Modelos especializados cortam custo de decisões if-then em 99%

A IA chega ao if-then

Tomasz Tunguz argumenta que a nova onda de modelos de IA especializados está direcionada a uma das primitivas mais básicas da programação: a decisão if-then. Ele usa a analogia de um depósito de supermercado, em que regras simples (banana para hortifruti, biscoito para snacks) acumulam exceções ao longo do tempo - é exatamente esse acúmulo de exceções que a codificação de software precisa capturar, e que os modelos tradicionais de IA ajudam a resolver. O ponto central: para lógica de classificação simples, como identificar se uma fruta desconhecida é uma banana da terra, não é necessário o modelo mais poderoso do mundo.

Os novos modelos especializados

Dois exemplos recentes ilustram o movimento. O Jev, da TypeSafe, lançado em 15 de setembro de 2026, retorna decisões tipadas e calibradas em uma única passagem paralela, em vez de gerar texto. O SemIf, de Theodore Lee, lançado em 18 de setembro com licença MIT, e o kev, de Jared Palmer, são reproduções abertas do mesmo padrão de interface. Mecanicamente, a implementação open source do SemIf executa a matemática de atenção sobre o prompt apenas uma vez e avalia as opções candidatas diretamente a partir dos logits de saída, pulando as camadas feed-forward e as etapas de decodificação autoregressiva do transformer completo.

Economia e precisão

Os números publicados indicam cortes de custo de duas ordens de grandeza. O Jev custa US$ 0,042 por milhão de tokens de entrada e US$ 0 de saída - a TypeSafe admite que o preço pode ser subsidiado. Em uma chamada típica de classificação com 2.000 tokens de entrada e 60 de saída, isso representa uma chamada 82 vezes mais barata que modelos da classe Sonnet (US$ 3 de entrada e US$ 15 de saída por milhão). Nas avaliações de fluxo de trabalho da própria TypeSafe, o Jev custou US$ 0,0004 por caso, contra US$ 0,0304 e US$ 0,0836 de dois modelos fronteira - uma faixa de 76x a 209x. Os benchmarks do SemIf, divulgados pelo próprio projeto, foram medidos em uma RTX 3090 com um Qwen3.5-4B congelado.

Teste em produção

O autor aplicou a ideia no próprio código: em poucos minutos, substituiu cerca de um quarto das chamadas de classificação que havia delegado à IA em um de seus agentes. Em 98 tópicos de e-mail de produção verificados manualmente, os deciders especializados quase dobraram a acurácia do modelo em produção, saltando de 47% (46/98) para mais de 80% - o Jev marcou 80% (78/98) e o SemIf local, 82% (80/98), sobre o mesmo conjunto de dados. Em logs de produção ao vivo, com 31 e-mails recebidos, o decider local atuou em 8 sem erros e encaminhou com segurança o restante ao modelo fronteira.

Bifurcação econômica da IA

A conclusão de Tunguz é que essas especializações evidenciam uma economia bifurcada: modelos de fronteira para descoberta e arquitetura de sistemas, modelos otimizados para produção. Uma vez que um sistema é projetado e endurecido, executá-lo milhares ou milhões de vezes em um fluxo de trabalho favorece uma IA mais estreita. Isso levanta a questão de quais outras primitivas de programação serão especializadas da mesma forma. Se essa for a primeira de muitas, os harnesses - que já reduzem o custo de execução sem sacrificar a acurácia - tendem a capturar uma fatia maior de margem bruta.