Jev, da TypeSafe AI: o que é a IA que não escreve nada (e só decide)

Em 15 de setembro de 2026 a TypeSafe AI lançou o Jev, e em poucos dias ele virou o assunto da semana entre desenvolvedores. O motivo é curioso: o Jev não escreve uma linha de texto. Não é chatbot, não é "mais um agente" e não compete com o Claude ou o GPT na redação.

Ele faz uma coisa só: decide. Você manda um texto (o state) e perguntas fechadas; ele devolve a resposta tipada — sim/não, uma escolha ou uma nota — com a probabilidade junto. Quem decide o próximo passo é o seu código.

Este guia explica o que é o Jev, quem fez, quanto custa de verdade, o que ainda é só promessa da própria empresa e os pontos fracos que a TypeSafe mesma publicou. Para o lado mão na massa, leia depois o Jev na prática; para a letra miúda dos números, Jev: hype vs realidade.

A TypeSafe chama o Jev de primeiro modelo System One. A referência é ao psicólogo Daniel Kahneman, que dividiu o pensamento em Sistema 1 (rápido, intuitivo) e Sistema 2 (lento, deliberado). LLMs como Claude e GPT fazem o papel do Sistema 2: raciocinam em texto, token a token. O Jev fica com o Sistema 1: julgamentos rápidos e estruturados.

O nome homenageia William Stanley Jevons, o economista do paradoxo de Jevons — quando um recurso fica muito mais barato de usar, o consumo total tende a subir. A aposta explícita da TypeSafe é essa: decisão barata o bastante para você colocá-la em todo lugar do sistema.

Na prática, cada pergunta tem um de três tipos:

Fonte: post de lançamento e documentação da TypeSafe AI.

Você pode mandar várias perguntas na mesma chamada, sobre o mesmo state. Como a saída não é cobrada, perguntar mais coisas custa quase nada a mais.

A TypeSafe AI foi fundada por Diogo Almeida, que o post de lançamento descreve como ex-OpenAI e parte da pesquisa por trás do ChatGPT. Segundo o systemonemodels.org, os cofundadores são Erik Gafni (CTO) e Sasha Sheng (COO), e a empresa levantou uma rodada seed de US$ 40 milhões liderada pela DCVC.

O modelo foi treinado com uma técnica que a empresa chama de RLCD (Reinforcement Learning for Calibrated Decisions, aprendizado por reforço para decisões calibradas) — ou seja, o foco do treino é que a probabilidade devolvida seja confiável, não só a resposta. A TypeSafe não publicou pesos, arquitetura nem dados de treino — então qualquer comparação técnica mais profunda ainda depende do que a própria empresa diz.

O lançamento foi em acesso antecipado: a TypeSafe disse que estava tirando desenvolvedores da fila "o mais rápido possível". Hoje o caminho é criar uma conta em console.typesafe.ai, gerar uma chave de API e testar no Playground.

O preço é o que chama atenção: $0,042 por milhão de tokens de entrada, e a saída não é cobrada. Para comparar com LLMs, o systemonemodels.org fez uma conta simples com 10 mil classificações de 500 tokens cada:

Conta do systemonemodels.org, só com tokens de entrada. Na vida real o LLM ainda cobra a saída (e o raciocínio); o Jev não cobra saída.

Duas ressalvas honestas. Primeiro, a conta só considera entrada; um LLM ainda cobra a resposta e, em modelos que raciocinam, os tokens de pensamento — o que aumenta a diferença a favor do Jev. Segundo, a própria TypeSafe admite no post de lançamento que não tem como provar que o preço não é subsidiado. Preço de lançamento pode mudar.

A TypeSafe diz que o Jev responde em 70 a 500 ms, contra 3 a 329 segundos de LLMs de ponta nos mesmos fluxos — algo entre 40x e 200x mais rápido. Na página inicial, a manchete é "193,6x mais rápido e 444,6x mais barato".

Esses números vêm de quatro fluxos criados pelo próprio time, comparados com a média do GPT-6 Astra e do Claude Fable 5.1, e a empresa diz esperar que fiquem "no topo" dos ganhos do mundo real. As medições foram feitas a partir de laptops na costa oeste dos EUA. Até 18 de setembro não havia benchmark independente de velocidade, segundo o systemonemodels.org. Destrinchamos isso em Jev: hype vs realidade.

Fontes: docs.typesafe.ai/models, post de lançamento e systemonemodels.org.

Dois pontos pesam na decisão de adotar. O contexto de 64k (com 32k para o state) é pequeno perto dos LLMs atuais: histórico longo de conversa ou documento grande precisa ser resumido antes. E o inglês é o idioma principal — textos em português funcionam, mas vale medir a qualidade no seu próprio conjunto de exemplos antes de confiar no número de confiança.

Em produção, fixe a versão (jev-1.13.0) em vez de usar o alias: o limiar de confiança que você calibrar vale para aquela distribuição de probabilidade, e muda quando o modelo muda.

Um mérito raro: a TypeSafe mantém uma página de jaggedness com os tipos de tarefa em que o Jev 1.13 erra. São nove:

1. Leitura literal demais do enunciado.
2. Matemática, números e contagem.
3. Datas.
4. Indireção (a resposta depende de algo referido em outro lugar).
5. State grande e cheio de coisa irrelevante.
6. Conteúdo adversarial (tentativas de manipular a resposta).
7. Instruções contraditórias.
8. Invariantes estruturais (regras exatas que devem sempre valer).
9. Geração — ele não foi feito para produzir texto.

A regra que sai daí: conta, data e regra exata continuam com o código; texto continua com o LLM; o Jev fica com julgamento sobre linguagem.

• Playground: crie a conta em console.typesafe.ai e teste perguntas no Playground sem escrever código.
• API: gere a chave no painel (console.typesafe.ai/keys) e chame POST https://api.typesafe.ai/v1/systemone. SDKs oficiais: typesafe-sdk (Python) e @typesafe-ai/sdk (JavaScript).
• Gateways: o Jev também apareceu no OpenRouter (em beta), no Vercel AI Gateway e no Cloudflare AI Gateway — esses listam 32K de contexto.

Comece por uma decisão que você já toma hoje com LLM (triagem, roteamento, sim/não antes de uma ação), compare com traces rotulados e só então troque. O passo a passo está em Jev na prática, e a arquitetura geral em Jev Engineering.

Os 9 slides do carrossel "Jev: o que é", publicado nas redes da Rafique AI.

• TypeSafe AI — Introducing System One Models and Jev (15/09/2026)
• TypeSafe Docs — Models (jev-1.13.0, preços, limites)
• TypeSafe Docs — Jev 1.13 jaggedness (pontos fracos conhecidos)
• TypeSafe Docs — Quickstart
• systemonemodels.org — Jev explained
• systemonemodels.org — página do modelo Jev
• systemonemodels.org — Jev vs Claude
• systemonemodels.org — Jev speed and pricing
• learnjev.com — linha do tempo de notícias