Jev di TypeSafe AI: il System One model che risponde in JSON e ti dice quanto è sicuro della decisione

Jev di TypeSafe AI è un modello pensato per essere usato dal software: riceve una domanda strutturata e restituisce sempre una decisione in JSON, con le probabilità di ogni opzione e un confidence score da 0 a 1. Costa 0,042 dollari per milione di token in input, l’output è gratuito e risponde in 70-500 millisecondi. Il confidence score è il motivo per cui ne parlo: TypeSafe AI lo presenta come un modo per combattere l’overconfidence dei large language model.

Cos’è Jev di TypeSafe AI?

Jev è il primo modello della famiglia che TypeSafe AI chiama System One model. La startup l’ha presentato il 15 settembre 2026 con un post firmato da Diogo Almeida, fondatore di TypeSafe AI ed ex OpenAI, dove ha lavorato ai metodi di addestramento alla base di ChatGPT.

Un LLM come ChatGPT o Claude genera testo per una persona che lo legge. Jev genera decisioni per un programma che le usa. Jev non chatta, non spiega e non scrive codice: sceglie, valuta e dice se un’affermazione è vera.

Quali sono le tre primitive di Jev?

Jev lavora con tre tipi di domanda:

• Choice: sceglie un’opzione da una lista e restituisce la probabilità di ciascuna.
• Score: valuta i dati che gli passi su una scala di livelli.
• Noul: dice se un’affermazione è vera, con un valore da 0 a 1.

Un esempio concreto: passi a Jev un ticket di supporto e gli chiedi a quale team inoltrarlo, quanto è grave e quanto è urgente. Ricevi tre risposte strutturate, pronte da usare nel codice.

Perché Jev è pensato per il software?

Jev restituisce sempre dati strutturati in JSON, nella forma che hai definito tu. Per questo Jev si inserisce direttamente dentro un’applicazione, senza bisogno di interpretare un testo.

Con gli LLM il JSON a volte arriva con dei campi mancanti, e un campo mancante basta a rendere instabile il software che lo legge. Su questo ho già scritto perché un JSON valido non basta a far rispettare i vincoli del tuo software. Gli LLM sono anche più lenti: TypeSafe AI indica per i modelli di frontiera tempi da 3 a 329 secondi, contro i 70-500 millisecondi di Jev.

Quanto costa Jev rispetto a un LLM?

Secondo TypeSafe AI:

• Jev costa 0,042 $ per milione di token in input, cioè 42 $ per miliardo;
• l’output è gratuito;
• negli LLM esistenti l’input va da 0,20 a 10 $ per milione di token e l’output costa circa 5 volte l’input;
• nei test di TypeSafe AI su flussi di lavoro adatti a un System One model, Jev è risultato 193,6 volte più veloce e 444,6 volte più economico.

Sono numeri dichiarati dall’azienda, su compiti scelti per Jev, e la stessa TypeSafe AI li colloca nella fascia alta dei guadagni reali. Prima di contarci, vanno misurati sul proprio caso d’uso.

Cos’è il confidence score di Jev e perché conta?

Il confidence score è la parte più interessante di Jev. Con Choice e Score, Jev restituisce la risposta, la probabilità di ogni opzione e un confidence score che riassume quanto è netta la decisione. Il confidence score vale 1 quando tutta la probabilità è su un’opzione sola e 0 quando è distribuita in modo uniforme.

Il confidence score è un numero, quindi è misurabile. E un numero lo puoi mettere in una condizione del tuo codice. Per esempio:

• con 0,9 accetti la decisione in automatico;
• con 0,6 fai un controllo in più;
• con 0,4 passi la richiesta a un altro large language model o a una persona.

La documentazione di TypeSafe AI suggerisce la stessa logica: soglie più alte per le azioni rischiose, più basse per quelle di sola lettura, da tarare sui propri dati.

Come può Jev ridurre l’overconfidence degli LLM?

Uno dei problemi degli LLM di oggi è che a volte rispondono "sì, sono sicuro" quando in realtà non lo sono. TypeSafe AI scrive che gli LLM tendono a essere troppo sicuri e incoerenti, e mette questa overconfidence al centro della proposta di Jev.

Secondo TypeSafe AI la causa sta nell’addestramento. Gli LLM sono addestrati con RLHF (reinforcement learning from human feedback), che li ottimizza per dare risposte che piacciono alle persone. Jev è addestrato con un metodo che TypeSafe AI chiama RLCD (Reinforcement Learning for Calibrated Decisions): l’obiettivo è una risposta accompagnata da una confidenza affidabile dal punto di vista statistico.

Vedo due usi concreti per Jev. Il primo è dentro le applicazioni, per smistare, classificare e valutare dati senza i tempi e i costi di un LLM. Il secondo è come strato intermedio tra l’interfaccia di un chatbot come ChatGPT e il large language model: le probabilità e il confidence score di Jev servirebbero a intercettare le risposte che sembrano sicure ma non lo sono.

Si può già usare Jev?

Jev è in early access e non è ancora aperto a tutti. Ci si iscrive alla lista d’attesa dal sito di TypeSafe AI, che fa entrare gli sviluppatori a scaglioni.

Se nel tuo software ci sono decisioni ripetitive, come smistare ticket o classificare richieste, Jev è un modello che ti dice anche quanto fidarti della risposta. Vale la pena metterti in lista e provarlo sui tuoi dati.