Jev, da TypeSafe: o modelo que decide em vez de escrever, e onde ele cabe no seu fluxo
O Dani Geek — arte original
A TypeSafe abriu o Jev em 15 de setembro: você manda o estado e perguntas tipadas, ele devolve escolha, nota ou sim/não com probabilidade calibrada. A adoção foi recorde na Vercel. O que ninguém está contando é a conta que você vai pagar e os três lugares onde ele não serve.
Todo fluxo de automação tem um ponto em que alguém pediu para uma IA decidir. Rotear um ticket, classificar um e-mail, barrar uma peça antes de publicar. E em quase todo fluxo que eu vejo, esse ponto é resolvido do mesmo jeito: chama um modelo grande, pede “responda apenas urgente ou normal”, recebe um parágrafo, faz um parse, cruza os dedos. A confiança que você usa pra decidir se escala pra humano? Você inventou.
Esse pedaço do fluxo agora tem peça própria.
O que o Jev faz, em uma frase técnica
O Jev recebe o estado do seu programa (string ou JSON: um ticket, uma thread de e-mail, o rastro de um agente) mais um conjunto de perguntas declaradas em tipos. Ele avalia todas em uma passada paralela e devolve as respostas no formato que você declarou, cada uma com distribuição de probabilidade e um valor de confiança.
São três tipos de pergunta: Choice (escolhe entre opções), Score (nota numa escala) e o sim/não, que a TypeSafe chama de Noul e a Vercel documenta como Boolean. Mesma coisa, dois nomes, dependendo de onde você está lendo.
A descrição da própria casa é a melhor que existe: “LLMs produzem palavras para pessoas. O Jev produz decisões tipadas” (“LLMs produce words for people. Jev produces typed decisions”, typesafe.ai, 28/set/2026).
A empresa foi fundada por Diogo Almeida, ex-pesquisador da OpenAI que trabalhou nos métodos de treino que depois viraram base do ChatGPT. Isso explica a tese: em vez de melhorar a conversa, ele tira a conversa do meio.
O que de fato vale: calibração, não velocidade
A velocidade é o que aparece nos tweets, mas o argumento técnico é outro. Quando o Jev diz 0,8, ele acerta aquele tipo de resposta em torno de 80% das vezes. Isso é calibração, e é o que permite ao seu código fazer algo que com texto não dava: agir automaticamente acima de um limite e escalar para humano abaixo dele.
Tente fazer isso com um LLM que escreve “estou bastante confiante de que este ticket é urgente”. Bastante confiante é quanto? Você não sabe, e ele também não.
A adoção foi o evento, e tem uma correção aqui
A Vercel ligou o Jev no AI Gateway em 16 de setembro, um dia depois do lançamento: model id typesafe-ai/jev, chamado pela API experimental evaluate do AI SDK 7 (exige a versão 7.0.105 ou superior). Em 24 horas o modelo chegou a cerca de 13% dos times pagos do gateway, o lançamento de adoção mais rápida da história deles, mais do que o dobro do share da família GPT-5.6.
A versão que circulou essa semana foi “Vercel e Netlify adotaram em dias”. A primeira metade está certa; a segunda, não. Quem entrou nos primeiros três dias foi Cloudflare, LangChain (com uma integração TypeSafeClassifier) e Langfuse. O changelog público da Netlify está datado de 4 de outubro, quase três semanas depois. (Pode ser uma página atualizada continuamente com suporte anterior; o que eu consigo afirmar é a data que está no ar.)
E a Netlify chegando depois é um ponto melhor, não pior, porque a integração dela é zero-config: “Instale o @typesafe-ai/sdk e use direto nas suas Netlify Functions, sem API key pra criar, sem config de provider, sem base URL pra ligar” (“no API keys to create, no provider config, no base URLs to wire up”). Chamada via TypeSafeClient, método systemOne(), alias jev-latest, que hoje aponta para jev-1.13.0, e cobrança nos créditos Netlify.
Os dois números que não batem, e qual deles usar
A TypeSafe anuncia até 193,6x mais rápido e 444,6x mais barato que LLMs “nas avaliações de fluxo dela”. A Vercel repetiu esses números no changelog. Preço de tabela: US$ 42 por bilhão de tokens de entrada (US$ 0,042 por milhão) e saída grátis.
Medição de terceiros, no mesmo período: uma análise da OpenChamber sobre 12.759 tweets de lançamento, reportada pela InfoQ, dá mediana de 7x de ganho de velocidade e 30x de economia, com latência mediana de 76ms e quartil superior de 270ms.
193x contra 7x. Nenhum dos dois é mentira. Um é benchmark escolhido pelo fornecedor, com a tarefa que favorece o produto. O outro é fluxo de gente real, com estado sujo, pergunta mal formulada e o overhead da rede no meio. Para decidir se vale no seu caso, use o 7x. O 193x é o teto teórico de uma tarefa que provavelmente não é a sua.
Vale a mesma régua para a latência. A Netlify documenta 70 a 500ms ponta a ponta. O número honesto não é “menos de meio segundo”, é “dezenas de milissegundos no caso típico, meio segundo no pior caso documentado”.
Dois casos concretos ajudam a calibrar. Um classificador de segurança do próprio time da Vercel rodou de 5 a 18x mais rápido que o LLM que ele substituiu. E Nikhil Mudholkar, CTO da Bryo AI, achou o Gemini ligeiramente mais preciso em classificação de e-mail, mas “10 a 20 vezes mais caro” (“10 to 20 times more expensive”). A troca real tem essa forma: um pouco menos de acerto por uma ordem de grandeza de economia. Se a sua decisão errada custa barato, a troca é óbvia. Se ela custa caro, não é.
Onde ele NÃO serve (o parágrafo que falta em todo lugar)
A internet passou a semana dizendo que o Jev “não pode alucinar”. Isso é falso, e o mal-entendido é de categoria: o tipo é garantido, o conteúdo não. O schema promete que volta um valor da sua lista. Ele não promete que é o valor certo.
Os limites que a própria reportagem registra:
- Não conta, não faz aritmética, não compara datas de forma confiável. Se a sua pergunta é “quantos itens dessa lista estão vencidos”, não é trabalho pra ele.
- Perde acerto em estado grande e ruidoso. Decisão pequena e fechada sobre um pedaço limpo de contexto é o caso bom; despejar uma thread de 40 e-mails não é.
- Pode devolver um valor válido pelo schema e completamente errado. A InfoQ resume a crítica assim: o modelo transfere parte do problema de alucinação para quem o usa, porque você não recebe mais um texto suspeito pra ler, recebe um valor que parece correto por construção.
Então o mapa não é “troque o LLM pelo Jev”. É: onde no seu fluxo a decisão é pequena, fechada e repetida, o Jev entra; onde ela é aberta, longa ou precisa de conta, o modelo grande fica.
Na prática, o antes e o depois:
Antes. Entra o ticket → prompt longo pro modelo grande → volta texto → parse frágil → heurística sua inventa a confiança → roteia.
Depois. Entra o ticket → Choice (“suporte, financeiro ou bug?”) + Score (“prioridade de 1 a 5”) + Boolean (“precisa de revisão humana?”) numa passada → volta valor tipado com probabilidade → acima de 0,85 roteia sozinho, abaixo vai pra fila humana → o modelo grande só aparece depois, pra redigir a resposta. (O exemplo oficial da Vercel é exatamente esse: um caso de suporte roteado por status de reembolso, prioridade de fila e necessidade de revisão.)
O que eu não testei, e o que vem
Não rodei o Jev. O que está acima é o que as fontes provam hoje, entre changelogs, documentação e a reportagem da InfoQ. Não é review.
O teste que faz sentido aqui dentro está desenhado: classificar a fila real de peças desta agência com o Jev e comparar com o classificador que roda hoje, medindo acerto, latência e custo na mesma fila. Esse número vem numa peça própria.
Três coisas que eu também não consigo afirmar e que mudam a conta de quem for decidir agora: se os 13% da Vercel são times que chamaram o modelo ou times que o mantiveram em produção (teste em massa e adoção são coisas diferentes); como a OpenChamber mediu os 12.759 tweets, e se há autorrelato de desenvolvedor no meio; e se a saída grátis é política permanente ou condição de early access, o que muda tudo pra quem gera muitos tokens de saída.
O fio pra puxar
O movimento me interessa mais do que o Jev: a decisão está saindo do modelo que escreve e virando componente separado, com contrato e probabilidade. Se isso pegar, o fluxo de automação do ano que vem tem duas peças onde hoje tem uma: um decisor pequeno, barato e calibrado, e um redator grande chamado só quando precisa texto.
E aí a pergunta que eu quero responder na próxima: existe alternativa aberta pra esse pedaço? Fastino GLiDE e GLiNER2.5-Decide ocupam o mesmo espaço, e não abri o comparativo ainda. Se você já rodou qualquer um dos três num fluxo de verdade, me conta qual ganhou e em que tarefa, no @odanigeek no X ou no @odanigeek no Threads.
Fontes: Vercel: TypeSafe AI’s Jev now available on AI Gateway · Vercel: TypeSafe clients and HTTP API for Jev · Vercel: Jev is the fastest-adopted model in AI Gateway history · Netlify: TypeSafe Jev now available in AI Gateway · TypeSafe AI · InfoQ: TypeSafe AI Releases Jev · TheNextWeb: The fastest-adopted model on Vercel this year cannot write a word