{"id":6875,"date":"2026-09-21T09:01:48","date_gmt":"2026-09-21T07:01:48","guid":{"rendered":"https:\/\/computershop.eu\/blog\/?p=6862"},"modified":"2026-09-21T09:11:29","modified_gmt":"2026-09-21T07:11:29","slug":"jev-il-nuovo-modello-ai-di-typesafe-non-e-un-llm","status":"publish","type":"post","link":"https:\/\/computershop.eu\/blog\/it\/jev-il-nuovo-modello-ai-di-typesafe-non-e-un-llm","title":{"rendered":"Jev: il nuovo modello AI di TypeSafe non \u00e8 un LLM"},"content":{"rendered":"Reading Time: <\/span> 5<\/span> minutes<\/span><\/span>\n

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 \u00e8 un Large Language Model (LLM) classico e non \u00e8 progettato per conversazioni. Invece, il modello produce decisioni strutturate, accompagnate da probabilit\u00e0 e stime di fiducia, con l’obiettivo di rendere l’automazione del software pi\u00f9 veloce, pi\u00f9 economica e pi\u00f9 prevedibile.<\/p>\n\n\n\n

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.<\/p>\n\n\n\n

Che cos’\u00e8 Jev e perch\u00e9 \u00e8 diverso da un chatbot AI?<\/h2>\n\n\n\n

La maggior parte dei modelli AI popolari \u00e8 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.<\/p>\n\n\n\n

Jev affronta il problema in modo diverso.<\/strong><\/p>\n\n\n\n

Il modello sviluppato da TypeSafe AI \u00e8 progettato per decisioni strutturate che il software pu\u00f2 utilizzare direttamente<\/strong>. Invece di generare una risposta testuale che deve essere successivamente interpretata e convalidata da un programma, Jev restituisce valori di tipo strutturato e probabilit\u00e0 associate alle decisioni. TypeSafe chiama questa categoria di modelli AI \u201cSystem One Models\u201d<\/strong>.<\/p>\n\n\n\n

Il concetto \u00e8 importante per l’automazione. Se un’applicazione deve decidere se un messaggio \u00e8 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.<\/p>\n\n\n\n

Perch\u00e9 TypeSafe ha creato un modello AI che non genera testo?<\/h2>\n\n\n\n

Secondo Diogo Almeida, fondatore di TypeSafe, il problema \u00e8 legato alla differenza tra ci\u00f2 che \u00e8 ottimizzato per gli esseri umani e ci\u00f2 che \u00e8 utile per i computer.<\/p>\n\n\n\n

Almeida ha lavorato in precedenza presso OpenAI ed \u00e8 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 \u00e8 sempre l’interfaccia ideale per il software.<\/p>\n\n\n\n

TypeSafe cerca quindi di costruire un modello AI<\/a> destinato principalmente all’uso da parte di altri programmi.<\/p>\n\n\n\n

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)<\/strong>. Invece di ottimizzare la generazione di risposte preferite dagli esseri umani, l’obiettivo \u00e8 ottenere decisioni strutturate e probabilit\u00e0 calibrate.<\/p>\n\n\n\n

Come pu\u00f2 Jev ridurre il problema delle allucinazioni AI?<\/h2>\n\n\n\n

Uno degli argomenti centrali di TypeSafe \u00e8 che Jev non genera testo. In un LLM tradizionale, il modello pu\u00f2 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.<\/p>\n\n\n\n

Nel caso di Jev, i risultati sono definiti in anticipo. Il modello pu\u00f2 selezionare, ad esempio, una tra pi\u00f9 opzioni o pu\u00f2 fornire una probabilit\u00e0 per una certa decisione.<\/p>\n\n\n\n

TypeSafe sostiene che questo approccio elimina gli errori di tipo (type errors) perch\u00e9 la struttura del risultato \u00e8 definita prima che il modello produca la decisione. L’azienda afferma, inoltre, che ogni risultato \u00e8 accompagnato da una stima della fiducia.<\/p>\n\n\n\n

Tuttavia, \u00e8 importante una distinzione: il fatto che il modello produca risultati strutturati non significa che tutte le sue decisioni siano automaticamente corrette<\/strong>. Gli utenti devono stabilire soglie per l’automazione e le situazioni in cui una decisione deve essere inviata per verifica umana.<\/p>\n\n\n\n

Jev \u00e8 pi\u00f9 veloce dei modelli AI tradizionali?<\/h2>\n\n\n\n

La velocit\u00e0 \u00e8 una delle principali promesse di TypeSafe. L’azienda afferma che Jev pu\u00f2 rispondere in circa 70-500 millisecondi, a seconda del compito, e che il suo approccio pu\u00f2 essere di ordini di grandezza pi\u00f9 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.<\/p>\n\n\n\n

La pubblicazione TechCrunch<\/a> 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 pi\u00f9 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 disponibilit\u00e0 dei punteggi di fiducia.<\/p>\n\n\n\n

Questi sono risultati di test specifici, non benchmark indipendenti che dimostrano la superiorit\u00e0 generale del modello.<\/p>\n\n\n\n

Quanto costa Jev?<\/h2>\n\n\n\n

Il costo ridotto \u00e8 un’altra componente importante della strategia TypeSafe<\/a>. Sulla pagina ufficiale del prodotto, l’azienda indica un prezzo di 42 dollari per un miliardo di token di input<\/strong>, mentre i token di output sono presentati come gratuiti. TypeSafe sostiene che l’architettura \u00e8 molto pi\u00f9 efficiente per compiti decisionali rispetto ai modelli linguistici tradizionali.<\/p>\n\n\n\n

Per le applicazioni che elaborano volumi molto grandi di dati, la differenza di costo pu\u00f2 diventare rilevante.<\/p>\n\n\n\n

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 pu\u00f2 cambiare la fattibilit\u00e0 economica di un prodotto.<\/p>\n\n\n\n

Per cosa pu\u00f2 essere usato Jev?<\/h2>\n\n\n\n

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<\/strong>.<\/p>\n\n\n\n

Tra gli esempi ci sono:<\/strong><\/p>\n\n\n\n