Je bent waarschijnlijk gewend aan moderne AI-tools die werken als een chat: je vraagt ​​er iets aan en het geeft een zorgvuldig geformuleerde alinea terug. Er is echter een nieuwe speler op de markt gekomen: Jev AI , die ervoor heeft gekozen om proza ​​helemaal achterwege te laten. Deze tool, gelanceerd door TypeSafe AI, probeert niet de volgende grote redenaar te worden of een gedicht voor je te schrijven; het enige doel is om technische beslissingen te nemen die een computerprogramma direct kan verwerken zonder woorden te hoeven analyseren.
Simpel gezegd, stel je voor dat GPT of Claude consultants zijn die een gedetailleerd rapport voor je schrijven, terwijl Jev een slimme schakelaar is . Het verspilt geen tijd aan presentaties of opsmuk; het vertelt je gewoon "ja", "nee" of "optie B". Deze aanpak is een gamechanger voor ontwikkelaars van automatiseringssystemen, omdat het de onzekerheid van tekstuele uitleg wegneemt en de operationele kosten drastisch verlaagt .
Het System One-concept en de TypeSafe-filosofie
De architectuur van Jev is gebaseerd op een merkwaardig idee ontleend aan de psychologie van Daniel Kahneman. Volgens deze theorie hebben mensen twee manieren van denken: Systeem 1, dat snel, intuïtief en automatisch is , en Systeem 2, dat traag, weloverwogen en inspannend is. TypeSafe AI heeft traditionele LLM's gepositioneerd als Systeem 2-modellen, terwijl Jev het eerste Systeem 1-model is dat speciaal voor software is ontworpen.
Diogo Almeida, de bedenker van Jev, die al aanzienlijke ervaring had bij OpenAI en had meegewerkt aan projecten zoals InstructGPT en ChatGPT, besefte dat we "kanonnen gebruikten om vliegen te doden". Vaak hoeft een programma alleen maar te weten in welke categorie een supportticket valt, en daarvoor is geen model nodig dat kan redeneren over het bestaan ​​van het universum, maar eerder een model dat nauwkeurig en snel classificeert. De naam van het model is overigens een verwijzing naar William Stanley Jevons en zijn economische paradox: wanneer een hulpbron efficiënter en goedkoper wordt, neemt het gebruik ervan doorgaans enorm toe.
Hoe werkt het technisch gezien? Jev's primitieve getallen
In tegenstelling tot generatieve modellen die tokens één voor één creëren, werkt Jev met een programmatische status en een reeks gesloten vragen. Er is geen ruimte voor improvisatie, omdat het model alleen binnen een vooraf gedefinieerd kader kan reageren. Om dit te bereiken, is de Jev API gebaseerd op drie fundamentele pijlers of primitieven:
- Keuze: Het stelt het model in staat om één optie te kiezen uit een lijst van maximaal 255 mogelijkheden. Het krachtige aspect hiervan is dat het niet alleen de winnende optie aangeeft, maar ook de fout retourneert. waarschijnlijkheid van elk alternatief en een betrouwbaarheidsindex. Het is essentieel om een ​​"andere" optie op te nemen om te voorkomen dat het model een onjuist antwoord afdwingt.
- Score: Ideaal voor het meten van intensiteit. Je definieert een schaal (van 2 tot 10 niveaus) en het model geeft een numerieke waarde terug. Dit is goud waard om te weten of een klant... erg gefrustreerd of gewoon een beetje geïrriteerdwaarbij decimale waarden zoals 1.4 worden geretourneerd.
- Noul: Het is een vereenvoudigde versie van een binaire vraag. In plaats van een simpel ja of nee, geeft het een waarschijnlijkheid tussen 0 en 1waardoor de programmeur de actiedrempel kan bepalen.
Het meest verbazingwekkende is dat Jev gebruikmaakt van parallelle sampling . Dit betekent dat je tien verschillende vragen over dezelfde tekst kunt stellen en dat Jev ze allemaal tegelijk beantwoordt. De wachttijd verandert dus nauwelijks als je meer vragen toevoegt.
Jev versus traditionele LLM's: het efficiëntieduel
Als we Jev vergelijken met een gigant als GPT-4 of Claude, is het verschil qua architectuur enorm. Terwijl een LLM tekst genereert die je vervolgens moet proberen om te zetten naar JSON (en hopen dat er geen syntaxfout in zit), retourneert Jev standaard getypte waarden . Dit betekent dat het risico op opmaakfouten simpelweg nihil is.
Wat snelheid betreft, claimt TypeSafe latenties van 70 tot 500 milliseconden . Hoewel deze cijfers, afkomstig van de fabrikant, met een korreltje zout moeten worden genomen, suggereren externe tests dat het vele malen sneller is dan de meest geavanceerde modellen. Qua kosten is de prijs van $0,042 per miljoen entry tokens (met gratis exit) belachelijk laag in vergelijking met elk generatief alternatief.
Praktische toepassingen en waar je het juist NIET moet plaatsen.
Jev blinkt met name uit in taken met een hoog volume en veel herhalingen. Een goed voorbeeld hiervan is lead routing : beslissen of een potentiële klant moet worden doorverwezen naar sales, support of gewoon moet worden afgewezen. Hij is ook onovertroffen in contentmoderatie en het creëren van beveiligingsmechanismen die analyseren of de output van een andere LLM gevaarlijk is voordat een commando wordt uitgevoerd.
Het wordt zelfs getest voor webbrowsen (zoals in het Browser-use project), waarbij Jev bepaalt op welk schermelement te klikken zonder dat een paginabeschrijving nodig is. Er zijn echter ook gebieden waar Jev tekortschiet. Als je AI nodig hebt om een ​​e-mail op te stellen , een complexe functie te programmeren of een wiskundig probleem op te lossen, is Jev nutteloos omdat het geen proza ​​genereert . Het mist ook geheugen en algemene wereldkennis; het weet alleen wat je het in de context van het gesprek geeft.
Implementatiestrategie: Het watervalmodel
De slimme manier om Jev te gebruiken is niet door je LLM te vervangen, maar door een beslissingslaag te creëren . Het succesvolle patroon is de watervalmethode: eerst filtert en classificeert Jev het verzoek vrijwel gratis; vervolgens doet de deterministische code wat hij kan; en pas in de meest complexe gevallen, of wanneer Jev weinig vertrouwen heeft in de resultaten, wordt de kostbare aanroep naar een geavanceerd redeneermodel gedaan.
Om dit te implementeren zonder iets te beschadigen, is de ideale aanpak het gebruik van een schaduwmodus . Hierbij neemt Jev parallel met het huidige systeem beslissingen, zonder de gebruiker te beïnvloeden, waardoor de betrouwbaarheidsdrempels worden gekalibreerd. Zodra je hebt bevestigd dat het model correct is in het gewenste percentage, kun je beginnen met een gefaseerde uitrol. Het is cruciaal om te begrijpen dat de gekalibreerde betrouwbaarheid van Jev statistisch is; een betrouwbaarheidsniveau van 90% voor het model betekent dat het in 90% van de vergelijkbare gevallen correct is, niet dat dit specifieke antwoord een absolute waarheid is.
De waarheid over hallucinaties en performance.
Er wordt vaak gezegd dat Jev niet hallucineert, maar dit behoeft verduidelijking. Jev kan het uitvoerformaat niet verzinnen of dingen schrijven die niet in het schema staan, maar hij kan wel de verkeerde categorie kiezen. Het is geen taalkundige hallucinatie, maar een inferentiefout . Daarom is het gebruik van waarschijnlijkheden en de betrouwbaarheidsindex de enige manier om risico's in een productieomgeving te beheersen.
In het huidige ecosysteem positioneert Jev zich als een alternatief voor diegenen die soevereiniteit en efficiëntie nastreven . Terwijl modellen zoals DeepSeek open gewichten bieden voor volledige controle, biedt Jev operationele eenvoud waardoor het rendement op investering (ROI) van een AI-agent positief blijft, zelfs bij enorme volumes, en de bottleneck van de kosten per token-output wordt weggenomen.
Dit nieuwe paradigma verschuift kunstmatige intelligentie van conversatie naar pure uitvoering, en creëert een infrastructuur waarin goedkope, massale classificatie ervoor zorgt dat de krachtigste modellen uitsluitend voor kritisch redeneren kunnen worden gereserveerd. Door getypte beslissingen en parallelle reacties te integreren, wordt Jev AI de onzichtbare motor die autonome agenten economisch haalbaar en technisch schaalbaar maakt in reële zakelijke omgevingen.