Jev, l’IA qui tranche sans texte et à bas coût

Jev ne génère aucun mot mais rend des décisions structurées avec un score de confiance, en une seule passe. TypeSafe revendique des gains de coût et de vitesse en regroupant les questions et affiche un prix d’entrée de 0,042 $ par million de tokens, sans facturation de sortie. Des tests rapportés montrent un traitement de masse en quelques secondes, et l’entraînement RLCD vise des probabilités dites honnêtes. L’accès reste limité et l’éditeur liste neuf modes d’échec.

Coût d’entrée, vitesse et résultats obtenus en pratique

TypeSafe rapporte qu’en regroupant treize questions dans une seule requête, le coût baisse d’un facteur 12,2 et la vitesse augmente d’un facteur 10, sans modification des réponses. L’éditeur affiche un coût d’entrée de 0,042 $ par million de tokens et indique que la sortie n’est pas facturée, puisqu’aucun texte n’est généré. À ce tarif, il estime qu’un agent prenant dix décisions par seconde dans un jeu coûterait environ 7 $ de l’heure. Des essais rapportés illustrent ces ordres de grandeur. Roman dit avoir évalué 700 leads avec messages personnalisés en environ 40 secondes, pour un coût proche de 0,09 $, avec prédiction des performances, score de confiance et signalement des incohérences. Dans un autre test, Tarasshyn indique avoir pointé Jev sur 3 millions d’événements de replay et obtenu, en 40 secondes et pour 2,17 $, l’examen de 3 247 sessions, la détection de 132 rage clicks, 116 clics morts et 95 erreurs JavaScript, puis l’ouverture de 213 pull requests de correction.

Un modèle qui tranche en parallèle plutôt que d’écrire

Jev ne se comporte pas comme un chatbot : il ne produit aucun texte, ce que TypeSafe présente comme un choix délibéré. Là où des systèmes tels que ChatGPT, Claude ou Gemini composent une réponse token par token, Jev effectue une seule lecture d’entrée et renvoie une décision prédéfinie assortie d’un score de confiance. L’absence de génération séquentielle permet de traiter les sorties en parallèle, avec à la clé une exécution annoncée plus rapide, plus prévisible et potentiellement moins coûteuse. À l’inverse, dans un LLM classique, chaque token dépend du précédent, contrainte qui ralentit l’usage applicatif tant que la sortie reste une phrase. Jev répond à toutes les questions en une fois, au lieu de les produire l’une après l’autre.

Types de questions et effet du regroupement

Le système gère trois formats de requêtes complémentaires. Choice sélectionne une option dans un ensemble fermé, Score attribue une valeur sur une échelle définie, et Noul fournit une probabilité entre 0 et 1 à une question binaire. Ces formats peuvent être combinés librement dans une même demande, avec des réponses renvoyées simultanément. Ajouter davantage de questions influence à peine le temps de retour et poser une ou treize questions prend à peu près la même durée. Sur un cas d’acheminement de tickets de support, là où des règles de mots-clés ou une relecture manuelle s’imposent habituellement, Jev permet d’évaluer en parallèle l’équipe en charge et l’urgence.

Cas d’usage rapportés à grande échelle

Au-delà du support, des expérimentations publiques décrivent des traitements massifs. DevaiahShrithan a fait passer dans Jev chaque résumé IA d’arXiv de 1993 à 2026, en répétant cinq questions sur l’état de l’art revendiqué, la présence de code, un style d’écriture de type LLM, la catégorie d’article et le niveau d’emphase du langage. Roman décrit l’évaluation de 700 leads avec mesure de performance attendue, attribution d’un score de confiance et repérage de décalages entre profil et message, en une quarantaine de secondes pour un coût d’environ 0,09 $. Tarasshyn rapporte un tri de sessions de navigation avec, en 40 secondes et pour 2,17 $, l’analyse de 3 247 sessions, l’identification de 132 rage clicks, 116 clics morts et 95 erreurs JavaScript, et l’ouverture automatique de 213 demandes de correction.

Entraînement orienté probabilités et limites reconnues

TypeSafe décrit une méthode d’entraînement spécifique, RLCD, pensée pour calibrer des probabilités jugées honnêtes. Cette approche se distingue de RLHF, souvent utilisée pour favoriser des réponses perçues comme sûres, et de RLVR, entraînée sur des sorties vérifiables. Selon l’éditeur, le fondateur de Jev a co‑inventé RLHF chez OpenAI avant de concevoir RLCD pour répondre à ce point aveugle. Côté robustesse, TypeSafe précise que Jev ne renvoie pas de valeur hors de l’ensemble défini, mais peut se tromper au sein de cet ensemble. L’éditeur distingue sécurité de type et correction, la première seule étant garantie de façon absolue, et liste neuf modes d’échec dans sa documentation. L’accès à Jev demeure par ailleurs limité.