Alguém acabou de zerar o custo das decisões mais burras da IA

Em 15 de setembro, uma das pessoas que construíram o ChatGPT lançou um modelo de fronteira que não sabe escrever. Diogo Almeida ajudou a construir o chatbot e o método de treinamento por trás dele, o RLHF (aprendizado por reforço com feedback humano), e passou dois anos em sigilo na TypeSafe AI construindo a inversão da própria invenção ¹. O veredito dele sobre a indústria que ajudou a criar é cru: "Temos um raio engarrafado e, ainda assim, ele não é útil", porque os modelos otimizam para a linguagem humana enquanto "os computadores falam uma linguagem diferente" ¹. O Jev, seu novo modelo, não fala de jeito nenhum.

O modelo responde em vez de escrever

O Jev recebe um bloco de estado do programa e um conjunto de perguntas tipadas e devolve respostas com probabilidades calibradas: a escolha entre até 255 opções, uma nota em uma escala ou uma probabilidade de sim ou não ². Cada pergunta é avaliada em uma única passada paralela, sem decodificação token a token, sem nada a interpretar e sem chance de inventar uma quinta ferramenta em um menu de quatro ²³. A TypeSafe informa decisões em 70 a 500 milissegundos, entrada a US$ 0,042 por milhão de tokens e saída gratuita ². A empresa batiza a classe de modelos de Sistema 1 (System One), em referência ao pensamento rápido de Kahneman, e os treina com aprendizado por reforço para decisões calibradas, de modo que a confiança declarada acompanhe a precisão — e o código possa agir acima de um limiar e escalar o caso abaixo dele ².

Os loops de agentes pagavam preço de chat por decisões de semáforo

A vida de um agente não é, na maior parte do tempo, raciocínio. É escolher: qual a próxima ferramenta, se aquele clique funcionou, se este comando é seguro rodar. A LangChain expõe com franqueza o problema de custo do loop: cada decisão é mais uma chamada de modelo↗ ⁴. Em até dois dias após o lançamento, a empresa já entregava o conserto como middleware: um roteador que envia cada requisição a um modelo barato ou a um modelo poderoso, e uma salvaguarda que checa toda chamada de ferramenta antes de executá-la ⁴. A Vercel já havia migrado para o Jev o classificador Luna, da OpenAI, que revisa comandos por segurança, e relata respostas de 5 a 18 vezes mais rápidas, com precisão maior ¹. Na Browserbase, agentes de navegador já tomam nele suas escolhas lance a lance, por frações de centavo ⁴.

O gargalo era a verificação, não a inteligência

O número revelador não vem de um benchmark. Um desenvolvedor apontou o Jev para 9.081 pares de correspondência de produtos que seu próprio motor havia deixado na fila de revisão humana — e zerou a fila em 13 minutos, ao custo de 32 centavos de dólar. Havia engavetado essa etapa em junho, porque com os preços dos modelos de fronteira não compensava construí-la ⁵.

A automação não travou porque os modelos não dessem conta do trabalho rotineiro. Travou porque checar com honestidade cada pequeno passo custava mais do que o passo valia — e só os passos caros, por isso, foram automatizados.

A avaliação de quatro fluxos de trabalho conduzida pela própria TypeSafe dá números concretos à troca↗: o Jev iguala a precisão do GPT-5.6 Terra — 67,8% contra 67,9% de concordância com as respostas de referência — a US$ 0,0004 por caso ³. Os múltiplos que viraram manchete, de até 193 vezes mais rápido e 445 vezes mais barato ²⁶, são informados pelo próprio fornecedor e medidos contra referências obtidas pela média de outros modelos de fronteira; a própria TypeSafe diz que os picos ficam na faixa alta dos ganhos no mundo real ².

As regras da UiPath são o ativo exposto

A UiPath construiu um negócio de US$ 1,94 bilhão em receita recorrente sobre automação determinística e baseada em regras, com crescimento de 12,5% ⁷. O próprio diretor de operações diz que os clientes agora querem "capacidades de IA tanto determinísticas quanto probabilísticas", insiste que a plataforma segue agnóstica quanto a modelos e admite que o avanço dos modelos de linguagem pode transformar em commodity as automações mais simples ⁷. Uma decisão calibrada a frações de centavo é exatamente essa commoditização, aplicada ao ponto de decisão dentro de cada fluxo de trabalho que a UiPath orquestra. A empresa pode absorvê-la pelo Agent Builder, agnóstico quanto a modelos, que já vende — ou ver seu fosso competitivo virar commodity. Os dois caminhos estão abertos. A exposição não é simétrica.

Plataformas que cobram por resultado embolsam a margem

A Salesforce reportou receita recorrente do Agentforce acima de US$ 1,5 bilhão, em alta de mais de 240%↗, enquanto cobra dos clientes por conversa, resolução e créditos — e paga, por baixo, a conta de tokens: mais de 19 trilhões consumidos. Um executivo observa que um único engenheiro "pode gerar uma conta de uns US$ 100 mil por mês" ⁸. Toda chamada de roteamento, salvaguarda e verificação migrada para uma camada quase gratuita é margem sobre um produto já vendido. A mesma aritmética aguarda o ServiceNow e a pilha Copilot da Microsoft — e é a mesma pergunta que este site fez quando a Salesforce abriu seu próprio mercado de agentes à Anthropic: quem fica com o orçamento de software quando a camada de agentes por baixo dele fica barata. É por isso que a borda da rede se moveu em questão de dias: a Cloudflare lista typesafe/jev em sua documentação de IA, e a Vercel o incluiu em seu AI Gateway em 16 de setembro ⁵.

Menos largura de banda por decisão, e mais decisões

Vamos ser honestos quanto à questão dos data centers. Como toda resposta chega em uma única passada, não há loop de decodificação consumindo memória a cada token de saída — por decisão, o modelo parece mais leve em largura de banda de memória do que o modelo de chat que ele substitui nessa tarefa ³. De qualquer forma, essa é a conta errada. A razão de ser de uma camada barata é fazer mais atividade de agentes valer a pena — e cada um desses agentes continua acionando um modelo de fronteira na sua fração difícil. A TypeSafe batizou o modelo de William Stanley Jevons propositadamente: carvão mais barato significava mais carvão queimado ²⁵. A demanda total pela camada de raciocínio — e pelos fornecedores de memória por trás dela — pode subir mesmo com a queda do custo unitário. Esse é o argumento; seis dias de dados não bastam para decidir a questão.

Privada, com seis dias de vida, e a arquitetura para aprender agora

O que segue em aberto: as avaliações são conduzidas pelo próprio fornecedor; os rótulos de referência são respostas de outros modelos, e não o gabarito real (ground truth); a saída é uma probabilidade sem justificativa; o Jev ainda pode cometer erros de classificação; e a TypeSafe admite que não consegue provar que sua precificação não é subsidiada ²³⁵⁶. A própria TypeSafe é privada — captou US$ 40 milhões em rodada-semente liderada pela DCVC, com avaliação de cerca de US$ 200 milhões segundo um relato↗ ⁹. Por isso, não existe ticker que capture essa mudança — e qualquer lista que aponte um é especulação.

Fique de olho no meio da pilha

O valor vai para quem encurta a distância entre uma capacidade e o dia de trabalho de alguém — e, nesta semana, esse trabalho é derrubar o preço das pequenas verificações honestas. Fique de olho no meio da pilha: as plataformas que incorporam a camada aos produtos que já vendem embolsam a margem, e os fornecedores baseados em regras que a recusam tornam-se a commodity. Para quem está construindo, a cascata — decisões baratas sob raciocínio caro — é a arquitetura para aprender agora, ressalvas de seis dias incluídas. Quem a aprende são os próximos a ter o trabalho mudado.