Jev – O que é, o que não é, e como ele se diferencia de LLMs e Agentes

System One Models: conheça a nova classe de modelos 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 → voltada a decisões estruturadas, tipadas e probabilísticas para fluxos de software. (gerado com ajuda da AI, revisado, corrigido e ajustado pelo Macoratti)

Imagine que sua aplicação precise responder a perguntas como:

– Qual categoria melhor descreve este chamado?
– Qual é o nível de prioridade?
– Este caso deve ser encaminhado para um humano?
– Qual opção deve ser escolhida?
– Qual é o score dessa situação?
– Devemos continuar automaticamente ou interromper o fluxo?

Tradicionalmente, poderíamos implementar essas decisões com regras determinísticas. Quando as regras são simples, isso funciona muito bem.

O problema aparece quando a decisão depende de linguagem natural, contexto e julgamento semântico.

Uma alternativa seria utilizar um LLM — Large Language Model. Entretanto, um LLM foi concebido principalmente para trabalhar com linguagem e gerar respostas.

Podemos pedir que ele retorne JSON ou outro formato estruturado, mas ainda estamos utilizando um modelo cuja saída fundamental é linguagem.

É nesse contexto que surge uma proposta diferente: Jev, da TypeSafe AI.

De onde vem o nome Jev?

Jev não é um acróstico. O nome foi escolhido em homenagem ao economista William Stanley Jevons 
e faz referência ao Jevons Paradox, conceito segundo o qual ganhos de eficiência podem aumentar
 o uso total de um recurso. A TypeSafe utiliza essa ideia como inspiração para sua visão de que, 
tornando a inteligência muito mais barata e eficiente, será possível incorporá-la a uma quantidade
 muito maior de decisões dentro dos softwares

1. O que é Jev?

A maneira mais simples de entender o Jev é começar pelo problema que ele pretende resolver. Um software tradicional trabalha muito bem com decisões determinísticas:

if (pedido.Valor > 1000)
{
    // exige aprovação
}

O computador conhece exatamente a regra. Mas considere uma situação diferente:
“O cliente está muito insatisfeito, já tentou resolver o problema duas vezes e ameaça cancelar a assinatura.”

Agora queremos responder: qual é a prioridade (Baixa, Média, Alta, Crítica) ? Essa decisão não é facilmente expressa por uma regra simples; existe uma dimensão semântica.

É aí que entra a proposta do Jev. Podemos pensar nele como uma camada de julgamento semântico para o software:

Estado / Contexto
        │
        ▼
       Jev
        │
        ▼
Decisão estruturada
        │
        ▼
Código da aplicação

A TypeSafe define System One Models como uma classe de modelos voltada a decisões dentro de software, e apresenta o Jev como seu primeiro modelo público dessa categoria.

2. A ideia central: decisões, não strings

Essa é provavelmente a diferença mais importante para guardar. Um LLM tradicional produz strings (ex: “Esse chamado parece ser de alta prioridade e deveria ser encaminhado ao setor financeiro.”), exigindo que o software interprete essa resposta.

Já a proposta do Jev é produzir diretamente uma estrutura de decisão:
– Departamento = Financeiro
– Prioridade = Alta
– Escalar = Sim

Conceitualmente, enquanto o LLM gera texto (ex: “Financeiro”), o Jev produz uma decisão tipada (ex: Departamento.Financeiro).

A TypeSafe descreve essa diferença como: “unstructured state in, typed probabilistic decisions out” — entra um estado não estruturado e saem decisões probabilísticas tipadas. Essa característica é importante porque o resultado pode entrar diretamente em um fluxo de software.

3. Mas o Jev é um LLM?

Não é essa a forma mais adequada de descrevê-lo. A TypeSafe apresenta o Jev como um System One Model, uma classe de modelos criada com uma arquitetura, mecanismo de amostragem e processo de treinamento voltados especificamente para decisões estruturadas.

O Jev não foi projetado para geração geral de strings como um LLM tradicional; ele abre mão da geração de strings para ser otimizado para structured outputs.

Portanto, Jev não deve ser entendido simplesmente como “um LLM menor”. A própria TypeSafe trata essa pergunta separadamente em sua documentação e descreve o Jev como uma nova classe de modelo.

4. O que significa “System One Model”?

O nome System One faz referência à distinção popularizada por Daniel Kahneman em Thinking, Fast and Slow entre o pensamento rápido e intuitivo e o pensamento mais deliberado.

A TypeSafe utiliza essa ideia para nomear uma classe de modelos voltada a decisões rápidas e estruturadas. O objetivo não é reproduzir toda a capacidade de um LLM generativo, mas fazer muito bem um tipo específico de trabalho:

• Receber contexto
• Responder perguntas estruturadas
• Produzir decisões
• Permitir que o software continue

Essa especialização é justamente uma das características que diferenciam o Jev de modelos de linguagem generalistas.

5. O que o Jev não é?

• Jev não é simplesmente um chatbot: um chatbot normalmente tem como objetivo conversar com uma pessoa. O Jev não tem como objetivo principal manter uma conversa; seu objetivo é fornecer decisões que outro software possa consumir.
• Jev não é um AI Coding Agent: um AI Coding Agent pode analisar um projeto, ler arquivos, planejar alterações, modificar código, executar comandos, rodar testes, observar resultados e iterar (sistema agentic). O Jev não é definido dessa maneira; seu papel é fornecer decisões estruturadas.

6. Jev não é apenas Structured Output

Essa é talvez uma das perguntas mais interessantes para quem já trabalha com LLMs. Se solicitarmos a um LLM que retorne um JSON estruturado (categoria, prioridade, escalar), o modelo continua sendo um LLM generativo, e estamos apenas restringindo a forma da resposta, necessitando de etapas posteriores de parse e validação.

A proposta do Jev é diferente: seus modelos são projetados para retornar valores estruturados tipados, com a estrutura das respostas definida antecipadamente, além de probabilidades e confidence nativas.

7. Os três tipos fundamentais de decisão

A API oficial da TypeSafe disponibiliza um endpoint SystemOne que expõe atualmente três formas principais de perguntas:

• 7.1 Choice: Representa uma escolha entre alternativas (ex: Qual departamento deve tratar este chamado? [Financeiro, Suporte, Comercial, Logística]). O sistema trabalha com probabilidades associadas (ex: Financeiro 0.91, Suporte 0.05, Comercial 0.03, Logística 0.01).

• • 8. Score: Permite avaliar algo dentro de uma escala (ex: nível de urgência de 0 a 10). É útil para situações como prioridade, risco, satisfação, severidade, relevância, probabilidade de cancelamento ou qualidade. A aplicação define como utilizar o score (ex: if (resultado.Score >= 8)).

• 9. Noul: Representa uma decisão binária, essencialmente uma avaliação entre não e sim (ex: O cliente precisa de intervenção humana?). O resultado indica a escolha junto ao índice de Confidence, permitindo direcionar fluxos automáticos ou de escalonamento.

10. A importância da Confidence e da Incerteza

Em sistemas de IA que tomam decisões automaticamente, não basta saber apenas qual foi a decisão; também é importante saber quão confiante o modelo está naquela decisão.

Com o Jev, a incerteza deixa de ser algo incerto obtido por meio de um prompt genérico e passa a fazer parte do contrato entre o modelo e a aplicação através de probabilidades e confidence calibradas.

Isso viabiliza o confidence-gated routing: o software pode definir limiares para determinar quando agir autonomamente e quando solicitar revisão:

if (resultado.Confidence >= 0.90)
{
    await EncaminharAutomaticamenteAsync();
}
else
{
    await SolicitarRevisaoHumanaAsync();
}

12. Por que isso é interessante para software? (“Smart if-statements”)

Um LLM é extremamente flexível para conversar, escrever, explicar ou resumir, mas essa mesma flexibilidade pode ser inconveniente quando precisamos inserir IA profundamente dentro de um fluxo de software baseado em if / switch / workflow.

A proposta do Jev é reduzir essa distância, funcionando como “smart if-statements” — decisões inteligentes que entram diretamente em workflows convencionais, onde a inteligência semântica fica no modelo e a regra operacional continua no código.

18. Jev, LLM e Agent: uma comparação direta

15. Exemplo conceitual em C#↳C#68 conteúdosNovidades do C# 8.0: Default Interface MembersDev (Back & Front) · jun 2019C# 8.0 – Conheça suas novas funcionalidadesDev (Back & Front) · mai 2019Novidades do C# 8.0: Switch ExpressionsDev (Back & Front) · mar 2019Ver tudo em Dev (Back & Front) →

Como o Jev é exposto por uma API, uma aplicação .NET pode tratá-lo como um serviço externo de forma fortemente tipada:

public sealed record AtendimentoDecision(
    string Departamento,
    int Prioridade,
    bool PrecisaHumano,
    double Confidence);

public interface IJevService
{
    Task<AtendimentoDecision> AnalisarAsync(
        string mensagem,
        CancellationToken cancellationToken);
}

// Utilização na aplicação
var decisao = await _jevService.AnalisarAsync(mensagem, cancellationToken);

if (decisao.PrecisaHumano && decisao.Confidence >= 0.90)
{
    await _atendimento.EscalarAsync(decisao.Departamento);
}

O domínio da aplicação não precisa conhecer os detalhes do modelo, mantendo uma arquitetura limpa (ASP.NET Core ⟶ IJevService ⟶ JevAdapter ⟶ Jev API).

25. Uma arquitetura combinando os três

Uma aplicação moderna pode utilizar as três abordagens em conjunto, escolhendo a ferramenta de acordo com o tipo de problema:

• Jev: Realiza as decisões semânticas e estruturadas.
• LLM: Faz a geração e compreensão de linguagem (ex: redigir a resposta ao cliente).
• AI Agent: Coordena e executa tarefas integrando ferramentas (CRM, APIs, E-mail).

Podemos resumir em uma regra simples:
– LLM gera.
– Jev decide.
– Agent coordena e executa.

Conclusão

O Jev introduz uma perspectiva diferente para a utilização de Inteligência Artificial em software. Em vez de partir da ideia de que toda IA precisa gerar texto, a proposta dos System One Models é utilizar modelos especializados para produzir decisões estruturadas que possam ser consumidas diretamente pela aplicação.

Para nós, desenvolvedores .NET, essa ideia é especialmente interessante: ela permite imaginar aplicações nas quais a IA não está apenas em uma interface de chat, mas embutida em pontos específicos da lógica, trabalhando junto com o código tradicional de forma eficiente e previsível.

Observação: Várias características técnicas, como velocidade, custo, ausência de type errors, calibração de confidence e comparações de desempenho mencionadas pela TypeSafe são afirmações da própria empresa, apresentadas em seu lançamento e em suas avaliações, não devendo ser interpretadas como validação independente.