Il 15 settembre 2026, TypeSafe AI ha lanciato Jev in accesso anticipato insieme a un round seed da 40 milioni di dollari guidato da DCVC. In meno di due settimane, il modello è diventato uno degli argomenti più discussi tra i team di ingegneria che lavorano con l’IA in produzione.
Il motivo non è che Jev sia un LLM migliore. È che non è un LLM.
Cos’è Jev
Jev è quello che TypeSafe AI chiama un modello “System One”: un modello transformer di circa 40B parametri, addestrato esclusivamente su dati sintetici con RLCD (Reinforcement Learning for Calibrated Decisions), che restituisce valori tipizzati con probabilità calibrate anziché testo libero.
In pratica, Jev non scrive paragrafi. Classifica, punteggia e decide.
Si passa uno stato (i dati da analizzare) e una o più domande con formato definito:
- Risposte binarie: sì/no con probabilità (es: “Questa email è spam?” → sì, 0.94)
- Punteggi su scala continua: 0.0 a 10.0 (es: “Quanto rischio ha questo contratto?” → 7.3)
- Classificazioni discrete: tra le opzioni definite (es: “Questo ticket è fatturazione, supporto tecnico o logistica?” → fatturazione, 0.87)
Perché non allucina
Un LLM genera token di testo uno alla volta, scegliendo la parola successiva più probabile. In quel processo può inventare dati o citare fonti inesistenti. Jev non genera testo: restituisce valori entro uno schema definito.
Se si chiede di classificare tra “urgente”, “normale” e “bassa priorità”, la risposta è una di quelle tre opzioni con la sua probabilità.
In test di classificazione di testo zero-shot, ha raggiunto il 97,1% di precisione contro il 97,6% di un modello BERT fine-tuned.
Numeri: velocità e costo
| Metrica | Jev | LLM tipico (Sonnet/GPT-6 Sol) |
|---|---|---|
| Latenza per query | 70-500 ms | Secondi |
| Costo per 1M token input | 0,042 USD | 2-4 USD |
| Costo di output | Gratuito | 10-20 USD/M token |
| Elaborazione 3.000 testi | ~1 min, ~0,20 USD | Minuti, vari USD |
Quando usare Jev (e quando no)
Dove Jev funziona
- Routing dei ticket di supporto: Classificare ogni ticket per categoria + urgenza
- Scoring dei lead: Punteggiare ogni lead da 0 a 10 in base ai dati CRM
- Rilevamento spam/frode: Decisione binaria rapida per transazione
- Estrazione di sentiment: Classificare recensioni e commenti in categorie predefinite
- Triage dei documenti: Questo contratto necessita revisione legale?
Dove Jev non funziona
- Generare testo (email, report, proposte)
- Riassumere documenti lunghi
- Mantenere conversazioni con clienti
- Ragionamento multi-step complesso
Architettura mista: Jev + LLM
La combinazione più efficiente per un pipeline di produzione:
- Jev classifica l’input (tipo di query, urgenza, lingua, intento)
- Un LLM genera la risposta adeguata secondo la classificazione
- Jev valuta la qualità della risposta (scoring di coerenza, rilevanza)
Limitazioni attuali
- Solo API: I pesi del modello non sono disponibili
- Nessun ragionamento complesso: Per design, Jev non ragiona a catena
- Accesso limitato: A ottobre 2026, il modello è in early access
- Nessun track record lungo: TypeSafe AI è stata fondata nel 2024
Cosa significa per le aziende
Jev non sostituisce Claude, GPT-6 o Gemini. Copre una parte del pipeline che gli LLM gestiscono con eccesso di capacità e costo: le decisioni strutturate.
Se la tua azienda elabora migliaia di input al giorno che richiedono classificazione, scoring o routing, la differenza tra 0,042 USD e 2-4 USD per milione di token è significativa.
Per valutare se Jev si adatta al tuo pipeline attuale, il nostro team di agenti IA lavora con tutti i modelli sul mercato.
Prenota una consulenza gratuita e analizziamo il tuo caso.