A semana em que a decisão virou categoria: OpenAI, AWS e Cloudflare lançam modelos que não escrevem, e o que isso muda para quem opera atendimento no Brasil

Em doze dias, o Jev da TypeSafe ganhou três concorrentes de peso: a Decisions API da OpenAI, o Strands Decider 2B da AWS (aberto, 2 bilhões de parâmetros) e o Clef da Cloudflare. Comparamos os quatro e explicamos o que muda, e o que não muda, para uma operação brasileira.

· 7 min de leitura · Equipe Logo17

Há duas semanas, escrevemos sobre o Jev, o modelo da TypeSafe que decide em vez de escrever: recebe um texto e perguntas com opções, e devolve a escolha com a probabilidade de cada uma. Na época, parecia uma ideia de uma startup. Entre 29 de setembro e 1º de outubro, três das maiores empresas de tecnologia do mundo lançaram a sua versão:

  • a OpenAI apresentou a Decisions API no DevDay;
  • a AWS liberou o Strands Decider 2B, com pesos e dados de treino abertos;
  • a Cloudflare lançou o Clef e o Clef-flash, também abertos, rodando na sua rede.

“Modelo de decisão” (ou System One, no nome que a TypeSafe cunhou) deixou de ser produto de uma empresa e virou categoria. Vale entender o que cada um é, e o que isso significa para quem toca uma operação de atendimento no Brasil.

Os quatro, lado a lado

Jev (TypeSafe) Decisions API (OpenAI) Strands Decider 2B (AWS) Clef / Clef-flash (Cloudflare)
Lançamento 18/09/2026 29–30/09/2026 01/10/2026 01/10/2026
Tamanho não divulgado versão especializada do GPT-6 Luna 1,9 bilhão de parâmetros 27 B / 9 B
Pesos fechados (API) fechados (API) abertos (Apache 2.0) abertos (Apache 2.0)
Latência declarada 70 a 500 ms ~150 ms ~115 ms (RTX 3090) 209 ms / 39 ms
Preço (entrada) US$ 0,042 por 1M tokens não divulgado (preview limitado) gratuito, você hospeda US$ 0,24 / US$ 0,09 por 1M tokens
Entrada texto texto e imagem texto texto e até 4 imagens
Tipos de pergunta escolha, nota, sim/não opções predefinidas escolha, nota, sim/não escolha, nota, sim/não

Todos partem do mesmo princípio. Como resumiu Sam Altman, segundo a imprensa: ao limitar o leque de respostas possíveis, dá para ter velocidade muito alta sem perder compreensão de imagem, cobertura de idiomas e as proteções de segurança. O modelo não “fala”; ele aponta para uma opção.

Dois detalhes técnicos merecem destaque:

  • O Strands Decider mostra como é por dentro. A AWS pegou um modelo de linguagem pequeno (base Qwen), removeu a parte que gera texto e colocou no lugar uma “cabeça” de cerca de 1 milhão de parâmetros que pontua as opções. Publicou o treino inteiro, com os dados. Roda numa GPU de consumo (115 ms de mediana numa RTX 3090, 153 ms num MacBook M3 Pro) e pode ser retreinado com dados próprios. É um modelo de 2 bilhões de parâmetros que ficou em 3º entre 33 no placar público de decisão, o JevBench.
  • O Clef implementa a mesma API do Jev. Segundo a Cloudflare, trocar um pelo outro é mudar o endereço e o nome do modelo. Nos testes da própria Cloudflare, o Clef venceu o Jev em 7 de 10 placares, inclusive nos dois clássicos de atendimento, CLINC150 (97,4 contra 89,3) e Banking77 (94,2 contra 79,7), e perdeu nos de conhecimento geral. São números do fornecedor, ainda sem replicação independente.

O que muda para uma operação brasileira

1. O preço da decisão caiu, e vai cair mais. Com dois modelos abertos de qualidade, a decisão deixa de ser algo que só um fornecedor vende. Para quem tem volume e equipe técnica, dá para hospedar um Strands Decider por centavos de energia. Para quem não tem, a concorrência entre API fechadas vai puxar o preço para baixo.

2. O risco de ficar preso a um fornecedor diminuiu. A API “estado + perguntas + opções” virou um padrão de fato. Quem desenha a operação em cima desse formato troca de modelo sem reescrever o sistema. Isso vale também para nós: o L17 Decide e o L17 Qualifica seguem o mesmo contrato.

3. Modelo pequeno não é modelo fraco. O resultado do Strands Decider confirma algo que a gente vê no dia a dia: para decidir entre opções, um modelo pequeno e bem treinado basta, e ganha em custo e latência. É a mesma classe de GPU em que treinamos os nossos modelos. O que separa um bom de um ruim não é o tamanho, é o dado de treino e o quanto ele parece com a sua operação.

4. Agora dá para medir. O JevBench e os placares públicos (CLINC150, Banking77) criam uma régua comum. Nós usamos a mesma régua para medir os nossos modelos, e ela também vale para cobrar o seu fornecedor: qual a acurácia no meu tipo de pergunta? E a calibração: quando o modelo diz 90%, acerta 90%?

O que não muda

Nenhum desses lançamentos resolve a parte difícil, que continua sendo sua:

  • Definir as decisões. Qual lista de motivos? Qual hierarquia de tabulação? Quais perguntas de monitoria? O modelo escolhe entre as opções que você dá. Se a lista é ruim, a resposta é ruim em 115 ms.
  • O português do Brasil do atendimento. “Vlw”, “cadê meu pedido”, “vcs vão resolver ou não?”, o cliente irritado que escreve educado e o educado que parece irritado. Modelos treinados em inglês e em dados genéricos erram justamente nas mensagens curtas e informais, que são a maioria no WhatsApp. É aí que a especialização por operação faz diferença, e é onde apostamos.
  • Onde o dado fica. Mandar transcrições de atendimento, com nome e CPF, para uma API no exterior é uma decisão de LGPD antes de ser uma decisão técnica. Modelos abertos permitem rodar no Brasil; é um dos motivos de termos escolhido esse caminho.
  • O preço em reais, sem surpresa. Cobrança por token em dólar, com câmbio, é mais uma variável na planilha. O L17 Models cobra em créditos: 1 crédito = 1 chamada de até 1.000 tokens, em planos mensais a partir de R$ 50 por 100 mil créditos, com saldo pré-pago via Pix.

Como aproveitar a semana

  1. Liste as decisões da sua operação que hoje passam por regra fixa, por um LLM caro ou por ninguém: motivo do contato, resolver ou transferir, tabulação, monitoria, prioridade, risco de cancelamento.
  2. Escolha uma e meça. Pegue 200 atendimentos já tabulados por pessoas e rode num modelo de decisão. A acurácia e a calibração dizem se dá para confiar.
  3. Comece pela tabulação e pela monitoria, que não mudam a experiência do cliente e já pagam o projeto em dado confiável (o caso da Riachuelo mostra isso: de 3% para 100% das interações monitoradas).
  4. Desenhe para trocar de modelo. Use o formato comum (estado, perguntas, opções, probabilidades) e deixe a escolha do fornecedor para o placar.

Em duas semanas, a pergunta mudou de “isso funciona?” para “qual modelo, com que dado, rodando onde?”. É uma pergunta muito melhor de responder.

Fontes

Latências, preços e placares são os declarados por cada fornecedor nas fontes acima, sem replicação independente da Logo17. A Decisions API da OpenAI está em preview limitado, sem preço público.

System One modelos de decisão OpenAI AWS Cloudflare TypeSafe Jev L17 Decide L17 Models

Consultoria Logo17

Quer um modelo treinado para a sua operação?

Em 30 minutos mapeamos onde a IA decide sozinha e onde precisa de gente. Sem compromisso.

Diagnóstico gratuito

Newsletter

Receba os próximos conteúdos

Artigos e materiais sobre IA no atendimento, no máximo duas vezes por mês. Sem spam; você cancela quando quiser.

Continue lendo