{"id":90,"date":"2026-10-11T09:00:00","date_gmt":"2026-10-11T06:00:00","guid":{"rendered":"https:\/\/new.assemblyso.com\/2026\/10\/11\/nem-todas-as-decisoes-numa-automacao-precisam-de-um-grande-modelo-de-linguagem\/"},"modified":"2026-10-21T18:09:51","modified_gmt":"2026-10-21T15:09:51","slug":"modelos-de-decisao-automacao","status":"publish","type":"post","link":"https:\/\/www.assemblyso.com\/pt\/modelos-de-decisao-automacao\/","title":{"rendered":"Nem todas as decis\u00f5es numa automa\u00e7\u00e3o precisam de um grande modelo de linguagem"},"content":{"rendered":"\n

A maioria dos passos numa automa\u00e7\u00e3o empresarial s\u00e3o pequenas decis\u00f5es. Este email \u00e9 spam? Para que departamento deve seguir este pedido? Qual \u00e9 a urg\u00eancia? O cliente est\u00e1 a pedir para cancelar?<\/p>\n\n\n\n

Nos \u00faltimos dois anos, a resposta habitual para tudo isto foi enviar o texto para um grande modelo de linguagem e pedir-lhe que respondesse. Funciona, mas paga-se por uma capacidade de escrita de que ningu\u00e9m precisa. O modelo gera texto, o c\u00f3digo tem de extrair dele uma resposta e, de vez em quando, a resposta chega num formato diferente do esperado.<\/p>\n\n\n\n

Uma ideia com alguns anos<\/h2>\n\n\n\n

J\u00e1 em 2023, investigadores de Stanford mostraram, no artigo FrugalGPT, que uma cadeia de modelos, do mais barato ao mais caro, consegue igualar o desempenho do GPT-4 com um custo at\u00e9 98% inferior. Em 2024, investigadores do LMSYS publicaram o RouteLLM, um encaminhador que decide, para cada pergunta, se a envia para um modelo forte ou para um mais fraco. Num dos testes, reduziu o custo em mais de 85% e manteve cerca de 95% do desempenho. A pr\u00f3pria documenta\u00e7\u00e3o da Anthropic recomenda come\u00e7ar pelo seu modelo mais pequeno, o Haiku, em tarefas simples com grande volume.<\/p>\n\n\n\n

A novidade de 2026 \u00e9 outro tipo de modelo, criado de raiz apenas para tomar decis\u00f5es.<\/p>\n\n\n\n

Um modelo que devolve uma decis\u00e3o em vez de texto<\/h2>\n\n\n\n

Em setembro de 2026, a TypeSafe apresentou o Jev, um modelo que devolve uma decis\u00e3o definida: sim ou n\u00e3o, uma escolha a partir de uma lista ou uma pontua\u00e7\u00e3o, acompanhada de um n\u00edvel de confian\u00e7a calibrado. N\u00e3o escreve texto nenhum. O pre\u00e7o publicado \u00e9 de 0,042 d\u00f3lares por milh\u00e3o de tokens de entrada, e a sa\u00edda \u00e9 gratuita. Para compara\u00e7\u00e3o, a empresa indica um intervalo de 0,20 a 10 d\u00f3lares por milh\u00e3o de tokens nos modelos de linguagem habituais. O tempo de resposta, segundo a empresa, fica entre 70 e 500 milissegundos. Por agora, o modelo s\u00f3 est\u00e1 dispon\u00edvel em acesso antecipado.<\/p>\n\n\n\n

J\u00e1 existe um concorrente em c\u00f3digo aberto: o Laya, da ConvAI Innovations, um modelo pequeno com pesos abertos que responde em cerca de 33 milissegundos. Segundo os autores, s\u00f3 chega a bons resultados depois de ser ajustado aos dados do cliente. Sem esse ajuste, fica perto de uma escolha ao acaso.<\/p>\n\n\n\n

O que aconteceu quando foi testado<\/h2>\n\n\n\n

A empresa de software Pelcro publicou um teste detalhado. Em outubro, descreveu como p\u00f4s o Jev a avaliar a rela\u00e7\u00e3o entre cada par de p\u00e1ginas do seu site, 361 p\u00e1ginas no total, para escolher liga\u00e7\u00f5es para artigos relacionados. O resultado foram 129 960 decis\u00f5es, em menos de seis minutos, com um custo total de 87 c\u00eantimos. Depois de acrescentarem regras, a precis\u00e3o das liga\u00e7\u00f5es subiu de 64% para 81%. Um modelo de linguagem pequeno teria custado cerca de 2 d\u00f3lares pelo mesmo trabalho. Os embeddings, a forma cl\u00e1ssica de medir a semelhan\u00e7a entre textos, teriam custado cerca de um c\u00eantimo. Tamb\u00e9m aqui, portanto, a escolha depende da pergunta a que \u00e9 preciso responder, e o pre\u00e7o \u00e9 apenas uma parte da quest\u00e3o.<\/p>\n\n\n\n

A Vals AI, uma empresa de avalia\u00e7\u00e3o independente, testou o Jev com 400 afirma\u00e7\u00f5es retiradas de relat\u00f3rios financeiros de empresas. Acertou em 390, exatamente como o GPT-6 Astra, com um custo cerca de 498 vezes inferior. No entanto, os 12 modelos testados obtiveram todos entre 95% e 99,5%, pelo que o teste n\u00e3o era particularmente dif\u00edcil. Num teste com perguntas jur\u00eddicas, o Jev ficou em \u00faltimo lugar entre os 12, com o n\u00edvel de confian\u00e7a menos fi\u00e1vel.<\/p>\n\n\n\n

O investidor Tomasz Tunguz testou o Jev com 98 conversas do seu pr\u00f3prio email. O modelo de linguagem que usava at\u00e9 ent\u00e3o acertou em 47% dos casos, e o Jev em 80%. \u00c9 uma amostra pequena, de uma s\u00f3 pessoa, mas mostra a rapidez com que se pode fazer uma compara\u00e7\u00e3o destas com dados reais.<\/p>\n\n\n\n

Onde n\u00e3o encaixa<\/h2>\n\n\n\n