Jev é Tudo Isso Mesmo? Testei a Nova IA na Prática

Ver no idioma original →

Autoria: Promovaweb Automação e IA · Assistir no YouTube

Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.

Idioma original: português

Vídeo original: Jev é Tudo Isso Mesmo? Testei a Nova IA na Prática · Canal: Promovaweb Automação e IA · 41:00 · Assistir no YouTube

Tópicos: Agentes de IA, Aplicações empresariais de IA, Automação de tarefas e workflows, Engenharia de software com IA, Modelos de IA

Resumo

O vídeo apresenta Jev como uma IA voltada a decisões estruturadas para software, em vez de geração de texto para leitura humana. O apresentador destaca sua velocidade, consistência e capacidade de retornar opções e probabilidades em formatos fáceis de processar. Uma demonstração com dados de contatos do Mautic compara o desempenho e os custos com modelos da OpenAI e do Gemini. A conclusão é que o baixo custo pode tornar viáveis análises e automações em escala, como qualificação de leads, aplicação de tags e atualização de etapas de CRM.

Pontos-chave

• Jev é apresentado como uma IA para tomar decisões com saídas estruturadas, não como um LLM generativo de uso geral.
• O apresentador valoriza a consistência diante de pequenas variações na entrada, embora esclareça que isso não significa determinismo absoluto.
• As respostas estruturadas foram pensadas para serem consumidas por software e podem reduzir problemas com JSON inválido em workflows.
• Os casos de uso incluem classificar conversas, pontuar leads, avaliar engajamento e intenção comercial e recomendar follow-ups.
• A demonstração usa dados de contato e histórico de atividades do Mautic em um workflow do n8n.
• Jev oferece respostas do tipo escolha, score e probabilidade entre verdadeiro e falso, que podem ser armazenadas e analisadas.
• O apresentador compara velocidade e custos com modelos da OpenAI e do Gemini e considera o custo de Jev muito menor no teste apresentado.
• A proposta é permitir que softwares e automações analisem mais dados em escala, sem que o custo da IA inviabilize o produto.

Capítulos

Início	Capítulo	Resumo
00:00	Apresentação de Jev	Luís apresenta o tema do vídeo e anuncia uma prova de conceito e sua avaliação prática.
01:02	IA de decisão com respostas estruturadas	O apresentador diferencia Jev de modelos generativos e explica sua proposta de respostas rápidas e estruturadas para software.
04:09	Consistência e previsibilidade	O vídeo contrasta determinismo e consistência e relaciona essa característica a tarefas como rotear conversas.
08:17	Casos de uso em marketing e software	Luís descreve aplicações como classificação de chats, lead scoring, análise de sentimento e recomendação de follow-up.
12:59	Qualificação de contatos e identificação de interesses	O apresentador detalha como usar históricos de conversas para classificar contatos, aplicar tags e orientar comunicações.
16:06	Demonstração com Mautic e n8n	Um workflow reúne dados e atividades de um contato no Mautic para comparar a execução com outros modelos.
19:12	Comparação de velocidade e formatos de resposta	A demonstração compara o tempo de resposta e explica as opções de saída de Jev: escolha, score e probabilidade.
21:48	Classificação e score de engajamento	Luís mostra como Jev classifica o estágio de relacionamento e atribui uma pontuação de engajamento com probabilidades.
28:33	Probabilidades, tags e automação do CRM	O vídeo mostra como identificar interesses e intenção comercial para atualizar tags e etapas de um pipeline automaticamente.
32:43	Comparação de custos	O apresentador compara estimativas de custo de Jev, Gemini e modelos da OpenAI para diferentes volumes de requisições.
36:22	Conclusões e aplicações em escala	Luís conclui que velocidade, consistência e custo podem viabilizar análises em software e automações em maior escala.

Citações

É uma IA feita para software ler. — 01:33

Ele quer fazer o feijão com arroz muito bem feito. — 03:06

Rápido, estruturado e previsível é o que a maioria das pessoas quer para embutir uma IA num software. — 10:23

É uma IA para embutir no software sem que ela fique mais cara do que o software. — 39:28

Conceitos e entidades

• Jev (modelo): IA apresentada no vídeo como voltada a decisões rápidas e consistentes com respostas estruturadas para uso em software.
• LLM (conceito): Modelo de linguagem generativo, contrastado no vídeo com a abordagem de decisão estruturada atribuída a Jev.
• JSON (conceito): Formato de dados estruturados usado na demonstração para fornecer entradas e obter respostas que sistemas possam processar.
• n8n (ferramenta): Plataforma de automação usada para montar o workflow demonstrado no vídeo.
• Mautic (ferramenta): Plataforma de automação de marketing da qual o apresentador obtém dados de contatos e atividades.
• OpenAI (empresa): Empresa cujos modelos são comparados com Jev em velocidade e custo.
• Gemini (modelo): Modelo comparado com Jev e com modelos da OpenAI em uma estimativa de custo por requisição.
• OpenRouter (ferramenta): Serviço usado na demonstração para consultar a resposta e informações de custo e tokens.
• Luís (pessoa): Apresentador do vídeo, que demonstra Jev com dados de marketing e compartilha sua avaliação.
• CRM (conceito): Sistema de gestão de relacionamento com clientes, citado como aplicação para qualificar contatos e mover etapas do funil.

Tradução completa (pt-BR)

00:00 Fala, pessoal, tudo joia? Aqui é o Luís. Neste vídeo, eu vou bater um papo com vocês sobre o Jeve. Pessoal, o Jeve chegou fazendo todo aquele barulho que todo modelo de IA faz. Então, fora o hype, fora os holofotes e aquelas promessas maravilhosas, existe, sim, uma aplicabilidade muito legal para esse modelo. Ele é focado numa situação muito específica, que abrange a maioria das pessoas que têm um software ou trabalham com automação. Então, neste vídeo, eu vou mostrar

00:31 uma prova de conceito para vocês. Vou explicar o que compreendi, o que entendi e dar a minha opinião sobre como pretendo, inclusive, utilizar o Jeve no meu dia a dia. Então, dá um like no vídeo, inscreve-se no canal e comenta o que achou do Jeve. Pessoal, o Jeve é uma IA feita para decidir. Então, ele é diferente de um GPT, de um Claude ou de um modelo chinês que vai trabalhar com você como LLM generativo. Ele vai criar alguma coisa para você.

01:02 Então, por exemplo, vou inserir nele — num GPT, por exemplo — um texto e pedir: “Olha, crie um e-mail para mim”. Esse é o objetivo de uma IA normal. Todo mundo aqui usa IA assim no dia a dia. O Jeve é diferente. Vou jogar nele uma série de informações e fazer uma série de perguntas, e ele vai me retornar as probabilidades daquilo, uma resposta estruturada para aquilo. Então, o fato de ser estruturado já

01:33 informa que não é para um humano ler. É um software, pessoal; é uma IA feita para um software ler. Talvez até para outra IA ler. Isso é interessante porque ele economiza muito na resposta. E é muito rápido. Então, já entendemos aqui que o fato de ele ser rápido, essa proposta dele, é porque quero encaixá-lo em sistemas um pouco mais em tempo real. Então, realmente, se eu fizer o que faço no GPT, vai demorar 30 segundos.

02:03 Nele, demora milésimos de segundo. Então, ele foi feito para você trabalhar com ele em escala, em lote. Essa já é a primeira proposta dele. A segunda proposta é sempre ser estruturado. Então, vai entrar nele de forma estruturada e vai sair dele de forma estruturada. O que isso quer dizer, pessoal? Quer dizer que o meu software — você que está montando, fazendo vibe coding — pode utilizá-lo ao longo dos seus fluxos, do seu atendimento, do seu chat, trabalhando em segundo plano. Aqui no N8N, posso

02:34 usá-lo no workflow do N8N para que ele sempre trabalhe com um padrão de payload, um contratinho de payload, para que a IA e os sistemas possam trabalhar sem gerar erro. Olha, pessoal, é um tanto chato fazer isso com um LLM. Quem usa N8N sabe que tenho que colocar o JSON, marcar no node que é para retornar de forma estruturada e, geralmente, ainda vou pôr um output parser do LangChain para garantir que aquele JSON venha naquele formato; senão, trava meu

03:06 sistema. Aqui, não: ele já foi feito assim, tá? E o principal, pessoal, é ser previsível. Esse é um ponto importante: ele não é um modelo revolucionário, não é um modelo disruptivo. “Nossa, redescobrimos a roda com ele!” Não é essa a proposta. E o autor já falou que nem é essa a ideia. Ele quer fazer, pessoal, o feijão com arroz muito bem feito. E, olha, é um feijão com arroz extremamente bem feito. E o fato de ele ser mais previsível… Olha

03:38 só: é uma IA previsível. Quero explicar isso para vocês aqui no site; ele fala um pouco mais sobre o assunto. Mas, para mim, esse é o principal ponto. Se eu fosse elencar um item que me chamaria a atenção nele em relação a qualquer outra IA, seria o fato de que, se eu o chamar 100 vezes, ele não vai me dar 100 respostas iguais, mas elas vão ser muito próximas, né? Inclusive, se você for ao site deles — aqui no site —, esses sites… Nossa, não gosto muito desse design,

04:09 acho muito confuso. Sou velho, gente; já passei da época em que a internet era assim. Acho que a maioria também já passou dessa fase da internet; a gente não quer voltar a antes disso. Mas olha só, aqui tem um ponto: perguntam na FAQ se o Jev é determinístico, né? Ou seja, se sempre dá a mesma resposta padrão. Olha só, interessante isso aqui: determinístico significa retornar o mesmo resultado para um input igual. Então, eu inseri um input igual; ele

04:40 tem que me dar um retorno igual, né? Eles acreditam, pessoal, que isso tem menos valor do que a consistência. E eles definem consistência como tomar decisões similares, mesmo que mude uma palavrinha ou outra. Por quê, pessoal? Porque o determinismo tem esse problema: qualquer variação, às vezes, faz tudo estourar também, né? Ele também não é perfeito. Então, aqui, ele está pronto para trabalhar com pequenas variações que

05:12 talvez não modifiquem o todo. Para quem trabalha com estatística, para quem trabalha com análise, para você que tem um ChatGPT e quer trabalhar, por exemplo, com análise das conversas; para quem tem um agente de IA e recebe uma conversa nova e quer roteá-la: é para o suporte, para vendas, para o pós-vendas? Para onde vou enviar esse cara aqui? Isso é muito valioso, porque ele é melhor do que uma expressão regular, é melhor do que um conjunto de ifs e switches,

05:43 né? E também é melhor do que uma IA que, cada vez que eu fosse consultá-la, faria uma loucura para mim. Né? Quantas vezes isso acontece, pessoal? E olha, nós temos aqui na Promove Web as imersões e também os workshops, em que ficamos ali, ó, destrinchando isso: como faço para a IA trabalhar direito? Então, o fato de ela ser levemente mais previsível, um pouco mais consistente… Putz, isso é legal. Né? Então, acho que o grande valor dele está aqui.

06:13 Né? É trabalhar para mim nesse ponto, e isso o diferencia de qualquer outro. O que me faria utilizá-lo, além do preço — que vamos ver aqui ao longo deste vídeo, como o preço é absurdo —? Além disso, acho que isso é importante. Você vai montar um software; precisa ter essa consistência de informação. Né? Então, inseri algo na IA. Se mudou uma coisinha ou outra, não é para mudar tudo. Às vezes, não é para mudar tudo. Ela vai ter discernimento para verificar isso.

06:45 Então, mudou uma coisinha ou outra, mas não mudou tudo. Então, ela me responde: “Olha, não mudou tudo”. Isso é fantástico, pessoal. É ruim fazer isso com expressão regular, porque sempre falta uma vírgulazinha, né? E também é ruim fazer isso com LLM, pessoal, porque, como ela está querendo criar coisas, eu fico podando-a. Eles falam até disso aqui em cima, né? Olha só: como isso é diferente de um LLM. Então, eles falam de você ter um JSON válido. Porque, pessoal, a questão aqui

07:15 é ter um JSON válido para o software consumir. No LangChain, no LangChain, no seu código, ó, é com muito suor que conseguimos isso. Porque a IA não é boa para isso. É uma adaptação em cima de outra adaptação, com verificações, rodar de novo, uma segunda chamada, né? No LangChain, usamos algum modelo mais barato para verificar isso. Ele já vem assim de fábrica. Então, tenho aqui uma garantia que não tenho com os outros. Tenho que ficar sempre

07:45 observando, porque, olha, mudou uma coisinha no modelo — e eles mudam o tempo inteiro —, e meu sistema também quebrou. Então, não colocamos IA ao longo do sistema por ela ser inconsistente e por não garantir essa informação estruturada. Então, eles não quiseram fazer aquele barulho, lançar aquela coisa inovadora, disruptiva. Disseram: “Cara, vamos fazer o feijão com arroz. Vamos fazer com que ele responda bem, que seja esperto o suficiente para calibrar pequenas variações e manter

08:17 A consistência, e vamos fazer com que ele garanta para quem está usando que vai sempre responder sem quebrar o software. Pessoal, é isso. A um custo lá embaixo. Então, isso aqui é muito legal, muito legal. Ele toca num ponto aqui que eu acho interessante também. Usar um LLM e forçá-lo a retornar um JSON é podá-lo. Então, estou pagando caro no negócio e usando 10, 15% dele.

08:48 Né? Então, assim, esses modelos não são forçados, não são treinados para trabalhar com essas decisões e também para retornar num padrão específico. Tem que ter muito treino, pessoal, tem que ter muita habilidade para montar isso. E o LLM geralzão não está nesse naipe. Esse cara aqui quer criar um sistema cada vez mais capaz de ajudar você a trabalhar com isso. Então, enxergue-o assim. Ele não é limitado, não é um negócio disruptivo, mas é

09:21 muito útil. A proposta dele… Olha, esse cara aqui, pessoal, tem que receber um troféu por dizer: “Cara, você achou um gap no mercado e foi lá e montou um produto para isso”. E eu acredito, pessoal — conversei sobre isso hoje de manhã aqui com a turma do Founders —, que esse tipo de trabalho não é novidade, tá? Isso aqui não é novidade, né? Existem outras empresas que também fazem coisas parecidas. Mas quem sabe ele não puxa a carroça e começa a surgir um modelo muito bom para criar slides no Instagram para a

09:52 gente, um modelo muito bom para escrever textos com e-mail, um modelo muito bom para fazer algum tipo de análise, né? Eles já existem, mas que isso fique mais comum. Olha o barulho que o Jev vem fazendo — e é muito barulho, né? Quem sabe isso não acorda outras empresas para dizer: “Cara, lança um negócio assim, lança um negócio simples aqui, ó, que eu vou encaixar no meu dia a dia”. Né? Eu vou trabalhar com você em volume. Vou fazer tantas requisições que vou pagar você feliz. Né? Eu acho que isso, pessoal, é mais um

10:23 ponto para o Jev: colocar os holofotes no negócio que foi feito para ser eficiente, eficaz e rápido, não naquela oitava maravilha do mundo, né? Então, rápido, estruturado e previsível é o que a maioria das pessoas quer para embutir uma IA num software, para tomar uma decisão. Então, por exemplo, pessoal, em que ele é bom? Ele é bom, pessoal, para classificar um chat, pontuar um lead score dos contatos, rotear o

10:53 seu atendimento. A pessoa começou a conversa e, olha só, pessoal, é caro fazer isso. A gente faz isso com conta-gotas. Então, outra coisa que eu acho ótima nele é que, assim, eu consigo trabalhar usando mais isso. Muito do que a gente não usa hoje com IA é por causa do bolso, porque é caro — e realmente é caro. Pessoal, não dá para ficar classificando toda mensagem que chega no chat. Quem aqui trabalha com marketing ou automação de marketing sabe que a gente analisa o lead o tempo todo. Só que é caro.

11:24 Vocês vão ver aqui como é caro fazer isso, né? Então, a partir do momento em que consigo fazer isso por um custo que cabe no meu bolso, eu evoluo meu software, evoluo minha automação, melhoro meu agente, melhoro as decisões que ele toma ao classificar um lead e avaliar um atendimento. Será que teve uma resposta? Será que foi satisfatória? Será que essa pessoa que falou comigo no sábado é um lead real? Essa conversa que terminou, qual é a análise de sentimento dela?

11:55 Pessoal, isso já existe, né? Isso já existe em empresas; a Amazon tem uns sistemas fantásticos para fazer isso. Mas é caro, né? Esse cara aqui, não. Então, eu gostei, pessoal. Acho que tem muita viabilidade, né? E o funcionamento dele é quase como um ETL. Uma informação entra, ele processa, você faz perguntas para ele — vou explicar para vocês mais a fundo como são essas perguntas — e ele dá uma saída estruturada, né? Ele tem três tipos de resposta: uma opção, um score, uma nota, né, uma pontuação,

12:28 e um true ou falso, além de uma probabilidade entre verdadeiro e falso. Isso é muito legal, pessoal, porque consigo usar os três, né? E você precisa disso. Dependendo do caso de uso que tiver, isso aqui é fantástico, fantástico. Para trabalhar, pessoal, olha aqui: avaliar o status do relacionamento. Então, o lead está satisfeito ou não, com base no histórico? Me dá uma porcentagem. Vamos supor que, no meu caso aqui, ó, eu trabalho com consultoria, treinamento, com tudo. A pessoa

12:59 me chamou aqui no WhatsApp, trocamos cinco ou seis mensagens, e deu para classificá-la: se é um lead, qual é a área que está querendo, qual é o software, qual é a intenção dela. Então, a maneira como ele faz o output, para mim, é fantástica também. É mais mastigadinho para trabalhar no Vibecode e também numa automação no code, no caso do N8N. Então, é muito legal, pessoal, é muito legal. E outra: o que você vai aplicar aqui? Para que vai usar esse cara?

13:31 Eu separei aqui, pessoal, cinco itens. Acho que, de acordo com a minha realidade, com o meu prisma, com o meu mundo aqui, consigo aplicá-lo, né? Qualificar contato. Então, putz, você que está montando um CRM, irmão, é isso aqui. Né, ó? Será que esse cara é ativo, está passivo, está inativo, está dormente, está esfriando, está esquentando? Você mandou mensagens, pessoal? Mandou e-mails? As pessoas abriram os e-mails? Como está o histórico dele? Como está a quantidade de pessoas e de mensagens num grupo que você gerencia?

14:03 Fantástico, pessoal. De acordo com as mensagens, consegui categorizar o cara ao longo delas. Isso aqui é fantástico. Por um preço que cabe no seu bolso, beleza? Interesse, pessoal: identificar temas. Então, estou conversando com alguém aqui, e a pessoa fala assim: “Pô, Luís, quero uma consultoria”. Putz, consultoria. E eu falei: “Mas o que você faz hoje? Conta um pouquinho para mim o que você faz”. O cara manda um áudio. No áudio, ele fala: “Ó, eu trabalho com a NET ENI, meu servidor está parando, está travando aqui, tem hora que quero

14:33 atualizar e está desatualizado”. Pessoal, estou classificando essa pessoa, marcando o interesse e colocando tags nela. Então, tenho meu conjunto de tags e estou olhando para essas conversas, para essas mensagens, classificando a porcentagem de chance de incluir cada uma das minhas tags nessa pessoa. Isso aqui é fantástico, gente, fantástico. Isso muda a maneira como você faz as coisas, dá uma dinâmica diferente. E, de novo, é possível fazer isso? É, por um custo mais alto. A gente não faz porque é caro. Agora vai abrir um novo leque, eu

15:05 acredito, né, de empresas se beneficiando disso. Comunicação, pessoal: devo ou não fazer um follow-up? Devo enviar uma mensagem na segunda-feira de manhã ou na terça-feira à tarde? Pô, Luís, tenho um lead aqui, ó, que fala comigo há um mês. Mas é sempre terça e quinta, e sempre à tarde. Por que mandar para ele na quarta-feira de manhã? Né? Então, vou fazer uma call aqui, pessoal, vou fazer um convite aqui. Quero pegar as pessoas que participaram dos nossos webinars,

15:36 né? E colocar todas elas numa promoção. Mas qual promoção? O que vou oferecer para elas? Consigo analisar isso, né? Por um preço que caiba no bolso, né? Recomendar uma jornada, priorizar convite, né? Foi para vocês agora: workshop de live. Então, quem trabalha com marketing, com automação, processa dados, vocês têm um log legal de informações ali. Isso aqui é fantástico, né? A gente sempre quis fazer isso. Sempre foi possível fazer, a gente

16:06 sempre quis fazer, só não tinha coragem de pagar, né? E agora ele veio aqui e me ajudou com isso, né? E montei aqui, pessoal, um fluxo bem simples no N8N, só para mostrar para vocês alguns pontos aqui no Jev. O primeiro ponto que quero mostrar, pessoal, é o seguinte: não tem nada demais aqui, tá, gente? Nada demais aqui. O que esse cara aqui faz, né? O que esse meu fluxo faz? Vou ao Mautic e pego aqui um contato. Então, olha só, pessoal, lembram daquele

16:37 Tem que entrar nele de forma estruturada. Eu prefiro que você injete um JSON nele. Então, vim aqui, ó: peguei o Luís, luis.oeste@gmail, que é o meu contato, e peguei todas as informações dele. Aqui estão todos os dados. O Mautic, pessoal, tem um padrão de API que separa os campos direitinho, ó. Vêm informações extras do contato, tudo. Então, vem a lista de IPs dele, as tags que ele tenha, tudo. É uma informação completa do cara que o Mautic

17:08 salva para mim. Além disso, além dos dados do contato, que representam um objeto, né, o contato, o Mautic também tem as atividades. Então, por exemplo, eu mandei um e-mail para o Luís, o Luís clicou, abriu o e-mail, e o Mautic registra mais um item ali na linha do tempo. O Luís foi lá e clicou no e-mail. Mais um item na linha do tempo. O Luís acessou um vídeo, que tinha um progresso de vídeo; então, quando chegou à metade do vídeo, registrou ali na linha do tempo do Luís: olha, o Luís assistiu a uma landing page, assistiu à metade do vídeo. Eu consigo

17:38 criar a linha do tempo do contato, né? Então, eu tenho… E é bastante coisa. Olha aqui o scroll, para vocês verem, pessoal, como não é pouca informação. Tem bastante coisa aqui, ó. Então, está dizendo que ele foi importado em tal dia, tal hora, quais são os labels que a gente colocou, tudo aqui, pessoal, ó. Depois vem aqui, ó. Cadê? Vamos ver se eu consigo… Olha, importou, olha lá, enviou um e-mail. Então, enviou um e-mail; este aqui é o nome do e-mail, nananana, nananana, a data e a hora em que mandou o e-mail, né? Quais são as estatísticas desse e-mail: não foi lido, não falhou, tudo

18:10 isso. Qual é o ID dos segmentos, tudo isso, pessoal, está tudo aqui, ó. Então, isso aqui é muito legal, pessoal, porque eu consigo pegar essa timeline, ó, consigo pegar todo esse histórico, que é difícil de processar e não é um JSON pequeno; ia custar bastante input token, no meu caso aqui, né, pessoal? Eu venho aqui, ó, e concatenei tudo, então ficou um JSON ainda maior. Não é um JSON pequeno, não é pouca coisa, tá, gente? E aqui, de novo, tá? Eu poderia fazer isso no Open

18:41 AI, poderia. Se eu vier aqui, por exemplo, ó, vou vir aqui para vocês… Só para mostrar uma diferença de desempenho, tá, gente? Vou apertar o play aqui, ó, desse cara. Então, estou executando o prompt; são as mesmas perguntas que coloco no Jev e que estou colocando no OpenAI. Olha quanto tempo demora para responder. Olha quanto tempo demora para responder. Estou no 5.6 Luna, no médio, beleza? Vocês viram quanto demorou para responder? Vamos vir aqui, ó, e colocar o 4.1 Mini, que eu sei que um

19:12 monte de vocês ainda usa o 4.1 Mini. Mesma coisa, pessoal, mesma coisa. Olha quanto tempo demora. >> [roncando] >> Então, não tem como colocar isso aqui, por exemplo, em tempo real num software. É inviável. Num workflow em segundo plano, ótimo. Mas, né, só vou somar atrasos na minha aplicação. Olha aqui, pessoal, vou apertar o play do Jev, tá? Ó. Vamos apertar para vocês verem. Vamos apertar aqui, ó. Ó, vou até apertar para vocês verem.

19:45 Já respondeu. Absurdo, pessoal, absurdo isso daqui, tá? Absurdo. Na resposta, estou usando o OpenRouter, né? Então, na resposta vêm todas as informações de custo e de token, para você poder fazer as suas medições. Você que desenvolve sistemas tem que usar um sistema desses para armazenar lá. Enfim, né? Mas vocês viram a diferença? Para mim, esse é um fator crítico: o desempenho. Desempenho. Nossa, é muito rápido.

20:15 Então, consigo ter um pouco mais de coragem para colocar um sistema desses para trabalhar em larga escala, porque aí não vou demorar cinco dias para processar uma fila grande de 10.000 contatos, 20.000 contatos, né? Então, lido menos com timeouts e tudo mais. Putz, fantástico, né, gente? E olha só, ele vem aqui, pessoal. E o que tem de diferente nele, né? A gente vem aqui e faz algumas perguntas para ele, né? Então, vou chamar isso aqui de perguntas, tá? E essas perguntas,

20:47 basicamente… Olha só, vou ter lá aquele tipo de escolha, o tipo choice, né, dele, que é um tipo de informação variável dele. E olha só, pessoal: basicamente, ele vai ter esse choice, essa escolha, o score e o número. Putz, podiam dar um nome mais legal para isso aqui, né? É ruim de falar isso aqui, né? Pô, deem uns nomes mais legais para o negócio. Então, a escolha de opção, né? Ele vai me retornar as opções; vai escolher uma

21:17 e me retornar uma lista de probabilidades para as outras. O score é uma nota. Então, vou definir meus scores, meus steps de pontuação, e ele vai encaixar a pontuação nesses steps. E o número vai medir entre zero e um. Imagina de zero a 100 a probabilidade de aquilo ser verdadeiro, né? Então, é como se fosse um booleano, só que vou ter verdadeiro e falso e uma porcentagem daquilo poder ser verdadeiro, né?

21:48 Então, é muito legal, pessoal, porque é um tipo de informação adequado para armazenar, né? Então, vim aqui, ó, e dei um choice para ele. Considerando os eventos, qual é o estágio atual do relacionamento desse contato com a Promovweb? Passei os critérios: ativo — apresenta interações recentes e recorrentes; passivo — apresenta poucas interações, de maneira esporádica; inativo — recebe comunicações recentes, mas não interage; dormente — não apresenta interações há

22:20 um período prolongado; e insuficiente — não há evidências suficientes no histórico para determinar o estágio. Então, pessoal, passei para ele um tipo choice para essa questão aqui, ó. E o que ele me respondeu? Com base no Luís, ó. Relationship status, aqui, ó. Ele escolheu a opção “ativo”. Então, falou para mim, pessoal, aqui, ó. Olha aqui o score que ele deu, né? O ativo tem 0.68 de probabilidade, de acordo com as

22:52 informações que eu inseri nele. Então, ele analisou tudo aquilo, todos aqueles aspectos, aquelas informações, e disse assim: “Eu escolhi, Luís, que esse lead é ativo”. Só que, para você ter uma noção, para poder montar seu banco de dados e fazer uma estatística, estão aqui, ó, as probabilidades que eu usei. Então, de zero a 100, há 68% de chance de esse cara ser um lead ativo. E aí, pessoal, você toma a decisão que achar adequada,

23:22 né? Para o seu cenário. Então, assim, muito legal, pessoal. Isso aqui é realmente muito legal. Dá para pensar que consigo armazenar isso num Mongo DB, num Postgres e depois, inclusive, montar um relatório em cima. Mas é fácil para a minha aplicação processar isso, porque é um objeto fácil de processar. Está vendo, ó? Ele trabalhou bem o objeto aqui. É muito fácil processar isso daqui. Então, putz, isso aqui dentro de um software, para ser processado, é muito legal, muito legal. E olha só, pessoal, tem mais aqui, tá?

23:53 Vamos olhar de novo essa requisição que fiz, porque tem mais informações legais aqui para você. Então, aqui, ó, vamos continuar o slide para vocês verem. Esse choice é essa relação. Eu dou uma listinha para ele; ele avalia cada item da minha lista, escolhe um e me dá a porcentagem de acerto daquele item. Então, perguntei: “Olha, o cara é ativo?” É ativo. Então, assim, há pouco mais de 60% de chance de esse cara ser ativo. E aí, ele vai distribuindo o restante

24:23 nas outras opções para mim. Por quê? Posso montar uma linha do tempo disso, né? Posso montar essa linha do tempo de atividade do contato. Então, hoje é 68. Daqui a um mês, pode ser 90, pode ser 50; caiu. Então, é legal, porque você monta um software e consegue obter estatísticas dessa pergunta que fez, com base em informações que não são estruturadas, né? Ele olhou para aquele gráfico, olhou para todos os eventos do lead, olhou o histórico do lead, sei lá,

24:54 quanto tempo de histórico havia ali, mas ele olhou para tudo e falou assim: “Olha, esse cara eu posso considerar que é um usuário ativo.” Puts. Fantástico, pessoal, fantástico. Isso aqui, para mim, é interessante demais, pensando como alguém do marketing, pensando como alguém que está montando um software para resolver problemas de marketing, né? Aqui, pessoal, eu criei um score, né, que é o nível de engajamento. Então, olha só a instrução: “Qual é o nível geral de engajamento demonstrado pelo contato? Considere a frequência, a variedade e a

25:25 recência das interações. Critério: nenhuma interação relevante é um item. Uma interação isolada ou muito antiga. Algumas interações, mas de maneira irregular. Interações recorrentes com diferentes conteúdos. E interações frequentes, recentes e consistentes.” Então, esse é o meu nível de engajamento. O que ele me retornou aqui, pessoal? O score do Luís é 3,38.

25:58 Então, é um usuário, assim, de zero a quatro, né? Porque passei cinco níveis para ele, né? Olha só: são cinco níveis de score aqui. Estou no meio, ali, ó, três, um pouquinho mais da metade, né? Então, ele falou que eu sou três. Estou aqui, ó: interações recorrentes com diferentes conteúdos. Então, ele classificou o contato de zero a cinco, e aí você pode colocar mais opções aqui, até 10, que eu não me lembro. Eu não sei, tá, gente? Dei só uma olhada de relance nisso. Acho que são 10. É, de zero a nove, tá bom? É um array que

26:29 começa no zero, né? Então, de zero a nove opções, 10 opções. Consigo classificar de zero a… É mais fácil de entender isso daí, né? No meu caso aqui, eu só tinha cinco, então dá na mesma, né? Mas, puts, que legal isso aqui. Isso aqui é fantástico para lead score. Estou remontando uma base, importando informação de outro lugar; você está montando um CRM e buscando informação de um sistema externo. Imagina que está montando um WhatsApp e vai ter acesso a um histórico de mensagens do

26:59 contato. Qual é o score atual dele? Você que gerencia grupos, aqueles grupos em que as pessoas podem falar, né? Então, que assuntos estão rolando ali? Puts, isso aqui é fantástico, pessoal. Fantástico. De novo, pensando como alguém que quer trazer isso para o software. Quero oferecer um relatório melhor para o meu usuário. Quero que o meu sistema analise informações com mais poder do que simplesmente uma expressão regular e um monte de if, né? Do que simplesmente um group by no banco de dados. Eu queria ir além disso. Eu

27:30 quero analisar mais informações que a IA vai processar para mim por frações de centavo, né? Então, puts, é fantástico, pessoal, fantástico. Então, ele vem aqui e me dá o score e as probabilidades, né, pessoal? E sempre tem esse grau de confiança aqui, né? Que indica o quanto ele tem certeza disso, né, com base nas informações. Quanto melhor for o input, quanto mais estruturado for o input, melhor. Então, também é interessante fazer isso. Por quê, pessoal? Eu quero avaliar também esse grau de confiança dele ao longo do

28:02 tempo. Quanto maior for isso aqui, mais assertivo ele é, né? Voltando aqui, pessoal, continuando: vocês viram que temos o tipo choice, tenho o tipo score, para o qual vou dar uma escala. Ele vai encaixar minhas informações nessa escala e me dar uma listinha com a probabilidade de cada nível da escala. Então, olha a quantidade de informação que você tem para poder fazer um gráfico estatístico. E o último tipo de informação, pessoal,

28:33 é esse know aqui, né? É um tipo estranho, puts: um valor de zero a um, né? Então, imagina de zero a 100 ali, que é a probabilidade de aquilo acontecer. Então, o que é legal aqui, pessoal? Quando a gente vem para o nosso exemplo aqui, ó, devo ter algum tipo de informação que é null. Aqui, ó. E aqui eu quero que vocês entendam qual é a minha ideia com isso, né? É uma ideia prática para você que está trabalhando com automação dentro do nosso ecossistema aqui, ó. Eu tenho uma tag.

29:05 Eu tenho uma tag do meu Chat UTI que é vibe coding. Então, o que eu quero saber aqui, pessoal? Ela é null. Olha a instrução para ele: “O histórico demonstra interesse em vibe coding, criação de sistemas ou desenvolvimento de MVPs com IA?” Uma pergunta. Então, ele veio aqui, ó. Com base no histórico do usuário, ele falou: “Olha, vibe coding: 0,94.” Então, nossa, está com certeza. Esse cara aqui tem interesse em vibe

29:36 coding. Tem interesse no nosso developer workspace? Tem interesse em eventos? Participou de eventos no nosso Luma? Tem algum interesse comercial? Olha que legal isso, pessoal. Cadê aqui, ó? Intenção comercial. “O histórico contém sinais consistentes de intenção comercial? Uma abertura isolada de e-mail não deve ser considerada uma ação comercial.” Então, mandei um e-mail para ele. “Olha, estamos lançando o Founders.” Ele

30:06 abriu esse e-mail, clicou no link, acessou a página do Founders? É suficiente para a IA entender que esse cara não tem interesse no Founders? Agora, e se for uma conversa no Chat UTI, em que eu quero colocar um label no Chat UTI do cara? E aí, com base nas conversas: “Ô, Luís, tudo bom? Olha, fiquei sabendo do Founders, cara, e putz, me interesso pelo Founders.” Vai aparecer aqui, né? “Tem interesse, contém sinais consistentes de intenção comercial.” Isso aqui é fantástico, pessoal, porque você pode fazer isso aqui uma vez por dia, uma vez por semana, uma vez por

30:38 hora, não sei. Mas você pode gerenciar automaticamente as tags do contato no Mautic, no Chat Wot, em algum outro lugar, no seu próprio sistema. Então, imagina que você habilitou a opção de tags automáticas para o seu usuário. Puts, fantástico isso. Você pode mover a etapa do seu funil de vendas no CRM, né, de acordo com as conversas. Então, conforme o cara entrou e falou assim: “Pô, quero o Founders.” Beleza, criei o card ali. Já entendeu que tem interesse comercial? Já deu

31:10 ali, ó, 94%. Cria o cartão. Só que ele falou assim: “Deu, deu.” Aí o Giovan veio e explicou o Founders para ele. “Pô, manda o Pix aí que já quero assinar agora.” Pessoal, posso usar isso e mover esse cartão para a frente automaticamente. Nem preciso esperar o usuário fazer isso. Olhei para a conversa e percebi que todos os estágios do meu pipeline estão cobertos por aquela conversa. Então, moveu o cartão automaticamente. Imagina o cliente poder abrir o CRM dele e ver o cartãozinho andando

31:41 automaticamente ali, ó. Haja websocket para conseguir rodar isso daí, né? Mas vocês entenderam a ideia de como isso é legal? É isso que é disruptivo nele, né? Isso é o que faz ele ser interessante. Mas não para por aí, tá, gente? Tem um último ponto. Mas, antes de falar com vocês do último ponto, pessoal, aqui nesses QR Codes vocês têm acesso à nossa formação e à Makers, que são encontros em que eu trabalho com vocês com IA, Docker, infraestrutura, vibe

32:11 coding, para você que quer fazer um curso e aprender. E também tem o Developer Workspace, para você que quer uma consultoria, tá bom? Então, quer uma consultoria, pessoal? Quer analisar o seu sistema? Quer me contar uma ideia? A gente monta uma especificação? Avalia a sua infraestrutura? Avalia a segurança da sua aplicação? Uma consultoria para colocar a casa em ordem? É só falar com o comercial aqui no Developer Workspace. Pessoal, olha só. Trazendo isso para o nosso ecossistema, vamos ter um ponto

32:43 aqui, que é o seguinte: o custo. E olha que loucura isso daqui, gente. Que loucura é essa? O Gemini, nesse teste que fiz do Gemini… Se eu fizesse, então, peguei… O que eu peguei aqui nesse meu teste, né, pessoal? Vim aqui no meu workflow, peguei quanto o GPT disse que eu gastei, peguei quanto gastei no, no, no 5.6 Luna, Luna, quanto gastei no 4.1 Mini e quanto gastei aqui no

33:13 Gemini, beleza? Então eu peguei o valor que a própria IA retornou ali, de custo por token. Se eu fizer 1.000 requisições no Gemini, pago 1 dólar e 12 centavos. 1.000 requisições, 1.000. Então imagina você, que vai avaliar aí no seu software e quer aplicar uma tag automaticamente a um contato, quer fazer o seu funil andar automaticamente e permitir que o cliente compre esse item extra.

33:44 1.000, 1 dólar. Se eu fosse utilizar o GPT Luna, pagaria 6 dólares e 21 centavos. Se fosse o 4.1 Mini, que muitos de vocês usam, seria mais caro ainda. O 4.1 Mini é ainda mais caro do que o Luna. Dá 8,70 ali, ó. Vamos lá, pessoal: estou considerando 1.000 e 10.000 ali, ó, o n8n, igual ao meu, que vai pegar a mensagem. Nem montei um sistema; não foi preciso montar um sistema para aplicar

34:14 uma tag ao contato. Vou usar o n8n, a automação, para poder fazer isso. Lembrando que o n8n é uma automação híbrida, determinística e não determinística. Posso enfiar a IA no meio das coisas ali, né? Então, olha o custo, pessoal, para vocês terem uma noção: eu pagaria 11 dólares para rodar 10.000 validações de contato se usasse o GPT Luna. 62 dólares.

34:46 Agora, 100.000. Você que vai montar um SaaS, pare e pense: “Pô, Luís, cara, tive uma ideia. Tive uma ideia legal aqui, cara. Vou fazer todos os meus pipelines. Então, assim, ó: de hora em hora, vou avaliar as conversas que estão ativas no sistema e mover um cartão de lugar. Pelos meus cálculos, somando todos os meus clientes e todas as conversas ativas dos clientes, vou gastar 111 dólares, que são 600 reais, pessoal, 600 contos, 600 reais por mês

35:18 para avaliar 100.000 conversas e colocar um baita negócio no seu sistema. Se fosse com o Luna, seriam 600. Se fosse com o 4.1 Mini, 800 dólares. A diferença é gritante. É gritante, gritante, pessoal. Beira os 70%, vai, 80% de diferença. É muita coisa. É muita coisa, pessoal. E não é só isso, né? Isso é explicado pela maneira como ele gerencia os tokens. Porque, olha só, o Gemini gasta mais

35:50 tokens do que o GPT, né? Então, coloquei o mesmo payload nos três. Dá para ver que o 4.1 ficou muito parecido com o Luna, né? Ficou muito parecido. Mas, ó, olha só: o Gemini considerou 26.000 tokens, aquele meu JSON gigante lá. Só que ele não cobra pela saída, né? Então, é muito diferente, pessoal, muito diferente. Custa 82% menos, né? E consome 40% a mais de tokens.

36:22 É loucura isso daí, loucura. E, para vocês terem uma noção dos custos, pessoal: quem trabalha com sistemas, está montando um agent, montando um SaaS, tem que saber o custo de cada item do sistema, né, gente? Pelo amor de Deus. Tenho aqui essas consultorias do Developer Workspace, a formação e a Makers, porque a gente conversa todo dia. Também tenho aqui o Founders. O Founders, pessoal, são três meses em que a gente fica conversando todo dia, de segunda a sexta, uma hora por dia. Chamo a turma ali: “Vamos bater papo sobre negócios, vamos bater

36:53 papo sobre suporte, SaaS, como atender, como prospectar, como precificar, como gerenciar as coisas”. O Founders é diferente do Iamakers. No Iamakers, vou ensinar você a fazer o seu SaaS. No Founders, a gente vai conversar junto. O Founders não é um curso, tá? É um grupo em que vamos trabalhar com outras pessoas que estão na mesma situação que você: querendo lançar um software, lançando um software ou já com o software lançado. Vamos compartilhar experiências, vamos aprender juntos. Eu passo conteúdo, mostro as coisas

37:24 que estou montando, dou insights, faço um monte de coisa, mas o legal do Founders é a troca de experiências, né? Tem um advogado que conversa com vocês ali, tem um contador que conversa com vocês ali, pessoas de marketing, né? Os amigos mostram a tela, mostram os sistemas, compartilham ideias, tiram dúvidas. Então, hoje, acho que o Founders é o principal para quem já está nessa etapa, já tem um produto, já tem uma ideia. Para quem não tem um produto nem uma ideia, mas quer percorrer esse caminho, é o Iamakers.

37:54 Agora, você pode pensar: “Luís, cara, não tenho tempo para participar de comunidade, não tenho tempo para fazer o curso, meu dia é corrido”. Então, vem aqui, ó, chama o Developer no DevSide Studio para a gente poder conversar com vocês numa consultoria, tá? Aí, marcamos um horário na semana para eu olhar o seu sistema. Você compartilha a tela, a gente grava a reunião e depois manda um relatório para você. É top para avançar, tá bom? E, pessoal, olha só: você tem que ter noção de

38:25 custo no seu sistema, tem que ter essa noção, né? E olha aqui a bruxaria que os caras fizeram. Ninguém entende, né? Eu nunca entendi, acho que ninguém vai entender isso daí, mas cabe perfeitamente no bolso, né? Dá para considerar isso aí, dá para falar: “Pô, acho que vai dar, hein? Acho que dá certo”, né? Então, acho que o maior valor que esses caras geraram com esse Jev foi fazer com que ele fosse mais determinístico, né? Muito mais determinístico, fazer com que coubesse no bolso

38:56 da galera e que fosse rápido, porque, sendo rápido, consigo colocar lotes de informação nele, né? Você, no seu SaaS, na sua automação, vai trabalhar em lote, né? 100 conversas por dia, 200 conversas por dia, cada conversa vai ter ali suas 50, 100 mensagens, né? Você vai fazer isso em loop todo dia, né? Para não ficar uma fila gigante de processamento ali. Agora imagina um SaaS em que eu vou ter 200 clientes, cada cliente tem 200 conversas, cada conversa tem 200 mensagens. Então, o negócio

39:28 é exponencial, né? Mas, mesmo assim, é mais previsível, cabe melhor no bolso. Então, acho que o grande barato do Jev, o que chamou a nossa atenção mesmo, foi isso, né? Trazer essa consistência com a ideia de que é uma IA para embutir no software sem que ela fique mais cara do que o software, né? E desbloquear essas coisas que a gente sempre pôde fazer, que sempre quis fazer

39:59 e não dava porque não valia a pena. Agora vale a pena, tá, gente? Então, basicamente, é isso em relação ao Jev. Quero que você comente aqui no vídeo: “Luís, gostei, não gostei. Luís, pretendo utilizar o Jev. O que vocês acharam, pessoal, no dia a dia de vocês?”. Porque vou colocar ele, com certeza, no meu LMS e também nos outros temas que estou desenvolvendo, né? Vai fazer parte, porque esse tipo de análise é muito, muito importante para mim. Os sistemas que uso hoje não são

40:30 baratos, né? E, putz, achei muito top poder usar isso daí. Na OpenAI, sempre foi possível fazer isso, mas, de novo, né, gente? Vocês viram que o valor era oito vezes maior ali, então não compensava. É uma informação importante? É, mas não por aquele preço. Agora, por esse preço, muda o jogo, né? Então, comentem aqui o que acham, se pretendem colocar o Jev no dia a dia de vocês, se pretendem usar essas decisões no software, na automação com n8n, no seu

41:00 SaaS, o que vocês estão montando, o que imaginam que é importante. Olha, com certeza vamos ter muito mais conteúdo aqui falando do Jev. Taco o dedo no like, pessoal. Deem like no vídeo, inscrevam-se no canal, comentem o que acharam e não deixem de chamar para as consultorias para bater um papo com vocês, tanto nas formações do IAMakers e no Founders quanto nas consultorias para promover. Isso vai ajudar vocês a alavancar o projeto. Até mais, pessoal. Um abraço.

Transcrição original

[00:00] Fala pessoal, tudo joia? Aqui Luís. Nesse vídeo eu vou bater um papo com vocês sobre o Jeve. Pessoal, o Jeve chegou fazendo todo aquele barulho que todo modelo de IA faz. Então, fora o hype, fora ali os holofotes, aquelas promessas maravilhosas, existe sim uma aplicabilidade muito legal para esse modelo. Ele ele é focado numa situação muito específica e que abrange a maioria das pessoas que tem um software ou que trabalha com automação. Então, nesse vídeo aqui eu vou mostrar

[00:31] uma prova de conceito para vocês. Eu vou explicar o que que eu compreendi, entendi e dar a minha opinião para vocês de como que eu pretendo, inclusive, utilizar o Jeve no meu dia a dia. Então, dá um like no vídeo, se inscreve no canal e comenta o que que você achou do Jeve. Pessoal, o Jeve, então, é essa IA feita para decidir. Então, ele é diferente de um GPT, de um Claude ou de um modelo chinês que vai trabalhar com você como LLM generativo. Ele vai criar para você alguma coisa.

[01:02] Então, por exemplo, eu vou imputar nele, num num num GPT, por exemplo, um texto e eu peço para ele: “Olha, crie para mim um e-mail”. Então, o objetivo de uma IA normal é essa. Todo mundo aqui usa IA assim, no dia a dia no dia a dia aí. O Jeve é diferente. Eu vou jogar nele uma série de informações e vou fazer uma série de perguntas para ele e ele vai me me retornar as probabilidades daquilo, uma resposta estruturada para aquilo. Então, o fato de ser estruturado já

[01:33] informa que não é para o humano ler. É um software, pessoal, é uma IA feita para software ler. Talvez até para outra IA ler. Então, é interessante isso, porque ele economiza muito na resposta. E ele é muito rápido. Então, aqui a gente já entende que o fato dele ser rápido, essa proposta dele, é porque eu quero encaixar ele em sistemas um pouco mais em tempo real. Então, realmente, se eu fizer o que eu faço no no GPT, vai demorar 30 segundos.

[02:03] Nele demora milésimos de segundo. Então, ele é feito para você trabalhar com ele em escala, em lote. Essa essa já é a primeira proposta dele. A segunda proposta é sempre ser estruturado. Então, vai entrar nele estruturado e vai sair dele estruturado. Quer dizer o quê, pessoal? Quer dizer que o meu software, você que tá montando vai code aí, você pode utilizar ele ao longo dos seus dos seus fluxos, do seu atendimento, do seu chat, trabalha em segundo plano. Aqui no N8N, eu posso

[02:34] usar no workflow do N8N para que ele sempre trabalhe num num padrão de payload, num contratinho ali de payload para que a a IA e os sistemas possam trabalhar sem gerar erro. Olha, pessoal, é é um tanto chato fazer isso num LLM. Quem usa N8N sabe que eu tenho que colocar o JSON, eu tenho que marcar no node que é para retornar estruturado e geralmente eu vou pôr ainda um um output parser do LangChain para garantir para mim que aquele JSON vai vir naquele formato, senão trava meu

[03:06] sistema. Aqui não, ele já é feito assim, tá? E o principal, pessoal, que é o previsível. Isso esse é um ponto que assim, ele não é um modelo revolucionário, ele não é um modelo disruptivo, nossa, desculpa, redescobrimos a roda com ele, não é essa proposta. E o autor já falou que nem é essa ideia mesmo. Ele quer fazer, pessoal, o feijão com arroz muito bem feito. E olha, é um feijão com arroz extremamente bem feito. E o fato dele ser mais previsível, olha

[03:38] só, é uma LL é uma é uma IA previsível. Eu quero explicar para vocês aqui no site, ele fala um pouco mais sobre isso. Mas para mim o principal ponto é esse, e se eu fosse elencar um item, um item que me chamaria a nele em relação a qualquer outra IA, é o fato de que se eu chamar ele 100 vezes, ele não vai me dar 100 respostas iguais, mas vai estar muito próximo, né? Inclusive, se você for no site deles, aqui no site, aqueles sites, nossa, eu não gosto muito desse design,

[04:09] eu acho muito confuso, sou velho, gente, eu já passei da época de da internet ser assim, acho que a maioria já passou dessa internet também, a gente não quer voltar antes daí não. Mas olha só, aqui tem um ponto que é o seguinte, ó, é perguntado na FAQ se o Jev é determinístico, né? Que seria esse, essa resposta padrão igual sempre, né? Olha só, interessante isso daqui, ó, determinístico significa retornar o mesmo resultado para um input igual. Então, eu joguei lá um input igual, ele

[04:40] tem que me dar um, um, um, um retorno igual, né? Eles, eles acreditam, pessoal, que isso tem menos valor do que uma consistência. E ó, e ele, eles definem a consistência em tomar decisões similares mesmo que mude uma palavrinha ou outra. Por quê, pessoal? Porque o, o determinístico tem esse problema de qualquer variação, às vezes, estoura tudo também, né? Ele não é perfeito também. Então, aqui, ele tá pronto para trabalhar com pequenas variações que

[05:12] talvez não modifiquem o todo. Para quem trabalha com estatística, para quem trabalha com análise, você que tem um chat Uti e quer trabalhar, por exemplo, análise das conversas, quem tem um agente de IA e entrou aqui uma conversa, começou uma nova conversa, você quer rotear, é, é para o suporte, para vendas, é para o pós-vendas, para onde que eu vou enviar esse cara aqui? Isso aqui é muito valioso, porque ele é melhor do que uma expressão regular, ele é melhor do que um conjunto de ifs e switches,

[05:43] né? E também é melhor do que E IA que cada hora que eu ia pingar lá, aí ele ia fazer uma loucura para mim. Né? Quantas vezes aqui, pessoal? E olha, nós temos aqui na Promove Web, as as imersões e temos também os workshops, que a gente fica ali, ó, mastigando isso aí, como que eu faço para a IA trabalhar direito. Então, o fato dela ser levemente mais previsível, um pouco mais consistente, putz, isso aqui é legal. Né? Então, eu acho que o grande valor dele está aqui.

[06:13] Né? De trabalhar para mim nesse ponto e diferencia ele de qualquer outro. O que faria eu utilizar ele, além do preço, que a gente vai a gente vai ver aqui ao longo desse vídeo, como é que o preço é absurdo. Né? Além disso, eu acho que isso aqui é importante. Você vai montar um software, você precisa ter essa essa consistência de informação. Né? Então, eu joguei na IA. Se eu joguei, se mudou uma coisinha ou outra, não é para mudar tudo. Às vezes, não é para mudar tudo. Ela vai ser Ela vai ter o discernimento de checar isso.

[06:45] Então, mudou uma coisinha ou outra, mas não mudou tudo. Então, ela ela me responde, olha, não mudou tudo. Isso é fantástico, pessoal. É ruim fazer isso em expressão regular, porque sempre tem uma virgulazinha que falta. Né? E é ruim também fazer isso na LLM, pessoal, porque dali, como ela está querendo criar as coisas, eu estou podando ela. Eles falam até aqui em cima disso, né, ó? Que o como que é diferente isso de um LLM. Né? Então, ele fala, né? Você ter um JSON válido. Porque, pessoal, aqui a questão

[07:15] é JSON válido para o software consumir. Né? No LangChain, no LangChain, no seu WebCode, ó, é com muito suor que a gente consegue isso. Porque a IA não é legal para isso não. É É uma adaptação em cima da adaptação, em cima de verificação, roda de novo, uma segunda chamada, né? No LangChain, a gente usa algum modelo mais barato para verificar isso. Ele já é de fábrica assim. Então, eu tenho uma garantia aqui que eu não tenho essa garantia com os outros. Eu tenho ali, pessoal, a e ficar sempre

[07:45] observando, porque ó, mudou uma coisinha no modelo e eles mudam o tempo inteiro, quebrou o meu sistema também. Então, a gente não põe IA ao longo do sistema por ser inconsistente e por não garantir essa informação estruturada. Então, eles não quiseram fazer aquele barulho, lançar aquela coisa inovadora, disruptiva. Falou: “Cara, vamos fazer o feijão com arroz, vamos fazer ele responder legal, ele ser esperto o suficiente para calibrar ali pequenas variações e manter

[08:17] a consistência e vamos fazer ele garantir para o cara que está usando que vai sempre responder sem quebrar o software dele”. Pessoal, é é isso. Num custo lá embaixo. Então, isso aqui é muito legal, muito legal. Ele toca num ponto aqui que eu acho que é interessante também. Eu usar um um LLM e forçar ele a retornar para mim uma um um JSON é é podar ele. Então, estou pagando o caro no negócio e eu estou usando 10, 15% dele.

[08:48] Né? Então, assim, eles não são forçados a esses modelos não são forçados, não são treinados para trabalhar com essas decisões e também a retornar num padrão específico. Tem que ter muito treino, pessoal, tem que ter muita habilidade de montar isso. E o LLM geralzão não está nesse naipe. Esse cara aqui, ele quer criar um sistema cada vez mais que vai ajudar você a trabalhar com isso. Então, enxergue ele assim. Ele não é limitado, ele não é um negócio disruptivo, mas é

[09:21] muito útil. A proposta dele, olha, esse cara aqui, pessoal, tem tem que receber um troféu de falar assim: “Cara, você achou um gap no mercado e você foi lá e montou um produto para ele”. E eu acredito, pessoal, conversei isso hoje de manhã aqui com o com a turma do Founders, eu acredito que esse tipo de trabalho não é novidade, tá? Isso aqui não é novidade, né? Existem outras empresas que também fazem coisas parecidas. Mas quem sabe ele não puxa ali a a a carroça e começa a vir um modelo muito bom para criar slideszinho no Instagram para a

[09:52] gente, um modelo muito bom para poder escrever texto com e-mail, um modelo muito bom de fazer algum tipo de análise, né? Já existem, mas que fique mais comum isso. Olha o barulho que o Jev vem fazendo e é muito barulho, né? Quem sabe não acorda outras empresas para falar: “Cara, lança um negócio assim, lança um simples aqui, ó, que eu vou encaixar no meu dia a dia”. Né? Eu vou trabalhar com você no volume. Eu vou fazer tanta requisição que aí eu vou eu vou te pagar feliz. Né? Eu acho que isso, pessoal, é mais um

[10:23] ponto para o Jev de colocar o holofote no negócio que foi feito para ser eficiente, eficaz e rápido, não aquela, né? Oitava maravilha do mundo, né? Então, rápido, estruturado e previsível é o que a maioria das pessoas querem para embutir uma IA num software, para tomar uma decisão. Então, por exemplo, pessoal, onde que ele é bom? Ele é bom, pessoal, para classificar um chat, pontuar um lead score um ponto dos contatos, rotear o

[10:53] seu o seu atendimento. A pessoa começou a conversa e olha só, pessoal, é é caro fazer isso. A gente faz isso com no conta-gota. Então, uma outra coisa que eu acho que para ele é top é que assim, eu consigo trabalhar, usar mais isso. Muito do que a gente não usa hoje com IA é por causa do bolso, é porque é caro e realmente é caro. Pessoal, não dá para ficar classificando toda mensagem que chega no chat. Quem aqui trabalha com marketing, automação de marketing, a gente analisa o lead o tempo todo. Só que é caro.

[11:24] Vocês vão ver aqui como é que é caro fazer isso, né? Então, a partir do momento que eu consigo fazer isso por um custo que cabe no meu bolso, eu evoluo meu software, eu evoluo a minha automação, eu melhoro meu agente, eu melhoro as decisões que ele toma de classificar um lead, de avaliar um atendimento. Será que teve uma ou será que foi satisfatório? Será que essa pessoa que falou comigo no sábado, ele é um lead real? Essa conversa que finalizou, qual que é a análise de sentimento dela?

[11:55] Pessoal, isso já existe, né? Isso já existe em empresa, a Amazon tem uns fantásticos para fazer isso. Mas é caro, né? Esse cara aqui não. Então, eu gostei, pessoal. Eu acho que assim, tem muita viabilidade, né? E ele é quase que um ETL, é o funcionamento dele. Vai entrar uma informação, vai processar, você vai fazer perguntas para ele, eu vou explicar para vocês mais a fundo como é que são essas perguntas, e ele te dá uma saída estruturada, né? Ele tem três tipos de resposta. Opção, um score, uma nota, né? Uma pontuação,

[12:28] e um e uma uns um true ou falso e uma probabilidade entre verdadeiro e falso. Isso é muito legal, pessoal, porque eu consigo usar os três, né? E você precisa disso. Dependendo do caso de uso que você for ter, isso aqui é fantástico, fantástico. Para trabalhar, pessoal, olha aqui, avaliar status do relacionamento. Então, o lead está satisfeito ou não, com base no histórico. Me dá uma porcentagem. A pessoa, vamos supor, que no meu caso aqui, ó, eu trabalho com consultoria, com treinamento, com com tudo. A pessoa

[12:59] me chamou aqui no no WhatsApp, trocamos ali cinco, seis mensagens, deu para poder classificar ela, se ela é um lead, qual que é a área que ela está está querendo, qual o software, qual que é a intenção dela. Então, a maneira como ele faz o output, para mim é fantástico também. É mais mastigadinho para trabalhar no Vibecode e trabalhar também numa automação no code, no caso do N8N. Então, é muito legal, pessoal, é muito legal. E outra, o que que você vai aplicar aqui? O que que você vai usar esse cara?

[13:31] Eu separei aqui, pessoal, cinco itens. Eu acho que que que de acordo com a minha realidade, com o meu prisma, o meu mundo aqui, eu consigo aplicar ele, né? Qualificar contato. Então, putz, você que tá montando um CRM, irmão, é isso aqui. Né, ó? Será que esse cara é ativo, tá passivo, tá inativo, tá dormente, tá esfriando, tá esquentando? Você mandou mensagens, pessoal? Você mandou e-mails? As pessoas abriram os e-mails? Como que tá o histórico dele? Como que tá a quantidade de pessoas, de mensagens num grupo que você gerencia?

[14:03] Fantástico, pessoal. De acordo com as mensagens, eu consegui categorizar o cara. Ao longo das mensagens. Isso aqui é fantástico. Por um preço que cabe no seu bolso, beleza? Interesse, pessoal. Identificar temas. Então, eu tô conversando com alguém aqui, a pessoa fala assim: “Pô, Luís, quero uma consultoria”. Putz, consultoria. E eh eu falei: “E mas que que você faz hoje? Conta um pouquinho pra mim o que que você faz”. O cara manda um áudio. No áudio ele fala: “Ó, eu trabalho com a NET ENI, meu servidor tá parando, tá travando aqui, tem hora que eu quero

[14:33] atualizar e tá desatualizado”. Pessoal, eu tô classificando ele, eu tô marcando interesse, eu tô pondo tags nele. Então, eu tenho o meu conjunto de tags, eu estou olhando pra essas conversas, pra essas mensagens, classificando a porcentagem de poder incluir cada uma das minhas tags no cara. Isso aqui é fantástico, gente, fantástico. Isso muda a maneira como você faz Dá uma dinâmica diferente. E de novo, é possível fazer isso? É, por um custo mais alto. A gente não faz porque é caro. Agora vai abrir um novo leque, eu

[15:05] acredito, né, de empresas se beneficiando disso, né? Comunicação, pessoal. Devo ou não fazer um follow-up? Devo enviar mensagem segunda-feira de manhã ou terça-feira de tarde? Pô, Luís, o cara sempre fala comigo que eu tenho um lead aqui, ó, que ele tá um mês falando comigo. Mas é sempre terça e quinta e é sempre à tarde. Por que mandar para ele quarta-feira de manhã? Né? Então, eu vou fazer uma call aqui, pessoal, eu vou fazer um convite aqui, eu quero pegar os as pessoas que participaram dos nossos webinars,

[15:36] né? E colocar esses caras todos para para fazer uma promoção para eles. Mas qual promoção? O que que eu vou oferecer para eles? Eu consigo analisar isso, né? Por um preço que caiba no bolso, né? Recomendar uma jornada no priorizar convite, né? Foi para vocês agora de workshop de live, então, quem trabalha com marketing, com automação, processa dados, vocês têm um log legal de informações ali, isso aqui é fantástico. Né? A gente sempre quis fazer isso. Sempre foi possível fazer, a gente

[16:06] sempre quis fazer, só não tinha coragem de pagar, né? E agora ele veio aqui e me ajudou em relação a isso, né? E eu montei, pessoal, aqui, né? Um um um fluxo bem simples no N8N, só para mostrar para vocês alguns pontos aqui no Jeve. O primeiro ponto que eu quero mostrar, pessoal, é o seguinte. Então, não tem nada demais aqui, tá, gente? Nada demais aqui. Que que esse cara aqui faz, né? Que que esse meu fluxo faz? Eu vou no Mautic, eu pego aqui um contato. Então, olha só, pessoal, lembra aquele

[16:37] tem que entrar nele estruturado. Eu prefiro que você injete um JSON nele. Então, eu vim aqui, ó, eu peguei o Luís, luis.oeste@gmail aqui, ó, que é o meu contato, e peguei todas as informações dele. Aqui o o todos os dados. O Mautic, pessoal, tem um padrão de API aqui que separa os campos, bonitinho aqui, ó. Vem informações extras, né? Do do contato, tudo. Então, vem a lista de IP dele, tags que ele tenha, tudo. Então, é uma informação completa do cara que o Mautic

[17:08] salva para mim. Além disso, além de dados do contato que representa um objeto, né? Contato, o Mautic também tem as atividades. Então, por exemplo, eu mandei um e-mail para o Luís, o Luís clicou no, abriu o e-mail, o Mautic registra, mais um item ali no tempo. O Luís foi lá e clicou no e-mail. Mais um item no, o Luís acessou um vídeo, tinha um progresso de vídeo, então, quando chegou a metade do vídeo, registrou ali no tempo do Luís que, olha, o Luís assistiu uma landing page aí, assistiu metade do vídeo. Eu consigo

[17:38] criar a linha do tempo do contato, né? Então, eu tenho, e é bastante, olha aqui o scroll para vocês verem, pessoal, como é que não é uma informação pequena. Tem bastante coisa aqui, ó. Então, tá falando que ele foi importado de tal dia, tal hora, quais são os labels que a gente colocou, todinho aqui, pessoal, ó. Depois vem aqui, ó, cadê? Vamos ver se eu consigo, olha, importou, olha lá, enviou um e-mail. Então, enviou um e-mail, esse aqui é o nome do e-mail, nananana, nananana, data e hora que mandou o e-mail, né? Quais são as estatísticas desse e-mail, não foi lido, não falhou, tudo

[18:10] isso. Qual que é o ID dos, do segmento, tudo isso, pessoal, tá tá tudinho aqui, ó. Então, assim, isso aqui é muito legal, pessoal, porque eu consigo pegar essa timeline aqui, ó, eu consigo pegar todo esse histórico, que é difícil de mastigar e não é um JSON pequeno e ia custar bastante input token, no meu caso aqui, né, pessoal? Eu venho aqui, ó, eu concatenei tudo, então, ficou um JSON maior ainda, então, ele não é um JSON, não é pouca coisa, tá, gente? E aqui de novo, tá? Eu poderia fazer isso no Open

[18:41] AI, poderia, se eu vier aqui, por exemplo, ó, ó, eu vou vir aqui para vocês Só para mostrar uma diferença de desempenho, tá, gente? Eu vou apertar o play aqui, ó, desse cara. Então, eu estou executando o prompt, as mesmas perguntas que eu ponho no GEVI, eu estou pondo no Open AI. Olha o tempo que demora para responder. Olha o tempo que demora para responder. Estou no 5.6 Luna, no médio, beleza? Vocês viram como que demorou para responder? Vamos vir aqui, ó, e vamos colocar o 4.1 Mini, que eu sei que um

[19:12] monte de vocês ainda usam o 4.1 mini. Mesma coisa, pessoal, mesma coisa, ó, ó o tempo que demora. >> [roncando] >> Então não tem como colocar isso aqui, por exemplo, em tempo real num software. Inviável. Num workflow aqui, que é em segundo plano, ótimo. Mas, né, eu só vou somar delays na minha aplicação. Olha aqui, pessoal, eu vou apertar o play do Jev, tá? Ó. Vamos apertar para vocês verem, vamos vamos apertar aqui, ó. Ó, vou até apertar para vocês verem.

[19:45] Já respondeu. Absurdo, pessoal, absurdo isso daqui, tá? Absurdo. Na resposta, eu tô usando aqui o Open Router, né? Então na na resposta vem todas as informações de custo, de token, para você poder fazer as suas medições. Você que desenvolve sistema tem que utilizar um sistema desse para armazenar lá, então, enfim, né? Mas vocês viram a diferença? Começa aí, esse para mim é um fator crítico, o desempenho. Desempenho. Então ele nossa, é muito rápido.

[20:15] Então eu consigo ter um pouco mais de coragem de colocar um sistema desse para trabalhar em larga escala, porque aí não vou demorar cinco dias para processar uma fila grande de 10.000 contatos, 20.000 contatos, né? Então lido menos com time out, tudo mais e putz, fantástico, né, gente? E olha só, ele vem aqui, pessoal, e que que eu que que tem de diferente nele, né? A gente vem aqui e faz algumas perguntas para ele, né? Então eu vou eu vou chamar isso aqui de perguntas, tá? E essas perguntas,

[20:47] basicamente, olha só, eu vou ter lá então aquele tipo escolha, o tipo choice, né, dele, que é um uma informação tipo viável de de informação dele. E olha só, pessoal, basicamente ele vai ter então esse choice, essa escolha, o score e o no. Putz, podia dar um nome mais legal para isso aqui, né? Ruim de de falar isso aqui, né? Pô, dá uns nomes mais legais para o negócio. Então, a escolha de opção, né? Ele vai retornar para mim as escolhas, ele vai escolher um

[21:17] e vai retornar para mim uma lista de probabilidade das outras. O score é uma nota. Então, eu vou definir ali um um os meus scores, os meus steps de pontuação e ele vai encaixar nesses steps a pontuação. E o know vai medir entre zero e um. É imagina de zero a 100 a probabilidade daquilo ser 100, né? Então, é como se fosse um booleano, só que eu vou ter o verdadeiro e falso e eu vou ter uma porcentagem daquilo poder ser verdadeiro, né?

[21:48] Então, é muito legal, pessoal, porque é o tipo de informação ok para armazenar, né? Então, eu vim aqui, ó, e dei um um choice para ele, né, ó? Considerando os eventos, qual é o estágio atual de relacionamento desse contato com a Promovweb? Eu passei os critérios: ativo, apresenta interações recentes e recorrentes, passivo, apresenta poucas interações de maneira esporádica e inativo, recebe comunicações recentes, mas não interagem e dormente, não apresenta interações há

[22:20] um período prolongado. E insuficiente, evidência suficiente, né? No histórico não pode determinar o estágio. Então, pessoal, eu passei um tipo choice para ele dessa questão aqui, ó. E o que que ele respondeu para mim? Com base aqui do Luís, ó. Relationship status aqui, ó. Ele escolheu a opção ativo. Então, ele falou para mim, pessoal, aqui, ó. Olha aqui o score que ele deu, né, ó? Então, o ativo tem 0.68 de probabilidade, de acordo com as

[22:52] informações que eu imputei nele. Então, ele olhou com todos aqueles prismas, aquela informação e falou assim, ó: “Eu escolhi, Luís, que esse lead ele é ativo”. Só que para você ter uma noção aí, para você poder fazer o seu banquinho de dados, uma estatística, tá aqui, ó, as probabilidades que eu utilizei. Então, de zero a 100, 68% de chance desse cara ser um lead ativo. E aí, pessoal, você tome a decisão a decisão que você achar adequada,

[23:22] né? Pro seu pro seu cenário aí. Então, assim, muito legal, pessoal. Isso aqui é realmente muito legal. De para eu pensar que consigo armazenar isso num Mongo DB, num Postgres e depois, inclusive, montar um relatório em cima. Mas para a minha aplicação poder processar isso é fácil, porque é um é um objeto fácil de mastigar. Tá vendo, ó? Ele trabalhou bem aqui o objeto. Muito fácil de mastigar isso daqui. Então, putz, isso aqui para dentro de um software, para ser processado, é muito legal, muito legal. E olha só, pessoal, tem mais aqui, tá?

[23:53] Vamos vamos olhar de novo aqui essa essa requisição que eu fiz, que tem mais informações legais aqui para você. Então, aqui, ó, vamos continuar aqui pro slide para vocês verem. Então, esse choice é essa relação. Eu dou uma listinha para ele, ele vai avaliar cada item da minha listinha, vai escolher um e vai me dar a porcentagem de acerto daquele cara. Então, eu perguntei: “Olha, o cara é ativo?” É ativo. Então, assim, 60 e poucos por cento de chance desse cara ser ativo. E aí, ele vai distribuindo o restante

[24:23] nas outras outras opções para mim. Por quê? Eu posso montar uma linha do tempo disso, né? Eu posso montar essa linha do tempo de atividade do contato. Então, hoje é 68. Daqui a um mês, pode ser 90, pode ser 50, caiu. Então, é legal, porque você vai montar um software, você consegue obter estatísticas dessa dessa pergunta que você fez, com base em informações que não são estruturadas, né? Ele olhou para aquele gráfico ele olhou para todos os eventos do lead, olhou o histórico do lead, sei lá,

[24:54] quanto tempo de histórico que ali, mas ele olhou para tudo e falou assim, olha, esse cara eu posso considerar que ele é um usuário ativo. Puts. Fantástico, pessoal, fantástico. Isso aqui para mim é interessante demais, pensando como do marketing, pensando como um cara que tá montando um software para atender problemas de marketing, né? Aqui, pessoal, eu criei um score, né, que é o nível de engajamento. Então, olha só, instrução: qual é o nível geral de engajamento demonstrado pelo contato? Considere frequência, variedade e

[25:25] recência das interações. Critério: nenhuma interação relevante é um item. Uma interação isolada ou muito antiga. Algumas interações, mas de maneira irregular. Interações recorrentes com diferentes conteúdos. E interações frequentes, recentes e consistentes. Então, é o meu engagement level. Que que ele veio aqui, pessoal, e me retornou? O score do Luís é 3.38.

[25:58] É um usuário, então, assim, de zero a quatro, né, porque eu passei cinco níveis para ele, né, ó, então, é cinco níveis de score aqui, eu tô no meio, ali, ó, três, um pouquinho mais da metade, né, ó. Então, ele falou que eu tô, eu sou três, então, eu tô aqui, ó. Interações recorrentes com diferentes conteúdos. Então, ele classificou de zero a cinco o contato e aí você pode pôr mais opções aqui, até 10, que eu não me lembro. Eu não sei, tá, gente? Eu olhei meio de relance isso, eu acho que são 10. É, zero a nove, tá bom? É um array que

[26:29] começa no zero, né? Então, de zero a nove opções, 10 opções, eu consigo classificar de zero a, é mais fácil para mastigar isso daí, né? No meu caso aqui, eu só tinha cinco, então, dá na mesma, né? Mas, puts, que legal isso aqui. Isso aqui para lead score é fantástico. Eu tô remontando uma base, tô importando informação de de outro lugar, você tá montando um CRM e tá buscando informação de um sistema externo, imagina que você tá montando um WhatsApp e você vai ter acesso a um histórico de mensagens do

[26:59] contato, qual que é o o score atual dele? Você que gerencia grupo, aqueles grupos que as pessoas podem falar, né? Então, o que que tá tendo de assunto ali? Puts, isso aqui é fantástico, pessoal. Fantástico isso aqui. De novo, olhando com a cabeça de quem quer trazer isso pro software. Eu quero oferecer um relatório melhor pro meu usuário, eu quero que o meu sistema analise informações com mais mais poder do que simplesmente uma expressão regular e um monte de if, né? Do que simplesmente um group by no banco de dados. Eu queria além disso, eu

[27:30] quero olhar mais informações que a IA vai fazer pra por ser isso aí pra mim por frações de centavo, né? Então, puts, é fantástico, pessoal, fantástico. Então, ele vem aqui, ele me dá, né? O score e as probabilidades, né, pessoal, aqui, né? E sempre tem esse grau de confidência aqui, né? Com a o quão certo ele tá disso, né? Com base nas informações. Quanto melhor for o input, quanto mais estruturado for o input, melhor. Né? Então, também é interessante fazer isso. Por que, pessoal? Eu quero avaliar também esse grau de confiança dele com o

[28:02] tempo. Quanto maior for isso aqui, mais assertivo ele é, né? Voltando aqui, pessoal, continuando, então, vocês viram que a gente tem a então esse tipo choice, eu tenho esse tipo score, que eu vou dar uma escala pra ele, ele vai encaixar ali numa escala as minhas informações e me dá uma listinha de probabilidade de cada escala. Então, olha olha a quantidade de informação que você tem pra poder fazer um um gráfico de estatística. E o último tipo de informação, pessoal,

[28:33] é esse know aqui, né? Que é um tipo, puts, é estranho, é um valor é de zero a um, né? Então, imagina de zero a 100 ali, que é a probabilidade daquilo acontecer. Então, o que que é legal aqui, pessoal? Quando a gente vem pro nosso, pro nosso exemplo aqui, ó. Eu devo ter algum tipo, alguma informação que que é null. Aqui, ó. Que eu E aqui eu quero que vocês entendam qual que é a minha ideia com isso aqui, né? É uma ideia prática pra você que tá trabalhando com automação dentro do nosso ecossistema aqui, ó. Eu tenho uma tag.

[29:05] Eu tenho uma tag do meu chat uti que é vibe coding. Então, o que que eu quero saber aqui, pessoal? Ele é um null. Olha a instrução pra ele. O histórico demonstra interesse em vibe coding, criação de sistemas ou desenvolvimento de MVPs com IA? Uma pergunta. Então, ele veio aqui, ó. Com base no histórico do usuário, ele falou, ó, de vibe coding 0.94. Então, nossa, tá com certeza. Esse cara aqui tem interesse em vibe

[29:36] coding. Tem interesse no nosso developer workspace? Tem interesse em eventos? Se ele participou de eventos no nosso Luma? Né? Tem algum interesse comercial? Olha que legal que é isso, pessoal. Cadê aqui, ó? Comercial intent. O histórico contém sinais consis- consistentes de intenção comercial? Uma abertura isolada de e-mail não deve ser considerada ação comercial. Então, eu mandei um e-mail pra ele. Olha, estamos lançando o Founders. Ele

[30:06] abriu esse e-mail, ele clicou no link, acessou a página do Founders? É o suficiente pra IA entender que esse cara não tem interesse no Founders? Agora, e se for uma conversa no chat uti, onde eu quero pôr um label no chat uti do cara? E aí, com base nas conversas. “Ô, Luís, tudo bom? Olha, fiquei sabendo do Founders, cara, e putz, me interesso pelo Founders”. Vai cair aqui, né? Tem interesse, contém sinais consistentes de intenção comercial. Isso aqui é fantástico, pessoal, porque você pode fazer isso aqui, ó, uma vez por dia, uma vez por semana, uma vez por

[30:38] hora, não sei. Mas você pode gerenciar automaticamente as tags do contato no Mautic, no Chat Wot, em algum, no seu próprio sistema. Então imagina que você habilitou lá pro seu usuário a opção de tags automáticas. Puts, fantástico isso. Você poder mover o estágio do seu funil de pipeline de CRM, né? De acordo com as conversas. Então conforme o cara entrou e falou assim: “Pô, quero Founders”. Beleza, criei o card lá. Já entendeu que tem, no, tem interesse comercial? Já deu

[31:10] ali, ó, 94%. Cria o cartão. Só que ele falou assim, deu, deu, aí eu, aí o Giovan veio e explicou o Founders pra ele. “Pô, manda o Pix aí que já quero, quero assinar agora”. Pessoal, eu posso utilizar isso e mover esse cartão pra frente automático. Eu não preciso nem, nem esperar o usuário fazer isso. Eu olhei pra conversa e eu percebi que todos os estágios do meu pipeline, do meu pipeline estão cobertos por aquela conversa. Então moveu o cartão automático. Imagina o, o cliente poder abrir o CRM dele e ver o cartãozinho andando

[31:41] de, automático ali, ó, no, haja websocket pra poder rodar isso daí, né? Mas vocês pegaram a ideia de como que é legal isso daqui? Isso que é o, o disruptivo dele, né? Isso que faz ele ser interessante. Mas não para aí, tá gente? Tem um último ponto. Mas antes de falar com vocês do último ponto, pessoal, aqui nesses QR Codes vocês têm acesso aos nossos, a nossa formação e a Makers, que são encontros onde eu trabalho com vocês a gente de A, Docker, infra, vibe

[32:11] coding, pra você que quer fazer um curso e aprender. E também tem o Developer Workspace, que é você que quer uma consultoria, tá bom? Então quer uma consultoria, pessoal? Quer olhar o seu sistema? Quer contar pra mim uma ideia? A gente montar ali uma especificação? Avaliar a sua infra? Avaliar a segurança da sua aplicação? Uma consultoria pra poder colocar a casa em ordem? É só você falar com o comercial aqui no Developer Workspace. Pessoal, olha só. Trazendo aqui, pessoal, para o nosso ecossistema, a gente vai ter um ponto

[32:43] aqui que é o seguinte: o custo. E olha que loucura que é isso daqui, gente. Que loucura que é isso daqui? O Gemeni, esse teste que eu fiz do Gemeni, eh, se eu fizesse, então eu peguei, eu peguei o que aqui nesse meu teste, né, pessoal? Eu vim aqui no meu workflow, eu peguei o quanto que o GPT falou que eu gastei, eu peguei o quanto que o no no no 5.6 Luna, Luna, o quanto que eu gastei no 4.1 Mini e o quanto eu gastei aqui no

[33:13] Gemeni, beleza? Então eu peguei o valor que o próprio, a própria IA retornou ali de custo de token. Se eu fizer 1.000 requisições no Gemeni, eu pago 1 dólar e 12 centavos. 1.000 requisições, 1.000. Então imagina você que vai avaliar, você aí no seu software, que quer aplicar tag automaticamente para um contato, quer fazer o seu funil andar automaticamente, o cliente poder comprar esse item extra.

[33:44] 1.000, 1 dólar. Se eu fosse utilizar o GPT Luna, eu pagaria 6 dólares e 21 centavos. Se fosse o 4.1 Mini, que muitos de vocês usam, é mais caro ainda. O 4.1 Mini é ainda mais caro do que o Luna. É 8,70 ali, ó. Aí, vamos, isso, pessoal, eu tô considerando o 1.000 e o 10.000 ali, ó, o n8n, igual o meu ali, que vai pegar a mensagem. Nem montei um sistema, não precisou montar um sistema para aplicar

[34:14] uma tag no contato. Eu vou usar o n8n, a automação para poder fazer isso. Lembrar que o n8n é uma automação híbrida, determinística e não determinística. Eu posso enfiar a a IA no meio ali das coisas, né? Então, olha o custo, pessoal, para vocês terem uma noção, eu pagaria 11 dólares para rodar 10.000 10.000 validações de contato, se eu usasse o GPT Luna, 62 horas.

[34:46] Agora, 100.000, você que vai montar um SaaS, para e pensa: “Pô, Luís, cara, tive uma ideia. Tive uma ideia legal aqui, cara. Eu vou fazer todos os meus pipelines. Então, assim, ó, de hora em hora, de hora em hora, eu vou avaliar as conversas que estão ativas no sistema e vou mover um cartão do lugar. Então, pelos meus cálculos, somando todos os meus clientes, todas as conversas ativas dos clientes, eu vou gastar 111 dólares, que é 600 reais, pessoal, 600 contos, 600 reais por mês

[35:18] para você avaliar 100.000 conversas e colocar um baita negócio no seu sistema. Se fosse com o Luna, seria 600. Se fosse com 4.1 mini, 800 dólar. É gritante a diferença. É gritante, gritante, pessoal. É, aí beira 70%, vai, 80% de diferença. É muita coisa. É muita coisa, pessoal. E não é só isso, né? Tem, isso é explicado, né? O, a maneira como ele gerencia a token. Porque, olha só, o Gemini gasta mais

[35:50] token do que o, o GPT, né? Então, eu, eu coloquei o mesmo payload nos três. Então, pode ver que ficou muito parecido o 4.1 para o Luna, né? Ficou muito parecido, mas, ó, olha o, o Gemini considerou 26.000 tokens, aquele meu JSON gigante lá. Só que, assim, ele não cobra saída, né? Então, é muito diferente, pessoal, muito diferente. É, custa 82% menos, né? E consome 40% a mais de token.

[36:22] É loucura isso daí, loucura. E E ter uma noção, pessoal, aí de custo, que trabalha com sistema, tá montando um agente, montando um SaaS, você tem que saber cada item do seu sistema, né, gente? Pelo amor de Deus. Eu tenho aqui essas consultorias do Developer Workspace e a formação e a Makers, porque todo dia a gente conversa. Eu tenho aqui também o Founders. O Founders, pessoal, são três meses onde a gente fica todo dia de segunda a sexta conversando, uma hora por dia, eu chamo a turma ali, vamos bater papo de negócio, vamos bater

[36:53] papo de suporte, de SaaS, como atender, como como prospectar, como precificar, como gerenciar as coisas. O Founders, ele é diferente do Iamakers. O Iamakers, eu vou ensinar você a fazer o seu SaaS. No Founders, a gente vai conversar junto, não é um curso o Founders, tá? É um é um é um grupo aonde a gente vai trabalhar com outros outras pessoas que estão igual você, querendo lançar um software, lançando um software ou já com o software lançado e vamos compartilhar experiência, vamos aprender junto. Eu passo conteúdo, eu passo as coisas

[37:24] que eu tô montando, eu faço insights, faço um monte de coisa, mas o legal ali do Founders é a troca de experiência, né? Tem um advogado que conversa com vocês ali, tem um contador que conversa com vocês ali, pessoas do marketing, né? Os amigos mostram a tela, mostram os sistemas, compartilham ideias, tiram dúvidas. Então, o Founders hoje, eu acho que ele é o principal para quem já tá nessa etapa, já tem um produto, já tem uma ideia. Para quem não tem um produto, não tem uma ideia, mas quer percorrer o caminho, é o Iamakers.

[37:54] Agora, você, o Luís, cara, não tenho tempo de participar de comunidade, não tenho tempo de fazer o curso, meu dia corrido. Então, você vem aqui, ó, chama o Developer no no DevSide Studio para a gente poder vir aqui e bater um papo com vocês de consultoria, tá? E aí a gente marca um horário na semana para eu olhar o seu sistema, compartilha a tela, a gente grava a reunião, a gente manda depois para você um relatório, é top, para avançar, tá bom? E pessoal, olha só, você você tem que ter noção de

[38:25] custo no seu sistema, você tem que ter essa noção de custo, né? E olha aqui a a a a a bruxaria que os caras fizeram, ninguém entende, né? Não nunca entendi, acho que ninguém vai entender isso daí, mas é perfeitamente cabe no bolso, né? Tem como considerar isso aí, tem como falar, “Pô, acho que vai, hein? Acho que dá certo”, né? Então eu acho que o maior maior valor que esses caras geraram nesse JEV foi fazer ele ser mais determinístico, né? Muito mais determinístico, fazer ele caber no bolso

[38:56] da galera, ele ser rápido, porque ele sendo rápido eu consigo colocar lotes de informação nele, né? Você vai você no seu SAS, na sua automação, vai trabalhar em lote, né? 100 conversas por dia, 200 conversas por dia, cada conversa vai ter ali as suas 50, 100 mensagens, né? Você fazer isso aí em loop todo dia, né? Para não ficar uma fila gigante de processamento ali, agora imagina um SAS que aí eu vou ter 200 clientes, cada cliente tem 200 conversas, cada conversa tem 200 mensagens, então aí eu o negócio

[39:28] é exponencial, né? Mas mesmo assim é mais previsível, cabe melhor no bolso. Então eu acho que o grande barato do JEV, o que o o que o JEV chamou atenção nossa mesmo, foi isso, né? De trazer essa essa essa consistência com uma visão do seguinte, é uma IA para embutir no software sem que ela fique mais cara do que o software, né? E desbloquear essas coisas que a gente sempre pôde fazer, que a gente sempre quis fazer

[39:59] e não dava porque não não valia a pena e agora vale a pena, tá, gente? Então basicamente é isso em relação ao JEV. Eu quero que você comente aqui no vídeo, “Luís, gostei, não gostei, Luís, pretendo utilizar o o JEV, o que que você achou pessoal no seu dia a dia?” Porque eu tô eu tô eu tô eu vou colocar ele com certeza no meu LMS aqui nos outros tempos que eu tô desenvolvendo também, né? Vai fazer parte porque essa esse tipo de análise para mim é muito muito importante fazer. Os sistemas que eu uso hoje não são

[40:30] baratos, né? E putz, eu achei muito top poder usar isso daí. Eh, no Open AI sempre foi possível fazer isso aí, mas de novo, né gente? Você viu oito vezes mais ali de valor, então não com não não compensava fazer. É uma informação importante? É, mas não por aquele preço. Agora por esse preço muda o jogo, né? Então comenta aqui o que que você acha, se você pretende colocar o GEB no seu dia a dia, se você pretende fazer o uso dessas decisões no seu software, automação, com N8N, no seu

[41:00] SaaS, o que é que você tá montando, o que que você imagina que é importante. Olha, com certeza vamos ter muito mais conteúdo aqui falando de GEB. Taco o dedo no like, pessoal. Dá um like no vídeo, se inscreve no canal, comenta o que que você achou e não deixa de chamar nas consultorias para bater um papo com você, tanto nas formações do IAMakers, no Founders, quanto nas consultorias para promover vai ajudar você a alavancar o seu projeto. Até mais, pessoal. Um abraço.