Am 15. September 2026 startete TypeSafe AI Jev im Early Access zusammen mit einer 40-Millionen-Dollar-Seed-Runde unter Führung von DCVC. Innerhalb von zwei Wochen wurde das Modell zu einem der meistdiskutierten Themen unter Engineering-Teams, die mit KI in Produktion arbeiten.
Der Grund ist nicht, dass Jev ein besseres LLM ist. Jev ist kein LLM.
Was Jev ist
Jev ist, was TypeSafe AI ein “System One”-Modell nennt: ein Transformer-basiertes Modell mit etwa 40B Parametern, ausschließlich auf synthetischen Daten mittels RLCD (Reinforcement Learning for Calibrated Decisions) trainiert, das typisierte Werte mit kalibrierten Wahrscheinlichkeiten statt Freitext zurückgibt.
In der Praxis bedeutet das: Jev schreibt keine Absätze. Es klassifiziert, bewertet und entscheidet.
Man übergibt einen State (die zu analysierenden Daten) und eine oder mehrere Fragen mit definiertem Format:
- Binäre Antworten: ja/nein mit Wahrscheinlichkeit (z.B.: “Ist diese E-Mail Spam?” → ja, 0.94)
- Bewertungen auf kontinuierlicher Skala: 0.0 bis 10.0 (z.B.: “Wie riskant ist dieser Vertrag?” → 7.3)
- Diskrete Klassifikationen: aus definierten Optionen (z.B.: “Ist dieses Ticket Abrechnung, technischer Support oder Logistik?” → Abrechnung, 0.87)
Warum es nicht halluziniert
Ein LLM generiert Text-Tokens einzeln und wählt das nächste wahrscheinlichste Wort. Dabei kann es Daten erfinden oder nicht existierende Quellen zitieren. Jev generiert keinen Text: es gibt Werte innerhalb eines definierten Schemas zurück.
Wenn man eine Klassifizierung zwischen “dringend”, “normal” und “niedrige Priorität” anfordert, ist die Antwort eine dieser drei Optionen mit Wahrscheinlichkeit.
Bei Zero-Shot-Textklassifizierungstests erreichte es 97,1% Genauigkeit gegenüber 97,6% eines fine-getunten BERT-Modells.
Zahlen: Geschwindigkeit und Kosten
| Metrik | Jev | Typisches LLM (Sonnet/GPT-6 Sol) |
|---|---|---|
| Latenz pro Anfrage | 70-500 ms | Sekunden |
| Kosten pro 1M Input-Tokens | 0,042 USD | 2-4 USD |
| Output-Kosten | Kostenlos | 10-20 USD/M Tokens |
| Verarbeitung von 3.000 Texten | ~1 Min, ~0,20 USD | Minuten, mehrere USD |
Wann Jev einsetzen (und wann nicht)
Wo Jev passt
- Support-Ticket-Routing: Jedes eingehende Ticket nach Kategorie + Dringlichkeit klassifizieren
- Lead-Scoring: Jeden Lead von 0 bis 10 anhand der CRM-Daten bewerten
- Spam-/Betrugserkennung: Schnelle binäre Entscheidung pro Transaktion
- Sentiment-Extraktion: Bewertungen und Kommentare in vordefinierte Kategorien einordnen
- Dokumenten-Triage: Braucht dieser Vertrag eine rechtliche Überprüfung?
Wo Jev nicht passt
- Text generieren (E-Mails, Berichte, Angebote)
- Lange Dokumente zusammenfassen
- Kundengespräche führen
- Komplexes mehrstufiges Reasoning
Gemischte Architektur: Jev + LLM
Die effizienteste Kombination für eine Produktions-Pipeline:
- Jev klassifiziert den Input (Anfragetyp, Dringlichkeit, Sprache, Absicht)
- Ein LLM generiert die passende Antwort basierend auf der Klassifikation
- Jev bewertet die Antwortqualität (Kohärenz-Scoring, Relevanz)
Aktuelle Einschränkungen
- Nur API: Die Modellgewichte sind nicht verfügbar
- Kein komplexes Reasoning: Jev denkt designbedingt nicht in Ketten
- Eingeschränkter Zugang: Stand Oktober 2026 ist das Modell im Early Access
- Keine lange Erfolgsbilanz: TypeSafe AI wurde 2024 gegründet
Was es für Unternehmen bedeutet
Jev ersetzt nicht Claude, GPT-6 oder Gemini. Es deckt einen Teil der Pipeline ab, den LLMs mit Überkapazität und Überkosten erledigen: strukturierte Entscheidungen.
Wenn Ihr Unternehmen täglich Tausende von Inputs verarbeitet, die Klassifikation, Scoring oder Routing erfordern, ist der Unterschied zwischen 0,042 USD und 2-4 USD pro Million Tokens erheblich.
Um zu bewerten, ob Jev in Ihre aktuelle Pipeline passt, arbeitet unser Team für KI-Agenten mit allen Modellen am Markt.
Vereinbaren Sie eine kostenlose Beratung und wir analysieren Ihren Fall.