Jev: cos’è il modello AI che non scrive, decide

Ogni settimana esce un modello nuovo: più veloce, più grande, più bravo a scrivere. Poi c’è Jev, che fa una cosa diversa e per questo vale la pena guardarlo: non scrive. Mai una parola. E proprio dal fatto che non scriva nascono le sue qualità.

Jev è il primo modello rilasciato da TypeSafe AI, una startup di San Francisco guidata da Diogo Almeida, una delle persone che hanno messo a punto la tecnica (RLHF) finita poi dentro ChatGPT. Dopo due anni di lavoro lontano dai riflettori, il 15 settembre 2026 TypeSafe ha aperto l’accesso anticipato a Jev. L’idea è semplice da riassumere: invece di generare testo da leggere, Jev prende in ingresso uno stato (un messaggio, un ticket, una scheda prodotto, un lotto di dati) e restituisce decisioni tipizzate, con tanto di probabilità e livello di confidenza.

Se programmi, o se in azienda ti occupi di processi, questa differenza cambia parecchio. Vediamo che cos’è Jev, cosa sono i System One Models e come si può usare.

Che cos’è Jev in una frase

Jev è un modello a risposta non testuale: non genera stringhe, genera decisioni strutturate. Tu dichiari in anticipo le risposte possibili (una categoria, un punteggio, un sì o un no) e lui restituisce un valore tipizzato, accompagnato da una probabilità.

Un esempio concreto: gli passi il testo di un reclamo e gli chiedi a quale reparto appartiene, scegliendo tra fatturazione, assistenza tecnica e commerciale. Non risponde con una frase del tipo “Direi di passarlo all’assistenza tecnica perché…”, ma con un valore secco:

department: "technical"   (probabilità 0.85, confidenza 0.78)

Il codice che riceve quella risposta la usa direttamente: un if, uno switch, una soglia. Nessun parser da scrivere, nessuna frase da interpretare, nessun valore inventato in mezzo.

Cosa sono i System One Models

TypeSafe chiama Jev un System One Model. Il nome arriva da Daniel Kahneman e dal suo libro “Thinking, Fast and Slow”: il Sistema 1 è il pensiero veloce e intuitivo, il Sistema 2 è quello lento e ragionato. I System One Models sono pensati per il primo tipo di giudizio, decisioni rapide e mirate, prese dentro il software e non davanti a una chat.

C’è anche una nota di contesto: non è la prima volta che l’intelligenza artificiale cambia approccio, e nella guida su IA simbolica e IA connessionista ho raccontato come si è arrivati fin qui.

Il nome “Jev” invece è un omaggio a William Stanley Jevons, l’economista del paradosso di Jevons. L’idea è che quando una risorsa diventa più efficiente da usare, se ne consuma di più, non di meno. Applicata all’inferenza: se far decidere un modello costa poco, l’IA entra in molti più punti del software, non in meno.

Il nodo tecnico sta nel modo in cui il modello viene addestrato. TypeSafe usa un metodo che chiama Reinforcement Learning for Calibrated Decisions (RLCD). Cambia l’obiettivo rispetto a quello che conosciamo: non “scrivi una risposta che piaccia a chi valuta” (la logica del RLHF) e nemmeno “produci qualcosa che si possa verificare a mano”, ma “restituisci decisioni le cui probabilità rispecchiano l’incertezza reale”. Un modello calibrato è un modello che, quando dice 0.8, ha ragione circa otto volte su dieci su casi simili.

Perché Jev è speciale: cinque differenze che contano

1. Output tipizzati, quindi niente errori di tipo

Le risposte possibili le definisci tu. Se hai dichiarato tre categorie, Jev può restituire solo quelle tre. Un LLM invece può inventare un quarto valore, sbagliare un campo, rompere una parentesi. TypeSafe sostiene che con Jev questo è matematicamente impossibile, perché il modello non genera sequenze libere da cui potrebbe uscire qualsiasi cosa. Non è una promessa di marketing: è una conseguenza dell’architettura.

2. Ogni risposta ha una probabilità e una confidenza

Jev non dice solo “assistenza tecnica”. Dice “assistenza tecnica” con probabilità 0.85 e confidenza 0.78. Questo ti permette di scrivere regole come: sopra 0.9 agisci in automatico, tra 0.6 e 0.9 agisci ma logga, sotto 0.6 passi la palla a una persona. È il pezzo che mancava per l’automazione seria, perché un modello di cui non conosci l’incertezza non lo puoi lasciare solo a prendere decisioni.

3. Zero allucinazioni, con un distinguo

“Non può allucinare” qui va letta bene. Significa che non può inventare valori fuori dallo schema, non può produrre un tipo sbagliato, non può scegliere una categoria che non esiste. Non significa che il giudizio sia sempre corretto: una decisione può restare sbagliata, ma arriva con una confidenza che ti dice quanto fidarti. È una differenza grossa rispetto a un chatbot che sbaglia con tono sicuro, senza dirti nulla sul proprio grado di certezza.

4. È veloce: da 70 a 500 millisecondi

TypeSafe dichiara tempi di risposta end-to-end tra 70 e 500 millisecondi, contro i 3-329 secondi dei modelli di frontiera sulle stesse attività. Il motivo è il campionamento parallelo: invece di generare un token alla volta, Jev valuta tutte le domande insieme in una sola passata. Aggiungere domande a una richiesta, dicono, cambia poco il tempo di risposta. Il guadagno dichiarato va da 40 a 200 volte in velocità sulle attività per cui il modello è costruito.

5. Costa poco: 42 dollari per miliardo di token

Il prezzo è 0,042 dollari per milione di token in input (42 dollari per miliardo), mentre i token in output sono gratuiti: non essendoci testo generato, non c’è testo da fatturare. Sulla home paragonano il costo a Claude Fable 5.1 e parlano di un prezzo di input 238 volte più basso. Sulle attività tipiche, i workflow dentro il codice, il confronto è di 193,6 volte più veloce e 444,6 volte più economico.

Chi c’è dietro TypeSafe AI

Il fondatore e amministratore delegato è Diogo Almeida. Nel suo curriculum ci sono il Google Brain e, soprattutto, il lavoro su RLHF e InstructGPT: le tecniche che hanno reso i modelli linguistici capaci di seguire istruzioni e di conversare e che sono finite dentro ChatGPT. Nel post di lancio racconta la domanda che lo ha portato fin qui: i modelli sono sovrumani nella conversazione da anni, ma dov’è finita l’automazione?

Con lui ci sono Sasha Sheng come direttrice operativa (ex Meta e FAIR) ed Erik Gafni come direttore tecnico (già fondatore). Il team arriva da OpenAI, Google Brain, Meta, Stripe, Airbnb e Docker. Lavora in presenza a San Francisco. All’uscita dallo stealth la società ha annunciato 40 milioni di dollari di finanziamenti.

I segnali di adozione delle prime settimane sono curiosi: TypeSafe parla di uno dei lanci più rapidi mai visti su Vercel e la stampa di settore racconta di oltre 140.000 sviluppatori in fila per provarlo. Numeri che andrebbero presi con le molle, ma il rumore è reale: nei giorni del lancio se ne è parlato su TechCrunch, The Register, heise e GIGAZINE. Quando una cosa passa dal comunicato stampa alla curiosità degli sviluppatori, di solito c’è qualcosa di sostanziale.

Come si usa Jev: i tre primitivi

Con Jev non si chatta. Si fanno domande tipizzate e TypeSafe ne mette a disposizione tre, mescolabili nella stessa chiamata.

• Choice, scelta tra opzioni: “Quale team deve gestire questo ticket?”, con le opzioni fatturazione, tecnico, commerciale. Restituisce l’opzione scelta più la distribuzione di probabilità su tutte.
• Score, punteggio su una scala definita da te: “Quanto è arrabbiato questo cliente?”, da 0 (calmo) a 2 (molto arrabbiato). Restituisce il punteggio più la probabilità di ciascun livello.
• Noul, vero o falso su un’affermazione: “Questo messaggio chiede un rimborso?”. Restituisce un numero da 0 a 1.

Ogni domanda viene valutata in parallelo, in isolamento, sullo stesso stato. Ed è qui che sta la parte controintuitiva: le domande vanno tenute atomiche. Invece di chiedere “valuta questo progetto”, conviene chiedere separatamente dimensione del mercato, fattibilità tecnica e differenziazione, poi combinare i punteggi con una formula scritta da te. Così, quando cambiano le priorità, cambi un coefficiente nel codice invece di riscrivere un prompt.

Un esempio di chiamata

L’endpoint è una semplice chiamata HTTP: POST https://api.typesafe.ai/v1/systemone, con l’autenticazione nell’header e il modello indicato nel corpo della richiesta. Il modello si chiama jev-latest (la versione corrente è la 1.13) e accetta uno stato testuale più un insieme di domande.

{
  "state": "Il cliente scrive che da tre giorni non riesce a collegare il suo account e sta perdendo vendite.",
  "model": "jev-latest",
  "questions": {
    "reparto": {
      "type": "choice",
      "instructions": "Quale team deve gestire questo caso",
      "criteria": {
        "fatturazione": "Problemi di pagamento o abbonamento",
        "tecnico": "Bug o problemi di integrazione",
        "commerciale": "Domande su prezzi o account"
      }
    },
    "frustrazione": {
      "type": "score",
      "instructions": "Quanto appare frustrato il cliente",
      "criteria": ["Calmo, espone i fatti", "Frustrato ma cortese", "Molto arrabbiato, linguaggio duro"]
    },
    "urgente": {
      "type": "noul",
      "instructions": "Il messaggio comunica urgenza"
    }
  }
}

La risposta arriva strutturata: l’opzione scelta con le probabilità di tutte le alternative, il punteggio con la distribuzione sui livelli, il valore vero/falso per l’urgenza. Il codice la legge senza doverla interpretare.

Accanto all’API c’è un SDK Python (pip install typesafe-sdk, richiede Python 3.10 o superiore) e una skill per agenti di coding, installabile con npx skills add typesafe-ai/skills --skill typesafe-ai. Per provare senza scrivere una riga di codice c’è il playground: incolli un testo come stato, aggiungi una domanda e vedi il risultato. L’accesso è in lista d’attesa, con ammissioni progressive.

Cosa ci puoi fare davvero

• Instradare richieste. Ticket, email, segnalazioni: classificarli e mandarli al reparto giusto è il caso d’uso più immediato e con la confidenza puoi decidere quando l’instradamento è abbastanza sicuro da essere automatico.
• Mettere guardrail. Valutare se l’output di un altro modello sta andando fuori dai binari, se un prompt è un tentativo di jailbreak, se una risposta va bloccata prima di arrivare all’utente.
• Assegnare punteggi. Qualificare un contatto commerciale, stimare il rischio di abbandono, valutare documenti su più dimensioni separando i fattori e pesandoli nel codice.
• Ridurre grandi volumi di dati. Trasformare archivi enormi in segnali e caratteristiche, decisione dopo decisione, a costi che restano bassi.
• Applicazioni in tempo reale. Cento millisecondi sono la differenza tra un’IA che si può mettere dentro un’interfaccia e una che costringe l’utente ad aspettare.

Tra le demo che TypeSafe ha mostrato ce ne sono due divertenti. La prima è un bot che gioca a Doom usando lo stato di gioco come dato strutturato: circa dieci chiamate al secondo, per un costo intorno ai sette dollari l’ora, meno del previsto secondo chi l’ha costruito. La seconda è una partita a Wikiracing: partire da una pagina di Wikipedia e arrivare a un’altra usando solo i link incontrati, scegliendo ogni volta tra centinaia di opzioni. Un gioco perfetto per mostrare cosa cambia quando il modello non inventa un link che non esiste.

Come iniziare, in pratica

• Chiedi l’accesso anticipato sul sito di TypeSafe, la lista d’attesa viene smaltita man mano.
• Nel playground incolla un testo reale dei tuoi (un ticket, una recensione, un’email) e prova due o tre domande per vedere le probabilità in azione.
• Prendi una chiave API, installa l’SDK e richiama l’endpoint da uno script. Serve solo Python 3.10 o superiore, nessuna infrastruttura particolare.
• Parti da una sola decisione, quella che oggi fai a mano o con una regola fragile. Quando funziona, aggiungi le altre.

I limiti attuali sono chiari e vale la pena conoscerli prima di costruirci sopra: 64.000 token di contesto per richiesta, di cui 32.000 per lo stato insieme alla domanda più lunga, solo input testuale e limiti di utilizzo che TypeSafe dichiara in movimento mentre l’infrastruttura cresce. Il modello è in accesso anticipato, quindi tutto questo cambierà in fretta.

FAQ

Jev è un LLM più piccolo e più veloce?

No, appartiene a una classe diversa. Un LLM è costruito per generare testo: è generalissimo e potente, ma il suo punto di forza crea anche i suoi problemi, cioè lentezza, costi e rischio di uscite fuori schema. Jev non genera testo, non spiega, non conversa: fa giudizi strutturati. Sono strumenti diversi, pensati per compiti diversi.

Che differenza c’è rispetto alla modalità JSON di un LLM?

Nella modalità JSON il modello resta un generatore di testo a cui chiedi di impacchettare la risposta in JSON: i tempi e i costi restano quelli di un LLM e le probabilità di solito non ci sono. Jev nasce per produrre direttamente quel tipo di output, in parallelo e con probabilità calibrate, che è la parte che la modalità JSON non ti dà.

Se non scrive, come faccio a sapere perché ha deciso così?

Non lo spiega: non produce motivazioni in linguaggio naturale. La trasparenza arriva dai numeri, cioè dalla probabilità di ciascuna opzione e dalla confidenza complessiva. Se ti serve capire il ragionamento, lo costruisci tu: poni domande più fini, una per fattore, poi leggi le probabilità.

Jev può sbagliare?

Sì. Non può sbagliare il tipo, ma può sbagliare il giudizio. La differenza rispetto a un chatbot è che sbaglia accompagnato da una confidenza, quindi il tuo codice può accorgersene e passare il caso a una persona invece di mandare avanti una decisione incerta.

Serve una GPU o un’infrastruttura dedicata?

No. Si usa come servizio, via API HTTP o SDK. Il modello gira sui server di TypeSafe e tu paghi solo i token di input che invii.

Se ti capita di dover decidere dove l’IA può agire da sola dentro un processo e dove serve ancora una persona, Jev è interessante perché trasforma quella domanda in una questione di soglie: decidi tu quanto deve essere sicuro il modello per lasciarlo andare avanti senza chiedere permesso.

✅ Fatti verificati il 20 settembre 2026 su fonti ufficiali (typesafe.ai, docs.typesafe.ai) e sulla stampa di settore (TechCrunch, The Register, heise, Business Wire).