TypeSafe Jev

O que é

Jev é um modelo da TypeSafe AI que responde perguntas tipadas em vez de escrever texto. Você envia um state (um email, um registro do CRM, uma cláusula de contrato, como texto ou JSON) e uma ou mais perguntas nomeadas, e ele devolve respostas estruturadas: um choice entre até 255 opções que você define, um score em uma rubrica de até 10 níveis, ou um noul, uma probabilidade de 0 a 1 de que uma afirmação seja verdadeira. Respostas de choice e score também trazem a distribuição completa de probabilidades e um valor de confidence. Não há prosa para parsear nem JSON malformado para reprocessar.

A TypeSafe saiu do modo stealth em setembro de 2026 e, em 9 de outubro de 2026, anunciou uma rodada de US$ 870M com valuation de US$ 7,5B liderada pela Andreessen Horowitz, com Sequoia e DCVC. O produto ainda aparece como acesso antecipado no typesafe.ai. O acesso é por um único endpoint REST (POST https://api.typesafe.ai/v1/systemone) mais SDKs de Python e JavaScript. A documentação não lista conector nativo para Zapier, Make ou n8n, então nessas ferramentas você chama o modelo a partir de um passo de requisição HTTP.

Onde ele se encaixa na automação de operações

Jev serve para a decisão dentro de uma automação, não para a automação em si. Os casos de uso concretos em que ele se justifica:

• Triagem de tickets. Uma única chamada pergunta “qual fila?” (choice), “qual a urgência?” (score) e “é um pedido de reembolso?” (noul) sobre o mesmo ticket. A TypeSafe avalia as perguntas em paralelo, então adicionar uma pergunta quase não muda a latência.
• Pré-checagens de roteamento de leads. Classifique um formulário inbound ou uma resposta por segmento, intenção e “já é cliente?” antes de o seu roteador atribuir um responsável.
• Pontos de aprovação. Pré-aprovação de despesas, triagem da mesa de descontos ou “esta cláusula foge do nosso playbook?” como sim/não com uma probabilidade anexada.
• Aprovação de chamadas de ferramenta em agentes. Pergunte ao Jev se a ação proposta por um agente corresponde ao pedido do usuário antes de ela rodar.

O padrão que a TypeSafe documenta é o roteamento condicionado à confiança: agir automaticamente acima de um limiar alto, pedir confirmação na faixa intermediária e mandar para uma pessoa tudo o que ficar abaixo de cerca de 0,5.

Preço na prática

Jev 1.13 e Jev 1.14 custam US$ 0,042 por milhão de tokens de entrada, e os tokens de saída são gratuitos (página de modelos da TypeSafe, verificada em 21 de outubro de 2026). A TypeSafe não oferece licença por usuário. Os planos enterprise adicionam limites de taxa maiores e retenção zero de dados via vendas.

Nos volumes de operações, a conta é um erro de arredondamento. 100.000 tickets por mês com cerca de 1.500 tokens de entrada cada dão 150M de tokens, ou uns US$ 6,30. O mesmo volume na Decisions API da OpenAI (US$ 0,10 por milhão de entrada, sem cobrança de saída) sai por uns US$ 15. Em um modelo geral como o GPT-6 Luna via Responses API, são uns US$ 17,50 depois que você paga cerca de 50 tokens de saída por resposta. O preço não vai decidir essa compra. Quem decide é a precisão nos seus próprios rótulos e se os números de confiança significam algo nos seus dados.

Ideal para

Um engenheiro de RevOps, support ops ou legal ops que já roda triagem ou roteamento em n8n, num serviço próprio ou num framework de agentes, e está gastando dinheiro ou latência com um LLM para produzir um rótulo por registro. O ganho é velocidade, custo quase zero e uma probabilidade sobre a qual você pode definir limiares.

Não é para um time sem alguém capaz de chamar uma API e manter um conjunto de teste rotulado, nem para um workflow em que a decisão exige raciocínio em várias etapas, aritmética ou lógica de datas.

Frente às alternativas

A Decisions API da OpenAI é a concorrente direta e o padrão se você já roda na OpenAI. Entrou em beta pública em 6 de outubro de 2026 sobre o gpt-6-luna, com os mesmos três formatos de pergunta (predicate, choice, score), a US$ 0,10 por milhão de tokens de entrada. Escolha-a quando precisar de ZDR, elegibilidade HIPAA ou residência de dados na UE hoje, sem passar por vendas, ou de um único contrato de fornecedor. Escolha o Jev quando o custo de entrada ou a latência em volume muito alto forem a restrição, e quando ele vencer o Luna na sua própria avaliação. Pelo menos um comentarista no thread do HN sobre a rodada relatou que isso aconteceu em avaliações de produção.

Um LLM geral com saídas estruturadas (modelos do Claude, ChatGPT) é o que a maioria dos times usa hoje. Mantenha-o quando a decisão exigir raciocínio em várias etapas, ou quando você quiser o texto de explicação junto do rótulo para trilha de auditoria.

A triagem nativa do seu helpdesk ou roteador (Zendesk, Intercom, LeanData) é a escolha certa quando a IA ou as regras embutidas do fornecedor já cobrem suas categorias. Adicionar uma chamada de modelo acrescenta uma dependência sem ganho.

Pontos de atenção

• “Confidence” não é precisão calibrada. A própria documentação da TypeSafe a define como uma estatística de quão concentrada está a distribuição de probabilidades, não como uma taxa de acerto medida. Comentaristas no HN contestaram as alegações de calibração, e alguns acharam LLMs gerais mais precisos em rótulos de domínio de negócio. Proteção: passe 200 a 500 registros históricos com resultado conhecido pelo Jev, plote a precisão por faixa de confiança e defina cada limiar a partir desse gráfico, pergunta a pergunta.
• Pontos cegos documentados. As notas da TypeSafe sobre o Jev 1.13 listam viés para a primeira opção em perguntas de choice, mau desempenho com números, datas e duplas negações, e queda de precisão quando o state traz detalhes irrelevantes. Proteção: calcule datas, valores e SLAs em código antes da chamada, reduza o state aos campos que importam, e embaralhe a ordem das opções ou use o padrão documentado de autoconsistência nas decisões de alto risco.
• O state não é tratado como hostil. As mesmas notas dizem que instruções injetadas na entrada podem mudar as respostas, apesar do slogan “zero hallucinations”. Proteção: nunca deixe uma resposta do Jev sozinha disparar um reembolso, uma exclusão ou uma ação contratual sobre texto enviado por cliente; exija uma segunda checagem ou uma pessoa acima de um limite de custo.
• Fornecedor em acesso antecipado, aliases que mudam. jev-latest e jev-preview passam a apontar para outra versão quando sai release nova, e a documentação não informa política de depreciação. Proteção: fixe jev-1.13.0 (ou a versão que você validou), rode de novo seu conjunto de avaliação antes de trocar de versão e mantenha a chamada ao modelo atrás de uma única função, para poder migrar para o endpoint da OpenAI em uma tarde.