10 Cases REAIS com JEV transcript

No dia 15 de setembro, uma empresa de São Francisco lançou um modelo de ar que se recusa a escrever como chatpt ou como Cloud, como a gente tá acostumado. Em 24 horas, ele virou o modelo mais rápido adotado na história do Gate Versel, com um dobro de adoção aí da família do GPT 5.6 e também comparativo com Fable 5.1 foi seis vezes mais. Os números que a empresa publicou são de outro planeta. Nas avaliações que eles mesmos rodaram, esse modelo foi até 193 mais rápido e vezes mais barato que o modelo de ponta, que provavelmente você usa hoje.

E cada resposta sai apenas em alguns milissegundos e a procura foi tão grande nos primeiros dias que a própria empresa chegou a ficar sem conseguir atender via. Se você tentar acessar agora o site deles, você não consegue se cadastrar. Quem tá por trás é um ex-pesquisador da OpenI que ajudou a construir os métodos de treinamento que viraram o chat PT. E a empresa acabou de levantar 40 milhões de dólares uma rodada só para colocar isso no mundo.

O nome desse é Jeff. E bora entender o que que é, por que é tão poderoso e, principalmente casos de uso prático. Para ficar claro para você, o Jev basicamente classifica com maestria. Você entrega uma situação para ele que pode ser, por exemplo, uma mensagem de um cliente, um currículo ou apenas um comentário ou um post ou uma linha lá na sua planilha. E você consegue entregar tudo isso numa lista de repossíveis respostas que você mesmo dá para ele.

Ele devolve qual deles é certa. Basicamente uma classificação, é uma prova aí de múltiplo escoler. Enquanto o chat PT escreve uma redação, o Jeff vai lá e ele marca X no gabarito. Ele não responde pergunta aberta e não escreve e-mail pro seu cliente, não gera código, não conversa com ninguém. Se você for lá e mandar oi, tudo bem para ele, simplesmente não existe nada que ele possa fazer. Ele é muito mais simples, mas por trás disso tem algo muito poderoso, a rapidez e a escalabilidade.

Esse processo de classificação pode parecer super simples, mas impacta de forma absurda nos custos de manhã. Por exemplo, o laboratório chamado Good Start Labs pegou 6.000 validações de qualidades reais. Dessas que essas empresas rodam para checar se a resposta de um robô de atendimento ficou boa ou não. E eles fizeram uma comparação direta. Rodando 1 milhão de checagens com o modelo Danropic, a conta daria 33.000. Rodando mesmo 1 milhão com Jeff, a conta dá 160.

E ele concordou com o julgamento modelo caro em 90% das vezes. 33.000 contra 60 pelo mesmo trabalho. Olha a diferença. Mas bora aqui comigo que eu trouxe alguns R$ 15 para ficar claro para você o poder do Jeev na prática e focado justamente para você que não é dev e não tem experiência técnica. Então bora entender com alguns exemplos práticos, tá? Mas antes de tudo, você tem que entender uma definição importante, que são os três pontos do Jeff.

Basicamente são três perguntas para ajudar nessa classificação. A primeira delas é o no, tá? É o parâmetro no. Basicamente ele vai dizer se aquilo é verdade ou não. Ele vai devolver um número de zero a um que o próprio A ela vai conseguir classificar. Se for perto de um, ele vai ser sim. Se for perto de zero, ele vai ser não. E perto de meio, ele tá na dúvida, tá? em relação à aquela classificação. A gente também tem o choice, que é basicamente qual que é dessas opções.

A gente vai passar ali pro nosso modelo uma lista de algumas opções de classificação. Você vai escrever a lista e ele vai marcar qual que é a nota ou qual que é o ponto daquela lista. E o terceiro ponto é um score, que é basicamente um nível. Então a gente vai descrever os níveis em português e ele vai devolver a nossa posição. Basicamente ele vai ser uma classificação, uma estruturação para passar pra frente, para rodar algum código ou para rodar algum outro modelo.

Talvez esteja um pouco confuso, então bora para alguns exemplos práticos, tá? Então, nesse exemplo aqui, ó, de uma triagem de atendimento no WhatsApp, pode chegar paraá uma mensagem aqui de um cliente, né, falando: "Bom dia, já é a terceira vez que eu escrevo aqui, meu acesso caiu de novo e eu tenho reunião com o cliente daqui uma hora". Então, ele tá tentando acessar ali o seu produto, a sua comunidade, né? O Jeff ele não vai conversar com o cliente, nem vai responder, tá?

Ele basicamente vai estruturar uma classificação. Então, basicamente iria fazer a pergunta, né? Se aquele cliente já é de casa. Aqui pela frase ele deu 0,91. Então sim, ele tem quase 100% de certeza que aquele cliente de casa, ele tem outra pergunta aqui, né, se ele tá reclamando de alguma coisa. Então aqui ele deu sim, ele tá reclamando de alguma coisa. E aqui basicamente um score para ver quão irritado ele parece estar, né?

Aqui deu 068, então 1.7 de2. Basicamente um score que ele vai passar pra frente falando ali que o cliente, né, decidiu que o cliente antigo, que sim, ele tá reclamando, uma irritação alta e essas três respostas estão bem confiantes. Ele vai direto aqui o atendimento, no caso, né, como ele já fez a classificação, vai direto pro dono no topo da fila. Então aqui é um exemplo bem simples, mas só para você entender que é uma estrutura e a que ela vai classificar e estruturar para conseguir dar respostas rápidas.

Só que essas respostas são muito rápidas e dá para fazer um grande volume de dados, tá? Além disso, coloquei aqui mais um exemplo que é uma triagem de currículo. Então, chegou a mensagem aqui, ó, 8 anos de marketing digital, liderei um time de quatro pessoas, uma última empresa, moro em Fortaleza, já montei automações. Então você consegue estruturar um Jeff Ei para conseguir classificar e dar melhores respostas ali para conseguir selecionar os melhores candidatos, né?

Por exemplo, aqui, ó, quantos anos na área? Então consegue definir as as classificações. Aqui deu 0,96, então mais de cinco, então ele tá mais perto de um. Aqui tem experiência com a ferramenta que a vaga pede. Deu 0,89, sim. Já liderou o time 0,93? Sim. Mora na região da vaga, sim. Então ele vai respondendo e aí a gente consegue passar paraa frente. E a partir desse resultado, a gente consegue definir pesos também, né?

No caso aqui da do currículo, eu posso falar aqui que a liderança vale 40%, que o tempo diário vale 30%, que ferramenta vale 20. Então vai dar um resultado sempre numérico ali, ó. No caso vai o 9.1 de 10 na lista entrevista. Então a prioridade ele vai lá pra frente e ele vai passar na frente de todo mundo para fazer essa entrevista. Aqui um outro exemplo de classificação. A gente vê aqui também comentários na comunidade.

Então cara, mano, esse vídeo salvou meu projeto. Só fica com uma dúvida, dá para usar isso sem cartão de crédito? Então vamos supor aqui no nosso modelo, né, ele vai classificar isso aí elogio, dúvida, crítica ou spam. Então a gente vai ter parâmetros para isso, né? Então aqui ele classificou que a dúvida tá mais pro lado de dúvida, merece uma resposta de verdade? Sim. Então o código vai decidir que entra numa lista curta de resposta do dia.

Então basicamente esse modelo ele vai conseguir pegar e fazer a primeira etapa de estruturação, classificação para depois rodar códigos ou rodar outros processos ou até outras LLMs, tá? Pode parecer simples, mas a nível de escala ele vai economizar muito e ele é super rápido. Galera, se tá curtindo esse conteúdo, já comenta aqui que você tá achando do Jeff, se esses cases fazem aí sentido para você ou no seu dia? Comenta aqui que eu quero saber.

O último case que eu coloquei aqui é um pedido com cara de fraude. Então vou supor que a gente tem que analisar se aquele pedido ele pode ser fraude ou não, né? Então tem o pedido aqui, valor tal, primeira compra do cliente, entrega em Manaus, cobrança em São Paulo, três tentativas até cartão aprovar. O que que o Jeff vai responder? Basicamente ele vai classificar. Então a gente entendeu aqui o endereço de entrega bate com de cobrança, então 0.04.

Não, o padrão de compra é atípico? É o padrão de compra sim é atípico. É quão arriscado parece? Então parece aqui 0,49. Então aqui tá o ponto. A nota de risco é alta, mas a confiança é 0.49. Então o modelo ele ficou dividido. No caso aqui, ó, a classificação é falar assim: "Cara, eu realmente não sei se a gente precisa bloquear ou se a gente pode seguir, então vamos passar aqui para um atendimento humano, por exemplo, para coletar mais informações." Então, basicamente essa estrutura de classificação que você consegue fazer isso tudo aqui, ó, de uma forma muito rápida e com volume bem grande.

Beleza? E agora que você já entendeu alguns cases simples e algumas áreas, bora ver coisas reais, tá? que o pessoal tá fazendo para você ver o poder disso. Então aqui, ó, eu separei três lugares para você conseguir achar cases e pesquisar mais. Aqui a gente tem um pacote de repositórios lá no GateHub, que a gente consegue ver aqui vários cases que tem, tá? Depois eu vou deixar os materiais todos aqui embaixo para você conseguir acessar, mas aqui tem vários cases interessantes para você entender o que tá acontecendo.

E além disso, uma das melhores fontes aqui de informação na área de é sempre o ex, o Twitter, né? Então aqui sempre aparece novos conteúdos, a galera posta ali o do que tá acontecendo. Então em primeiro lugar do mundo que acontece as coisas na IA é lá no Twitter, tá? Então aqui vai ter vários cases e cases para você conseguir entender o que que tá rolando. Eu achei um site aqui bem bacana que ele basicamente une todos os cases do JV, tá?

Então depois vou deixar também nos materiais da descrição. E aqui ele resume aqui, ó, vários tweets que tem os cases da galera, o que que eles estão fazendo com Jeev, né? pra gente entender o poder disso, para ver se realmente é um hype ou não, né? Às vezes é só barulho, então aqui a gente consegue ver organizado por categoria, isso que é mais legal, tá? Então a gente tem toda essa estrutura nessas três origens. E falando aqui sobre os cases, separei alguns aqui mais gerais sobre classificação, outros mais relacionados a jogos, porque tem tudo isso da sobre decisões e outro sobre projetos em áreas, tá?

Então aqui, ó, primeiro exemplo que eu separei aqui para você do Steve, ele basicamente ele fez um classificador em tempo real usando Jeff. Então, para você entender um pouco mais na prática o que que é, né? Ele coloca uma frase aqui e essa frase já é classificada aqui em relação a como é estruturado, gêno, o tom. Então, tem toda essa estrutura de classificação em tempo real. Então, basicamente você pode colocar qualquer tipo de estrutura, de atendimento, de vendas, para ter uma classificação ali em tempo real.

Importante ver muito isso em análise às vezes de causa de vendas em tempo real. A gente vê também a galera do suporte fazendo vários projetos desse tipo. Então algo legal pra gente fazer. E um outro exemplo aqui do Rassan, eu até traduzi para português aqui, mas ele usou o Jeff para classificar 1018 artigos. Então se a gente fosse usar uma IA comum, né, um GPT, um cloud, cara, ia demorar bastante, dependendo da complexidade dos artigos e poderia sair bem caro.

Então aqui a gente vê aqui que ele gastou 0.08 08 C e foi muito rápido. Então, basicamente, ele fala aqui do fluxo de trabalho, né? Ele resumiu cada artigo, enviou o título e ele conseguiu fazer toda essa classificação de estrutural. E aqui ele deixou todos os links, se quiser saber mais, e deixou aqui toda essa estrutura dessa classificação que basicamente fez toda essa análise ali dos artigos. Um outro exemplo bem interessante aqui do Gregor, tá?

Também traduzido português, ele basicamente fez um classificador para conseguir decidir aqui, escolher, achar, né, os melhores voos mais baratos. Então, basicamente toda uma estrutura que faz uma classificação se aquele voo é o que ele quer, se é barato ou não. E ela consegue ser super rápida que em poucos segundos ele já escolhe o voo e já consegue reservar. Então ele consegue fazer tudo isso, toda a estrutura, por 0.0039 cent.

Então é muito rápido e a gente conseguiria fazer isso em grande volume, em grande escala. Aqui coloquei outro exemplo de do Marcos. Ele basicamente ele criou um tétris. Então, a escolha do JS consegue fazer aqui em relação a como vai ser jogado, como vai ser estruturado. Então, ele consegue fazer isso também de uma forma muito rápida. E nesse exemplos de jogos também, a gente tem aqui o Aball, que também fez um jogo que ele faz essa classificação da escolha do videogame, né?

Então, basicamente ele consegue entender aqui qual classificação ele tem que ir pro lado, para cima, pra direita. E tem várias estratégias aqui de conseguir pro lado. Outro exemplo aqui é do Justin, tá? que ele fez basicamente um carro da Tesla, que é um jogo que ele consegue analisar se ele tá indo pra frente, pro lado, se ele consegue, se tem carro perto ou não. Então ele fala um pouco aqui sobre como ele criou a parte aqui do Tesla, do self driving with Jev.

Então basicamente um outro exemplo do que dá para fazer. Falando sobre cases diárias, esse perfil aqui fez uma estrutura do JV pra parte de suporte. Então ele abriu aqui 40 tickets, nove suporte 10, toda essa estrutura. Ele até colocou algo aqui mais visual rodando, né, que tem essa escolha. Ele fala que é muito rápido também e gastou apenas 0.016, então daria para aplicar em áreas. E na parte de marketing MEF aqui postou que o Jeff é insano.

Basicamente em 40 segundos ele fez análise aqui de 724 e criativos. Então a gente consegue ver aqui toda essa análise rodando, é claro que é um pouco mais visual, mas ele consegue super rápido mesmo fazer essa classificação estruturada para depois você conseguir tomar aí decisões estratégicas ou algum fluxo aí de automação. E um outro exemplo aqui pra área de marketing, a gente vê aqui um post do Ocara, mas ele fala aqui que ele conseguiu fazer toda a estrutura de SEO, conseguir ser citado pelo chattar conteúdo, conseguir achar clientes no Reddit.

Então ele fez toda também essa estrutura, né, um pouco mais visual, mas basicamente uma estrutura que roda em volume é muito grande e super rápido para conseguir ter todas essas partes aí de conteúdo, de marketing. Um outro exemplo aqui do Roman, ele basicamente ele criou toda uma estrutura para analisar qual que seria a melhor tipo de mensagem para conseguir interagir com os possíveis clientes dele no LinkedIn e ele conseguiu fazer todos esses score aqui dentro dessa estrutura, fazendo essa análise e a classificação de qual mensagem que ele enviar.

Pessoal, é isso. Então, o objetivo desse vídeo foi trazer um pouco mais sobre o que que é o JEV e como você pode usar alguns cases para abrir a sua mente, uma tecnologia nova que tá começando aí no mercado. Se você já tem alguma ideia do que publicar, do que criar, comenta aqui embaixo para eu saber. Oh.