Busca de pessoas com IA e Jev: filtre candidatos pelo seu ICP antes de pagar pela busca de e-mails

Busca de pessoas com IA é quando um agente transforma um pedido em linguagem natural, como “líderes de marketing em empresas de software Série A na América do Norte”, numa lista de pessoas com nome, cargo e empresa. Essa lista nunca vem limpa: a busca traz cargos parecidos, empresas fora da sua faixa de tamanho, regiões onde você não vende e perfis desatualizados. Se cada linha vai direto para um buscador de e-mails corporativos, você paga buscas de pessoas que nunca vai contatar, e contatos fora do perfil entram na sua ferramenta de prospecção. A ordem mais barata é filtrar e depois enriquecer. O agente busca; o Jev responde algumas perguntas curtas e tipadas sobre cada candidato em relação ao seu perfil de cliente ideal (ICP); só quem passa vai para uma ferramenta de lead enrichment como o Treg, que busca e verifica o e-mail. O Jev não navega, não pesquisa nem encontra e-mails. É uma camada de julgamento só de texto: lê os campos enviados e devolve probabilidades, então a etapa paga só vê linhas que você já quer. Este guia descreve de ponta a ponta o padrão “jev people search”, que combina com lead scoring para leads de entrada e com agent routing para agentes de várias etapas.

Divida o ICP em três perguntas em vez de um prompt longo. Uma pergunta Noul toma a decisão de manter ou descartar (esta pessoa se encaixa?). Um Score de 2 a 10 níveis ordenados mede o quão perto a pessoa está de quem controla o orçamento. Um Choice de 2 a 12 opções nomeia o principal motivo de reprovação e sempre inclui uma opção unclear, para que perfis com pouca informação tenham um destino honesto. O motivo compensa a pergunta extra: se a maioria das rejeições volta como wrong_company_size, corrija o pedido de busca em vez de pagar todo dia para rejeitar as mesmas linhas. Coloque no state só os campos que a decisão precisa: cargo, empresa, faixa de tamanho, setor, região e um resumo de perfil de uma linha. Deixe de fora e-mails, telefones, anotações e qualquer dado sensível, e nunca pergunte idade, gênero, etnia ou outras características protegidas. O state precisa caber em 8.000 caracteres, uma requisição pode fazer de 1 a 8 perguntas, e os IDs de pergunta começam com letra minúscula e usam só minúsculas, dígitos e sublinhados. O bloco abaixo é um exemplo de ICP para copiar: um candidato como state, as três perguntas, uma resposta ilustrativa e quatro candidatos de teste com o resultado esperado. O Jev Playground público em jevmodel.app/jev-playground deixa testar os exemplos embutidos sem conta (3 execuções por dia UTC); para rodar estas três perguntas como estão, entre na conta, abra Console → Playground, cole o state e adicione as perguntas, ou envie o mesmo corpo para a API.

// Copy-paste ICP screen. POST https://jevmodel.app/api/v1/systemone
// Header: Authorization: Bearer <JEVMODEL_API_KEY>  (key from a verified-email account)
{
  "state": {
    "title": "Head of Growth Marketing",
    "company": "Example Analytics Inc.",
    "company_size": "120 employees",
    "industry": "B2B SaaS, product analytics",
    "region": "Toronto, Canada",
    "summary": "Runs paid acquisition and lifecycle email; reports to the CEO."
  },
  "questions": {
    "icp_fit": {
      "type": "noul",
      "instructions": "Does this person match our ICP: someone who owns or directly influences the marketing budget at a B2B software company with 50-500 employees in the US or Canada?",
      "criteria": {
        "true": "Owns or directly influences marketing spend at a B2B software company of 50-500 people in the US or Canada.",
        "false": "Wrong role, company type, size or region, or not enough information to tell."
      }
    },
    "buying_power": {
      "type": "score",
      "instructions": "Rate how close this person is to the marketing budget decision.",
      "criteria": [
        "Individual contributor with no budget",
        "Manages one marketing channel",
        "Leads a marketing function",
        "VP, CMO or founder who signs marketing spend"
      ]
    },
    "reject_reason": {
      "type": "choice",
      "instructions": "What is the main reason this person does or does not fit the ICP above?",
      "criteria": {
        "fit": "Matches role, company type, size and region.",
        "wrong_role": "Not in marketing or has no say over marketing spend.",
        "wrong_company_size": "Company is outside 50-500 employees.",
        "wrong_industry": "Company is not a B2B software business.",
        "wrong_region": "Based outside the US and Canada.",
        "unclear": "The profile does not give enough information to decide."
      }
    }
  }
}

// Illustrative response shape (example values, not measurements):
// { "code": 0, "data": { "answers": {
//   "icp_fit":       { "noul": 0.9 },
//   "buying_power":  { "score": ... },   // check the returned scale on real responses
//   "reject_reason": { "choice": "fit", "probabilities": { "fit": 0.86, ... } } } } }

// Four test candidates (one request each) and the outcome to expect:
// 1. Head of Growth Marketing, 120-person B2B SaaS, Toronto    -> keep (fit)
// 2. Marketing intern, 120-person B2B SaaS, Austin             -> drop (wrong_role)
// 3. CMO, 8,000-person retail bank, New York                   -> drop (wrong_company_size / wrong_industry)
// 4. VP Marketing, 200-person B2B software company, Berlin     -> drop (wrong_region)

Envie uma requisição por candidato com as mesmas três perguntas e aplique os limiares no seu próprio código. O script abaixo lê candidates.json (um array de objetos no formato do state acima) e icp-questions.json (o objeto questions do Passo 1), chama a API, mantém as linhas em que icp_fit é pelo menos 0,8 e o motivo é fit, e manda as linhas unclear ou duvidosas para um arquivo de revisão em vez de adivinhar. O limiar 0,8 é provisório: escolha o seu com uma amostra rotulada, como explica o guia de avaliação. Cada chamada é uma requisição comum à API cobrada em tokens, então a triagem custa o mesmo por linha, passe a pessoa ou não; contas verificadas começam com 100.000 tokens grátis e execuções com falha são reembolsadas. A API não tem chave de idempotência, então registre quais linhas já têm resposta antes de tentar de novo após um erro de rede. Se preferir não programar, o Console → Batch roda as mesmas perguntas sobre uma lista CSV ou JSONL: até 50 linhas por lote antes de qualquer compra e até 1.000 depois.

// screen.mjs  (Node 18+: built-in fetch)
// Usage: JEVMODEL_API_KEY=... node screen.mjs
import { readFileSync, writeFileSync } from 'node:fs';

const candidates = JSON.parse(readFileSync('candidates.json', 'utf8'));
const questions = JSON.parse(readFileSync('icp-questions.json', 'utf8'));
const FIT_THRESHOLD = 0.8; // placeholder: set it from a labeled sample

const shortlist = [];
const review = [];

for (const person of candidates) {
  const res = await fetch('https://jevmodel.app/api/v1/systemone', {
    method: 'POST',
    headers: {
      Authorization: 'Bearer ' + process.env.JEVMODEL_API_KEY,
      'Content-Type': 'application/json',
    },
    body: JSON.stringify({ state: person, questions }),
  });
  const json = await res.json();
  if (json.code !== 0) {
    review.push({ person, error: json });
    continue;
  }
  const a = json.data.answers;
  const fit = a.icp_fit.noul; // probability that the candidate fits
  const reason = a.reject_reason.choice;
  if (fit >= FIT_THRESHOLD && reason === 'fit') {
    shortlist.push({ ...person, fit, buying_power: a.buying_power.score });
  } else if (reason === 'unclear' || (fit > 0.4 && fit < FIT_THRESHOLD)) {
    review.push({ person, fit, reason });
  }
  // everything else is a confident reject: no paid lookup
}

writeFileSync('shortlist.json', JSON.stringify(shortlist, null, 2));
writeFileSync('review.json', JSON.stringify(review, null, 2));
console.log('shortlist', shortlist.length, 'review', review.length, 'of', candidates.length);

O Treg descreve sua busca de pessoas como lead enrichment para agentes: um token e uma CLI na frente de vários provedores de dados, com pagamento por chamada. O agente escolhe um provedor no catálogo ou chama um endpoint roteado, em que o Treg escolhe o provedor e diz qual é. Você chama o serviço hospedado em treg.to; este guia não cobre rodar o Treg por conta própria. Segundo o README do Treg, o agente instala a CLI, faz login, procura uma capacidade no catálogo, lê o schema dela e a chama; encontrar e-mails corporativos é uma capacidade roteada (treg.people.email.find) e a verificação é uma etapa separada, cobrada à parte. O Treg afirma que buscar o e-mail a partir da URL de um perfil do LinkedIn custa a partir de US$ 0,0005 por chamada e que não cobra quando não encontra, por isso é muito procurado como linkedin email finder; confira a tabela de preços antes de orçar, porque os valores variam por rota. O Treg também diz que novas contas verificadas recebem uma vez US$ 1,00 de crédito grátis ao criar uma equipe elegível. Passe só o shortlist.json. As linhas do review.json esperam uma pessoa e as rejeições seguras nunca chegam a uma busca paga. Guarde as respostas do Jev ao lado de cada contato para ver depois se os de buying_power alto realmente responderam. O repositório do Treg é publicado sob Apache 2.0 com termos adicionais; o Treg diz que chamar a API hospedada em treg.to é permitido. O JevModel não é afiliado ao Treg.

# Treg CLI, as documented in Treg's README (hosted service at treg.to)
curl -fsSL https://treg.to/install.sh | sh
treg login
treg catalog search "find a work email"
treg catalog get treg.people.email.find   # read the input schema before calling
treg balance

# Pass only the rows in shortlist.json produced in Step 2.
# Rows in review.json go to a person; confident rejects are never looked up.
# Verification is a separate, separately billed step in Treg's docs.

Quem procura alternativas ao Clay (clay alternatives) ou uma alternativa ao Apollo (apollo alternative) costuma querer duas coisas: custo menor por contato e menos tempo com contatos que nunca se encaixam. A tabela compara três jeitos de montar uma lista; descreve trade-offs, não um benchmark. Só em preço de fornecedor, os únicos números públicos aqui são os do próprio Treg: num teste que o Treg publicou, os mesmos 100 leads (nome mais domínio da empresa) passaram por cinco ferramentas de e-mail corporativo e foram conferidos com o endereço publicado de cada empresa. O Treg relata 92 e-mails corretos por US$ 0,53, Clay 84 por cerca de US$ 3,35, Apollo 77 por cerca de US$ 2,24, Deepline 80 por US$ 2,74 e Hunter 84 por US$ 2,21, ou US$ 0,58 por 100 e-mails corretos no Treg contra US$ 3,77 no Clay, daí a afirmação “85% mais barato que o Clay”. São números de um fornecedor no próprio teste; o Jev não participou e a sua lista terá outro resultado. Filtrar antes reduz o custo com qualquer fornecedor de enrichment, porque menos linhas chegam à etapa paga.

Antes de confiar na triagem, rotule 100 a 200 candidatos das suas próprias buscas como se encaixa ou não, rode as três perguntas e veja quantos que se encaixam ficam abaixo do limiar e quantos que não se encaixam passam. Depois acompanhe um único número de ponta a ponta: gasto total (tokens do Jev mais buscas mais verificação) dividido pelos contatos que estão no seu ICP e têm e-mail verificado. O Treg publica o recibo de uma execução desse tipo, datado de 2026-09-23: listou 50 empresas de software Série A, deixou o Jev manter as 27 que se encaixavam no ICP, identificou o líder de marketing de cada uma e então encontrou e verificou e-mails corporativos, chegando a 20 e-mails verificados por US$ 0,58 no total, ou US$ 0,029 por resultado utilizável, com cada falha liquidada a US$ 0,00. É a execução publicada pelo Treg, não uma medição do JevModel. Sobre qualidade de busca, o Treg relata que no People Search Bench da LessieAI as tarefas de prospecção B2B foram respondidas corretamente 43% das vezes só com o Claude Code e 78,2% com o Treg. O número que importa é o da sua própria amostra rotulada.

Use quando um agente monta listas em volume, o ICP cabe em poucas frases e a etapa de enrichment custa dinheiro por linha. Dispense para um punhado de contas nomeadas, em que ler cada perfil você mesmo é mais rápido. Mantenha a triagem estreita: julgue cargo, empresa, tamanho, setor e região a partir de fatos profissionais, nunca de características protegidas, e não envie e-mails pessoais nem telefones ao Jev, porque ele não precisa deles. Siga as regras de privacidade e de prospecção que valem onde seus contatos vivem. O Jev é só de texto e não é open source; o JevModel sempre chama o modelo Jev pela própria API, então não há campo model para configurar. A seção Crescimento de jevmodel.app/use-cases tem exemplos de qualificação de leads, e jevmodel.app/jev-api lista os limites das requisições. O JevModel é um site independente e não é afiliado à TypeSafe AI, que desenvolve o Jev, nem ao Treg.