Jev: l'AI che non scrive, decide

Dal 2023 abbiamo insegnato ai modelli di AI a fare praticamente di tutto: scrivere codice, inviare email, disegnare gatti e risolvere problemi matematici da medaglia. Alla fine della fiera, però, li usiamo per rispondere a domande come: “Questo messaggio parla di un appuntamento, di un problema tecnico o di altro?”.

È come assumere un dottorando per smistare la posta.

Jev fa un passo indietro e prova una strada diversa. Usa la capacità dell’AI di leggere testo libero, ma restituisce decisioni strutturate: una scelta, un sì o un no, oppure un punteggio.

L’idea, però, non nasce con questo lancio. Un paper del 2025 aveva già proposto un approccio orizzontale per valutare l’incertezza e instradare le richieste. Jev ha portato questa direzione sotto i riflettori con un’interfaccia più ampia e un lancio decisamente più markettato.

Finora, per classificare bene un caso specifico, spesso servivano un modello dedicato, dati etichettati e tempo per addestrarlo. Jev propone invece un modello generalista a cui passare le categorie al momento della richiesta. Per un prototipo significa partire subito, senza trasformare una prova in un piccolo progetto di ricerca.

La novità: decisioni, non frasi

Jev è il primo modello pubblico di TypeSafe nella categoria che l’azienda chiama System One Models. L’idea è semplice: alcune attività non hanno bisogno di una risposta elaborata, ma di una decisione semplice, veloce e abbastanza prevedibile da entrare in un programma.

In pratica offre tre primitive:

• Choice sceglie tra opzioni definite nella richiesta;
• Noul risponde sì o no e indica le relative probabilità;
• Score assegna un livello su una scala descritta da chi costruisce il flusso.

Le categorie vengono passate al momento della chiamata. Per aggiungere “richiesta amministrativa” a un classificatore non serve addestrare di nuovo un modello dedicato: si cambia la richiesta. È questa flessibilità, più ancora del nome nuovo, a rendere Jev interessante per prototipi piccoli.

L’output è tipizzato: se il codice si aspetta una categoria, non riceve una frase creativa con tre premesse e una conclusione. Questo rende l’integrazione più prevedibile, soprattutto quando la decisione deve passare tra sistemi diversi.

Non elimina, però, le decisioni sbagliate. Una scatola perfettamente etichettata può comunque contenere la cosa sbagliata.

Perché interessa alle automazioni

Molte automazioni si bloccano nello stesso punto. Le regole classiche sono affidabili ma rigide; un modello generativo capisce meglio il linguaggio, però è più lento, più costoso e tende ad aggiungere parole anche quando nessuno le ha chieste.

Jev vuole stare in mezzo: comprendere testo libero e restituire una decisione circoscritta, in un formato garantito.

Il modello diventa utile quando la sua probabilità governa un passaggio semplice. Ecco un esempio:

confidenza alta   -> continua nel flusso previsto
confidenza media  -> chiedi un dato mancante
confidenza bassa  -> passa la richiesta a una persona

Il codice conserva il controllo. L’AI non inventa il processo: aiuta a scegliere quale ramo percorrere.

TypeSafe dichiara latenze tra 70 e 500 millisecondi e un prezzo di 0,042 dollari per milione di token in ingresso. Sono numeri pubblicati dal produttore su un prodotto appena arrivato in early access: interessanti, ma ancora da verificare fuori dai proclami del lancio.

Applicazioni nei nostri casi studio

Nel caso Zero CMS, Jev potrebbe distinguere tra un nuovo lavoro da pubblicare, una correzione e materiale incompleto. Solo dopo, un modello generativo sistemerebbe titolo e descrizione. Prima si decide cosa sta arrivando; poi, se necessario, si scrive. Se il modello più pesante non serve, non lo chiamiamo e risparmiamo.

Nella prenotazione via WhatsApp, potrebbe riconoscere una nuova prenotazione, uno spostamento, una cancellazione o una richiesta fuori percorso. Il codice poi gestisce gli orari; Jev sceglierebbe soltanto la porta giusta.

Nell’assistente WhatsApp vale lo stesso principio: Jev classifica il tipo di richiesta, stima l’urgenza, capisce se mancano informazioni e decide quando serve attenzione umana. La sintesi finale resterebbe a un modello generativo; la conversazione, a una persona.

Niente fine-tuning non significa niente lavoro

Non dover addestrare un classificatore dedicato rende il primo prototipo molto più rapido, ma non è la panacea di tutti i mali: verificare i risultati resta obbligatorio.

Un test sensato partirebbe da un campione di messaggi reali, anonimizzati e classificati a mano. Jev andrebbe confrontato con regole semplici e con il flusso esistente, misurando:

• quante categorie assegna correttamente;
• quanto sono utili le probabilità per separare casi sicuri e dubbi;
• latenza e costo sul traffico reale;
• stabilità quando cambiano parole, errori e note vocali trascritte;
• la quantità di richieste che devono comunque arrivare a una persona.

Servono dati di valutazione anche quando non servono dati di addestramento. All’inizio il modello può limitarsi ad assistere una persona, così ogni risultato viene verificato. Solo dopo valutazioni solide può ricevere più autonomia.

I limiti

Bisogna procedere con calma e non farsi trascinare dall’hype. Jev è giovane, proprietario e disponibile in early access. Le dichiarazioni su velocità, costo e calibrazione arrivano soprattutto da TypeSafe.

Qualcosa di aperto, però, esiste già: Laya ha una demo pubblica e porta lo stesso approccio fuori da un’API proprietaria. Prestazioni e capacità restano da verificare, ma la direzione è promettente.

Se il processo deve scalare, però, il discorso cambia. Quando categorie e volumi diventano stabili, una soluzione specializzata, o persino un modello custom, resta la strada migliore: si può ottimizzare per quel compito, controllare meglio costi ed errori e ridurre le dipendenze esterne. Jev accorcia la strada verso il primo prototipo; non elimina il lavoro necessario per trasformarlo in infrastruttura.

C’è poi il tema dei dati. Se le richieste contengono dati personali o sensibili, inviarle a un fornitore esterno richiede particolare attenzione. Uno strumento economico può diventare molto costoso se la privacy viene trattata come un dettaglio.

Per ora Jev e Laya non sostituiscono i modelli generativi, le regole o il giudizio umano. Rendono però più concreta una strada promettente per l’AI decisionale, soprattutto se altre alternative aperte seguiranno.

Non tutta l’AI deve avere qualcosa da dire. A volte basta che scelga la porta giusta e lasci al codice il resto del lavoro.