No dia seguinte ao lançamento do Jev, o primeiro modelo System One, um amigo nos enviou uma mensagem perguntando como ele se relacionava com nossa ferramenta, DecisionRules. De fato, ambos são usados para automatizar decisões: Jev é um modelo de decisão; DecisionRules é um motor de decisões. O objetivo deste artigo é responder à pergunta desse amigo (que implicitamente questiona qual solução é melhor). A conclusão, sem surpresa para ninguém, é que uma comparação competitiva inicial se baseia em premissas falsas. Essas duas ferramentas não são rivais; pelo contrário, são complementares na automação de decisões. No entanto, isso precisa ser demonstrado por meio de uma argumentação aberta.
Tese
Existe uma interseção entre Jev e DecisionRules na automação de decisões. Agora, queremos demonstrar, por meio de uma estrutura de prova por casos, que 1. Se pressupusermos uma interseção competitiva entre Jev e DecisionRules, o resultado é que são ferramentas componíveis, e 2. Se pressupusermos uma interseção complementar entre elas, o resultado também é que são ferramentas componíveis. Portanto, são ferramentas componíveis, uma boa combinação para a transformação digital esperada nos próximos anos.
Justificativa
1. Desde o início, esclarecemos que pertencem a famílias de sistemas diferentes, por isso uma comparação pode parecer problemática. No entanto, são líderes em suas respectivas categorias, e sua alta qualidade oferece a melhor base para avaliar a abordagem geral dos dois sistemas.
a. Jev: Uma solução de IA. O modelo se chama System One Model, com uma estrutura interna semelhante à dos LLMs, mas modificada para garantir respostas com segurança de tipos. Ele afirma oferecer uma solução de IA confiável para uma revolução econômica.
b. DecisionRules: Um motor moderno de regras de decisão. Com base no legado dos motores de regras de negócio (BREs), esse software projeta e centraliza os padrões de uma empresa, ou seja, suas regras de negócio. Ele afirma oferecer uma interface fácil de usar, no-code/low-code, para uso direto por equipes não técnicas.
2. O cenário atual da transformação digital incentiva as empresas a preparar suas arquiteturas tecnológicas para o futuro. CTOs e arquitetos de soluções enfrentam pressão para selecionar as melhores ferramentas para essa transformação, equilibrando requisitos tecnológicos, comerciais e legais. Uma avaliação precisa dessas duas importantes ferramentas de automação de decisões oferece uma orientação útil nessa tarefa. Além disso, se os gestores estiverem escolhendo entre fornecedores externos e soluções internas, este artigo oferece uma base valiosa para suas decisões.
3. De forma mais ampla, o ceticismo e a esperança se entrelaçam em todo investimento em IA. Nesse contexto, comparar soluções de IA com outras ferramentas do mercado pode ajudar a formar opiniões mais maduras e discussões mais saudáveis na área.
Metodologia
Comparamos Jev e DecisionRules e, a partir dos resultados, deduzimos que as propriedades comparadas não colocam as duas ferramentas em oposição, mas revelam que são componíveis. Quando pressupomos que são complementares, fica intuitivamente claro que isso implica componibilidade; além disso, a própria análise ilustra como podem ser combinadas.
Para a comparação, dividimos as propriedades (funcionalidades dos sistemas) em dois grupos:
- Semelhanças: Recursos comuns às duas plataformas.
- Diferenças: Recursos exclusivos de cada plataforma.
A avaliação de cada funcionalidade será diferente conforme o grupo.
No primeiro grupo, os recursos são avaliados com base na experiência prática em automação digital. Como projetos reais de automação com impacto econômico são inerentemente práticos, a experiência profissional (corroborada por documentação teórica e exemplos) constitui a melhor referência. Classificamos como ideal o recurso superior em cada categoria.
No segundo grupo, os recursos são originais e, portanto, avaliados pelos benefícios adicionais que trazem à automação prática. Classificamos esses benefícios como vantagens.
Para a conclusão, combinamos os recursos ideais e as vantagens de cada sistema. Em conjunto, eles permitem argumentar que Jev não substitui DecisionRules; pelo contrário, o ambiente digital atual cultivou uma forte simbiose entre os dois.
Semelhanças
Modelo de saída estruturada
Diferentemente dos LLMs atuais, a IA com segurança de tipos recentemente apresentada como Jev não retorna texto gerado para leitura humana. Assim como DecisionRules, Jev é restrito a retornar um elemento de um conjunto predefinido de saídas. Esse conjunto pode conter um, dois ou centenas de elementos possíveis, mas o sistema só pode retornar saídas que pertençam a ele. As vantagens são inúmeras: a análise sintática é desnecessária porque os resultados são estruturados por projeto; o comportamento do sistema pode ser protegido; e os usuários ganham mais controle.
O primeiro System One Model oferece suporte a três primitivas (ou tipos de perguntas), cada uma correspondente a um conjunto distinto de resultados possíveis:
- Choice: Um conjunto fixo de opções
- Score: Posições fixas em um espectro definido pelo usuário
- Noul: A probabilidade de uma afirmação ser verdadeira (0 ou 1)
Para cada um desses conjuntos predefinidos, a seleção é direta. Diante de uma pergunta, a IA realiza uma análise probabilística e seleciona a opção, posição ou valor lógico com a maior probabilidade.
DecisionRules define conjuntos de saída visualmente, com diferentes tipos de regras representando esses conjuntos de formas distintas. Por exemplo, em uma tabela de decisão, a coluna de resultados pode listar qualquer quantidade de saídas possíveis, permitindo expressar opções, posições, valores booleanos e muito mais.
Até aqui, as abordagens são semelhantes. O recurso ideal se destaca quando um cenário exige respostas com estruturas complexas.
No DecisionRules, a resposta é direta: a plataforma retorna um array de objetos JSON personalizáveis. Esse modelo simples permite criar estruturas JSON mais complexas para cada elemento do array. Por exemplo, é possível retornar o melhor produto ou os três melhores de uma lista; retornar um status de falha junto com um array de validações que falharam; ou gerar vários mapas de dados.
As respostas do Jev são deliberadamente atômicas: cada pergunta retorna um valor tipado junto com sua distribuição de probabilidade, e a TypeSafe recomenda combinar essas respostas de forma programática. Padrões avançados, como percorrer uma taxonomia por meio de várias perguntas, são possíveis, mas a forma de cada resposta individual permanece igual. Cenários complexos, como anexar um ID de produto a um desconto resultante, não são suportados nativamente.
Portanto, o modelo de saída estruturada do DecisionRules oferece maior flexibilidade e capacidade para diferentes cenários de resultados e, por isso, é ideal.
Entrada em linguagem natural
Há dois anos, não era evidente que um BRE pudesse processar linguagem natural. No entanto, os rápidos avanços da IA permitiram que os motores modernos de regras de decisão incorporassem essa capacidade. No segundo trimestre de 2026, DecisionRules esteve entre os primeiros motores a lançar uma nova AI Agent Rule, integrando recursos de LLMs a fluxos de decisão rigorosos.
A ideia por trás da AI Agent Rule se assemelha à visão do Jev. Os engenheiros do DecisionRules criaram uma estrutura que permite aos usuários conectar seu próprio provedor de LLM (por exemplo, OpenAI, Anthropic, Google etc.) dentro de um modelo de entrada/saída restrito. A regra recebe as entradas definidas em seu modelo de entrada—como texto livre, documentos ou transcrições—e retorna saídas estruturadas em JSON com segurança de tipos. A linguagem natural entra pelo prompt de IA, no qual os usuários inserem atributos dinâmicos da entrada; o restante do prompt permanece estático. A lógica de cada saída possível é definida de forma semelhante ao Jev, associando descrições de critérios aos elementos de saída.
Para conhecer melhor como o AI Agent transforma entradas em linguagem natural em dados estruturados para regras posteriores, consulte AI Agent no DecisionRules: O primeiro tipo de regra que pensa.
Claramente, modelos System One como Jev consomem linguagem natural. A questão de qual solução é mais adequada aqui se resume ao desempenho.
Após testes com tarefas reais de decisão de casos de uso financeiros, Jev forneceu respostas mais rápidas e precisas do que a AI Agent Rule baseada em LLMs gerais. Nesse sentido, a tarefa de transformar entradas não estruturadas em dados estruturados é realizada melhor por um System One Model. Portanto, o processamento de linguagem natural do Jev é ideal.
Confiança
Jev busca ser um modelo confiável, por isso o sistema retorna um valor de confiança junto com cada Choice ou Score. Isso acrescenta uma medida de confiabilidade ao resultado. Dois benefícios se destacam. Primeiro, oferece controle: os sistemas que consomem as saídas do Jev podem definir um limite mínimo de confiança e processar resultados apenas quando a certeza for alta. Segundo, Jev é treinado para ser honesto sobre sua certeza. Se você reunir todas as respostas em que Jev informa 80% de confiança, aproximadamente 80% delas estarão corretas. A TypeSafe chama esse método de treinamento de RLCD.
DecisionRules também oferece confiança, mas não como um valor anexado ao resultado. Como o nível de confiança é sempre o mesmo para cada resposta, ele pode ser considerado implícito. O nível para software previsível e determinístico é de 100%. A interface voltada a usuários não técnicos não compromete a lógica condicional subjacente da programação padrão.
O recurso ideal depende do caso de uso, pois cenários diferentes implicam prioridades distintas. No entanto, na prática, setores como finanças, seguros, manufatura e logística exigem previsibilidade total. Isso é inegociável para equipes técnicas e fornecedores.
Embora os System One Models sejam otimizados em relação aos resultados, produzindo probabilidades mais bem calibradas, eles afirmam explicitamente: não há garantia de que as respostas individuais estejam corretas. Em ambientes empresariais, decisões ideais dependem de sistemas previsíveis e determinísticos nos quais, além disso, os processos podem ser inspecionados passo a passo, como as auditorias no DecisionRules.
Portanto, o modelo de confiança do DecisionRules é ideal.
Antes de tirar conclusões, precisamos examinar as funcionalidades que colocam essas ferramentas em famílias de sistemas diferentes. Isso ajudará a explicar por que abordam de maneira distinta os recursos semelhantes discutidos acima e esclarecerá como seus objetivos e soluções se relacionam.
Diferenças
Logs de auditoria - DecisionRules
DecisionRules vai além dos motores de regras de negócio (BREs) típicos ao oferecer um sistema robusto de logs de auditoria. Vamos ver o que o torna único.
A saída do Jev é dividida em três componentes atômicos: a resposta tipada (um dos três resultados primitivos), as probabilidades e o valor de confiança. Embora isso permita controlar o modelo, não é um log de auditoria. Um sistema completo de logs que registre a entrada e a saída da API e os metadados (data, status, tempo de execução) precisa ser construído externamente. Em contrapartida, os logs de auditoria são integrados e estão disponíveis "prontos para uso" no DecisionRules.
Controles de retenção de dados: Conformidade nos seus termos
Além disso, outras plataformas do mercado também oferecem logs de auditoria com entrada, saída e tempo de execução. No entanto, as instituições frequentemente precisam de mais: a capacidade de justificar por que um resultado específico foi retornado. Um recurso robusto de auditoria deve mostrar exatamente qual condição foi atendida (ou não) em cada caso individual, mesmo em cadeias complexas de lógica AND/OR. DecisionRules oferece isso no log de cada decisão porque suas cadeias de condições são definidas explicitamente e podem ser lidas por pessoas.
As vantagens são claras, mas vamos considerar uma pergunta relacionada:
Os System One Models algum dia gerarão logs de auditoria robustos?
Nunca diga nunca, mas as tendências atuais sugerem que isso não está no planejamento. Por enquanto:
- Adicionar relatórios com entradas, saídas e explicabilidade às respostas de IA melhoraria a transparência (atualmente, Jev não oferece explicabilidade). Mas isso, por si só, não basta: essas explicações geralmente estão em linguagem natural, enquanto sistemas confiáveis exigem logs estruturados e consistentes.
- Mesmo se os resultados de explicabilidade fossem estruturados, a natureza probabilística do modelo implica que cada entrada do log teria seu próprio valor de confiança. Consequentemente, a trilha de auditoria se torna probabilística. No entanto, os marcos regulatórios exigem registros determinísticos e factuais em grande parte da cadeia de decisões, independentemente da alta confiança. Além disso, solicitar explicabilidade para essas probabilidades poderia gerar um ciclo explicativo infinito.
Em resumo: Atender aos padrões de conformidade é fundamental nos logs de auditoria; portanto, o determinismo é inegociável em algumas decisões reguladas. DecisionRules atende a essas decisões.
Instruções e critérios - Jev
Em uma solicitação ao Jev, o usuário fornece uma pergunta ou problema de decisão sob o rótulo instructions, e isso é único. Temos duas vantagens:
- O uso da linguagem natural.
- A introdução de clareza mental no processo de decisão.
O segundo ponto costuma ser subestimado, mas é crucial. Pense na comunicação e na transferência de conhecimento: explicar uma decisão tomada por um sistema automatizado exige uma compreensão clara do problema de decisão, não apenas intuição. Ou pense na manutenção por uma nova geração: especificar explicitamente a pergunta que estamos respondendo pode ser muito mais claro do que depender de rótulos vagos de casos de uso.
Para discutir o uso da linguagem natural, também é importante abordar o campo criteria em uma solicitação ao Jev.
DecisionRules, naturalmente, também explicita os critérios de decisão ao projetar regras. Mas a forma de fazer isso é diferente: Jev usa linguagem natural, enquanto DecisionRules usa lógica formal e visual.
A capacidade de definir lógica em inglês simples foi um objetivo buscado por muito tempo em projetos de TI. Nesse sentido, Jev representa um sonho realizado. Mas o contra-argumento sempre existiu e continua interessante.
A motivação original desse sonho surgiu de uma objeção: pessoas não técnicas não conseguem compreender lógica formal, por isso até interfaces visuais exigem conhecimento técnico demais. Essa preocupação se baseava em casos reais nos quais equipes de negócio resistiam à adoção de BREs por dificuldades de aprendizado.
Nesse contexto, explicações em linguagem simples sobre os motivos por trás de uma decisão são úteis e representam uma vantagem clara.
No entanto, essa vantagem tem dois lados. A linguagem natural oferece clareza intuitiva, mas reduz a clareza da ferramenta. Devemos lembrar que a lógica foi formalizada para garantir transparência, precisão e segurança no raciocínio. Apesar de ser universal, a lógica formal não é adquirida sem esforço. Remover o formalismo das máquinas pode sacrificar a transparência e a segurança do próprio sistema.
Isso merece uma discussão mais profunda, que está além de nossas capacidades. Para encerrar, porém, considere uma citação de Alfred North Whitehead:
“Ao liberar o cérebro de todo trabalho desnecessário, uma boa notação o deixa livre para se concentrar em problemas mais avançados e, de fato, aumenta a capacidade mental da humanidade.”
Aceitando que exigir conhecimento formal e técnico demais não é realista, devemos reconhecer que certo grau de tecnicidade é benéfico para os usuários de negócio e suas equipes. Isso os capacita a pensar com clareza, agir com precisão e inovar de forma sustentável.
Facilidade de uso - DecisionRules
Uma diferença importante está nos usuários a quem se destinam:
- Jev foi projetado para desenvolvedores.
- DecisionRules foi projetado para usuários de negócio.
Isso significa que, apesar de usar linguagem natural, a maneira como Jev descreve regras ou critérios não é voltada ao uso por pessoas não técnicas.
Vou usar uma comparação visual das duas interfaces para esclarecer:
Comparação das interfaces do Jev e do DecisionRules
Isso não é uma falha do Jev; na verdade, ele não busca resolver esse problema. Seu objetivo é incorporar IA com segurança a infraestruturas técnicas robustas, nas quais arquitetos e engenheiros dependem de componentes previsíveis e modulares.
DecisionRules, por sua vez, aborda outro desafio da transformação digital: quem usará e manterá as ferramentas digitais?
Essa pergunta não tem uma resposta simples. Mas, com base na experiência, quando as decisões dependem da pragmática humana e da semântica contextual, é essencial que especialistas da área, e não apenas desenvolvedores, possam gerenciar as regras por trás da automação. DecisionRules reduz drasticamente o tempo de chegada ao mercado e diminui a barreira técnica para alterações nas regras, tornando a automação sustentável ao longo do tempo.
Esse é o recurso que mais ajuda a mostrar que cada ferramenta otimiza uma dimensão diferente da automação de decisões.
Julgamento semântico - Jev
Jev afirma abranger uma gama mais ampla de casos de uso aplicáveis. Até agora, focamos em decisões, mas os System One Models vão além. Eles realizam o que chamam de julgamento semântico e decisões.
Esta seção destaca casos de uso exclusivos do Jev, que DecisionRules não consegue atender:
- Descoberta científica
- Análise semântica de código
- Jogos
- Geração de leads
- Grafos e grafos de conhecimento
Essas aplicações surgem da adaptabilidade do modelo: sua capacidade de trabalhar com entradas diversas e não estruturadas sem restrições rígidas de dados. Isso torna os cenários possíveis mais flexíveis.
A originalidade desses cenários oferece uma vantagem independente para Jev e, além disso, seu desempenho e preparo o tornam significativamente mais útil do que outros LLMs tradicionais.
Suíte de testes - DecisionRules
As equipes de TI conhecem metodologias de teste, mas esse conhecimento raramente chega a outros departamentos. Usuários de negócio costumam propor alterações nas regras, mas, independentemente do tamanho, essas mudanças precisam ser testadas por TI para garantir a estabilidade do sistema. O resultado é um processo de ida e volta: solicitação, teste, feedback, revisão e uma nova solicitação aprimorada. Isso cria um grande gargalo em muitas organizações.
DecisionRules vai além de outros BREs ao oferecer Rule Testing: um módulo para criar e executar conjuntos de testes personalizados. Os usuários podem simular centenas de cenários por regra e entre versões. Com um único clique, podem inserir dados de teste e comparar resultados.
Isso coloca o controle nas mãos dos usuários de negócio e mantém a segurança e o rigor necessários para mudanças seguras. Para fins de auditoria, todas as execuções de teste são armazenadas e os resultados históricos ficam totalmente acessíveis.
Testes unitários e de regressão: Tudo em um só lugar
Em contrapartida, Jev delega os testes inteiramente aos desenvolvedores, que podem resolvê-los por meio de código ou serviços externos. Da mesma forma, o controle de versões também fica a cargo da equipe de engenharia.
Isso reflete uma diferença fundamental: uma ferramenta capacita os usuários; a outra pressupõe a responsabilidade dos desenvolvedores.
Conclusão: ferramentas componíveis
Reunindo as oito observações (semelhanças e diferenças), podemos deduzir duas conclusões:
- Independentemente das capacidades que se cruzam, as duas ferramentas resolvem áreas distintas do problema de automação sem sobreposição, o que significa que ambas são valiosas por si mesmas.
- Se você adotar uma, a outra surge naturalmente na interseção como sua parceira simbiótica para a otimização completa da automação de decisões.
Utilidade independente
Desde as definições iniciais, já era possível perceber que as duas ferramentas atendem a propósitos diferentes na automação de decisões. E agora, mesmo supondo que uma possa substituir a outra em algumas funcionalidades, chegamos novamente à mesma conclusão: áreas e propósitos distintos.
Por causa das vantagens de facilidade de uso e suítes de testes, vimos que os usuários a quem se destinam são diferentes.
As áreas dos casos de uso também são diferentes:
- Logs de auditoria e suítes de testes indicam foco em ambientes regulados, nos quais conformidade, rastreabilidade e estabilidade são essenciais.
- O julgamento semântico, por outro lado, aponta para tarefas intelectuais que envolvem compreensão, classificação e descoberta—nas quais a segurança absoluta é menos central.
As semelhanças nos modelos de entrada e saída revelaram que também otimizam modelos de dados diferentes:
- DecisionRules: Entrada estruturada → saída estruturada
- Jev: Entrada em linguagem natural → saída atômica estruturada
| DecisionRules | Jev | |
|---|---|---|
| Usuários-alvo | Usuários não técnicos | Usuários técnicos |
| Modelo de dados | Entrada estruturada → Saída estruturada | Entrada em linguagem natural → Saída estruturada |
| Área dos casos de uso | Empresas reguladas | Projetos de compreensão semântica |
Do ponto de vista arquitetônico, isso significa que as duas ferramentas são úteis para tipos diferentes de projetos. Por exemplo, no DecisionRules, um caso de uso comum é retornar um array de validações que falharam a partir de um fluxo de decisão. No Jev, a preocupação é se o nível de confiança atinge um limite para continuar o fluxo de trabalho. Esses comportamentos distintos também dão uma pista sobre a compatibilidade: os fluxos.
Componíveis para uma prática ideal
Vamos construir o argumento a partir de três premissas:
- Jev foi projetado para fluxos de trabalho programáticos. A TypeSafe AI afirma explicitamente que os resultados do Jev foram feitos para serem processados por código. Mecanismos de segurança, por exemplo, limites de excesso, lógica alternativa e verificações de confiança, são implementados no código da aplicação, não no próprio Jev.
- Jev supera os LLMs gerais em tarefas de decisão. Como mostrado acima, Jev fornece saídas estruturadas mais rápidas e precisas do que LLMs gerais. Como também discutido acima, a natureza probabilística de suas saídas estruturadas significa que a lógica baseada em confiança precisa ser imposta externamente, novamente por código.
- DecisionRules permite a orquestração estruturada de decisões. Seu Decision Flow permite aos usuários encadear regras, definir dependências lógicas e controlar a ordem de execução. Na DecisionRules Academy, recomenda-se sempre integrar a AI Agent Rule aos Decision Flows para combinar o poder da IA com o controle determinístico.
A partir das premissas dois e três, podemos deduzir que Decision Flow oferece a capacidade de orquestrar as decisões tomadas pelo Jev com as decisões tomadas pelas regras determinísticas do DecisionRules em um único fluxo.
Veja como se combinam na prática:
- Jev cuida da parte do fluxo de trabalho que exige consumir linguagem natural e produzir saídas estruturadas atômicas de alta qualidade.
- DecisionRules usa sua interface nativa para construir lógica determinística de transformação que atua sobre as saídas do Jev—especialmente com base nos níveis de confiança.
- Decision Flow orquestra todo o processo, garantindo decisões confiáveis e auditáveis que atendem aos padrões da empresa.
A partir das premissas um e três, podemos deduzir que os mecanismos de segurança esperados pelo Jev podem ser implementados no DecisionRules para um desempenho melhor. Cada ferramenta cobre a lacuna da outra:
| System One Model (Jev) | DecisionRules |
|---|---|
| Integra-se com segurança ao código | Oferece um ambiente centralizado e seguro para a lógica de segurança |
| Oferece IA de alto desempenho | Regras auditáveis e previsíveis gerenciadas por usuários de negócio |
| Processa entradas não estruturadas | Permite que especialistas não técnicos mantenham a lógica de conformidade |
| Permite que TI se concentre na integração semântica, não nos testes de regras |
Juntos, permitem:
- Que equipes não técnicas se beneficiem da entrada em linguagem natural, mantendo a auditabilidade e o controle.
- Que sistemas baseados em IA alcancem automação completa sem sacrificar a conformidade ou a rastreabilidade.
Em conclusão, se você está considerando uma dessas ferramentas, a outra surgirá naturalmente como a parceira ideal. Se você automatiza decisões com usuários não técnicos, combinar a compreensão de linguagem natural do Jev com os recursos de governança do DecisionRules oferece acessibilidade e inteligência. Se você está criando automação baseada em IA, integrar Jev ao DecisionRules garante limites de confiança, trilhas de auditoria e aplicação de regras de negócio—sem sobrecarregar os desenvolvedores. Eles não são rivais. São parceiros componíveis no futuro da automação de decisões.
Coautor Ivan Peresta
Ivan Peresta é analista de produto e atua em Serviços Profissionais no DecisionRules. Ele ajuda a definir recursos do produto, testá-los e documentá-los, além de apoiar clientes na implementação da automação de decisões. Também contribui para recursos de regras baseados em IA e para o servidor MCP do DecisionRules. Saiba mais no perfil de Ivan.