# Como usar System One Models em workflows com IA

> Published 2026-10-03T12:09:16.241Z on https://www.crazystack.com.br/pt/p/como-usar-system-one-models-em-workflows-com-ia/
> Source video: https://www.youtube.com/watch?v=X0q6fgG24bU

System One Models são uma categoria de modelo classificador programável. Você dá a instrução em linguagem natural com as alternativas possíveis, e ele responde apenas uma delas, com nível de confiança. É rápido, barato e determinístico no formato, mas não gera texto nem código.

## O que são System One Models, na prática

System One Models são modelos de decisão: eles recebem um estado, um conjunto de alternativas e devolvem apenas a opção escolhida. O nome vem da distinção do livro do psicólogo Daniel Kahneman entre o raciocínio rápido e intuitivo (sistema 1) e o lento e analítico (sistema 2). O vídeo analisa o JEV, apresentado pela TypeSafe AI como o primeiro representante comercial dessa categoria.

A diferença para um LLM é o formato de saída. Um grande modelo de linguagem, como o [ChatGPT](https://chatgpt.com) da OpenAI, recebe tokens e prevê a continuação do texto, então consegue escrever código e responder em chat. O JEV não faz isso. Ele classifica. Você lista as opções possíveis, e ele escolhe uma delas.

Segundo o apresentador do vídeo, isso gera três consequências práticas para quem monta automações com IA:

- **Saída previsível.** O modelo responde dentro das alternativas fornecidas, sem inventar uma opção nova.
- **Latência baixa.** Sem etapas longas de raciocínio, a decisão volta em milissegundos.
- **Custo menor.** A resposta curta e estruturada evita gerar texto longo a cada etapa do workflow.

Um detalhe que o vídeo repete com razão: saída estruturada não significa resposta correta. O modelo continua sujeito a erro e não é imune a alucinação na escolha. O formato é confiável; o conteúdo da decisão, nem sempre.

## Por que o JEV é classificador programável, e não mais um modelo tradicional

O diferencial do JEV, conforme explicado no vídeo, é ser programável. Num classificador tradicional de machine learning, as classes fazem parte do treinamento: você fornece dados rotulados e o modelo aprende padrões. Para reutilizá-lo numa tarefa nova, seria preciso treinar de novo com outros dados.

Com o JEV, o fluxo é outro. Você escreve a instrução em linguagem natural, lista as alternativas e o tipo de pergunta, e o modelo responde. Não existe etapa de retreinamento. Por isso o vídeo o chama de modelo de decisão programável, e não apenas de classificador.

A documentação citada no vídeo descreve três tipos de pergunta principais:

- **Choice.** O modelo retorna uma das opções que você enviou, sem criar outras.
- **Score.** Ele atribui uma nota ou grau, por exemplo, quão frustrado está um cliente.
- **Booleana.** Ele responde sim ou não, como em "este e-mail é urgente?".

Isso abre espaço para triagem de mensagens, roteamento de ferramentas em agentes e classificação de conteúdo em volume. No exemplo do vídeo, uma mensagem de usuário com problema de integração é classificada entre quatro times responsáveis, e o modelo devolve só a decisão. Vale lembrar: o apresentador é quem descreve esses comportamentos com base em sua experiência e na documentação que consultou; não houve verificação independente dos números de desempenho divulgados pela fabricante.

## Teste prático: o jogo da cobrinha controlado por decisões de IA

Para mostrar a latência na prática, o apresentador construiu um jogo da cobrinha em que o JEV decide o próximo movimento. No tabuleiro completo, com o modelo calculando cada passo, ele mediu cerca de 346 ms por decisão. Esse número vem da demonstração dele, não de um benchmark oficial.

A versão V2 do teste é a mais instructiva. Em vez de mandar o tabuleiro inteiro, o código resolve a maior parte no cliente: informa quais movimentos são possíveis, se a cobrinha bate na parede e se a comida está longe. O modelo só escolhe. Segundo o vídeo, essa é a abordagem recomendada: você processa o que dá no cliente e envia opções já estruturadas.

Ele mesmo critica as demos virais, incluindo uma com o jogo Doom: controlar um jogo assim é tarefa para um algoritmo de pathfinding comum, sem nenhuma IA. A demo é divertida, mas não é o melhor caso de uso. O valor real aparece onde a decisão depende de linguagem natural, como triagem e roteamento.

## Como integrar o modelo no Claude Code com segurança

O vídeo mostra a integração em JavaScript e TypeScript via SDK, com opção de API pura para outras linguagens, como PHP: você gera uma chave, faz a requisição e recebe a resposta estruturada. Quem trabalha com [Python](https://www.python.org) também encontra SDK segundo o apresentador. A base da linguagem é a mesma do [TypeScript](https://www.typescriptlang.org) nos exemplos exibidos.

No agente, o caso de uso mostrado é uma skill para o [Claude Code](https://www.anthropic.com/claude-code), a ferramenta de codificação agêntica da Anthropic que roda no terminal. A skill faz triagem: decide se o prompt vai para o JEV ou para o modelo de linguagem. No teste descrito, ela classificou 42 roteiros sobre modelos de IA rapidamente e com pouco consumo de tokens, segundo o relato do apresentador.

Aqui vem o alerta mais útil do vídeo. Muitos tutoriais sugerem deixar o próprio agente guardar a API key em algum arquivo. O apresentador recomenda o contrário: nunca entregar a chave ao agente. Guarde-a no Keychain do macOS, no PowerShell do Windows ou no Secret Service do Linux, usando variável de ambiente. O exemplo prático do vídeo, classificar dezenas de arquivos antes de gastar tokens caros, mostra bem onde esse tipo de modelo paga o próprio boleto.

## JEV vs Laya: o que muda na alternativa open source

Depois do lançamento do JEV, surgiu o Laya, alternativa open source apresentada no vídeo como um modelo classificador que roda localmente na sua máquina, com cerca de 800 MB. A comparação abaixo resume o que o vídeo reporta sobre os dois. Como os nomes e números vêm do relato do apresentador e não puderam ser conferidos em fonte primária nesta análise, trate tudo como experiência relatada, não como medição independente.

| Dimensão | JEV (TypeSafe AI) | Laya (open source) |
| --- | --- | --- |
| Onde roda | Nuvem, via SDK ou API | Localmente, na sua máquina |
| Latência relatada | ~346 ms no teste do jogo | ~47 ms no mesmo teste |
| Precisão no jogo | Decisões coerentes nos dois estados | Movimentos aleatórios com o estado V2 |
| Ajuste fino | Não exige | Precisa de fine tuning por caso de uso |
| Janela de contexto | Maior, segundo a descrição técnica citada | Menor |
| Modelo de custo | Pago por uso | Gratuito, você hospeda |

O veredito do vídeo é honesto: o Laya não mata o JEV. Ele é mais rápido e leve, mas precisou de uma terceira versão do estado (V3) para funcionar melhor, e ainda assim não superou o resultado do concorrente no teste. A janela de contexto menor é uma limitação estrutural apontada na descrição técnica do modelo.

Ainda assim, a existência de uma alternativa aberta muda o jogo de duas formas. Primeiro, a comunidade pode contribuir, ajustar o fine tuning e evoluir o modelo. Segundo, cria pressão competitiva sobre a fabricante comercial, tanto no preço quanto no ritmo de melhoria. A existência do Laya, na leitura do vídeo, confirma que o JEV resolve uma dor real e não é só hype.

## Quais limites as demos não mostram

O primeiro limite é escopo. O modelo não gera texto, não escreve código e não conversa. Ele escolhe entre opções que você forneceu. Quem entra esperando um substituto do Claude do ChatGPT sai frustrado; quem entra esperando um roteador de decisões sai satisfeito.

O segundo limite é a qualidade da entrada. O teste V1 do jogo falhou justamente porque transferiu ao modelo um cálculo que caberia no cliente. A liência geral: quanto mais estruturadas forem as alternativas enviadas, melhor a decisão. O modelo não faz milagre com estado mal preparado.

O terceiro limite é a confiança na resposta. O vídeo é claro: o formato de saída é estável, mas a escolha pode estar errada. Em fluxos sensíveis, vale combinar o score do modelo com regras suas antes de agir. Em regiões críticas como pagamento, por exemplo, plataformas como a [Stripe](https://stripe.com) mantêm camadas próprias de antifraude; um classificador rápido não substitui esse aparato.

Por fim, atenção à procedência dos números. Os valores de latência e a alegação de ser 200 vezes mais rápido que LLMs vêm da fabricante ou das demos do próprio apresentador. São plausíveis para o tipo de tarefa, mas não servem de promessa universal para qualquer workflow.

## FAQ: perguntas rápidas sobre System One Models, JEV e Laya

- **System One Models substituem LLMs como Claude ChatGPT?** Não. Eles ocupam um papel diferente: decidir entre alternativas em vez de gerar texto. A proposta é tirar do LLM as decisões simples do workflow, reduzindo custo e latência, e manter o modelo generativo para o que exige redação ou raciocínio longo.

- **O JEV alucina?** O formato da resposta não: ele escolhe dentro das opções enviadas. Mas a escolha em si pode estar errada, e o vídeo reforça que nível de confiança alto não garante acerto. Trate a saída como um sinal, não como verdade.

- **O Laya roda 100% local?** Segundo o vídeo, sim: é um modelo de cerca de 800 MB que roda na sua máquina, sem chamada externa para a decisão. Lembre de que a alternativa comercial, o JEV, roda na nuvem via API.

- **Vale usar o modelo para jogar jogos?** Funciona como demo, mas é desperdício. Tarefas de jogo com regras determinísticas se resolvem com algoritmos comuns de pathfinding, sem IA e sem custo por decisão. O bom caso de uso é decisão que depende de linguagem natural.

- **Preciso treinar o modelo para cada tarefa nova?** No JEV, não: você descreve a tarefa em linguagem natural com as opções. No Laya, o vídeo relata que alguns casos exigem fine tuning para funcionar bem, o que é a principal diferença prática entre os dois hoje.

## Transforme suas análises de vídeo em artigos

Este artigo partiu de um vídeo de 22 minutos e preservou o que importa: a distinção entre decisão e geração, o teste prático e os limites honestos da alternativa open source. Se você também tem análises, aulas ou opiniões presas dentro de vídeos no YouTube, esse conhecimento pode virar texto pesquisável.

Com o [Skala Blog](https://skalablog.com), você cola a URL do vídeo, gera a transcrição e obtém um artigo estruturado, pronto para revisar e publicar. Assim como o JEV tira o trabalho repetitivo do seu agente, o fluxo tira de você a digitação: o vídeo entra, o artigo sai.

[Source video](https://www.youtube.com/watch?v=X0q6fgG24bU)