessa combinação e no treinamento proposto. Mas vários princípios são antigos conhecidos. Classificação probabilística, scoring, regressão, calibração, estimativa de incerteza e funções de decisão não nasceram com os LLMs.

Isso não significa que Jev seja simplesmente um classificador tradicional com marketing novo. A diferença está justamente na tentativa de combinar a capacidade de interpretar estados complexos e não estruturados com uma saída delimitada, probabilística e voltada à decisão.

Mas é importante separar promessa de evidência. Saída tipada não significa decisão correta. Impedir que um modelo produza uma categoria fora das opções disponíveis elimina determinado tipo de erro, não o erro de julgamento.

Da mesma forma, uma probabilidade de 90% não significa que aquela decisão individual esteja “90% correta”. Calibração é uma propriedade estatística que precisa ser validada em conjuntos de casos e pode se deteriorar quando domínio ou distribuição dos dados mudam.

Por isso, ainda considero prematuro chamar Jev de nova arquitetura dominante ou substituta dos LLMs. A evidência pública independente ainda é limitada.

Mas considero igualmente precipitado descartá-lo como hype. O que Jev representa aponta para algo maior e, para mim, mais interessante. Estamos começando a sair da monocultura arquitetural criada pelo entusiasmo com a IA generativa.

Nos últimos anos, “IA” quase virou sinônimo de “LLM”. E começamos a utilizar modelos generativos em problemas que há décadas também são resolvidos com modelos especializados, algoritmos, otimização, busca, regras e métodos probabilísticos.

Vale lembrar de onde vieram os Transformers. Attention Is All You Need, em 2017, não apresentou uma arquitetura para AGI, uma mente artificial ou um sistema autônomo universal. O Transformer foi introduzido como arquitetura de sequence transduction, demonstrada principalmente em tradução automática.

O que aconteceu depois foi fantástico. Escala, dados, pós-treinamento e novas técnicas produziram modelos capazes de escrever, programar, traduzir e interpretar contextos complexos. Mas capacidade não é adequação.

LLMs podem executar classificação, scoring e muitas outras tarefas estruturadas com excelente desempenho. Em alguns casos serão, inclusive, a melhor solução. Em outros, sistemas especializados poderão oferecer uma combinação melhor de desempenho, previsibilidade, latência, calibração e custo. A resposta depende do problema, dos dados e dos requisitos.

O mesmo raciocínio vale para agentes. Agentes não precisam utilizar um único tipo de inteligência para tudo. Um LLM pode interpretar objetivos e situações ambíguas. Um modelo especializado pode classificar risco. Outro pode prever demanda. Um algoritmo pode otimizar uma rota. Regras podem impedir determinadas ações. Software convencional pode executar a transação.

A arquitetura pode combinar todos eles. É justamente nesse ponto que vejo Jev ficando interessante para empresas. Não como substituto do LLM, mas como mais um componente possível do portfólio de IA, especialmente onde existem decisões frequentes, delimitadas e consumidas diretamente por software.

Roteamento, priorização, classificação, gates antes de ações, triagem e decisões intermediárias dentro de workflows e agentes são exemplos naturais a serem testados.

Mas “testados” é a palavra importante. Antes de colocá-lo em produção, eu compararia Jev com alternativas reais para aquele problema. LLMs, modelos classificatórios especializados, modelos menores, regras e até software convencional. Mediria qualidade, calibração, latência, custo, estabilidade diante de mudanças nos dados e impacto dos erros.

Se ganhar, entra na arquitetura. Se não ganhar, não entra. Simples assim. Isso é muito diferente de escolher uma tecnologia porque surgiu uma nova categoria no mercado.

E é também por isso que não vejo essa discussão como uma volta ao passado. Vejo como amadurecimento. Durante alguns anos ficamos fascinados pela possibilidade de resolver cada vez mais problemas com uma arquitetura extremamente generalista. Agora estamos reaprendendo que sistemas robustos podem combinar componentes generalistas e especializados.

Jev pode desaparecer, mudar ou ser superado por outras abordagens. A ideia que ele representa provavelmente permanecerá. Modelos diferentes para problemas diferentes, combinados dentro de arquiteturas híbridas.

Para CIOs, arquitetos e CFOs, portanto, a pergunta não deveria ser se Jev é o “próximo LLM”. Muito menos se precisamos substituir LLMs por decision models.

A questão é mais simples. Qual arquitetura entrega o resultado necessário com a melhor combinação de qualidade, confiabilidade, latência, risco e economia?