Jev de TypeSafe AI : le modèle de décision qui remplace les LLM là où ils coûtent trop cher

✦Faites exploser le trafic de votre site webEn savoir plus

Le 15 septembre 2026, une start-up sortie de deux ans de silence a présenté un modèle d’IA qui ne sait pas écrire une phrase. Jev, signé TypeSafe AI, revendique jusqu’à 193 fois plus de vitesse et 445 fois moins de coût qu’un grand modèle de langage, pour une tâche précise : décider. Pas de conversation, pas de code, pas de prose. Cette rupture interroge une évidence installée depuis trois ans, celle qui consiste à brancher un LLM partout. Pour les entreprises qui automatisent, la question devient concrète : où un modèle bavard est-il un luxe inutile ?

À retenir d’emblée : Jev est le premier System One Model de TypeSafe AI, lancé le 15 septembre 2026 : il ne génère aucun texte mais renvoie des décisions typées (un choix, une note, un oui ou non) avec un score de confiance, en 70 à 500 millisecondes. Chez HDVMA, ce score change la donne : la machine tranche vite, l’humain garde la main sur les cas incertains.

Temps de lecture : 13 min

Mis à jour le 22 septembre 2026

Qu’est-ce que Jev, le premier System One Model ?

Jev est le premier System One Model de TypeSafe AI : un modèle d’IA qui ne génère aucun texte, mais renvoie des décisions typées, un choix, une note ou un oui, assorties d’un score de confiance, en une fraction de seconde. Là où un chatbot construit sa réponse mot après mot, Jev remplit d’un coup un formulaire de décisions. Ce déplacement du texte vers la décision est le cœur de son intérêt pour l’IA en entreprise.

Un modèle qui décide, pas qui rédige

Diogo Almeida résume l’esprit du projet par une question restée sans réponse : pourquoi des modèles de conversation devenus si performants n’ont-ils presque rien automatisé dans les entreprises ? Sa piste tient dans un déplacement, du texte vers la décision.

Un grand modèle de langage excelle à produire des phrases. Jev fait l’inverse : il reçoit un état (un texte, des données métier, le contexte d’un incident) et rend une réponse structurée. Trois formes seulement : choisir une option, noter sur une échelle, répondre par oui ou non (TypeSafe AI).

Ce choix a une conséquence directe. Un modèle qui ne fabrique pas de texte libre ne peut pas renvoyer une phrase inventée : il reste enfermé dans le schéma que vous lui donnez. La sortie est toujours exploitable par un logiciel, sans analyse fragile.

Système 1 contre système 2

Le nom renvoie aux travaux de Daniel Kahneman, qui distingue deux modes de pensée. Le système 1 est rapide et intuitif, le système 2 lent et réfléchi. Les modèles de raisonnement de 2026 sont des systèmes 2. Jev se veut un système 1 : trancher vite, mille fois de suite, sans délibérer.

Sa fondatrice l’assume : Diogo Almeida, passé par OpenAI où il a participé aux recherches à l’origine de ChatGPT, a bâti TypeSafe AI autour de cette idée après deux ans de travail discret. La société, fondée en 2024 à San Francisco, a réuni un premier tour de 40 millions de dollars pour développer cette nouvelle famille de modèles (Tom’s Hardware).

Comment Jev fonctionne-t-il sans écrire de texte ?

Jev tient dans une formule : un état non structuré entre, des décisions typées et probabilistes sortent. Le modèle répond à toutes les questions en une seule passe, en parallèle, plutôt que token par token. Cette mécanique explique sa vitesse et sa fiabilité de format.

Trois primitives : choisir, noter, trancher

Vous envoyez un contexte et une ou plusieurs questions. Jev répond via trois primitives : un choix dans un ensemble (jusqu’à 255 options), une note sur une échelle ordonnée, et un oui ou non calibré. Chaque réponse porte un score de confiance compris entre 0 et 1 (MarkTechPost).

Ce score est la vraie nouveauté. Un modèle juste 95 fois sur 100, mais incapable de dire dans quels 5 cas il se trompe, ne s’automatise pas. Un modèle qui signale honnêtement son incertitude, oui : vous routez les cas douteux vers un humain ou un plus gros modèle.

RLCD : entraîné pour la calibration

TypeSafe a créé une méthode d’entraînement baptisée RLCD, pour Reinforcement Learning for Calibrated Decisions. Là où le RLHF classique optimise des réponses que les humains préfèrent, le RLCD optimise des probabilités honnêtes sur des décisions (TypeSafe AI).

TypeSafe oppose aussi sa méthode au RLVR, qui récompense les sorties qu’un programme peut vérifier. À chaque fois, l’objectif change : viser une probabilité juste, plutôt qu’une réponse qui plaît ou qui coche une case attendue.

L’éditeur affirme un taux d’erreur de format de 0 pour cent : Jev ne renvoie jamais une donnée hors du schéma défini. Attention à ne pas confondre : la forme est garantie, pas le fond. Une décision bien formée peut rester fausse.

Une seule passe parallèle

Contrairement à un LLM qui déroule sa réponse étape par étape, Jev calcule toutes ses sorties en même temps. Ajouter des questions ne change presque pas le temps de réponse. C’est ce parallélisme, et non un simple gain de taille, qui produit les latences annoncées de 70 à 500 millisecondes (Tom’s Hardware).

Pourquoi Jev revendique 445 fois moins cher que les LLM ?

L’argument économique frappe fort : jusqu’à 445 fois moins cher et 193 fois plus rapide qu’un grand modèle, sur les tâches de décision (Tom’s Hardware). Pour une PME qui automatise à grande échelle, l’écart de facture devient un sujet de direction, pas de laboratoire.

Le prix : entrée facturée, sortie gratuite

Jev se facture 0,042 dollar par million de tokens d’entrée, et ne facture rien en sortie (MarkTechPost). Un projet public a classé 1 018 articles de recherche pour environ 0,08 dollar au total, avec une latence médiane de 256 millisecondes par article (MarkTechPost). À ce tarif, des volumes de décisions qui étaient trop chers deviennent tenables.

Cette asymétrie compte. Sur une tâche de décision confiée à un grand modèle, le texte produit en sortie pèse souvent le plus lourd dans la facture. En le supprimant, Jev déplace le modèle économique de l’IA appliquée, pas seulement son prix affiché.

Le paradoxe de Jevons

Le nom du modèle rend hommage à l’économiste William Stanley Jevons. Son paradoxe de Jevons observe qu’améliorer l’efficacité d’une ressource n’en réduit pas la consommation : elle augmente. Rendre la décision par IA presque gratuite pourrait donc en multiplier les usages, pas les réduire.

Des benchmarks à vérifier soi-même

Un point d’honnêteté s’impose : les chiffres principaux viennent de l’éditeur (MarkTechPost). TypeSafe a toutefois publié un outil sous licence ouverte pour rejouer la comparaison sur les modèles concurrents, ainsi qu’un tableau d’évaluations détaillé. La bonne pratique reste de mesurer sur vos propres données avant de conclure.

À son crédit, l’éditeur a accompagné son annonce d’une section dédiée aux sceptiques, exposant lui-même les objections à ses propres résultats. Cette transparence reste rare dans un secteur habitué aux promesses, mais elle ne remplace pas un test mené chez vous.

Pour appliquer chez vous : construire votre solution IA sur vos données réelles.

Quels usages concrets pour Jev en entreprise ?

Jev devient clair quand on cesse de lui demander ce qu’il peut dire, pour se demander ce qu’un logiciel peut lui laisser décider. Beaucoup de flux réels commencent avec trop de données à trier : e-mails, tickets, avis, documents, journaux. C’est le terrain de jeu du modèle.

Trier, classer, aiguiller

Les premiers usages relèvent du triage. Un projet public a rangé plus de mille articles de recherche pour quelques centimes (MarkTechPost). La même structure revient partout : entrée désordonnée, sorties possibles limitées, évaluation répétée, cas incertains transmis plus haut. Pour cadrer ces cas d’usage, l’étape amont reste le cadrage.

Agents et navigateurs plus rapides

Les premières démonstrations visent l’action. Chez Vercel, un dirigeant a mesuré Jev jusqu’à 18 fois plus rapide qu’un LLM sur une revue de commandes (MarkTechPost). Un agent de navigation a bouclé une recherche de vols de Zurich à Londres en 7,1 secondes, un agent mobile a piloté une application de course sur un vrai téléphone en une vingtaine de secondes (MarkTechPost).

La newsletter HDVMA

Recevez 1 fois par semaine les articles IA, SEO & GEO de HDVMA

Votre email *

RGPD et données personnelles : *

Vos données ne seront pas commercialisées, elle serviront seulement à vous envoyer les informations demandées  Politique de confidentialité RGPD 

Je m'inscris

Veuillez ne pas remplir ce champ.

Un email par semaine maximum · Désinscription en un clic

Le tri d’e-mails illustre bien l’arbitrage. Sur ce cas, un responsable technique a relevé une précision légèrement inférieure à celle d’un grand modèle, mais un coût dix à vingt fois plus bas (MarkTechPost). Un autre outil note chaque phrase d’un débat pour quelques centimes. La règle se dessine : plus la décision est fermée et répétée, plus Jev est à son avantage.

Le montage en cascade avec un LLM

Le schéma conseillé fonctionne en cascade. Jev classe et route à bas coût, votre code gère les cas clairs, et un modèle généraliste ne reçoit que la minorité difficile. Cette architecture rejoint une logique de mise en production par étapes, où chaque brique a un rôle mesurable.

Jev remplace-t-il les LLM ou les complète-t-il ?

La tentation serait de voir Jev comme un remplaçant des grands modèles. C’est un contresens. Jev ne rédige pas, ne code pas, ne raisonne pas longuement. Il tranche des questions fermées, vite et pour presque rien. Les deux mondes se complètent.

Un complément, pas un remplaçant

La première vague d’expériences ne montre pas qu’un petit modèle de décision surpasse l’IA de pointe. Elle révèle autre chose : beaucoup d’applications dépensent de la puissance de modèle génératif pour des tâches qui ne demandent aucune génération (TypeSafe AI). Récupérer ce gaspillage, voilà la promesse.

Les limites à connaître

Trois réserves méritent l’attention. Le modèle plafonne à 255 options par choix, au-delà il devient plus lent. Il reste en accès anticipé, sur liste d’attente. Et une décision bien formée peut être fausse sur le fond : le score de confiance aide, il ne dispense pas de contrôle (MarkTechPost).

Au-delà de 255 possibilités, TypeSafe procède en deux temps : noter chaque candidat, puis trancher. Une approche qu’il reconnaît plus lente. L’ensemble passe par un point d’entrée unique de son interface de programmation, ce qui simplifie l’intégration mais concentre la dépendance sur un seul fournisseur.

Une paternité déjà contestée

Le lancement n’a pas fait l’unanimité. Un chercheur revendique la paternité de l’idée et reproche à TypeSafe de ne pas citer des travaux antérieurs ; il a publié une alternative libre nommée Laya (Tom’s Hardware). D’autres modèles ouverts ont suivi en quelques jours, avec des performances jugées moindres par les premiers tests indépendants.

Comment tester Jev sans se tromper de pari ?

Adopter un modèle de décision ne s’improvise pas. Le risque n’est pas de rater une prouesse technique, mais de basculer un flux critique sur une confiance mal placée. Une méthode simple limite ce risque et met la production au centre.

Cartographier les décisions coûteuses

Repérez d’abord tous les endroits où un LLM sert uniquement à trancher : router une requête, classer un document, noter un risque. Chiffrez le volume et le coût actuels. Cette carte devient votre liste de candidats prioritaires.

Mesurer avant de basculer

Rejouez ensuite ces décisions sur un échantillon réel, avec Jev et avec votre modèle actuel, et comparez précision, latence et coût sur vos données (TypeSafe AI). Ne vous fiez pas aux seuls chiffres de l’éditeur. Gardez la version existante en filet de sécurité tant que la fiabilité n’est pas prouvée.

Le contexte invite à la mesure : près de 95 % des projets d’IA n’atteignent jamais la production (MIT NANDA). Un modèle très rapide ne vaut que s’il tient dans un flux réel, supervisé et rattrapable, pas dans une démonstration.

Garder l’humain sur les cas incertains

Fixez enfin un seuil de confiance. En dessous, la décision part vers un humain ou un modèle plus lourd ; au-dessus, elle s’exécute seule. Tracez chaque décision, mesurez le taux de reprise humaine, ajustez le seuil chaque semaine. Déployez par étapes, jamais d’un bloc.

Ce filet humain n’est pas une concession à la prudence : c’est ce qui rend l’automatisation défendable devant un client comme devant un régulateur. Une décision calibrée, datée et rattrapable pèse plus lourd qu’une réponse fluide mais opaque.

Questions fréquentes sur Jev et les System One Models

Qu’est-ce que Jev de TypeSafe AI ?

Jev est le premier System One Model de TypeSafe AI : un modèle d’IA qui ne génère aucun texte, mais renvoie des décisions typées, un choix, une note ou un oui, assorties d’un score de confiance, en une fraction de seconde. Il ne discute pas et ne code pas : il tranche des questions fermées, vite et pour un coût presque nul, ce qui le destine aux agents et à l’automatisation plutôt qu’à la rédaction.

Jev est-il un LLM comme ChatGPT ?

Non. Un grand modèle de langage génère du texte token après token. Jev appartient à une autre catégorie, les System One Models : il remplit d’un coup un schéma de décisions, sans produire la moindre phrase. Il comprend le langage, mais ne l’écrit pas. C’est un classifieur doté de l’intelligence d’un modèle de pointe, pas un rédacteur.

Jev peut-il halluciner ?

Au sens de la forme, non : Jev ne peut pas renvoyer une valeur hors du schéma que vous définissez, TypeSafe annonce un taux d’erreur de format de zéro pour cent. Mais il peut se tromper sur le fond. Une décision bien formée assortie d’une probabilité valide reste parfois un mauvais choix. Le score de confiance sert justement à repérer et à contrôler ces cas.

Combien coûte Jev ?

TypeSafe facture 0,042 dollar par million de tokens d’entrée, et ne facture rien sur les tokens de sortie. Un même volume de décisions coûte donc une fraction du prix d’un modèle bavard facturé des deux côtés. L’accès reste en phase anticipée, sur liste d’attente au moment de la rédaction, en septembre 2026.

Jev va-t-il remplacer les LLM ?

Non, il les complète. Jev ne rédige pas, ne code pas et ne mène pas de raisonnement long. Il excelle sur les décisions fermées. Le montage conseillé est une cascade : Jev classe et route à bas coût, votre logiciel gère les cas simples, un LLM généraliste ne traite que la minorité de cas complexes qui exigent du texte ou du raisonnement.

Qui a créé Jev ?

Jev est développé par TypeSafe AI, start-up fondée en 2024 et restée deux ans discrète. Son fondateur, Diogo Almeida, est passé par OpenAI où il a contribué aux recherches à l’origine de ChatGPT. Le modèle a été présenté le 15 septembre 2026. Sa méthode d’entraînement, baptisée RLCD, est déjà contestée par un chercheur qui en revendique l’antériorité.

Comment utiliser Jev dans une entreprise ?

Commencez par cartographier les endroits où un modèle sert seulement à trancher une question fermée. Mesurez précision, latence et coût sur vos propres données, avec Jev et avec votre outil actuel. Fixez un seuil de confiance sous lequel la décision remonte vers un humain. Déployez par étapes, en gardant l’ancienne version en filet de sécurité.

Audit IA gratuit en 48 hPrendre contactParler à Eric

✦L’IA dans votre entreprise, c’est simple !En savoir plus

✦Que cherchez-vous ?418 articles · 12 domaines · réponse en quelques secondes

Automatiser mes devisÊtre visible dans ChatGPTUn LLM en localPar où commencer ?

➤

Réponses construites uniquement sur nos articles publiés.

Un article par semaine, dans votre boîte mail.Je m’inscris

Eric ChristopheFondateur · il répond lui-même☏ 06 25 34 34 25◷ Prendre RDV

Les domaines

Explorez par sujet

IA générative & LLML'IA générative et les grands modèles de langage (LLM) transforment la128Outils & agents IALes outils et agents IA permettent d'automatiser des tâches complexes et81Écosystème ClaudeL'écosystème Claude d'Anthropic est devenu la boîte à outils de référence53GEO & SEO techniqueLe GEO (Generative Engine Optimization) et le SEO technique déterminent votre38Actualité & société IAL'IA transforme l'économie, le droit et la société. Cette rubrique décrypte30IA locale & hardwareFaire tourner l'IA en local , sur un mini-PC, une station26Forward Deployed EngineerLe Forward Deployed Engineer (FDE), ou ingénieur déployé chez le client,25Robots & IA physiqueLes robots humanoïdes et l'IA physique passent du laboratoire au monde18Juridique & IAL'IA s'invite dans le droit : rédaction de conclusions, recherche de6Commerce IA & e-commerceLe commerce IA réinvente la vente en ligne : fiches produits5Marketing IALe marketing IA transforme l'acquisition : stratégie de contenu, génération de4Création de site & devCréer un site web et développer avec l'IA n'a jamais été4