Il 15 settembre 2026 Typesafe AI è uscita da due anni di lavoro in stealth con Jev, un modello che non scrive testo e non conversa: riceve dati non strutturati e restituisce decisioni tipizzate con una probabilità attaccata. Il nome, va detto subito, è quello del modello di Typesafe e non ha niente a che vedere con le sigle mediche omonime che affollano la stessa ricerca. Il post di annuncio è rimasto in cima a Hacker News per gran parte della giornata di lancio, con una discussione fitta già nelle prime ventiquattr’ore, e il motivo è una coppia di affermazioni molto forti: 100 volte più veloce dei grandi LLM sui compiti di decisione, e impossibilitato ad allucinare per scelta architetturale. Vale la pena capire in che senso preciso la seconda è vera.
In questo articolo scoprirai:
- Cos'è Jev di Typesafe e cosa sono i System One Model
- Perché Jev non può allucinare: cosa garantisce davvero lo schema
- Jev 100 volte più veloce dei LLM: da dove arrivano i numeri di Typesafe
- A cosa serve Jev: classificare, instradare e fare da guardrail agli agenti AI
- Jev frontier model: le obiezioni degli sviluppatori dopo il lancio
Cos’è Jev di Typesafe e cosa sono i System One Model
Typesafe definisce Jev «una chiamata di funzione a intelligenza di frontiera: stato non strutturato in ingresso, decisioni probabilistiche tipizzate in uscita» e lo presenta come il primo esemplare di una categoria nuova, i System One Model: modelli costruiti per prendere decisioni rapide e strutturate che il software può usare direttamente, non per ragionare a lungo (Typesafe AI). Il riferimento è alla distinzione di Kahneman fra pensiero veloce e pensiero lento: la famiglia opposta è quella dei modelli di ragionamento, quelli che spendono tempo prima di rispondere, come la linea o1 di OpenAI.
La differenza pratica con un large language model sta nel modo di produrre l’output. Un LLM genera un token alla volta, in sequenza, e ogni token dipende dal precedente: è il meccanismo che spieghiamo in dettaglio in come funziona davvero un modello di AI. Jev usa invece un sampler parallelo che genera tutte le risposte in una sola query: aggiungere domande a una richiesta cambia pochissimo il tempo di risposta, perché non c’è una catena da srotolare (TrueFoundry).
Le tre domande che Jev accetta: Bool, Choice e Score
Le domande ammesse sono di tre tipi: Bool (sì/no con probabilità), Choice (una fra N opzioni, con la distribuzione completa) e Score (una posizione su una scala ordinata). Lo spazio di output massimo è di 255 scelte, dichiarate nello schema prima della chiamata. Il metodo di addestramento è RLCD, Reinforcement Learning for Calibrated Decisions: invece di ottimizzare il testo che gli umani preferiscono, ottimizza probabilità oneste sui compiti di decisione (DataCamp). Dietro c’è Diogo Almeida, fondatore ed ex OpenAI, e 40 milioni di dollari di seed.
Perché Jev non può allucinare: cosa garantisce davvero lo schema
Qui sta il punto che conviene non annacquare. L’affermazione «non può allucinare» è vera, ma in un senso molto più stretto di come suona in un titolo. Se lo spazio delle risposte è dichiarato in anticipo ed è finito, il modello non può emettere nulla che stia fuori da quell’insieme: un errore di tipo non è improbabile, è indisponibile, scrive TrueFoundry analizzando l’architettura (TrueFoundry). Typesafe riporta di conseguenza 0% di errori sull’output strutturato e 0% sulle tool call (DataCamp). È una garanzia sintattica: riguarda la forma della risposta, non la sua correttezza.
Cosa Jev può sbagliare comunque: l’etichetta giusta fra quelle ammesse
Jev non può restituire un campo che non esiste nello schema. Può restituire con tutta tranquillità il valore sbagliato fra quelli ammessi: può dire reparto = fatturazione con una distribuzione di probabilità perfettamente valida mentre il reparto corretto era quello tecnico. Una Choice sbagliata non è un errore di tipo, ma resta un errore con conseguenze operative (Kingy AI). Anche The Register è arrivata alla stessa conclusione: il fatto che l’output non sia linguaggio naturale esclude le citazioni inventate, non le decisioni sbagliate (The Register).
C’è un secondo limite, meno pubblicizzato. La calibrazione prodotta da RLCD è aggregata, non individuale: significa che le risposte date al 90% di probabilità sono corrette circa nel 90% dei casi su molte predizioni, e non dice nulla sull’affidabilità della singola risposta che hai davanti (Flavio Copes). Chi lavora con i modelli linguistici conosce già la differenza fra un output ben formato e un output giusto: Jev la chiude su un lato solo, e lo dichiara.
Jev 100 volte più veloce dei LLM: da dove arrivano i numeri di Typesafe
I numeri dichiarati sono grossi. Latenza end-to-end fra 70 e 500 millisecondi, con la maggior parte delle query intorno ai 100 ms, contro i 3-329 secondi attribuiti ai modelli frontier di confronto; in homepage il claim diventa «193,6x più veloce, 444,6x più economico», mentre sui workflow di valutazione il margine dichiarato è 40x-200x (Typesafe AI). Le misure di latenza, però, sono prese dalla West Coast americana: da qui ci si aggiunge la rete, e i moltiplicatori vanno letti come un soffitto, non come quello che misurerai tu (Flavio Copes).
Sull’accuratezza il quadro è più sobrio, ed è Typesafe stessa a pubblicarlo: 67,8% sul benchmark interno a quattro workflow, sostanzialmente alla pari con GPT-5.6 Terra (67,9%) ma sotto GPT-5.6 Sol (74,1%) e Claude Opus 5 (73,1%) (DataCamp). Sul processamento fatture il divario è netto: 61,8% contro il 79,1% di Sol (Kingy AI). Va aggiunto che non esiste un benchmark pubblico standard: gli eval sono interni, scritti dal team di Typesafe, e le risposte di riferimento arrivano da modelli OpenAI e Anthropic invece che da verità verificata. L’azienda ammette il possibile bias, ma nessuna riproduzione indipendente su larga scala è ancora emersa.
Quanto costa Jev: 0,042 dollari per milione di token in input
Il prezzo è la parte più aggressiva dell’annuncio: 0,042 dollari per milione di token in input e output gratuito, «troppo economico per essere contabilizzato», contro i 0,20-10 dollari per milione dichiarati per gli LLM di confronto. Tradotto per decisione: circa 0,0004 dollari a caso contro 0,0304 (Terra) e 0,1761 (Opus 5) (DataCamp). Typesafe però scrive nero su bianco di non poter dimostrare che il prezzo non sia sussidiato, e che la sostenibilità andrà provata sul lungo periodo (Typesafe AI). Chi fa i conti su un business case di AI generativa dovrebbe tenerne conto.
A cosa serve Jev: classificare, instradare e fare da guardrail agli agenti AI
I casi d’uso dichiarati sono cinque verbi: classificare, instradare, assegnare punteggi, estrarre, ramificare. A questi si aggiungono il map-reduce su grandi volumi di dati e la verifica dell’output di un altro modello. LangChain ha già mostrato due middleware costruiti su Jev: uno di routing dei modelli, che valuta la richiesta in arrivo e la manda al modello giusto, economico se il compito è banale, capace se serve ragionamento, e una modalità automatica in cui Jev ispeziona le tool call rischiose e le blocca prima che l’agente le esegua (LangChain). È il tipo di controllo che serve a chi costruisce agenti AI su misura per la propria azienda.
È esattamente il punto dolente di chi costruisce agenti AI: dentro un ciclo agentico ogni decisione intermedia oggi costa una chiamata a un LLM completo, in latenza e in soldi, e il collo di bottiglia è lì, non nella capacità del modello grande. È la stessa pressione che sta spingendo l’ottimizzazione del function calling sui modelli on-device. Con l’output gratuito, aggiungere una domanda a una richiesta costa quasi nulla, e questo cambia quali controlli ha senso mettere su ogni singolo passaggio.
Restano vincoli precisi da conoscere prima di provarci. Jev fallisce in modo affidabile sui compiti matematici: non conta gli elementi, non confronta date, non fa aritmetica, il conto lo fai nel codice e gli passi il risultato. E l’accuratezza cala man mano che lo stato si riempie di contenuto irrilevante per la decisione, quindi filtrare gli input non è un’ottimizzazione ma un obbligo (Flavio Copes).
Jev frontier model: le obiezioni degli sviluppatori dopo il lancio
L’obiezione più ricorrente fra gli sviluppatori dopo il lancio non riguarda l’architettura ma l’etichetta: chiamare «frontier model» qualcosa che non sostiene una conversazione, non genera testo libero e non vede immagini significa prendere in prestito una credibilità che il modello non si è guadagnato da sé (Kingy AI). Ridotto all’osso, Jev è un classificatore zero-shot che accetta testo grezzo in ingresso e lo etichetta con l’accuratezza dichiarata di un modello di frontiera: una descrizione poco lusinghiera sulla carta, ma che coincide con quello che l’azienda stessa promette di saper fare. Il confronto ricorrente è con i moduli di predizione tipizzata di DSPy: stessa idea di trattare la chiamata AI come una funzione tipizzata, con la differenza non piccola di avere un modello costruito per il compito invece di un LLM forzato dentro al compito.
Jev accanto ai modelli generativi: come provarlo in shadow mode
Anche la dimostrazione più citata gioca su questo registro: The Register ha titolato sul fatto che il modello, alimentato con lo stato di gioco strutturato, riesce a giocare a Doom, spettacolare, e insieme un promemoria che qui si decide, non si scrive (The Register). Per chi costruisce software, il modo sensato di leggere il lancio è questo: non un sostituto dei modelli generativi, ma una primitiva di decisione da mettere accanto a loro, nella stessa logica di divisione del lavoro che separa AI generativa e AI tradizionale.
Jev è in early access su lista d’attesa, e il consiglio più ripetuto da chi l’ha provato è di farlo girare in shadow mode per settimane, loggando le risposte accanto al sistema esistente, prima di lasciargli decidere qualcosa davvero. Se serve un ripasso su come lavora la controparte generativa, la trovi in come funziona davvero l’AI generativa; e se il pezzo mancante è il servizio attorno al modello, ne abbiamo scritto in AI agent enterprise.
Fonti:
- Typesafe AI, Introducing System One Models and Jev
- TrueFoundry, analisi dell’architettura di Jev
- DataCamp, System One Models e i benchmark di Jev
- Kingy AI, recensione del modello che non genera testo
- The Register, Typesafe AI debutta con un modello che gioca a Doom
- Flavio Copes, Jev, note pratiche su latenza e calibrazione
- LangChain, Building a harness with Jev
Domande frequenti
Jev può sostituire un LLM come GPT o Claude?
No, e Typesafe non lo sostiene. Jev non genera testo libero, non conversa e non elabora immagini: prende decisioni strutturate su uno spazio di risposte dichiarato in anticipo. Va pensato come una primitiva di decisione da affiancare a un modello generativo, non come un suo rimpiazzo.
Che cosa significa esattamente che Jev non può allucinare?
Significa che non può produrre un output fuori dallo schema dichiarato: niente campi inventati, niente citazioni fabbricate, niente tool call malformate. È una garanzia sintattica sulla forma della risposta. Jev può comunque scegliere l'opzione sbagliata fra quelle ammesse, ed è un errore con conseguenze operative reali.
Quanto costa Jev e come si accede?
Typesafe dichiara 0,042 dollari per milione di token in input con output gratuito, contro i 0,20-10 dollari per milione degli LLM di confronto. L'azienda ammette però di non poter dimostrare che il prezzo non sia sussidiato. Il modello è in early access su lista d'attesa.
Su quali compiti Jev non va usato?
Sui compiti matematici: non conta elementi, non confronta date, non fa aritmetica, e fallisce in modo prevedibile. Il calcolo va fatto nel codice, passando a Jev il risultato. L'accuratezza cala anche quando lo stato in ingresso contiene molto materiale irrilevante per la decisione, quindi filtrare gli input è obbligatorio.
