OpenAI lança sua API de Decisões — e a guerra dos "modelos de decisão" começa de verdade

A TypeSafe AI, startup de apenas três meses fundada por Diogo Almeida, ex-pesquisador do OpenAI, valuation de US$ 7,6 bilhões com seu modelo Jev. Em resposta, a OpenAI torna publicamente disponível sua própria API de Decisões, uma reconfiguração do ChatGPT Luna focada em velocidade e custo, não em geração de texto. O que parecia um nicho virou, em semanas, a frente mais disputada da corrida por inteligência barata.

O que são "modelos de decisão"

Os "modelos de decisão" — chamados pela TypeSafe de "System One" — fazem uma coisa: recebem opções pré-definidas e devolvem uma escolha, com uma probabilidade calibrada para cada alternativa. Não geram texto. São, na prática, classificadoras profundas com confiança quantitativa.

Três primitivas compõem o vocabulário:

- Choice (escolha): "Para qual fila vai esse ticket?" — escolhe um de vários rótulos. - Noul (proposição): "Isso precisa de escalada humana?" — sim/não com probabilidade. - Score (escore): "Quão urgente é essa mensagem?" — nota ordinal.

Diogo Almeida descreveu o Jev como System 1 — raciocínio rápido, intuitivo, o mesmo conceito de Kahneman TypeSafe blog — em contraste com os LLMs genéricos, System 2, que "pensam" antes de responder e produzem longas cadeias de raciocínio.

Por que os desenvolvedores estão migrando

A descoberta veio quase por acidente: ao colocarem o Jev no lugar de LLMs em pipelines de roteamento e classificação, desenvolvedores notaram quedas drásticas de latência e custo. A Speak, plataforma de tutores de linguagem por IA, reduziu o tempo entre ações de 1,4 segundos para 0,13 segundo ao trocar o GPT pelo Jev TechCrunch. A Datadog e o Ramp já testam internamente.

Torsten Volk, analista da Omdia, resume o problema que o Jev resolve: "Falta de resultados determinísticos e custo por token" — dois problemas crônicos de aplicações empresariais com IA TechTarget. Um LLM gerando raciocínio em cadeia pode consumir centenas de tokens só para decidir para qual módulo enviar um cliente; um modelo de decisão entrega a escolha em milissegundos, por fração do preço.

A OpenAI agiu rápido. Nikunj Handa, product lead das APIs, contou ao TechCrunch que a equipe viu o Jev e pensou: "Nós temos como um milhão de casos de uso para isso." Em vez de treinar um modelo do zero, pegaram o ChatGPT Luna e reconfiguraram para acelerar a inferência e reduzir custos TechCrunch. O resultado: latência de 100-180 ms contra 1-3 segundos dos LLMs convencionais.

O que a comparação mostra

O campo de "modelos de decisão" agora tem quatro concorrentes sérios, cada um com vantagens distintas:

| Modelo | Provider | Melhor para | |---|---|---| | Jev | TypeSafe | Textos longos, custo baixo | | OpenAI Decisions | OpenAI | Multimodalidade, ecossistema existente | | Clef / Clef-flash | Cloudflare | Velocidade bruta, menor custo | | Microsoft-Decision-1 | Microsoft | Workflows Azure |

A DataCamp fez uma análise comparativa independente detalhada DataCamp: em latência real, OpenAI Decisions e Jev ficaram praticamente empatados (268 ms vs. 269 ms). Em preço, o Clef-flash venceu por margem ($0,038 por milhão de tokens de entrada contra $0,10 da OpenAI e $0,042 do Jev). Mas o Jev continua líder em context window (64K tokens) enquanto o Clef-flash limita a 24K.

Para classificação de imagens, a OpenAI leva vantagem: "O Luna é extremamente poderoso e tem mostrado melhor calibração" na tarefa, disse Handa TechCrunch. O Jev já suporta imagens desde a versão 1.14. O Clef-omni adiciona áudio e vídeo.

Benchmarks e a confusão de métricas

Aqui está a armadilha: os benchmarks públicos favorecem modelos diferentes dependendo do índice. No AIM System One Index e no Artificial Analysis Decision Index, o D1 Ultra (da Liquid AI) e o Elephant-1 (da Base Lab) lideram. O Jev 1.13 ficou em sétimo e terceiro respectivamente; o modelo de Decisões da OpenAI caiu em oitavo e décimoquarto TechCrunch. Mas no JevBench — o benchmark mais popular da comunidade — o próprio Jev é a referência (score 77,1 contra 73,5 da OpenAI). O Diogo Almeida não tem paciência para benchmarks: "Façam testes no seu próprio trabalho", diz ele TechCrunch. A Decisions API, plataforma independente, mostra que times que testam internamente frequentemente chegam a conclusões diferentes das tabelas públicas Decisions API.

A academia já está acompanhando. Um paper da arXiv comparou o JEV com GPT-6 Luna em sete replicações de ciências políticas e encontrou: o JEV é mais rápido (0,09-0,27 segundos contra 0,75-1,04), mas não é necessariamente mais barato — o Luna em tarifas Batch custa menos em seis dos sete cenários arXiv. O speedup é real, o discount é relativo.

O que observar

A OpenAI já usou a própria API para melhorar o Dots, seu assistente de voz, tornando-o mais responsivo TechCrunch. A TypeSafe lançou suporte a imagens e "smart-if" statements no Jev 1.14. O Clef-flash da Cloudflare cortou o preço para US$ 0,038/milhões de tokens. O campo está se movendo em velocidade de furacão.

O que importa não é qual modelo vence o benchmark hoje, mas o efeito em cascata: ao baratear a decisão em si — a lógica de roteamento, classificação, escalada — cada chamada de LLM pesada passa a ser evitada em dezenas de pontos por aplicação. A expansão da demanda por inteligência barata é exatamente o que o próprio Jev ganhou em homenagem: o efeito Jevons, onde a eficiência de um recurso o torna mais abundante, não mais substituto.

Se os modelos de decisão continuam a ficar mais baratos e mais rápidos, os próximos seis meses vão revelar que muitos dos "casos de uso" que Handa previu estão esperando por uma resposta em milissegundos, não por um texto.

---

Artigo baseado em fontes independentes. Todos os links das fontes são verificáveis e foram registrados no manifesto de fontes.

Fontes: TechCrunch, TechTarget, DataCamp

✓ Fontes independentes cruzadas e verificadas antes da publicação