O critério de adequação do JEV cabe em um teste: o espaço de respostas válidas pode ser definido antes da execução? Se sim (encaminhar para A, B ou C; pontuar de 0 a 4; continuar ou parar), um modelo de decisão tipada resolve com custo e latência que nenhum LLM chega perto. Se a resposta precisa ser criada (um texto, uma análise, um plano), o LLM continua sendo a ferramenta. Com esse critério claro, os casos:
Os 7 casos reportados (com os números de quem rodou)
1. Orquestração de agentes (OpenClaw): o modelo grande planeja e explica; o Jev decide qual agente recebe cada tarefa, se as evidências satisfazem as condições e se o fluxo continua. Detalhe de governança que vale copiar: a decisão do Jev não concede autorização automática para ações (publicar, enviar): há um limite de confiança separado para a execução de ferramentas.
2. Agentes de navegador (Browser Use): no experimento público, o DOM da página serve de estado, o Jev escolhe a próxima ação e um modelo generativo menor escreve o texto. A busca de voos completa levou ~7 segundos a US$ 0,0039.
3. Análise de anúncios: 724 anúncios de 37 marcas classificados por gancho, formato, oferta, CTA e coerência com a landing page em ~40 segundos por ~US$ 0,09. O efeito metodológico: substituir amostragem por pontuação exaustiva: você não olha 30 anúncios, olha todos.
4. Pontuação de leads: 700 leads avaliados (fit, confiança, incompatibilidade) em ~40 segundos por ~US$ 0,09. A arquitetura recomendada: o Jev filtra, uma regra de confiança decide o escalonamento, e o LLM grande só gera a saída personalizada para quem passou.
5. Jogos em tempo real: o Jev dirigindo 50 sessões paralelas de Subway Surfers com inferência por menos de um centavo, escolhendo entre ações fixas (esquerda, direita, saltar, abaixar, continuar). A lição generaliza: a frequência das decisões muda a economia: quanto mais decisões por segundo, mais o modelo tipado compensa.
6. Pontuação de conteúdo: 61 perguntas distintas por rascunho (o gancho é específico? há lacuna de curiosidade? o CTA é agressivo?) em ~1 segundo e US$ 0,0004 por rascunho, produzindo um perfil estruturado em vez de uma nota opaca.
7. Triagem de pesquisa: 1.018 artigos de IA classificados por ~US$ 0,08, com latência mediana de ~256 ms por artigo, em duas passagens: triagem (tema, relevância, confiança) e leitura profunda apenas do que passou. Bônus: detecção de fraude em 100 e-mails com escalonamento para o Kimi K3 abaixo de 95% de confiança: 31 escalonamentos, 96 acertos em 100, ~US$ 0,07.
Dois fatores compõem a adequação: frequência (quantas vezes o mesmo julgamento acontece) e dimensionalidade (quantas avaliações por estado). Alta densidade = forte adequação ao modelo de decisão. Uma decisão binária por dia = não compensa nem configurar. É o teste rápido antes de qualquer projeto: conte as decisões por dia, não o tamanho da ideia.
As limitações que o próprio material declara
Quatro ressalvas que separam uso maduro de hype: "decisões baratas não tornam bons sinais fracos": o Jev torna barata uma decisão de mercado, mas não dá poder preditivo a sinal sem vantagem real (pontuar leads com um dado ruim continua produzindo priorização ruim, só que barata). Velocidade e custo são reportados pelos próprios criadores, sem benchmarks independentes. Não substitui anotadores humanos: o padrão realista é o escalonamento baseado em confiança, não a automação total. E o dado atravessa a rede: num design híbrido com LLM, envie apenas a evidência mínima ao serviço, mantendo arquivos e memória no ambiente local.
A arquitetura em camadas (o mapa mental que organiza tudo)
Regras e código decidem o determinístico; o modelo de decisão cuida das avaliações delimitadas; o modelo de raciocínio resolve o ambíguo; o modelo generativo cria linguagem e mídia; e a camada de políticas define o que pode executar. O lema que resume: JEV primeiro, modelo maior depois, com a confiança determinando o escalonamento (e a confiança nunca autorizando: autorização é política). Para a versão open source desse conceito (autoalojada e afinável), o guia da Laya cobre a camada com pesos públicos; e para os agentes que executam essas decisões na operação, os agentes de IA e a automação com IA da Marketing & Conteúdo cobrem a implementação ponta a ponta.