OpenClawJev AI em português · demo grátis
EnglishO Jev AI é o primeiro “modelo System One” da TypeSafe AI, apresentado em setembro de 2026. Ele não escreve textos: escolhe entre respostas que você define de antemão (qual opção, sim ou não, qual nível) e mostra o grau de certeza em cada uma. Nesta página, explicamos como ele funciona usando situações comuns de atendimento e de e-commerce, e você pode testar tudo na hora numa demo grátis.
Descreva a situação, escolha o tipo de resposta, liste as opções e veja o que o Jev escolhe e com que probabilidade.
Resultado
Clique em “Decidir” para testar o exemplo ou adapte para uma situação do seu dia a dia.
Esta ferramenta serve para entender os tipos de resposta, praticar a formulação de perguntas e testar ideias. Use dados fictícios e só leve a lógica para o seu trabalho quando a pergunta e as opções estiverem bem ajustadas.
O básico
Grandes modelos de linguagem (LLMs) como ChatGPT, Claude e Gemini são feitos para continuar um texto: você faz uma pergunta e recebe um parágrafo. Para quem lê, é ótimo. Mas, quando o resultado precisa ir para um sistema, começa o retrabalho: tirar a conclusão do meio do texto, conferir se o formato está certo e avaliar até que ponto dá para confiar na resposta.
O Jev AI inverte essa lógica. Primeiro você define a pergunta e as respostas permitidas; o Jev decide só entre elas e devolve a probabilidade de cada uma. A TypeSafe chama essa categoria de “modelo System One”. O termo vem da obra do psicólogo Daniel Kahneman, que, em “Rápido e devagar: duas formas de pensar”, distingue o Sistema 1 (rápido e intuitivo) do Sistema 2 (lento e deliberado). O Jev faz o papel do Sistema 1. Já o nome “Jev” é uma referência ao economista William Stanley Jevons, conhecido pelo paradoxo de Jevons.
Por isso, o Jev não substitui um LLM. Ele assume o que seria lento e caro demais para um LLM: decisões pequenas, com respostas fechadas, que se repetem milhares de vezes por dia. Segundo a TypeSafe, o Jev está disponível em acesso antecipado desde 15 de setembro de 2026, responde entre 70 e 500 milissegundos e custa US$ 0,042 por milhão de tokens de entrada, sem cobrança pelos tokens de saída.
Antes de escrever a pergunta, pense no que você precisa: uma opção entre várias, um sim ou não, ou um nível. O tipo de resposta determina o formato do resultado e, com isso, o que o seu sistema vai fazer em seguida.
Ideal para classificar e encaminhar. Por exemplo: decidir para onde vai uma mensagem de cliente, se para “Trocas e devoluções”, “Entrega”, “Pagamento” ou “Outro”. Você recebe a opção escolhida e a probabilidade de cada uma.
choice = Trocas e devoluções (confiança 0,91)
Ideal para verificações e aprovações. Por exemplo: saber se um atendimento precisa ser escalado para a supervisão. O retorno é a probabilidade de a resposta ser “sim”, e quem define o ponto de corte é você. “Noul” é o nome que a TypeSafe deu a esse tipo: na prática, é uma pergunta de sim ou não com probabilidade.
P(sim) = 0,87
Ideal para avaliar urgência ou prioridade. Se você usa os níveis “Baixa”, “Média”, “Alta” e “Crítica”, recebe a probabilidade de cada nível e uma média ponderada, o que ajuda a priorizar a fila de atendimento.
score = 2,3 / 3
Colar o histórico inteiro da conversa ou a ficha completa do cliente costuma atrapalhar mais do que ajudar. Fique com o essencial: o status do pedido, o que o cliente disse com as próprias palavras e o que já foi feito.
“Entrega atrasada” e “Pedido não chegou” se confundem: junte as duas ou deixe claro onde termina uma e começa a outra. Inclua também uma opção “Outro” ou “Não dá para saber”, para o modelo não precisar chutar quando estiver em dúvida.
“Precisa reembolsar? Quanto?” são, na verdade, duas perguntas. Com as duas separadas, cada probabilidade passa a ter um significado claro e, quando algo der errado, você sabe na hora qual decisão falhou.
“Encaminhar para o Suporte N2” é muito mais útil do que “Encaminhar para a pessoa certa”. Assim, a resposta pode ser usada diretamente, sem nenhuma conversão.
Boa parte do valor do Jev está nas probabilidades: você sabe não só o que ele escolheu, mas também com que grau de certeza. Com isso, dá para separar o que pode seguir automaticamente do que precisa passar por alguém da equipe.
Se um chamado cair na fila errada, basta reencaminhar, então o ponto de corte pode ser mais baixo. Para reembolsos, exclusão de dados ou alteração de permissões, eleve bastante o ponto de corte ou exija sempre revisão humana.
Por uma ou duas semanas, apenas registre as decisões do modelo e compare-as com o que a sua equipe fez de fato. Quando souber quanto ele erra em cada ponto de corte, decida por quais tipos de caso começar a automatizar.
Ela só indica que o modelo está confiante, não que ele está certo. Guarde a situação, a pergunta, as opções, as probabilidades e a ação executada, para conseguir investigar os erros depois.
A requisição e a resposta têm mais ou menos este formato; confira os nomes exatos dos campos na documentação da API que você integrar. A resposta não traz nenhuma frase: o seu sistema lê os campos diretamente.
{
"model": "jev-latest",
"state": "Cliente: “Recebi ontem o liquidificador, mas o copo veio trincado e a caixa estava amassada. Quero trocar.”",
"questions": {
"equipe": {
"type": "choice",
"instructions": "Qual equipe deve cuidar desta mensagem?",
"criteria": {
"Trocas e devoluções": "Produto com defeito, pedido de troca ou de devolução",
"Entrega": "Atraso na entrega ou avaria no transporte",
"Pagamento": "Cobrança, forma de pagamento ou estorno",
"Outro": "Não se encaixa em nenhuma das anteriores"
}
}
}
}{
"answers": {
"equipe": {
"type": "choice",
"choice": "Trocas e devoluções",
"probabilities": {
"Trocas e devoluções": 0.58,
"Entrega": 0.37,
"Pagamento": 0.01,
"Outro": 0.04
},
"confidence": 0.58
}
}
}Os números são apenas ilustrativos. O copo trincado pode ser defeito de fábrica ou avaria no transporte, por isso as duas probabilidades ficam próximas: é exatamente o tipo de caso que vale a pena alguém revisar antes de qualquer encaminhamento automático.
São ferramentas diferentes. LLMs como ChatGPT e Claude são ótimos para escrever e conversar; o Jev só toma decisões com respostas fechadas. Na prática, os dois costumam trabalhar juntos: o LLM entende e escreve, e, nos pontos em que é preciso decidir, um modelo como o Jev entrega uma resposta com probabilidade.
A demo desta página é grátis e não pede cadastro. Para evitar abusos, cada endereço IP pode enviar no máximo 8 solicitações por minuto; se você atingir o limite, espere um pouco e tente de novo.
Pode, sim. A situação, a pergunta e as opções podem ser escritas inteiramente em português, como nos exemplos desta página. A resposta traz a opção exatamente como você a escreveu.
Este site não salva o que você digita. Mesmo assim, é uma demo pública: não informe dados pessoais nem confidenciais, como nome, telefone, CPF, senhas ou dados de clientes.
Não recomendamos. O endpoint público da demo não tem garantia de disponibilidade: pode demorar a responder após um cold start ou ficar sobrecarregado temporariamente. Para produção, use a API oficial da TypeSafe e cuide da autenticação, do rate limiting, dos timeouts e dos logs.
Depois da decisão, a execução
O Jev diz qual é o próximo passo. Para dar esse passo de verdade (pesquisar na internet, organizar arquivos, responder mensagens), é preciso um agente que aja por conta própria. O OpenClaw é exatamente isso: um assistente de IA na nuvem a quem você delega tarefas como faria com um colega. Ele navega na web, mexe em arquivos, usa ferramentas e fica sempre disponível numa instância exclusiva.
Nada de montar fluxos: descreva com as suas palavras o resultado que você quer.
Passe tarefas pelo Telegram e receba o resultado na mesma conversa.
Nós cuidamos do ambiente na nuvem; você só precisa do navegador.
Escolha um plano e comece direto pelo navegador ou pelo Telegram.