Como usar System One Models em workflows com IA

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 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 também encontra SDK segundo o apresentador. A base da linguagem é a mesma do TypeScript nos exemplos exibidos.

No agente, o caso de uso mostrado é uma skill para o 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 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, 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