Quais Modelos de IA Analisam Sua Conversa do WhatsApp? Uma Resposta Direta

Resposta curta: seu relatório é produzido por um conjunto de sistemas, não por uma única IA. As estatísticas são calculadas por código comum, sem nenhum modelo envolvido. A análise escrita e o assistente funcionam com um modelo de linguagem grande da OpenAI. Um índice de busca construído com embeddings permite que o assistente encontre as mensagens certas. E uma quarta camada, adicionada neste mês, é uma nova classe de modelo chamada Jev, que mede o que o modelo de linguagem antes estimava.

A maioria dos produtos responde a essa pergunta com "impulsionado por IA avançada". Essa frase existe para evitar a resposta. Aqui está a de verdade, camada por camada — incluindo quais partes do seu relatório não são produzidas por IA nenhuma.

Por que um conjunto em vez de um único modelo grande

O instinto é mandar a conversa inteira para o maior modelo disponível e pedir tudo a ele. É uma integração só e fica bem numa demonstração.

Também é a forma errada de tratar esse problema, porque as perguntas do seu relatório não são o mesmo tipo de pergunta.

"Quantas mensagens cada um enviou, e como o tempo médio de resposta mudou desde março?" é aritmética. Existe uma resposta correta, ela está no arquivo, e um modelo de linguagem a quem se pede produzi-la está fazendo algo estritamente pior do que contar: está estimando um número que poderia simplesmente ser calculado.

"O que mudou no jeito como vocês dois conversam?" é interpretação. Nenhuma quantidade de contagem produz esse parágrafo. Isso exige um modelo que entenda linguagem.

Aqui esses trabalhos vão para máquinas diferentes. É isso que a palavra conjunto significa neste contexto: não várias marcas da mesma coisa tiradas na média, mas tipos diferentes de sistema, cada um fazendo a parte em que é realmente bom.

Camada um: as estatísticas não são IA de jeito nenhum

Contagens de mensagens, quem escreve mais, quem inicia as conversas, distribuições de tempo de resposta, atividade por meses e horas, as medidas sociolinguísticas — tudo isso é calculado a partir do seu texto pseudonimizado por código convencional e bibliotecas consagradas de processamento de linguagem natural. Nenhum modelo grande participa desse caminho.

É por isso que esses números são idênticos toda vez que você analisa o mesmo arquivo. Eles não podem variar entre execuções e não podem ser inventados, porque nada os está gerando. Eles são contados.

É a camada menos glamourosa e a que defenderíamos com mais força. Uma estatística produzida por aritmética é um fato sobre a sua conversa. Uma estatística produzida por um modelo de linguagem é a impressão desse modelo sobre a sua conversa, usando uma casa decimal.

Camada dois: o modelo de linguagem

A análise semântica — sentimento, envolvimento, conflito, clareza, saúde da relação — e cada troca que você tem com o assistente funcionam com um modelo de linguagem grande da OpenAI.

Sendo direto, como somos na nossa página de privacidade: isso significa que o texto pseudonimizado da sua conversa é enviado para a API desse provedor. Ele chega sem conta, sem e-mail, sem telefone e sem nomes reais, porque esses foram substituídos no seu navegador antes de qualquer coisa ser enviada. Sob os termos de API com que esse provedor opera, o conteúdo não é usado para treinar os modelos deles.

Deliberadamente não publicamos versões exatas de modelos. Elas mudam conforme surgem melhores, e um número de versão numa página de marketing fica desatualizado em poucos meses. O que importa é a categoria e o provedor, e os dois estão indicados acima.

Camada três: o índice de busca

Para que o assistente possa responder "a gente já discutiu por dinheiro?" sem que você tenha digitado exatamente essas palavras, sua conversa é dividida em trechos e convertida em embeddings — representações numéricas de significado. Esse índice pertence só à sua análise e é excluído junto com ela.

Camada quatro: Jev, e o que ele muda

Esta camada é nova — entrou em funcionamento com este artigo — e vale explicar direito, porque é um tipo de componente genuinamente novo e não uma versão maior do anterior.

O Jev vem da TypeSafe AI, um laboratório de San Francisco fundado por Diogo Almeida, coautor do artigo do InstructGPT que está por trás do ChatGPT. Ele saiu do modo sigiloso em setembro de 2026 e os desenvolvedores notaram na hora, por um motivo incomum: o Jev não escreve.

É o que seus criadores chamam de modelo de Sistema Um, em referência ao modo de pensar rápido e intuitivo de Daniel Kahneman. Você dá a ele um estado e uma pergunta tipada, e ele devolve uma resposta tipada com uma probabilidade calibrada associada. Não um parágrafo. Um valor e um número expressando o quanto ele está confiante. Como as respostas possíveis são definidas de antemão, não há espaço na saída para ele inventar uma — o modo de falha que faz as pessoas desconfiarem de análise com IA está estruturalmente ausente. Ele foi treinado inteiramente com dados sintéticos, e é rápido e barato o suficiente para percorrer uma conversa inteira em vez de um punhado de trechos recuperados.

Eis por que isso importa num relatório sobre a sua relação.

Até agora, as pontuações semânticas aqui eram produzidas da forma padrão: recuperar as passagens relevantes, passá-las a um modelo de linguagem, pedir uma pontuação de conflito entre 0 e 1. Funciona, e tem três falhas com as quais nunca ficamos confortáveis. O número é uma impressão, não uma medição. Não é reproduzível, porque passagens diferentes aparecem em execuções diferentes. E não consegue mostrar seu trabalho — perguntado "quais mensagens?", um modelo que formou uma impressão vai construir citações plausíveis depois do fato sem nenhum problema.

Com o Jev, a ordem se inverte. Cada turno da conversa é lido, e perguntas factuais e restritas são feitas sobre cada um — isso desqualifica o que acabou de ser dito? é uma tentativa de reparar depois de um atrito? essa resposta entra no mérito ou desvia dele? Cada resposta é uma probabilidade associada a um turno específico, e todas elas são armazenadas.

As pontuações são então calculadas em código a partir desses rótulos armazenados, exatamente como as contagens de mensagens da camada um. O modelo de linguagem ainda escreve o texto que explica a seção, porque é para isso que modelos de linguagem servem — mas ele recebe números já prontos, e cada cifra é sobrescrita com o valor calculado antes de chegar a você. O modelo não pode arredondar, ajustar nem improvisar uma estatística.

O que isso te dá: pontuações reproduzíveis, cobertura da conversa inteira em vez das passagens que a recuperação por acaso trouxe à superfície, e achados rastreáveis até mensagens específicas com data e hora. "De onde veio isso?" agora tem uma resposta feita de evidência, não de reconstrução.

Se você já analisou uma conversa aqui antes, esta é a camada que mudou. As estatísticas que você viu continuam as mesmas — elas já eram contadas. As seções semânticas são as que agora se apoiam em medição, e o que significam suas estatísticas vale uma segunda leitura com isso em mente.

O que resolvemos antes de ligar

O motor estava pronto bem antes de ser ligado. Ele ficou atrás de uma chave enquanto era executado de ponta a ponta, avaliado nos seis idiomas que atendemos e calibrado contra um conjunto de referência — e enquanto tratávamos da parte que não tinha nada a ver com precisão.

Adicionar esta camada significa que sua conversa pseudonimizada é enviada para uma empresa a mais do que antes. Não estávamos dispostos a fazer isso em silêncio. O provedor está nomeado na nossa página de privacidade junto com os termos sob os quais os dados dele são tratados, e essa página subiu antes de a primeira conversa chegar lá — não depois. Nenhum dos dois provedores treina com o que enviamos e, como em todas as outras camadas, o que enviamos não leva conta, nem e-mail, nem nomes reais.

A outra metade disso é o que acontece do nosso lado, e é a parte que apontaríamos primeiro. Nada aqui é guardado. Quando sua análise expira, o arquivo enviado, as estatísticas, as seções escritas, as medições por turno por trás das pontuações semânticas e o índice de busca com seus embeddings são todos destruídos — por um processo agendado em infraestrutura separada que não precisa que este site esteja funcionando. O que sobra é um identificador e algumas datas registrando que uma análise aconteceu. Não existe aqui nenhum corpus de conversas para treinar, vender ou vazar, porque não mantemos um.

Isso foi mais lento do que simplesmente lançar. É o mesmo raciocínio que colocou a etapa de substituição de nomes no seu navegador em vez dos nossos servidores: garantias de privacidade que sobrevivem ao contato com a realidade são estruturais, e estrutura se decide antes do lançamento, não se acopla depois de um recurso ir ao ar.

Perguntas que as pessoas fazem

Alguma empresa de IA usa minha conversa para treinar? Não. Os dois provedores desse caminho operam sob termos de API que excluem o conteúdo enviado do treinamento de modelos, e a TypeSafe afirma que o Jev não é ajustado nem adaptado com dados de clientes: os mesmos pesos servem todas as contas. Nós também não treinamos nenhum modelo próprio com as suas conversas, e não poderíamos: seus dados são destruídos quando a análise expira, então não há corpus para treinar.

A IA consegue descobrir quem eu sou? Não a partir do que enviamos. Os nomes dos participantes são substituídos no seu navegador antes do envio, não existem contas, e do nosso lado não há e-mail nem telefone para vincular. Um modelo pode observar que a Pessoa A responde mais devagar nos fins de semana. Dali não há rota nenhuma até a sua identidade.

Por que não usar simplesmente o melhor modelo para tudo? Porque "melhor" depende do trabalho. Contar mensagens não precisa de inteligência, precisa de aritmética, e um modelo de linguagem fazendo aritmética é uma calculadora pior com tom confiante. Interpretação precisa de um modelo de linguagem. Rotular milhares de turnos de forma consistente e barata precisa de algo como o Jev. Um único modelo fazendo as três coisas faz cada uma pior.

Uma pontuação de conflito de 0,62 é um fato? Agora é uma cifra calculada, não uma impressão: aritmética sobre milhares de turnos rotulados individualmente, reproduzível entre execuções e rastreável até as mensagens por trás dela. Isso é uma melhoria real sobre uma estimativa, e ainda descreve uma conversa em vez de encerrar uma discussão. Trate como um ponto de partida bem fundamentado para a sua própria reflexão, não como um veredito.

Minha análise antiga usava isso? Não. Análises feitas antes deste mês usavam o modelo de linguagem para produzir as pontuações semânticas diretamente. As estatísticas eram contadas então e são contadas agora, então essas não mudaram — foram as seções semânticas que melhoraram.

E se eu ainda não exportei minha conversa? Nosso guia de exportação passo a passo cobre iPhone e Android. Nada é enviado até que você tenha substituído os nomes dos participantes no seu navegador.