JEV: Múltipla escolha revoluciona o processamento de IA

JEV é um tipo de modelo de IA que aponta para uma maneira diferente de construir sistemas inteligentes: em vez de pedir a um modelo de linguagem que gere texto para cada tarefa, podemos usar um modelo de decisão para determinar o que deve acontecer em seguida.

Os grandes modelos de linguagem mudaram a maneira como interagimos com o software. Em vez de navegar por menus e preencher formulários, podemos simplesmente pedir o que queremos.

Um LLM funciona gerando texto. Ele pode interpretar uma situação, explicá-la e até decidir o que fazer em seguida. Um agente de IA pode então transformar essa resposta em uma ação.

Um modelo de decisão no estilo JEV parte de um ponto diferente: as opções são predefinidas, como em uma questão de múltipla escolha. O trabalho do modelo é ajudar a escolher entre essas opções.

Imagine um sistema de atendimento ao cliente com três possíveis próximos passos: continuar a conversa, pedir mais informações ou encaminhar o cliente para um atendente humano.

Um agente baseado em LLM poderia ler a conversa e produzir:

“O cliente parece frustrado, então acho que deveríamos encaminhá-lo para um atendente humano.”

Um modelo de decisão pode, em vez disso, retornar:

Cliente frustrado: 58%
Cliente irritado:  38%
Cliente neutro:    10%
Cliente satisfeito: 2%

E, com base nesse contexto, fazer uma escolha adicional:

Se frustrado ou irritado => encaminhar para um humano
Se neutro ou satisfeito => continuar

A distinção é importante. Um LLM é essencialmente uma caixa-preta. Você fornece instruções por meio de um prompt e espera que ele as interprete corretamente. Mesmo com prompts cuidadosamente elaborados, seu comportamento é probabilístico: pequenas mudanças na entrada podem, às vezes, produzir resultados inesperadamente diferentes.

“Fazer um LLM executar uma tarefa específica de forma confiável pode, portanto, parecer mais com treinar uma pessoa para seguir um procedimento do que escrever o próprio procedimento.”

Você pode explicar o que quer, mas não consegue especificar ou garantir completamente como ele vai se comportar. Assim como acontece com seres humanos.

“Um modelo de decisão fornece diretamente um sinal estruturado que o sistema pode tratar de forma explícita para escolher uma ação.”

Agora, você pode garantir o resultado.

Isso torna essa abordagem especialmente interessante para sistemas de IA especializados, nos quais as possíveis ações já são conhecidas.

Múltipla escolha

Quem se lembra das provas na escola? Múltipla escolha não era muito mais fácil do que responder perguntas abertas?

Um LLM pode gerar praticamente qualquer coisa. Pode inventar uma explicação, sugerir uma ação inesperada ou produzir uma resposta que o sistema nunca havia previsto.

Um modelo de decisão funciona de outra maneira. O sistema define antecipadamente os possíveis resultados. Se existem três próximos passos possíveis — continuar, pedir mais informações ou encaminhar — o modelo só pode escolher entre esses três. Ele não pode simplesmente inventar uma quarta opção.

E aquelas provas na escola? Mesmo que você não soubesse a resposta com certeza, muitas vezes ainda conseguia chutar a resposta certa!

O modelo ainda pode estar errado ou as opções podem ter probabilidades semelhantes. Se um resultado estiver muito à frente dos demais, o sinal é claro e o software pode seguir esse caminho com confiança. Se as probabilidades estiverem próximas, a situação é incerta — e o software pode decidir pedir mais informações, tentar outro passo ou envolver um humano.

“O sistema define o que é possível; o modelo determina o que é apropriado.”

Isso é particularmente valioso quando previsibilidade e controle são importantes. A IA não precisa receber uma capacidade aberta de gerar ações por meio de um prompt. Seu papel é limitado pelo sistema que a envolve.

Velocidade

E então existe a velocidade.

Aquelas provas na escola: múltipla escolha não era apenas mais fácil — era mais rápida. Você não precisava escrever uma resposta. Bastava reconhecer a alternativa e marcar a caixa.

Os modelos de decisão se beneficiam de maneira semelhante.

Todos sabemos que modelos de chat tradicionais podem levar algum tempo para gerar uma resposta. Um modelo de decisão não precisa gerar texto para chegar a uma resposta. Ele avalia o estado atual e determina qual resultado predefinido é mais provável.

Como resultado, ele é drasticamente mais rápido do que um LLM que gera texto. A diferença pode chegar a várias ordens de magnitude: milissegundos em vez de segundos. Isso torna possível consultar o modelo continuamente como parte da tomada de decisões de uma aplicação.

Isso também torna um modelo no estilo JEV muito mais barato do que um LLM tradicional. Uma das partes mais caras de uma interação com um LLM — gerar todos aqueles tokens — simplesmente não existe.

Isso abre uma maneira diferente de usar IA.

Em vez de chamar um LLM ocasionalmente para executar uma tarefa de raciocínio relativamente grande, um modelo de decisão pode ficar dentro do software e ser consultado sempre que o sistema chegar a um ponto de decisão relevante.

Um exemplo médico

Uma IA no estilo JEV poderia navegar por um protocolo de tratamento médico, ajudando um médico a tomar decisões mais bem informadas de maneira mais eficiente.

Um paciente fornece resultados de exames laboratoriais. O protocolo já define vários caminhos possíveis. O modelo de decisão avalia o estado atual e atribui probabilidades a esses caminhos.

Etapa 1

Tratamento A:                 84%
Tratamento B:                 11%
Necessário obter mais dados:   5%

A aplicação segue o ramo apropriado do protocolo.

Etapa 2

Depois que um novo resultado chega, a situação mudou. O modelo é consultado novamente:

Continuar tratamento A:       63%
Ajustar tratamento:           29%
Encaminhar:                    8%

A aplicação agora tem um novo sinal de decisão e pode determinar o próximo ramo.

O protocolo em si não mudou. O modelo está ajudando a determinar onde a situação atual se encaixa dentro da estrutura de decisão existente.

Esse é um papel fundamentalmente diferente de perguntar a um LLM:

“Analise estes resultados laboratoriais e me diga o que fazer em seguida.”

O LLM pode produzir uma resposta útil, e um harness agentic pode transformar essa resposta em uma ação. Mas o modelo ainda está gerando uma resposta aberta.

Com o modelo de decisão, a aplicação já estabeleceu os limites. O modelo fornece o julgamento necessário para navegar dentro deles.

Uma nova maneira de construir software

Durante décadas, o software foi construído escrevendo regras que dizem aos computadores o que fazer.

Então vieram os LLMs, dando ao software algo que ele nunca havia tido de forma realmente ampla: a capacidade de compreender linguagem, raciocinar sobre situações desconhecidas e interagir com o mundo de uma maneira muito mais flexível.

Os modelos de decisão introduzem outra possibilidade:

“Software capaz de tomar decisões inteligentes dentro da própria lógica.”

Em vez de construir uma aplicação como uma coleção de regras rígidas e depois adicionar um chatbot de IA ao lado, podemos começar a colocar inteligência diretamente nos pontos de decisão da aplicação.

A IA se torna parte da operação normal do software.

Isso vai mudar a maneira como construímos software.

A pergunta deixa de ser apenas:

“O que podemos fazer um LLM fazer?”

E passa a ser:

“No que o software poderia se transformar se cada decisão importante pudesse ter inteligência por trás?”

Essa é a direção que estamos explorando com o JEV.