Já estamos testando o novo modelo de decisão da TypeSafe nos julgamentos presentes em toda conversa da Maven, incluindo classificação de tickets, Intelligent Fields e verificações de qualidade. Em nossos primeiros testes, ele foi cerca de 12 vezes mais rápido que a nossa abordagem atual em tarefas de classificação, e não ficou mais lento à medida que adicionamos mais classificações à mesma requisição.
Uma solicitação do cliente contém mais de uma decisão
Pense em um cliente que escreve: "Nossa fatura dobrou, metade da minha equipe não consegue fazer login e preciso que isso seja resolvido antes da renovação, que é amanhã."
Resolver essa solicitação envolve vários tipos de trabalho: o agente precisa reconhecer os problemas de cobrança e de acesso, entender a urgência, verificar a conta do cliente e seguir as políticas adequadas. Se uma pessoa precisar intervir, a conversa deve chegar à equipe certa com contexto suficiente para continuar.
Parte desse trabalho exige raciocínio e explicação. Parte exige uma consulta direta. E parte se resume a um julgamento pontual: quais problemas estão presentes, qual é a urgência ou se o cliente pediu para falar com um humano.
É nessa última categoria que o Jev fica interessante.
Começamos a submeter o Jev ao mesmo rigor de avaliação que criamos para modelos de voz assim que ele saiu do acesso antecipado, porque uma promessa como essa merece ser verificada no comportamento real do fluxo de trabalho de um cliente, e não apenas em um benchmark do fornecedor.
O Jev funciona como um classificador, com um diferencial: você fornece contexto e perguntas delimitadas, e ele retorna escolhas, pontuações ou probabilidades. O novo modelo da TypeSafe AI foi projetado para retornar decisões estruturadas que o software pode usar diretamente. Para uma plataforma corporativa como a Maven, isso cria a oportunidade de aprimorar os muitos julgamentos que existem entre a solicitação de um cliente e sua resolução.
O que o Jev faz de diferente de um LLM
A TypeSafe chama o Jev de modelo "System One". O desenvolvedor fornece o contexto, as perguntas e as respostas possíveis. O Jev retorna escolhas, pontuações e probabilidades. Várias perguntas independentes sobre o mesmo contexto podem ser avaliadas em paralelo. Ele não gera texto livre como um LLM.
Para a solicitação acima, um sistema poderia perguntar se ela contém um problema de cobrança, se o acesso está bloqueado e se o cliente informou um prazo. Cada resposta vira uma entrada para a próxima etapa do fluxo de trabalho.
LLMs convencionais já conseguem produzir saídas restritas a um schema. A proposta do Jev é um modelo criado especificamente para esse trabalho, com geração de saídas em paralelo e um treinamento que a TypeSafe chama de Reinforcement Learning for Calibrated Decisions. O objetivo é tornar a incerteza útil para o software, com menor latência e menor custo.
Os primeiros usuários também relataram ganhos expressivos de velocidade em tarefas específicas. Em nossos testes, o Jev respondeu cerca de 12 vezes mais rápido que a nossa abordagem atual. Trata-se de prototipagem inicial, não de um benchmark, e ele não está rodando em produção para nossos clientes. Outros relatam números semelhantes em suas próprias tarefas: Guillermo Rauch, da Vercel, mediu uma velocidade até 18 vezes maior no percentil 95 na revisão de segurança de comandos que seu agente executa, com precisão superior à do revisor GPT-5.6-Luna que ele substituiu.
Intelligent Fields são um lugar natural para avaliá-lo
A Maven lançou Intelligent Fields no primeiro semestre de 2026. As equipes definem o que querem entender sobre uma conversa, como área do produto, sentimento, intenção de reembolso ou sinal de escalonamento, e os campos resultantes alimentam relatórios, roteamento e configuração do agente.
O que torna isso bom hoje é o pouco que exige de você. Você escreve, em linguagem simples, uma definição do que quer saber, e a Maven avalia cada conversa com base nela. Sem conjunto de treinamento rotulado, sem um modelo para manter por rótulo, sem um analista classificando tickets à mão uma semana depois. Cada valor vem com uma pontuação de confiança e a justificativa por trás dela, disponíveis pela API e nas visualizações de analytics. Assim, uma pessoa pode auditar por que uma conversa foi marcada como risco de churn, em vez de simplesmente confiar no rótulo.
Cada campo é uma avaliação independente, por design. Essa separação é o que permite que cada valor chegue com sua própria pontuação de confiança e sua própria justificativa, em vez de um veredito único e genérico sobre a conversa que ninguém consegue auditar.
Um modelo de decisão como o Jev se encaixa nessa estrutura com naturalidade. Perguntas independentes sobre o mesmo contexto são avaliadas em paralelo, então um conjunto de avaliações de campos pode ser agrupado em uma única requisição e ainda voltar como respostas separadas, pontuadas individualmente. O formato da saída não muda. O que muda é quantas perguntas podem ser processadas ao mesmo tempo.
Por isso, não esperamos que Intelligent Fields funcionem de forma diferente com o Jev. Esperamos, sim, ganhar eficiência e reduzir custos.
| Pergunta sobre uma conversa | Como um modelo de decisão lida com ela | O que isso possibilita |
|---|---|---|
| A qual área do produto isso se refere? | Escolhe entre categorias definidas | Classificar a demanda e selecionar orientações relevantes |
| Qual é a gravidade do problema relatado? | Atribui uma pontuação com base em critérios explícitos | Priorizar o trabalho pelo impacto real |
| O cliente pediu para falar com uma pessoa? | Estima se a afirmação é verdadeira | Orientar o tratamento do escalonamento |
| Quais problemas aparecem nesta solicitação? | Avalia cada problema candidato separadamente | Preservar várias intenções em uma única conversa |
Estes são mapeamentos candidatos, ainda a serem avaliados. O Jev precisaria preservar o significado de cada campo e o comportamento de qualquer fluxo de trabalho que dependa dele. Sua saída mais restrita também importa: resumos abertos e explicações escritas ainda precisariam de um modelo generativo ou de outra fonte.
A oportunidade é especialmente relevante quando uma equipe quer extrair mais detalhes de cada interação. Um custo menor por avaliação poderia tornar viável acompanhar mais problemas de produto, motivos de cancelamento e sinais de escalonamento sem que cada novo campo vire mais uma chamada cara ao modelo.
Não colocamos modelos com uma semana de vida diante de clientes corporativos
Tudo o que foi descrito acima é teste e reflexão de design. O Jev não está rodando em nenhum fluxo de trabalho de cliente, e um modelo lançado há poucos dias não vai chegar perto de um até passar pelo mesmo rigor de avaliação que aplicamos a qualquer modelo novo. Veja como temos testado o GPT-Live-1 e outros modelos de voz. Medimos a qualidade das decisões em relação à nossa abordagem atual em casos representativos, incluindo os ambíguos e aqueles em que falta o contexto decisivo, e depois comparamos latência, custo por resultado aceito e resultado para o cliente antes que qualquer coisa chegue ao roteamento em produção.
Mais opções de modelos para o trabalho corporativo
O Jev amplia as opções para construir um agente de IA corporativo. Conversa, raciocínio, classificação e verificação podem ter, cada um, requisitos de modelo diferentes.
Para a Maven, a oportunidade é avaliar o Jev onde ele possa tornar recursos como Intelligent Fields mais eficientes, preservando o contexto e os controles necessários para resolver a solicitação do cliente.
Traga para a Maven um fluxo de trabalho em que decisões repetidas deixam a experiência lenta: um ticket que não para de mudar de fila, um campo caro de avaliar ou uma verificação de qualidade que acontece tarde demais. É aí que um novo modelo pode conquistar seu espaço.
Isso pode ser feito rapidamente porque Charters, Segments e Intelligent Fields já definem as decisões que importam aqui. Colocar uma camada de julgamento mais rápida por baixo deles é uma mudança de configuração que podemos testar em dias, não uma reconstrução que leva trimestres.
Veja nas suas próprias conversas.
Solicite uma demonstração personalizada gratuita.
