Jev: la nuova AI che non vuole parlare con te, ma prendere decisioni

Nel mondo dell’intelligenza artificiale siamo abituati a modelli come ChatGPT e Claude: scrivi una domanda, il modello elabora la richiesta e genera una risposta parola dopo parola.

Jev nasce con un’idea completamente diversa.

Presentato da TypeSafe AI nel settembre 2026, Jev appartiene a una nuova categoria chiamata “System One”. Non è pensato principalmente per chattare, scrivere articoli o creare testi: è progettato per prendere decisioni che possono essere utilizzate direttamente dal software.

Come funziona Jev?

Immaginiamo un normale chatbot.

Gli dici:

“Questo messaggio di un cliente riguarda un problema di pagamento?”

Un LLM tradizionale potrebbe rispondere:

“Sì, il messaggio sembra riguardare un problema relativo a un pagamento…”

Per arrivare a questa risposta deve generare testo, normalmente token dopo token.

Jev lavora in modo diverso.

Gli dai il contenuto:

“Mi avete addebitato due volte lo stesso acquisto.”

E una domanda:

Categoria: Pagamento / Tecnico / Vendite / Altro

Jev può quindi restituire direttamente una decisione strutturata, per esempio:

Pagamento — 96%

Questa informazione può essere utilizzata immediatamente dal programma, senza dover interpretare una frase generata dall’AI.

In pratica, qual è la differenza?

AI tradizionale:

Dati → ragionamento → testo → il software deve interpretare il testo

Jev:

Dati → decisione strutturata → il software utilizza direttamente il risultato

È una differenza apparentemente piccola, ma molto importante quando l’AI deve lavorare all’interno di un’applicazione.

Jev non è un chatbot

Questa è probabilmente la cosa più importante da capire.

Jev non è stato progettato per sostituire ChatGPT quando vuoi conversare con un’AI.

Il suo lavoro è diverso.

È pensato per situazioni in cui un programma deve continuamente prendere piccole decisioni:

• Sì o no?
• Quale categoria?
• Quale elemento scegliere?
• Quanto è rilevante?
• Quale azione deve essere eseguita?

Il modello restituisce quindi valori strutturati che il software può utilizzare direttamente nel proprio codice.

La vera novità: le decisioni in parallelo

Una delle caratteristiche più interessanti di Jev riguarda il parallel sampler.

Un modello autoregressivo tradizionale genera generalmente una sequenza di token. Jev è invece progettato per elaborare più decisioni in parallelo all’interno della stessa chiamata.

Facciamo un esempio.

Un sistema di assistenza clienti potrebbe avere contemporaneamente 50 domande da analizzare:

• È un reclamo?
• È un problema di pagamento?
• È urgente?
• Deve essere inoltrato a un operatore?
• Riguarda un prodotto?
• Il cliente vuole annullare l’ordine?

Invece di effettuare necessariamente una lunga serie di elaborazioni separate, più decisioni possono essere inviate ed elaborate insieme.

È un’architettura pensata meno per la conversazione e più per il funzionamento interno del software.

Anche la velocità è diversa

TypeSafe indica per Jev tempi nell’ordine di 70–500 millisecondi, a seconda dell’utilizzo, e sostiene che il modello possa essere da decine a centinaia di volte più veloce rispetto ai modelli frontier nei compiti per i quali è stato progettato.

Questi numeri sono però dati dichiarati da TypeSafe e dipendono dal tipo di workflow e dal confronto utilizzato. Non significano che Jev sia centinaia di volte più veloce in qualsiasi attività di intelligenza artificiale.

E costa pochissimo

Un altro elemento centrale del progetto è il costo.

Secondo TypeSafe, il prezzo è di circa 0,000042 dollari per 1.000 token di input, pari a circa 42 dollari per un miliardo di token.

Per applicazioni che devono effettuare milioni di decisioni, una differenza di questo tipo può diventare significativa.

Pensiamo a:

• E-commerce: milioni di classificazioni
• Cybersecurity: milioni di eventi da filtrare
• Customer service: milioni di messaggi da instradare
• AI agent: milioni di piccole decisioni

In questi casi non serve necessariamente generare ogni volta un lungo testo.

Serve una decisione.

E la “confidence”?

Jev non restituisce soltanto la decisione. Può anche restituire una probabilità associata alle diverse opzioni e, in alcuni casi, una misura di confidence.

Questo permette al software di decidere cosa fare successivamente.

Per esempio:

• 95%: esegui automaticamente
• 70%: controlla
• 40%: manda a un essere umano

È uno degli aspetti più interessanti di Jev: l’AI non deve soltanto scegliere, ma può comunicare anche quanto è sicura della scelta.

Naturalmente, una probabilità del 95% non significa che quella singola risposta sia sicuramente corretta. La calibrazione diventa particolarmente utile quando si analizzano molte decisioni nel tempo.

Tre tipi fondamentali di decisione

Jev è progettato intorno a poche primitive molto semplici:

Choice
Scegli una delle opzioni disponibili.

Score
Assegna un punteggio all’interno di una scala definita.

Noul
Una decisione sì/no rappresentata come probabilità.

Questo rende l’output molto più facile da utilizzare nel codice rispetto a una risposta libera in linguaggio naturale.

Jev elimina le allucinazioni?

Non completamente, ma l’output può essere molto più controllato.

Se il software propone:

• A — Pagamento
• B — Tecnico
• C — Vendite
• D — Altro

il modello non deve inventarsi una quinta categoria.

L’output è infatti vincolato alla struttura definita dal programmatore.

Questo può ridurre le allucinazioni di formato, ma non significa che Jev sia infallibile. Il modello può comunque prendere una decisione sbagliata.

È davvero una nuova architettura?

Secondo TypeSafe, Jev è stato costruito con una nuova architettura, un nuovo sampler e un nuovo metodo di training chiamato RLCD, cioè “Reinforcement Learning for Calibrated Decisions”.

Ma c’è una precisazione importante: non tutti i dettagli tecnici dell’architettura interna sono pubblici.

Al momento non sono disponibili pubblicamente informazioni complete su elementi come il numero di parametri, i pesi o tutti i dati utilizzati per il training.

È quindi più corretto parlare di una nuova impostazione architetturale dichiarata da TypeSafe piuttosto che di un’architettura completamente documentata e verificata dalla comunità scientifica.

RLCD: un modo diverso di addestrare l’AI

Anche il training segue un’impostazione particolare.

TypeSafe ha introdotto RLCD con l’obiettivo di ottimizzare decisioni accompagnate da probabilità calibrate.

L’idea può essere riassunta così:

non insegnare all’AI soltanto a dare una risposta, ma anche a rappresentare correttamente quanto è probabile che quella risposta sia giusta.

Jev sostituirà ChatGPT?

Probabilmente la domanda più interessante è un’altra: e se Jev e i grandi LLM venissero utilizzati insieme?

Un possibile sistema del futuro potrebbe essere:

LLM → pensa, scrive e comunica

Jev → decide e classifica

Codice → esegue

Per esempio:

Un LLM legge una richiesta del cliente e prepara la risposta.

Jev decide a quale reparto inoltrarla.

Il software esegue automaticamente l’azione.

Questa combinazione può diventare particolarmente interessante per gli AI agent, dove migliaia di piccole decisioni vengono prese continuamente.

La vera idea dietro Jev

La novità di Jev non è necessariamente avere un’AI che sa scrivere meglio.

È cercare di costruire un’AI che non abbia bisogno di scrivere affatto.

ChatGPT è pensato soprattutto per gli esseri umani.

Jev è pensato soprattutto per essere chiamato dal software.

E questa differenza potrebbe diventare importante man mano che gli AI agent entreranno nei programmi, nei sistemi aziendali e nei workflow automatici.

LLM: “Dimmi qualcosa.”
Jev: “Prendi una decisione.”

Conclusione

Jev è ancora un prodotto molto giovane e molte delle sue caratteristiche tecniche interne non sono ancora pubbliche.

Il concetto, però, è interessante: invece di usare un enorme modello generativo per ogni singola operazione, è possibile utilizzare un modello specializzato nelle piccole decisioni veloci che fanno funzionare il software.

Se questa impostazione funzionerà su larga scala, potrebbe rappresentare un nuovo tassello nell’evoluzione degli AI agent: meno testo generato, più decisioni strutturate e maggiore integrazione diretta con il software.