Quando o ChatGPT explodiu no final de 2022, a sensação foi de ruptura. Pela primeira vez, uma máquina conversava com naturalidade, escrevia, respondia, programava e parecia raciocinar na nossa frente. Parecia algo que tinha surgido do nada. Mas não surgiu.
Muito antes da conversa, nós já estávamos treinando computadores para fazer algo muito mais básico e muito mais importante: escolher.Escolher qual página merecia ficar em primeiro lugar numa busca. Escolher qual rua era o melhor caminho para casa. Escolher qual música tinha mais chance de nos prender. E, por fim, escolher qual palavra deveria vir depois da outra.
Se você entender essa linha do tempo das escolhas, vai entender de onde vieram os LLMs e para onde a inteligência artificial está indo agora. Primeiro, ensinamos a máquina a escolher informação
No começo da web comercial, o problema não era falta de conteúdo, era excesso. Com milhões de páginas surgindo, a pergunta deixou de ser “essa página existe?” e passou a ser “qual página eu mostro primeiro?”.
Foi exatamente esse o problema que Larry Page e Sergey Brin atacaram nos anos 90. A sacada do Google não foi apenas achar páginas com as palavras buscadas. Foi entender que a própria estrutura da web dava pistas de relevância. Um link deixava de ser só um link e passava a ser um voto de confiança.
Em 1998, no artigo que descrevia a arquitetura do buscador, eles apresentaram um sistema que usava essas conexões para ordenar resultados. A tarefa do algoritmo era clara: diante de milhões de opções, qual é a melhor resposta para esta pergunta?
Ele não precisava escrever um texto. Precisava tomar uma decisão. Parece sutil, mas essa diferença muda tudo.Depois, ensinamos a máquina a escolher caminhosPoucos anos depois, outro algoritmo entrou na nossa rotina: o Waze.
A origem vem do FreeMap, um projeto israelense de mapas colaborativos que depois evoluiria para o Waze que conhecemos. O desafio aqui era outro. Ruas, desvios, acidentes, obras, trânsito em tempo real, velocidade média de milhares de carros. Um fluxo caótico de dados. E a pergunta do usuário continuava simples: “por onde eu vou?” Por trás da setinha azul, o sistema precisava cruzar tudo isso e entregar não uma enciclopédia sobre o trânsito, mas uma ordem direta: vá por aqui.
De novo, a inteligência estava em escolher, não em dissertar.Em seguida, ensinamos a máquina a escolher o que gostamos
O Spotify escreveu o próximo capítulo. Dois perfis nunca veem o mesmo aplicativo. Histórico de reprodução, artistas que você pula, playlists que salva, horários que ouve. Tudo isso alimenta um conjunto de modelos de personalização , o próprio Spotify explica que não existe “um” algoritmo, mas uma combinação de sistemas e sinais.
A pergunta evoluiu. Não era mais “qual página é mais relevante?” ou “qual rota é mais rápida?”. Passou a ser: “entre 100 milhões de músicas, o que essa pessoa específica quer ouvir agora?”.Mais uma escolha. Mais um cálculo de probabilidade baseado no comportamento humano. E então, as máquinas aprenderam a escolher palavras. Essa trilha nos leva aos modelos de linguagem. Por décadas, pesquisadores tentaram fazer máquinas entenderem e gerarem linguagem.
O ponto de virada veio em 2017 com o artigo Attention Is All You Need, que apresentou a arquitetura Transformer. A partir dali, foi possível treinar modelos cada vez maiores para aprender relações complexas entre palavras, contextos e ideias. De forma bem simplificada: diante de uma sequência, o modelo calcula qual é a continuação mais provável. Ele não busca uma resposta pronta num banco de dados.
Ele constrói a resposta, token por token. É assim que nascem os Large Language Models, os LLMs. O jogo mudou quando começamos a conversar com o algoritmo Google, Waze e Spotify já eram extremamente sofisticados. Mas havia uma diferença crucial: a gente só via o resultado final. Um link, uma rota, uma música.Os LLMs entregaram outra coisa: linguagem. E a linguagem criou uma ponte.
Pela primeira vez, qualquer pessoa podia interagir com um sistema complexo fazendo o que sempre fez: conversando. Isso deu a impressão de que a revolução começou ali. Na verdade, era só a próxima etapa de uma história muito mais longa. O System Two: quando é preciso parar, pensar e construir
Hoje os LLMs fazem coisas impressionantes. Analisam documentos, escrevem código, comparam argumentos, resumem pesquisas, encadeiam raciocínios longos. Mas nem toda tarefa precisa de toda essa reflexão. Pense em um sistema de atendimento que recebe uma mensagem de cliente. Ele só precisa decidir: isso é uma reclamação? É um pedido comercial? Vai para o financeiro? É urgente? Um LLM resolve, claro. Só que usar um modelo generativo gigante para cada micro-decisão é como contratar um romancista para responder um questionário de múltipla escolha. Funciona, mas não é a ferramenta certa.
É nesse vácuo que surge uma história bem recente.A chegada dos modelos System One . Em setembro de 2026, a TypeSafe AI apresentou o JEV, descrito como o primeiro System One Model. O nome vem da psicologia, da divisão entre um pensamento rápido e intuitivo e outro lento e deliberado. Não quer dizer que a máquina pense como um humano, é apenas uma analogia de função.
Enquanto os modelos generativos são ótimos para “analise isso, avalie as possibilidades e construa uma resposta”, um modelo como o JEV foi feito para “diante dessas opções, decida”. A proposta da TypeSafe é direta: em vez de gerar texto livre, o JEV recebe um contexto e perguntas estruturadas e devolve decisões com probabilidades e nível de confiança. Ele não foi feito para escrever um artigo como este. Foi feito para escolher, classificar, pontuar, decidir entre sim e não.
E então veio o Laya . A ideia não ficou isolada. Quase ao mesmo tempo surgiu o Laya, da ConvAI Innovations, seguindo a mesma lógica System One: recebe contexto, avalia perguntas pré-definidas e retorna decisões e probabilidades em vez de texto.
A diferença relevante é que o Laya foi lançado com pesos abertos em licença Apache 2.0, permitindo que desenvolvedores testem essa arquitetura fora de uma API fechada.É importante ter prudência aqui. Estamos falando de um campo extremamente novo e as promessas de velocidade, custo e performance ainda precisam ser validadas em uso real e independente.
O mais interessante, por enquanto, não é qual modelo é melhor, mas a mudança de direção que eles apontam.O futuro talvez não seja um único cérebro gigante. Por um tempo, achamos que a evolução da IA seria linear: modelos cada vez maiores, com mais parâmetros, mais conhecimento e mais contexto, mas outra arquitetura está se desenhando. Talvez nossos sistemas do futuro sejam formados por diferentes tipos de inteligência colaborando entre si.
Uma IA generativa recebe um problema complexo, pesquisa, interpreta e traça uma estratégia. Enquanto isso, modelos especializados executam milhares ou milhões de pequenas decisões para colocar essa estratégia em prática. Um pensa longo, outro decide rápido. Um escreve, outro classifica. Um interpreta, outro escolhe. E, curiosamente, isso nos traz de volta ao início: o Google escolhia páginas, o Waze escolhia caminhos. O Spotify escolhia músicas, os LLM’s aprenderam a escolher palavras e agora estamos construindo modelos cujo trabalho principal voltou a ser escolher.
Só que com uma diferença enorme.
Eles não escolhem mais só entre páginas, ruas ou músicas, eles começam a participar das decisões internas dos próprios softwares. essa pode ser a virada mais importante da próxima fase. Depois de ensinar as máquinas a encontrar informação, prever nossos gostos e conversar conosco, talvez estejamos entrando em uma nova era: aquela em que diferentes inteligências artificiais param de competir para ver quem faz tudo sozinha e começam a trabalhar juntas, cada uma fazendo o que faz de melhor.
Quem sabe o futuro da IA não seja um modelo colossal tentando resolver todos os problemas. Talvez seja uma sociedade de modelos. Alguns feitos para pensar profundamente. Outros, para decidir quase instantaneamente. E nós continuaremos onde sempre deveríamos estar: decidindo quais decisões devem ou não ser entregues às máquinas e oque fazer com cada uma das decisões.
