Jev e os modelos System One: o que significam para times de vendas
O Jev da TypeSafe responde a perguntas tipadas em milissegundos em vez de escrever texto. O que ele é, onde se encaixa no stack de vendas, o que não faz e como testá-lo no seu pipeline.
Em 15 de setembro de 2026, a TypeSafe AI lançou o Jev em early access, junto com uma rodada seed de US$ 40 milhões liderada pela DCVC. A TypeSafe foi fundada por Diogo Almeida, ex-pesquisador da OpenAI, e o Jev é o primeiro modelo de uma categoria que a empresa chama de modelos System One.
A maior parte da cobertura focou nas alegações de velocidade. Para um time de vendas, o ponto mais útil é mais simples. A maior parte da IA em um stack de vendas não está escrevendo nada. Ela está decidindo: qual vendedor recebe este lead, essa resposta é um pedido de reunião ou um descarte, esta oportunidade está estagnando no pipeline. Essas são as tarefas para as quais o Jev foi criado, e vale a pena entender onde ele se encaixa antes que um fornecedor tente te vender isso.
O que o Jev realmente é
Um modelo de linguagem responde em prosa, um token de cada vez, e o seu software precisa interpretar essa prosa. O Jev pula a prosa. Você envia um bloco de estado, por exemplo um e-mail e o registro da conta, além de um conjunto de perguntas tipadas, e ele retorna respostas tipadas:
- Uma escolha a partir de uma lista de opções que você define, como a qual das seis filas um lead pertence.
- Uma pontuação com base em um critério, como o nível de urgência de uma resposta.
- Um sim ou não, como se uma mensagem solicita uma reunião.
Cada resposta vem com uma probabilidade calibrada. Calibrada significa que os números foram feitos para serem honestos: em muitas decisões, aquelas que o Jev classifica com 90% devem estar certas em cerca de nove em cada dez vezes. É isso que o torna viável em software. Você pode automatizar ações acima de um certo limite e enviar tudo o que ficar abaixo para uma pessoa, em vez de confiar igualmente em todas as respostas.
O nome é uma dupla referência. System One vem do pensamento rápido e intuitivo do Sistema 1 de Daniel Kahneman. Jev vem de William Stanley Jevons, cujo paradoxo afirma que, quando algo se torna mais barato, as pessoas passam a consumir muito mais daquilo.
Os números e como interpretá-los
$42
| Alegação | O que a TypeSafe reporta |
|---|---|
| Latência | 70 a 500 milissegundos, de ponta a ponta |
| Velocidade contra um modelo de linguagem | 20 a 200 vezes mais rápido em fluxos focados em decisão |
| Custo contra um modelo de linguagem | 40 a 400 vezes mais barato nos mesmos fluxos |
| Preço | US$ 42 por bilhão de tokens de entrada, saída gratuita |
Os multiplicadores vêm das próprias comparações da TypeSafe em fluxos de trabalho selecionados por ela. Encare-os como o que é possível em tarefas com formato de decisão, não como uma promessa para o seu caso. O intervalo de latência é o número que realmente importa para qualquer operação ao vivo: menos de meio segundo é rápido o suficiente para usar enquanto o comprador ainda está falando.
Onde ele se encaixa no stack de vendas
O teste é simples: a tarefa precisa ser uma decisão com um conjunto conhecido de respostas, tomada repetidamente.
| Tarefa | A pergunta tipada | Por que se encaixa |
|---|---|---|
| Roteamento de leads inbound | Qual vendedor ou fila deve receber este lead? | Roda em cada preenchimento de formulário, e as opções são fixas |
| Triagem de respostas | Pedido de reunião, objeção, indicação, cancelamento ou ausência temporária? | Uma escolha entre cinco opções, milhares de vezes por semana |
| Risco do deal | Quão estagnado está este deal, considerando o último mês de atividade? | Uma pontuação contra critérios que você já usa |
| Higienização do CRM | Esta resposta indica que o contato saiu da empresa? | Sim ou não, com um limiar antes de alterar qualquer dado |
| Sinais de compra | Com que força essas anotações indicam uma compra neste trimestre? | Uma pontuação que você pode usar para ordenar uma lista |
| A call ao vivo | Que tipo de objeção o comprador acabou de levantar? | Uma escolha que precisa ser feita em bem menos de um segundo |
O que ele não consegue fazer
É aqui que está a maior parte do valor em entender o Jev, porque isso impede seu time de comprar a solução errada.
- Ele não escreve. Nada de e-mails, respostas em calls, resumos ou chat. Tudo o que um comprador lê ainda precisa de um modelo de linguagem ou de uma pessoa.
- Ele não raciocina em etapas. Um julgamento com várias partes precisa ser dividido em perguntas individuais no seu próprio código.
- Ele só lê texto. Nada de áudio, imagens ou vídeo, então a call precisa ser convertida em transcrição ou legendas primeiro.
- Ele não se explica. Você recebe um número, não um motivo, o que pesa quando um gestor pergunta por que um lead foi direcionado para outro vendedor.
- Ele só sabe o que você envia. Ele não navega na web nem faz buscas externas, então o contexto da conta precisa estar na requisição.
- Ele pode ter dificuldades com aritmética, contagem e datas. Mantenha esses cálculos no seu próprio código.
Decida rápido, depois escreva
O padrão ideal funciona em duas etapas. Um modelo rápido decide o que está acontecendo e se alguma ação precisa ser tomada. Um modelo generativo, ou uma pessoa, escreve apenas quando necessário. A maioria das mensagens precisa de uma decisão e nunca de um parágrafo, portanto a etapa cara é executada com muito menos frequência.
Uma call de vendas ao vivo é o exemplo mais evidente, porque o tempo disponível é de poucos segundos. Reconhecer que o comprador acabou de levantar uma objeção de timing é uma decisão, e um modelo System One consegue tomá-la em uma fração de segundo. Escrever uma resposta que mencione o próprio negócio do comprador, no tom de voz do vendedor, é geração, e é aí que vai o restante do tempo. Essa é a divisão sobre a qual a Axelize foi construída: ela reconhece o momento e, em seguida, escreve a frase enquanto o comprador ainda está falando.
On a discovery call, Johanna Lorenz from Fourth Coffee says: “Adoraríamos, mas vamos retomar essa conversa depois das festas de fim de ano.” Axelize finds: A Fourth Coffee vai abrir quatro novas lojas em novembro, e a página de carreiras lista doze vagas abertas para elas. It suggests: “Entendo perfeitamente. Vocês vão abrir quatro lojas em novembro, certo? A dúvida principal seria se os novos times já começam usando isso ou se migram mais para frente?” Reconhece uma objeção de timing e a conecta a uma data que o próprio comprador já tem, mostrando um custo claro para a espera.
Como testar no seu próprio pipeline
- Escolha uma decisão que seu time toma mais de 100 vezes por semana. Roteamento de leads e triagem de respostas costumam ser as escolhas naturais de início.
- Escreva como uma pergunta tipada com as opções exatas que você aceitaria, incluindo uma opção “outro” ou “nenhum”.
- Colete de 50 a 100 exemplos passados nos quais você já conhece a resposta correta.
- Verifique a calibração. Das respostas dadas em torno de 90%, cerca de nove em cada dez estavam certas? Se não, as probabilidades ainda não servem para guiar automações.
- Defina dois limiares. Automatize ações acima de um, envie para uma pessoa abaixo do outro e analise o que cair no meio.
- Calcule os custos. Tokens por decisão multiplicados pelo volume semanal e por US$ 0,042 por milhão. Triar 10.000 e-mails inbound de cerca de 500 tokens cada totaliza 5 milhões de tokens, o que dá cerca de US$ 0,21 no preço divulgado.
Fontes
Os números acima são da própria TypeSafe, conforme publicados em seu anúncio e reportados na cobertura abaixo, em 26 de setembro de 2026: Introducing System One Models and Jev; a cobertura da rodada na Forbes e no SiliconANGLE; e a análise da DataCamp, Jev: TypeSafe’s System One Model.
