Classificar mil chamados com IA custou US$ 0,034 com o Jev, US$ 0,12 com o GPT-5.6 Luna e US$ 1,83 com o Claude Sonnet 5.5. Os três acertaram a categoria em 96% a 97% das vezes. Fizemos o teste com 200 chamados de um service desk fictício para responder a uma pergunta que quase ninguém faz antes de colocar IA no atendimento: para triar chamado, você precisa mesmo de um modelo que escreve?
O gargalo que ninguém mede: a triagem
Todo chamado passa por três decisões antes de alguém começar a resolver: qual é a categoria, se é um incidente ou um pedido, e qual a urgência. Quando a triagem erra, o chamado vai para a fila errada, espera, é reclassificado e o SLA começa a correr contra a equipe. Em muitas operações, essa triagem ainda é manual, feita pelo primeiro nível entre um atendimento e outro.
É uma tarefa de decisão, não de escrita. E foi por isso que o lançamento do Jev chamou nossa atenção.
O que é o Jev e por que ele é diferente
O Jev foi lançado pela TypeSafe AI em 15 de setembro de 2026 e está disponível pelo OpenRouter desde 18 de setembro. Ele não gera texto. Você manda o contexto (o texto do chamado) e perguntas tipadas, e ele devolve:
- escolha entre opções definidas (por exemplo, a categoria);
- sim ou não, com a probabilidade (por exemplo, se é incidente);
- nota numa escala (por exemplo, a urgência).
Para cada resposta ele informa a confiança. E como não escreve, você paga basicamente pela entrada: US$ 0,042 por milhão de tokens, segundo a fabricante. Um LLM, mesmo pedindo só um JSON curto, cobra entrada e saída e leva mais tempo para responder.
Como montamos o teste
- 200 chamados fictícios de uma empresa inventada, a Acme: 25 de cada categoria (rede, acesso, ERP, e-mail e Office, impressora, hardware, software, telefonia), escritos como usuários escrevem de verdade, com pressa, abreviação e dois problemas no mesmo texto. Nenhum dado real.
- Gabarito definido antes do teste: a categoria, o tipo (incidente ou requisição) e a urgência (baixa, média, alta, crítica), com regras escritas para cada nível. Dezesseis chamados são ambíguos de propósito, daqueles em que um analista também hesitaria.
- As mesmas perguntas e definições para os três modelos, pelo OpenRouter, com temperatura zero e provedores sem retenção de dados: o Jev 1.13, o GPT-5.6 Luna (o modelo barato da OpenAI) e o Claude Sonnet 5.5 (um modelo de ponta da Anthropic).
- Medimos acerto, tempo de resposta e custo de cada chamada. O teste inteiro custou cerca de US$ 0,40.
Os resultados
| Jev 1.13 | GPT-5.6 Luna | Claude Sonnet 5.5 | |
|---|---|---|---|
| Categoria certa | 97,0% | 96,0% | 97,0% |
| Incidente ou requisição | 97,0% | 98,0% | 98,0% |
| Urgência exata | 83,5% | 85,0% | 84,5% |
| Urgência com até 1 nível de diferença | 99,5% | 100% | 100% |
| As três respostas certas | 79,0% | 81,0% | 82,0% |
| Categoria nos 16 ambíguos | 93,8% | 87,5% | 87,5% |
| Tempo de resposta (mediana) | 0,66 s | 1,6 s | 2,1 s |
| Custo por 1.000 chamados | US$ 0,034 | US$ 0,12 | US$ 1,83 |
No acerto, empate técnico: a diferença entre os três é de um ou dois chamados em duzentos. No custo, o Jev saiu 54 vezes mais barato que o Claude Sonnet 5.5 e quase 4 vezes mais barato que o GPT-5.6 Luna. No tempo, respondeu de 2,5 a 3 vezes mais rápido, e com pouca variação: 95% das respostas vieram em menos de 0,75 s.
A TypeSafe anuncia um fluxo "444 vezes mais barato que um LLM de ponta". Não reproduzimos esse número, e não é estranho: a comparação dela usa outra tarefa e outro modelo. No nosso teste, a vantagem foi de 54 vezes contra um modelo de ponta, o que já muda a conta de qualquer operação.
O que só o classificador entrega: a confiança
O dado mais útil do teste não está na tabela de acerto. É a confiança que o Jev devolve em cada resposta. Com ela, dá para decidir quando a IA faz a triagem sozinha e quando um analista olha:
| A IA decide sozinha quando a confiança é de pelo menos | Chamados triados sozinhos | Acerto nesses chamados | Vão para um analista |
|---|---|---|---|
| 0,5 | 99,0% | 97,0% | 2 |
| 0,7 | 93,5% | 98,9% | 13 |
| 0,8 | 90,0% | 98,9% | 20 |
| 0,9 | 85,0% | 98,8% | 30 |
Com o corte em 0,7, 93,5% dos chamados seriam triados sem ninguém, com 98,9% de acerto, e 13 em 200 iriam para a fila humana. Um exemplo do que esse corte pega: o chamado "recebemos e-mail pedindo senha e dois colegas digitaram a senha", um golpe de phishing, foi classificado como e-mail com confiança 0,68. Abaixo do corte, ele cairia para um analista, que é exatamente onde ele deveria estar.
Os LLMs também podem devolver uma "confiança" se você pedir, mas ela é um texto que o modelo escreve, não uma probabilidade calculada. Para decidir automação, faz diferença.
Onde os três erraram
Os erros contam mais que os acertos:
- Três chamados os três modelos erraram do mesmo jeito. "Meu usuário aparece com o nome errado no Teams e no e-mail" (acesso ou e-mail?), "liberar o perfil de aprovador no ERP" (acesso ou ERP?) e "o sistema de RH não abre depois da atualização" (software ou ERP?). Nos três, a nossa própria definição de categorias aceita duas leituras. A lição: a taxonomia pesa mais que o modelo. Antes de escolher a IA, revise as categorias.
- Urgência é o ponto fraco de todos, com cerca de 15% de erro, quase sempre por um nível. O Jev tendeu a subir a urgência de chamados médios e classificou como "alta" duas situações críticas (queda geral de internet e ERP fora do ar). O GPT-5.6 Luna tendeu a baixar médias para baixas. Urgência crítica, que afeta vários setores ou o faturamento, precisa de regra de negócio, não só de IA.
- Nos ambíguos, o Jev foi melhor (93,8% contra 87,5% dos dois LLMs).
O que isso muda para quem usa o GLPI
O GLPI já resolve boa parte da triagem com regras de negócio: palavra-chave no título, origem do chamado, formulário. O problema é o chamado que chega por e-mail, escrito do jeito que a pessoa conseguiu escrever. É aí que um classificador de baixo custo entra:
- Regras primeiro. O que dá para decidir por regra, decida por regra: é previsível e de graça. No NexTool, o módulo Regras de Chamado categoriza e preenche o chamado sozinho por regras.
- Classificador para o resto, com o corte de confiança decidindo o que vai para humano.
- Atribuição depois da categoria certa. Com a categoria definida, a Atribuição Inteligente distribui entre os técnicos do grupo, por balanceamento ou rodízio. Veja como funciona a atribuição automática no GLPI.
- LLM onde ele é insubstituível: resumir o histórico, sugerir resposta e transformar o chamado resolvido em artigo, que é o que o AI Assist faz (IA para resumir e responder chamados no GLPI).
Usar um LLM de ponta para triar chamado é como chamar o especialista para separar a correspondência: funciona, mas custa caro e demora.
Antes de colocar em produção
- Dados próprios: nosso teste usou chamados fictícios, em português, escritos por nós. Rode o mesmo teste com uma amostra dos seus chamados (anonimizada) antes de confiar no número.
- Calibração: o corte de confiança certo depende da sua base. Comece conservador (0,8 ou 0,9) e baixe com o tempo.
- LGPD: o texto do chamado sai do seu ambiente. Escolha provedores que não retêm dados, retire dados pessoais quando possível e registre isso na sua avaliação de impacto.
- Uma rodada só: fizemos uma execução por modelo, sem ajustar prompt nem critérios para cada um.
Conclusão
Para triar chamado, o modelo mais caro não acertou mais. O que separou os três foi custo, tempo e a confiança calibrada, que permite automatizar com segurança. A pergunta certa antes de colocar IA no service desk não é "qual o melhor modelo", e sim "qual tarefa eu estou resolvendo". No próximo artigo, usamos esses números para responder outra: quanto custa a IA por chamado.
Quer revisar a triagem e a atribuição do seu GLPI? Fale com a equipe.
Teste realizado pela equipe NexTool Solutions em 1º de outubro de 2026, com 200 chamados fictícios e preços do OpenRouter na data. Modelos: typesafe/jev-1.13, openai/gpt-5.6-luna e anthropic/claude-sonnet-5.5.
