System One no atendimento: o que o Jev, da TypeSafe, nos ensinou e como criamos um modelo brasileiro para tabulação

A maior parte da conversa sobre IA em 2026 ainda gira em torno de modelos que escrevem: chatbots, agentes, copilotos. Mas, dentro de uma operação de atendimento, a maioria das decisões não precisa de texto nenhum. Qual é o motivo deste contato? O cliente está irritado? Ele ameaçou cancelar? Qual tabulação marcar no fim da ligação?

São perguntas com respostas de uma lista, repetidas milhares de vezes por dia. Usar um LLM que gera texto para isso é como chamar um consultor para apertar um botão: funciona, mas é lento, caro e às vezes ele responde algo que não estava entre as opções.

Foi exatamente esse ponto que a TypeSafe atacou com o Jev. E foi ele que nos inspirou a construir o modelo por trás do L17 Qualifica.

O que a TypeSafe lançou

Em setembro de 2026, a TypeSafe apresentou o Jev, o primeiro de uma classe que ela chama de System One models. A ideia central: em vez de gerar texto token a token, o modelo recebe um estado (um texto, um JSON, o estado de um programa) e um conjunto de perguntas tipadas, e devolve decisões com probabilidades, todas numa única passada.

Pelo que a própria empresa publicou:

• as respostas são sempre do tipo pedido: escolha entre opções, nota numa escala, verdadeiro ou falso. O modelo não gera texto livre, então não “inventa” uma resposta fora do esquema;
• a latência anunciada é de 70 a 500 ms de ponta a ponta;
• o preço é US$ 0,042 por milhão de tokens de entrada, com a saída gratuita;
• no benchmark da própria TypeSafe, o Jev foi 193,6 vezes mais rápido e 444,6 vezes mais barato que LLMs de fronteira nos fluxos testados. A empresa é honesta ao dizer que esses números estão “no topo” dos ganhos do mundo real e que os fluxos foram montados pelo time dela.

O nome vem da psicologia: Daniel Kahneman, em Rápido e Devagar, divide o pensamento em Sistema 1 (rápido, automático, intuitivo) e Sistema 2 (lento, deliberado). Os LLMs que conhecemos são o Sistema 2 das máquinas. O Jev propõe um Sistema 1: decidir o óbvio em milissegundos e deixar o raciocínio caro para quando ele é necessário.

Por que isso encaixa tão bem no atendimento

Quem já operou uma central sabe onde dói:

• Tabulação: no fim de cada atendimento, o agente escolhe um código numa lista de dezenas (às vezes centenas) de opções. Na pressa, marca o primeiro que parece servir. Os relatórios de “motivo de contato” que a diretoria usa para decidir ficam contaminados.
• Triagem: decidir, na primeira mensagem do WhatsApp, para qual fila o cliente vai e se ele é prioridade (ameaça de cancelamento, menção a Procon ou Anatel).
• Monitoria: ouvir 2% das ligações por amostragem porque ouvir 100% é impossível.

Todas são decisões repetidas, em volume, com respostas de uma lista. É o terreno ideal para um modelo System One. E tem um detalhe que faz toda a diferença: como a resposta vem com probabilidade, dá para automatizar só o que o modelo tem certeza e mandar o resto para uma pessoa.

Como construímos o nosso

A TypeSafe não abriu o Jev, e nem era essa a ideia: o que nos inspirou foi o desenho. Partimos do mesmo contrato de entrada e saída (texto e perguntas tipadas entram, decisões com probabilidade saem) e construímos um modelo próprio, pensado para o português e para o custo brasileiro.

Em linhas gerais:

1. Um encoder, não um gerador. Usamos como base um encoder multilíngue aberto da família ModernBERT, com contexto de 8 mil tokens. Ele lê o texto inteiro de uma vez, em vez de escrever palavra por palavra.
2. Cada opção vira um marcador. A pergunta, as opções e o atendimento entram numa única sequência. O modelo dá uma nota para cada opção e as notas viram probabilidades. Por construção, a resposta é sempre uma das opções.
3. Treino com dados públicos em português. Ajustamos o modelo com conjuntos de dados brasileiros qualificados (avaliações de produtos, intenções de usuários, textos jurídicos, entre outros), sempre de forma genérica: ele aprende a responder perguntas novas, não só as do treino.
4. Rápido de verdade. Numa GPU comum, cada decisão sai em cerca de 45 ms. Pela API, com a ida e volta pela internet, ficamos na faixa de 100 a 130 ms.

O resultado é um modelo de 307 milhões de parâmetros: pequeno perto de um LLM, e justamente por isso rápido e barato. O preço é R$ 0,50 por milhão de tokens de entrada, em reais, sem cartão internacional: tabular um atendimento típico custa cerca de R$ 0,0002.

O L17 Qualifica na prática

O primeiro produto em cima desse modelo é o L17 Qualifica: você manda o atendimento (ticket, conversa de WhatsApp ou transcrição de chamada) e a sua lista de tabulações, com código, nome e descrição. Ele devolve a tabulação escolhida, um ranking das mais prováveis e um sinal dizendo se vale revisar.

Testamos com casos realistas de telecom e e-commerce, incluindo transcrições com erros típicos de reconhecimento de voz, clientes que mudam de ideia e assuntos fora da lista. Com o modelo genérico, sem nenhum treino na operação:

• a tabulação certa aparece entre as três primeiras em 12 de 15 casos;
• quando o modelo está confiante (probabilidade acima de 0,7), ele acertou todos os casos do teste; quando não está, ele sinaliza a revisão;
• os erros foram confusões entre tabulações vizinhas, como “lentidão” e “problema no Wi-Fi”, ou “atraso na entrega” e “extravio”.

Na prática, isso já permite dois usos: sugerir as três tabulações mais prováveis para o agente confirmar com um clique e tabular sozinho os casos de alta confiança. O próximo passo, que é onde a consultoria da Logo17 entra, é treinar um modelo especializado com o histórico da própria operação, que já foi tabulado pelos agentes. Nos nossos testes, um modelo especializado acertou 89,6% numa tarefa de classificação em que o genérico acertava 82,3%.

Onde entram as pessoas (e os LLMs)

System One não substitui o raciocínio: ele filtra o que precisa de raciocínio. O desenho que recomendamos é simples:

1. o modelo rápido decide tudo o que é óbvio, em milissegundos e por uma fração de centavo;
2. o que fica abaixo do limite de confiança vai para uma pessoa, ou para um LLM, com as opções mais prováveis já ordenadas;
3. as correções humanas viram dado de treino para a próxima versão.

É a mesma divisão que o cérebro faz. A diferença é que agora dá para medir a confiança de cada decisão.

Quer testar?

O L17 Models está em fase beta, com acesso por convite. Se você opera atendimento e quer ver o Qualifica com as suas tabulações, entre na lista de espera: criamos sua conta com créditos de teste e ajudamos a montar a primeira lista.

Fontes

• TypeSafe AI: Introducing System One Models & Jev
• MarkTechPost: TypeSafe AI Releases Jev
• Tom’s Hardware: TypeSafe AI’s Jev offers an alternative to LLMs
• Daniel Kahneman, Rápido e Devagar: duas formas de pensar (Objetiva, 2012)

O L17 Models é um produto da Logo17 e não tem relação comercial com a TypeSafe AI. Jev e TypeSafe são marcas dos seus respectivos donos.