Model Jev od TypeSafe AI: Kiedy sztuczna inteligencja podejmuje decyzje zamiast pisać

Sztuczna inteligencja kojarzy się przede wszystkim z generowaniem treści – pisaniem artykułów, tworzeniem kodów programistycznych czy redagowaniem maili. Jednak w świecie systemów automatycznych taka elastyczność bywa problematyczna. Tradycyjne duże modele językowe (LLM) odpowiadają token po tokenie, przez co wymagają dodatkowego kodu do parsowania i walidacji formatu JSON, a czasem po prostu zmyślają informacje. Zmienia to podejście nowoczesne rozwiązanie zaprezentowane przez TypeSafe AI.

15 września 2026 roku w trybie wczesnego dostępu (early access) zadebiutował Jev. Jest to pierwszy model typu „System One” stworzony przez firmę z San Francisco, którą założył Diogo Almeida – były badacz OpenAI i jeden ze współautorów metody RLHF. Projekt od razu przyciągnął uwagę społeczności technologicznej, zbierając rundę finansowania w wysokości 40 milionów dolarów liderowaną przez DCVC. Jev nie zajmuje się redagowaniem tekstu ani złożonym rozumowaniem, lecz skupia się na szybkim, mierzalnym osądzaniu sytuacji.

Nazwa „System One” nawiązuje do koncepcji szybkiego i intuicyjnego myślenia. Podczas gdy standardowe LLM odpowiadają za system drugi – powolny i deliberatywny – oprogramowanie użytkowe w firmach bardzo często potrzebuje błyskawicznych, konkretnych rozstrzygnięć. Zamiast budować skomplikowane systemy opakowujące tradycyjne modele językowe, programistaszczą warstwę decyzyjną opartą na twardych danych i statystyce.

Jak działa Jev i czym różni się od tradycyjnych LLM?

Tradycyjny model językowy generuje prozę. Kiedy program chce dowiedzieć się, czy napływający bilet (ticket) od klienta jest pilny i do jakiego działu powinien trafić, wysyła zapytanie i musi ufać, że odpowiedź zmieści się w narzuconym formacie. Często kod wokół LLM służy wyłącznie do tego, by przekształcić nieuporządkowany tekst w zmienną zrozumiałą dla programu.

Jev eliminuje ten etap. Model otrzymuje tzw. stan (state), czyli kontekst taki jak wiadomość, dokument lub historia działań agenta, oraz zestaw pytań zadeklarowanych jako konkretne typy danych. W zamian zwraca precyzyjną wartość oraz rozkład prawdopodobieństwa. W tym procesie nie ma nic do parsowania, a system nie może wymyślić kategorii spoza wcześniej zdefiniowanej listy.

Przełom polega na tym, że zamiast marnować zasoby obliczeniowe na generowanie tysięcy niepotrzebnych słów, otrzymujemy czystą strukturę danych. Dobrym przykładem możliwości modelu była krążąca w sieci demonstracja, w której Jev grał w grę Doom – na podstawie pojedynczego kadrów zwracał bezpośrednio kolejny ruch sterujący bez żadnych komentarzy czy opisów słownych.

Trzy podstawowe typy pytań w architekturze Jev

Cała interakcja z API opiera się na trzech głównych prymitywach. Każde pytanie zadawane modelowi musi należeć do jednego z określonych typów:

• Choice – odpowiada za wybór opcji z zamkniętej listy. Zwraca wybraną pozycję, jej stopień pewności oraz prawdopodobieństwo dla każdego z wariantów (np. określenie, do jakiego działu skierować zgłoszenie klienta).
• Score – określa poziom w uporządkowanej skali od 2 do 10 poziomów. Zwraca wyliczony punkt, wskaźnik ufności oraz rozkład dla każdego stopnia (np. ocena poziomu frustracji klienta w skali od 1 do 5).
• Noul – odpowiada binarnie tak lub nie, zwracając prawdopodobieństwo prawdziwości stwierdzenia w przedziale od 0 do 1 (np. sprawdzenie, czy dana wiadomość zawiera żądanie zwrotu towaru).

  Wartość wskaźnika pewności i zarządzanie kosztami

  Jednym z najciekawszych elementów inżynieryjnych w modelu Jev jest rozdzielenie samej odpowiedzi od poziomu pewności (confidence). W tradycyjnych LLM model zwraca kategorię z taką samą pozorną pewnością, niezależnie od tego, czy jest jej pewny, czy ma ogromne wątpliwości. Jev wylicza pewność na podstawie kształtu rozkładu prawdopodobieństwa.

  Jeśli prawdopodobieństwo mocno koncentruje się wokół jednej opcji, wskaźnik pewności jest wysoki. Jeżeli jest ono rozproszone między dwa lub trzy warianty, system wie, że sytuacja jest niejasna. Pozwala to na stworzenie bezpiecznej architektury: gdy pewność modelu jest wysoka, oprogramowanie działa automatycznie; gdy jest niska, zadanie trafia do weryfikacji przez człowieka lub do droższego, bardziej zaawansowanego modelu.

  W codziennym użytkowaniu istotne są również parametry ekonomiczne i wydajnościowe. Koszt operacyjny wynosi 0,042 USD za milion tokenów wejściowych, natomiast tokeny wyjściowe są całkowicie darmowe. Z kolei publikowana latencja mieści się w przedziale od 70 do 500 milisekund.

  Co to oznacza dla małej firmy?

  Właściciele mniejszych biznesów – niezależnie od tego, czy prowadzą działalność w Katowicach, Bielsku-Białej czy Czechowicach-Dziedzicach – coraz częściej wdrażają technologie usprawniające codzienne procesy. Automatyzacja rutynowych zadań biurowych, takich jak kategoryzacja wiadomości od kontrahentów czy wstępna filtracja zgłoszeń serwisowych, pozwala zaoszczędzić cenny czas.

  Model taki jak Jev pokazuje, że nowoczesna automatyzacja AI przestaje być technologią podatną na błędy językowe, a staje się precyzyjnym narzędziem decyzyjnym. Zamiast obawiać się, że sztuczna inteligencja wygeneruje niepoprawną lub zbyt długą wypowiedź, małe firmy mogą wykorzystywać algorytmy do bezbłędnego kierowania procesami, integrując je ze swoimi systemami bez ryzyka niekontrolowanego „zmyślania” faktów.

  Dzięki temu systemy obsługi zapytań czy powiadomień działają stabilnie, a właściciel ma pewność, że oprogramowanie reaguje wyłącznie na podstawie twardych reguł i zmierzonych prawdopodobieństw. Rozwiązania tego typu coraz silniej wchodzą do nowoczesnych narzędzi wspomagających prowadzenie biznesu w sieci.

  Podsumowanie

  Model Jev od TypeSafe AI to interesujący krok w stronę wyspecjalizowanych modeli decyzyjnych. Rezygnacja z generowania tekstu na rzecz zwrotu typowanych wartości z określoną pewnością rozwiązuje wiele problemów znanych z wdrażania tradycyjnych LLM. Choć niezależne benchmarki dopiero muszą potwierdzić oficjalne statystyki, podejście polegające na stosowaniu modelu szybkiego osądu jako warstwy wstępnej zapowiada ciekawy kierunek rozwoju oprogramowania automatycznego.