Grande parte da evolução recente da inteligência artificial foi guiada por uma lógica relativamente simples: modelos maiores, mais capazes e com mais raciocínio tendem a produzir respostas melhores. Essa evolução foi fundamental. Mas ela também criou um hábito: recorrer ao mesmo tipo de modelo para tarefas cognitivamente muito diferentes – classificar uma informação, avaliar um risco, explorar hipóteses, comparar alternativas ou construir um argumento.

O problema é que essas operações não exigem necessariamente a mesma profundidade de processamento. Algumas precisam apenas de uma avaliação rápida e estruturada. Outras exigem investigação, exploração de ambiguidades e revisão de premissas. Utilizar um modelo deliberativo para tudo pode significar não apenas mais custo e latência, mas também mais inferência do que a situação realmente exige.

É justamente nesse ponto que o surgimento do Jev, da TypeSafe, se torna interessante. Em vez de tentar construir mais um modelo generalista de conversação, a empresa propõe uma classe de “System One Models”, orientada a julgamentos rápidos, estruturados e probabilísticos que possam ser diretamente utilizados por software.

O que o Jev torna visível

A referência utilizada pela TypeSafe vem da conhecida distinção entre Sistema 1 e Sistema 2: enquanto o primeiro representa formas rápidas de processamento, o segundo está associado à deliberação mais lenta e deliberada. A analogia com a cognição humana não precisa ser tomada literalmente para ser útil. O ponto relevante é arquitetural: diferentes problemas podem exigir diferentes formas de processamento.

Jev abre mão da geração livre de texto para produzir decisões tipadas acompanhadas por probabilidades e níveis de confiança. Ele pode, por exemplo, classificar, avaliar, pontuar ou selecionar entre alternativas definidas. A proposta da TypeSafe é que essas operações possam ser executadas de maneira muito mais rápida e econômica que em um LLM generativo tradicional ( embora os ganhos de desempenho divulgados ainda sejam resultados do próprio fornecedor e devam ser lidos como tal). 

O mais relevante não é saber se Jev se tornará o modelo dominante dessa categoria. É perceber o princípio que ele materializa: a inteligência pode ser decomposta em diferentes regimes de processamento e convocada de acordo com a necessidade da tarefa.

A convergência com a arquitetura cognitiva do DecisionMind

Essa é uma premissa muito próxima da arquitetura que vem sendo desenvolvida no DecisionMind. A plataforma não foi concebida para simplesmente receber uma pergunta, enviá-la a um LLM e devolver uma resposta. Seu papel é estruturar a decisão: compreender o contexto em que ela ocorre, explicitar critérios, preservar incertezas, tensionar hipóteses, reconhecer lacunas e avaliar quando existe base suficiente para avançar.

No DecisionMind, essa lógica aparece na forma como a plataforma conduz uma decisão. Em vez de tratar toda questão como um problema que precisa de raciocínio profundo, o sistema procura reconhecer o que realmente precisa acontecer em cada momento: verificar uma condição, avaliar uma evidência, explorar uma hipótese, confrontar alternativas ou simplesmente reconhecer que ainda falta informação para avançar. A inteligência é usada de forma proporcional à necessidade da decisão, e não como uma capacidade única acionada sempre da mesma forma. 

Isso altera uma pergunta fundamental. Em vez de perguntar “qual modelo deve responder?”, o sistema pode perguntar: “qual operação cognitiva precisa acontecer agora?”. Classificar uma evidência pode exigir um tipo de processamento; formular hipóteses concorrentes, outro; verificar uma alçada, talvez nenhum modelo; reconhecer que ainda falta informação, possivelmente apenas uma nova pergunta ao usuário.

Deliberação Progressiva: pensar apenas o necessário para continuar avançando

Essa lógica ajuda a explicar um dos princípios centrais do DecisionMind: a Deliberação Progressiva. Em uma decisão complexa, a função da IA não deveria ser concluir o mais rapidamente possível. Deveria ser identificar o próximo avanço cognitivo capaz de reduzir uma incerteza material.

Por isso, o DecisionMind procura situar a decisão, identificar a tensão mais relevante, investigar apenas a informação capaz de alterar sua compreensão e reavaliar continuamente o quanto as evidências disponíveis sustentam um novo nível de compromisso. A decisão progride à medida que seu estado muda, não simplesmente porque mais texto foi produzido. Na evolução que estamos estudando, esse processo pode ser expresso como um ciclo: estado > operação cognitiva > inferência adequada > nova evidência > atualização do estado.

System 1 e System 2 ganham então uma função prática dentro dessa dinâmica. Operações estreitas podem ser processadas rapidamente; ambiguidades importantes convocam deliberação mais profunda. Se a incerteza não puder ser reduzida por mais inferência, o agente pergunta, busca evidência ou escala. Pensar mais deixa de ser uma resposta automática para passar a ser uma escolha regulada pela própria decisão.

Onde o DecisionMind gera valor

Esse princípio muda também a forma de compreender o valor da nossa plataforma. O diferencial não está apenas em produzir respostas melhores com IA. Está em governar como a inteligência participa da formação de uma decisão.

Isso significa evitar dois extremos. De um lado, uma IA excessivamente superficial, que responde sem compreender suficientemente a realidade. De outro, uma IA que continua inferindo, elaborando e produzindo explicações mesmo quando o que falta não é mais raciocínio, mas evidência, autoridade ou uma decisão humana. No DecisionMind, suficiência funciona justamente como regulador dessa progressão: quanto maior a materialidade da decisão, maior a base necessária para aumentar o compromisso com uma conclusão. 

O resultado é uma deliberação mais eficiente não apenas em custo computacional, mas em qualidade cognitiva: menos respostas oraculares, menos inferências desnecessárias, mais incerteza preservada quando ela realmente existe e maior clareza sobre o que precisa acontecer para que a decisão possa avançar.

O próximo salto está em como a inteligência é organizada

Durante os últimos anos, grande parte da competição em IA esteve concentrada na capacidade dos modelos. Modelos melhores continuarão sendo fundamentais. Mas Jev oferece um sinal de que uma segunda dimensão de evolução começa a ganhar importância: como diferentes capacidades de inteligência são combinadas dentro de um sistema.

Essa mudança aproxima a engenharia de IA de um princípio funcional da própria cognição: não dedicar a mesma quantidade de processamento a todas as situações. Há momentos para reconhecimento rápido, momentos para deliberação profunda e momentos em que continuar pensando simplesmente não produz mais informação relevante.

Essa talvez seja uma das apostas mais importantes do DecisionMind. O futuro da IA aplicada à decisão pode depender menos de sistemas capazes de pensar cada vez mais e mais de sistemas capazes de reconhecer como precisam pensar, quanto precisam pensar e quando já existe suficiência para agir. O valor deixa de estar somente na inteligência disponível e passa também para a arquitetura que sabe utilizá-la.