Jev: il nuovo modello AI di TypeSafe non è un LLM
Un nuovo tipo di modello di intelligenza artificiale cerca di cambiare il modo in cui il software utilizza l’AI. Jev, sviluppato da TypeSafe AI, non è un Large Language Model (LLM) classico e non è progettato per conversazioni. Invece, il modello produce decisioni strutturate, accompagnate da probabilità e stime di fiducia, con l’obiettivo di rendere l’automazione del software più veloce, più economica e più prevedibile.
L’idea ha rapidamente attirato l’attenzione degli sviluppatori, e l’emergere di Jev segna un possibile cambiamento di direzione nello sviluppo di applicazioni basate su intelligenza artificiale. Le informazioni sono state presentate da TechCrunch il 18 settembre 2026, in un articolo dedicato al progetto TypeSafe e a Diogo Almeida, ricercatore che ha lavorato in precedenza presso OpenAI.
Che cos’è Jev e perché è diverso da un chatbot AI?
La maggior parte dei modelli AI popolari è costruita per generare testo. ChatGPT, Claude, Gemini e altri modelli linguistici ricevono informazioni e producono sequenze di testo, il che li rende estremamente flessibili per conversazioni, programmazione, scrittura e analisi.
Jev affronta il problema in modo diverso.
Il modello sviluppato da TypeSafe AI è progettato per decisioni strutturate che il software può utilizzare direttamente. Invece di generare una risposta testuale che deve essere successivamente interpretata e convalidata da un programma, Jev restituisce valori di tipo strutturato e probabilità associate alle decisioni. TypeSafe chiama questa categoria di modelli AI “System One Models”.
Il concetto è importante per l’automazione. Se un’applicazione deve decidere se un messaggio è spam, se una transazione richiede verifica umana o se un incidente di sicurezza deve essere escalato, non ha sempre bisogno di un paragrafo generato dall’AI. Ha bisogno di una decisione chiara.
Perché TypeSafe ha creato un modello AI che non genera testo?
Secondo Diogo Almeida, fondatore di TypeSafe, il problema è legato alla differenza tra ciò che è ottimizzato per gli esseri umani e ciò che è utile per i computer.
Almeida ha lavorato in precedenza presso OpenAI ed è associato allo sviluppo di metodi come il Reinforcement Learning from Human Feedback (RLHF), utilizzati per migliorare il comportamento dei modelli linguistici. Nella sua visione, i modelli sono diventati molto bravi nel linguaggio, ma il linguaggio naturale non è sempre l’interfaccia ideale per il software.
TypeSafe cerca quindi di costruire un modello AI destinato principalmente all’uso da parte di altri programmi.
L’azienda afferma che Jev utilizza un’architettura nuova, un meccanismo di campionamento parallelo e un metodo di addestramento chiamato Reinforcement Learning for Calibrated Decisions (RLCD). Invece di ottimizzare la generazione di risposte preferite dagli esseri umani, l’obiettivo è ottenere decisioni strutturate e probabilità calibrate.
Come può Jev ridurre il problema delle allucinazioni AI?
Uno degli argomenti centrali di TypeSafe è che Jev non genera testo. In un LLM tradizionale, il modello può produrre un’affermazione errata, un codice sbagliato o un’informazione inventata. Il software deve interpretare la risposta e verificare se questa rispetta il formato atteso.
Nel caso di Jev, i risultati sono definiti in anticipo. Il modello può selezionare, ad esempio, una tra più opzioni o può fornire una probabilità per una certa decisione.
TypeSafe sostiene che questo approccio elimina gli errori di tipo (type errors) perché la struttura del risultato è definita prima che il modello produca la decisione. L’azienda afferma, inoltre, che ogni risultato è accompagnato da una stima della fiducia.
Tuttavia, è importante una distinzione: il fatto che il modello produca risultati strutturati non significa che tutte le sue decisioni siano automaticamente corrette. Gli utenti devono stabilire soglie per l’automazione e le situazioni in cui una decisione deve essere inviata per verifica umana.
Jev è più veloce dei modelli AI tradizionali?
La velocità è una delle principali promesse di TypeSafe. L’azienda afferma che Jev può rispondere in circa 70-500 millisecondi, a seconda del compito, e che il suo approccio può essere di ordini di grandezza più veloce in alcuni scenari di automazione. Questi valori sono affermazioni di TypeSafe e devono essere interpretati nel contesto dei test e dei flussi di lavoro presentati dall’azienda, non come una regola universale per tutte le applicazioni AI.
La pubblicazione TechCrunch riporta esempi concreti forniti dagli sviluppatori. Un ingegnere software di Vercel ha affermato che, in un classificatore per la verifica della sicurezza degli ordini, il passaggio da un modello OpenAI a Jev ha portato a risultati da 5 a 18 volte più veloci e a una maggiore accuratezza nel test. Un altro sviluppatore ha confrontato Jev con Gemini per la classificazione delle email commerciali e ha riportato un compromesso tra accuratezza, costo e disponibilità dei punteggi di fiducia.
Questi sono risultati di test specifici, non benchmark indipendenti che dimostrano la superiorità generale del modello.
Quanto costa Jev?
Il costo ridotto è un’altra componente importante della strategia TypeSafe. Sulla pagina ufficiale del prodotto, l’azienda indica un prezzo di 42 dollari per un miliardo di token di input, mentre i token di output sono presentati come gratuiti. TypeSafe sostiene che l’architettura è molto più efficiente per compiti decisionali rispetto ai modelli linguistici tradizionali.
Per le applicazioni che elaborano volumi molto grandi di dati, la differenza di costo può diventare rilevante.
Ad esempio, un sistema che classifica milioni di documenti, verifica costantemente flussi di dati o monitora agenti AI potrebbe aver bisogno di milioni o miliardi di valutazioni. In tali situazioni, ogni riduzione del costo per operazione può cambiare la fattibilità economica di un prodotto.
Per cosa può essere usato Jev?
Jev non cerca di sostituire tutti gli usi di un chatbot. I casi d’uso presentati da TypeSafe sono concentrati su automazione e decisioni all’interno del software.
Tra gli esempi ci sono:
- classificazione automatica di documenti e messaggi;
- elaborazione delle fatture;
- rilevamento e prioritizzazione di incidenti di sicurezza;
- monitoraggio di agenti AI;
- rilevamento di tentativi di jailbreak;
- instradamento delle richieste al modello AI appropriato;
- valutazione del rischio;
- sistemi di scoring;
- flussi software che devono scegliere tra più azioni;
- applicazioni in tempo reale dove la latenza è critica.
TypeSafe presenta anche flussi di lavoro per incidenti di sicurezza, elaborazione delle fatture, servizi per clienti e osservabilità degli agenti AI.
Jev può lavorare insieme ad altri modelli tipo LLM
Una delle idee interessanti è che Jev non deve necessariamente sostituire i modelli linguistici. Il modello può essere utilizzato come un strato di verifica per altri agenti AI. Ad esempio, un LLM può generare una risposta o eseguire una serie di azioni, e Jev può analizzare il risultato e decidere se deve essere accettato, rifiutato o inviato a un operatore umano.
Questa architettura può essere rilevante man mano che le applicazioni utilizzano sempre più agenti AI autonomi. Invece di verificare manualmente ogni agente, un modello specializzato nelle decisioni può funzionare come un filtro automatico.
Cosa significa “System One Model”?
Il nome deriva dalla distinzione popolarizzata dallo psicologo Daniel Kahneman tra pensiero veloce e intuitivo e pensiero lento e deliberato.
TypeSafe utilizza il concetto per descrivere modelli focalizzati su decisioni rapide e strutturate, a differenza dei modelli progettati per ragionamenti estesi e generazione di linguaggio.
Jev è il primo modello pubblico di questa categoria sviluppato da TypeSafe e si trova attualmente in accesso anticipato.
Cosa tenere d’occhio prima di considerare Jev un’alternativa a LLM?
La domanda più importante è se i modelli specializzati possono trasformare le promesse di efficienza in risultati consistenti in produzione.
TypeSafe pubblica le proprie valutazioni e spiega la metodologia utilizzata. L’azienda avverte anche sulle limitazioni delle valutazioni e sostiene che i benchmark pubblici possono creare incentivi per l’ottimizzazione artificiale dei risultati.
Pertanto, affermazioni come “193,6x più veloce” o “444,6x più economico” devono essere lette come risultati riportati da TypeSafe per determinati metodi di lavoro, non come una caratteristica universale di Jev in qualsiasi applicazione. Il sito dell’azienda presenta questi valori nel contesto di test propri.
Per gli sviluppatori, testare sui propri dati e flussi di lavoro rimane essenziale.
Perché questo modello è importante per il futuro dell’intelligenza artificiale?
Jev illustra un’idea più ampia: il futuro dell’AI non deve essere composto esclusivamente da modelli che dialogano con gli esseri umani.
In alcune applicazioni, il linguaggio naturale può essere un’interfaccia inutilmente costosa. Se un programma ha bisogno solo della risposta “approvato”, “rifiutato”, “sviluppa” o di una distribuzione di probabilità, generare un intero paragrafo può essere un passaggio intermedio superfluo.
Il modello TypeSafe cerca di avvicinare l’intelligenza artificiale al codice e alla logica delle applicazioni: i dati entrano, il modello valuta la situazione e il software riceve una decisione strutturata.
Questo approccio potrebbe diventare rilevante nell’automazione enterprise, nella cybersecurity, nell’elaborazione dei documenti, negli agenti AI e nelle applicazioni con requisiti di latenza rigorosi.
Per il momento, Jev è un prodotto all’inizio del suo percorso e disponibile in accesso anticipato. Tuttavia, la sua comparsa evidenzia una direzione importante nell’industria AI: non ogni problema ha bisogno di un chatbot, e alcuni dei modelli AI più utili per il software potrebbero essere quelli che non generano affatto testo.
Fonti: typesafe.ai, techcrunch.com
