Testei o Jev, a IA que não escreve, só decide. Em milésimos de segundos e gastando muito menos.
Imagina contratar a melhor redatora da cidade e deixar ela na porta do prédio, conferindo crachá. Era isso que eu fazia com a minha IA. É bem provável que a sua empresa esteja fazendo igual.
Quando falamos de IA generativa, quase sempre estamos falando de um modelo de linguagem, como o ChatGPT, o Claude, o Gemini. As famosas LLMs, que são ótimas, mas nem sempre são o jeito mais eficiente de resolver um problema. Em setembro apareceu um modelo que deixa isso bem claro.
De forma simples, as LLM funcionam assim: você manda um texto, ela "pensa" por texto e devolve outro texto, escrito palavra por palavra. Pode ser em português, inglês ou qualquer linguagem de programação. É por isso que ele serve pra quase tudo. De resumir contrato até criar jogos e aplicativos.
Até aí tudo bem. Só que nem sempre é isso que a gente precisa. Muitas vezes a gente só quer um sim ou não e ele lá nos mandando textão. Pergunta “esse e-mail é reclamação?” e ele monta uma frase inteira pra responder. Você paga, em tempo e em tokens (ou crédito de API) por todo processo.
Pra uma pergunta só, tudo bem, não tem grandes problemas. Mas e quando queremos avaliar dez mil por dia? É tempo e dinheiro indo embora para nada.
No dia 15 de setembro saiu o Jev, de uma empresa nova chamada TypeSafe, fundada por um dos autores da pesquisa que ensinou o ChatGPT a seguir instruções. Ele faz uma coisa só: você entrega um texto e uma pergunta fechada – sim ou não, qual destas opções, quanto de 0 a 3 – e ele devolve a resposta com uma porcentagem de certeza. Não conversa, não explica, não inventa opção que você não deu. Apenas faz escolhas. Continua sendo um modelo preditivo, como o ChatGPT, mas com opções bem limitadas.
Fiz um esqueminha aqui, tirado do nosso sistema de coletar notícias, que ajuda a entender o que eu quero dizer:
Nos meus testes, o Jev responde seis perguntas sobre a mesma publicação em 0,3 segundo, todas de uma vez. Uma pergunta só pro Claude levou 3,2 segundos.
Ler um texto com ele custa 48 vezes menos do que com o modelo que a gente usava. Ele gasta muito menos processamento porque não precisa escrever nada.
Onde isso pode entrar: em todo lugar onde alguém – ou alguma IA, sejamos sinceros – decide a mesma coisa muitas vezes.
Separar o que merece atenção do que é ruído: e-mail, lead, currículo, notícia, chamado.
Dar nota: esse contato parece o nosso cliente ideal, de 0 a 100?
Encaminhar: isso é cobrança, defeito ou cancelamento?
Cruzar listas: qual destas mensagens combina com qual destes clientes?
O modelo é novo, e boa parte dos números que circulam é do próprio fabricante. Então vale separar: tudo que está neste post eu medi. Testei o Jev classificando anotações soltas de trabalho, ligando uma ideia nova a projetos que já existiam, criando sistemas para os nossos chatbots e, o teste maior, filtrando notícia para o sistema interno que temos aqui. É esse que eu vou abrir aqui.
Como era antes: a gente construiu um sistema que acompanha o mercado de IA. Ele coleta publicações de mais de cem fontes, várias vezes por dia, de portais, newsletters, redes sociais e fóruns, e o Claude lia tudo, escolhia o que importava e escrevia o resumo. Funcionava bem. Aí eu fui olhar a conta.
O número: de 5.955 publicações lidas, 4.099 foram pro lixo. Sete em cada dez. Gente mostrando desenho no Reddit, pedido de ajuda, propaganda disfarçada. E ler lixo pra responder “não” custa exatamente o mesmo que ler notícia boa. Eu pagava salário de redatora pra conferir crachá.
A regra ficou assim: o Jev decide, o Claude analisa e escreve, o código manda. Antes de qualquer publicação chegar ao Claude, o Jev responde seis perguntas: é sobre IA? É papo de comunidade? É propaganda? É nicho demais pro nosso público? A comunidade está discutindo isso? Quanto importa pra quem trabalha com IA? Um cálculo simples junta as respostas numa nota. Abaixo do corte, fica para fora da festa.
Aqui embaixo são 5.955 publicações de uma vez, cada uma um pontinho, passando pelos dois caminhos para comparação. Ainda são só os primeiros testes e eu tenho certeza que dá para deixar tudo mais eficiente ainda, mudando os parâmetros.
Quase metade do que chega não passa mais pelo Claude. Na primeira semana, o Jev barrou 43% das publicações antes de elas custarem alguma coisa.
Triar ficou mais barato. O custo de cada publicação caiu cerca de 40-60%, e isso em cima de outras otimizações que o sistema já tinha.
Nada importante ficou pra trás. No teste com o histórico, nenhuma notícia que só uma fonte trazia foi cortada.
A porta custa quase nada. O Jev inteiro sai por menos de 2 centavos de dólar por rodada. O maior custo e tempo continua sendo o Claude, mas ainda dá para otimizar mais o filtro inicial.
Na prática: uma economia de 40% já é bem considerável para um sistema que roda tanto assim. Especialmente se levar em conta que a velocidade aumentou em muito. Ainda faltam testes para deixar ainda mais eficiente.
Qualquer pessoa liga o Jev numa tarde. O que faz ele funcionar é o sistema em volta e saber quando usar cada ferramenta e função de diferentes IAs. É por isso que fazemos tanta pesquisa, testes e novos projetos aqui no CR_IA. É assim que a gente aprende.
A pergunta certa é metade do trabalho. Na primeira versão, uma pergunta não tão específica cortava uma em cada dez notícias boas. Hoje são seis perguntas fechadas, e a forma de combinar as respostas é nossa.
Nada muda sem teste com o histórico. Toda mudança passa antes por decisões antigas e depois por uma semana de observação. Fazemos os testes de verdade para aperfeiçoar os sistemas.
O humano continua no circuito. O nosso time vota nas notícias todo dia, e esses votos viram o gabarito que regula o sistema.
Um erro virou produto. Na segunda versão, o Jev começou a cortar a conversa da comunidade sobre lançamentos. Nós transformamos esse tipo de conteúdo em uma nova fase do processo.
É esse o trabalho que a gente faz no CR_IA.code: nós repensamos sistemas em cima das melhores funções e ferramentas de IA. O avaliador que construímos para o Senac, por exemplo, talvez pudesse aproveitar muito do Jev.
Claro que diminuir custos do que já fazemos é muito bom – nem Sam Altman sabe o quanto que a gente gasta com IA aqui no CR_IA! –, mas o que mais me animou foi começar a ter ideias que antes poderiam ser inviáveis. Seja por tempo ou por custo. E isso é muito legal de ver.
As inspirações estão por aí do que é possível também. Em duas semanas, uma galeria de projetos feitos com o Jev passou de 750. Alguns desses exemplos:
Um time de vendas passou 700 contatos e as mensagens escritas pra cada um. Em 40 segundos tinha a previsão de quais iam funcionar.
A triagem de uma caixa com milhares de emails.
724 anúncios de 37 marcas destrinchados em 40 segundos: gancho, formato e mensagem de cada um.
Um copiloto que escuta a ligação de vendas e diz, em tempo real, em que fase ela está e qual a chance de fechar.
No CR_IA.code a gente constrói sistemas desse tipo: IA que tira do caminho o trabalho repetido de decidir, com os critérios, os testes e o acompanhamento em volta. Nós provavelmente conseguimos criar algo para você, mas vale a pena pensar em algumas perguntinhas antes:
Onde a gente decide a mesma coisa centenas de vezes? Atendimento, vendas, RH, financeiro, marketing. Quase todo processo tem uma porta.
Quem está nessa porta hoje, e quanto isso custa? Em horas de gente ou em conta de IA.
O que mais eu gostaria de fazer no processo? E talvez agora você não possa por causa de volume ou custo?
Dá pra virar pergunta fechada? Sim ou não, separar por opções ou dar uma nota.
A gente tem histórico? Toda decisão que alguém aí dentro já tomou pode já servir como parte para criar um sistema desses.
Quanto custa errar? Se é barato, o sistema decide sozinho. Se é caro, ele tira o óbvio da frente e o resto segue pra quem sabe.
São tarefas feitas para sair da mão das pessoas. Ninguém entrou na empresa pra separar e-mail, conferir se a nota bate com o pedido ou descartar currículo que não cumpre requisito. Quando a triagem sai, quem estava nela volta pro trabalho que só humanos podem fazer.
Se quiser adiantar, copia o prompt abaixo e cola no ChatGPT ou no Claude que você já usa. Ele lê este post, te entrevista e monta um briefing pronto pra essa conversa.
Leia este post do CR_IA: https://cria.pro/blog/jev-menos-papinho-e-mais-decisao Ele fala do Jev, um modelo de IA que não escreve, só decide (sim ou não, qual opção, que nota), em milésimos de segundo e gastando muito menos, e de como o CR_IA usa isso pra montar sistemas. Agora pegue na memória o que você já sabe sobre mim: o meu trabalho, a minha empresa, o que eu faço todo dia. Com base nisso, me diga onde você enxerga oportunidades de usar esse tipo de IA no que eu ou minha empresa fazemos. Pense em decisões que se repetem muito e em coisas que hoje eu nem tento fazer por causa de volume, tempo ou custo. Depois me faça perguntas que me ajudem a escolher essas oportunidades e detalhar, envolvendo pontos como: 1. que decisões podem ser essas e quantas vezes elas acontecem; 2. quem decide hoje e quanto isso custa em tempo e dinheiro; 3. se ela vira pergunta fechada (sim ou não, opções, nota); 4. que histórico a gente tem pra testar; 5. quanto custa errar. 6. Se enxergamos novas funções e oportunidades de melhorar esse processo. No fim, escreva um briefing de até uma página, pronto pra eu mandar pro CR_IA.code: contexto da empresa, a oportunidade, volume e custo de hoje, histórico disponível, risco de errar e o que eu espero do sistema. O que você não souber, deixe como pergunta em aberto; não invente números. Feche me lembrando de enviar o briefing pra contato@cria.pro ou pelo botão de contato no fim do post.
A redatora voltou pra mesa dela. Na porta agora fica alguém que custa centavos por turno e nunca pediu pra escrever. Próximo passo: melhorar ainda mais esses sistemas para adicionar mais funções a menos custos.
