Jev remplace les réponses par des décisions

TypeSafe dévoile Jev, un modèle qui remplace la génération de texte par des décisions structurées, facturées 0,042 dollar par million de tokens en entrée.

Une intelligence artificielle qui ne rédige aucune réponse, mais choisit une option, attribue une note ou estime la probabilité qu’une affirmation soit vraie. C’est le compromis proposé par Jev, le premier modèle public de TypeSafe, conçu pour prendre des décisions directement exploitables par un programme.

Présenté le 15 septembre 2026, Jev inaugure une catégorie que l’entreprise appelle « System One Models ». Le nom fait référence au « système 1 » décrit par Daniel Kahneman : une manière de penser rapide et intuitive, par opposition au raisonnement lent et délibéré associé au système 2.

TypeSafe ne cherche donc pas à remplacer un assistant conversationnel. Jev ne peut pas rédiger un courriel, produire du code, expliquer sa réponse ou poursuivre une conversation. Il reçoit un état décrivant une situation et une série de questions définies à l’avance, puis retourne des valeurs structurées avec des probabilités.

Ce renoncement à la génération de texte constitue le cœur du projet. Un grand modèle de langage produit généralement sa réponse token après token. Chaque élément dépend de ceux qui le précèdent, ce qui permet d’écrire des contenus de longueur et de forme très variables, mais impose un calcul séquentiel.

Jev traite plusieurs questions en parallèle. Puisqu’il ne doit pas construire une phrase, il peut calculer directement les réponses attendues et les transmettre sous une forme que le programme connaît déjà. TypeSafe annonce ainsi une latence comprise entre 70 et 500 millisecondes selon la requête.

La documentation propose trois types de questions. `Choice` sélectionne une option dans une liste et retourne la probabilité associée à chacune. `Score` évalue la situation selon plusieurs niveaux ordonnés. `Noul` répond à une question binaire par une valeur comprise entre zéro et un.

Une application de support peut, par exemple, transmettre le message d’un client comme état. Dans une même requête, Jev peut déterminer le service concerné, évaluer le niveau de frustration et estimer le caractère urgent de la demande. Le code décide ensuite s’il doit afficher une réponse, déclencher une action ou transférer le dossier à une personne.

Les trois formats peuvent être mélangés dans un seul appel. Chaque question est examinée indépendamment à partir du même état. Selon TypeSafe, en ajouter plusieurs modifie peu le temps de réponse, puisque leurs résultats sont calculés simultanément.

Cette indépendance possède aussi une contrepartie. Une question ne voit pas automatiquement la réponse donnée aux autres. Lorsqu’une décision dépend de plusieurs facteurs, l’équipe doit les séparer puis écrire les règles qui les combinent.

Au lieu de demander directement si une facture doit être payée, un développeur peut faire évaluer sa conformité avec le bon de commande, la présence des justificatifs, le risque de doublon et la cohérence des coordonnées bancaires. Le programme applique ensuite les règles de paiement ou d’escalade.

TypeSafe décrit cette approche comme une série de « conditions intelligentes ». Le modèle s’occupe des jugements difficiles à coder précisément, tandis que les calculs, les seuils et les actions restent déterministes. Le logiciel conserve ainsi le contrôle de la procédure.

Cette organisation rapproche Jev d’une fonction spécialisée plutôt que d’un agent autonome. Son intérêt apparaît dans les systèmes qui doivent classer, filtrer, noter ou orienter un volume important de données : traitement de factures, modération, surveillance d’agents, détection d’incidents, priorisation de demandes ou contrôle de conformité.

Le modèle peut également servir à vérifier le travail d’une autre IA. Une application peut lui demander si une réponse respecte une politique, si un appel d’outil paraît dangereux ou si une trace d’agent doit être examinée. Jev ne corrige pas lui-même le contenu : il produit le signal utilisé par le programme pour décider de la suite.

La réponse possède un type défini avant l’exécution. Un champ attendu comme choix ne peut donc pas devenir soudainement un paragraphe ou contenir une valeur absente de la liste. TypeSafe présente cette propriété comme une garantie mathématique contre les erreurs de format.

L’entreprise va plus loin dans sa communication en affirmant que Jev « ne peut pas halluciner ». Cette formulation dépend cependant d’une définition très étroite du terme. Jev ne peut pas inventer un nouveau type de sortie ni produire une option extérieure au schéma, puisqu’il ne génère pas librement de texte.

Il peut néanmoins choisir la mauvaise catégorie, attribuer une note inadaptée ou estimer une probabilité de manière incorrecte. Une décision erronée reste possible même si sa structure est valide. La garantie porte donc sur la forme de la réponse, pas sur sa vérité.

L’absence de texte réduit certains risques observés avec les modèles généralistes. Jev ne peut pas ajouter une explication fabriquée, appeler un outil avec un format inattendu ou ignorer le schéma pour poursuivre une autre tâche. Il ne fait toutefois pas disparaître les erreurs de jugement ni les problèmes contenus dans les données reçues.

TypeSafe accompagne ses décisions de probabilités et, pour `Choice` et `Score`, d’un indicateur de confiance compris entre zéro et un. Cet indicateur résume la concentration de la distribution : une option nettement dominante conduit à une confiance élevée, tandis que plusieurs possibilités proches produisent une valeur plus faible.

La documentation consacrée à la confiance propose de définir différents comportements selon ce résultat. Une décision peu risquée peut être appliquée automatiquement à un seuil modéré. Une opération financière ou irréversible peut exiger une valeur plus élevée, une confirmation supplémentaire ou une validation humaine.

Cette fonction facilite la construction de systèmes capables de reconnaître certaines situations ambiguës. Elle ne prouve pas à elle seule que les probabilités correspondent exactement au taux réel de réussite. Une mesure de confiance dérivée d’une