Jev est un modèle de décision édité par l'américain TypeSafe AI : il ne génère aucun texte et renvoie uniquement un choix typé (vrai/faux, catégorie, note) assorti de sa probabilité. L'entrée coûte 0,042 $ le million de tokens, la sortie est gratuite, et la réponse tombe en 70 à 500 ms. L'accès direct passe par une liste d'attente, mais OpenRouter, Vercel et Cloudflare le servent déjà.
Jev est un modèle d'intelligence artificielle qui ne rédige rien. Tu lui envoies un état (un email, un ticket, une fiche produit, un extrait de contrat) et une liste de questions typées, il renvoie les réponses sous forme de données : un vrai/faux, une catégorie prise dans ta liste, ou une note sur ton barème. Chaque réponse arrive avec la distribution de probabilités qui l'a produite et un score de confiance.
L'intérêt n'est pas l'intelligence brute, c'est le régime de fonctionnement. Comme il ne produit aucun token de sortie, la réponse tombe en 70 à 500 millisecondes et l'entrée coûte 0,042 $ le million de tokens, sortie gratuite. Sur plusieurs milliers de décisions par jour, l'écart de facture avec un modèle conversationnel se compte en dizaines, parfois en centaines.
La contrepartie est qu'il faut tout prévoir à l'avance : les questions, les options possibles, les seuils de confiance et ce qui se passe en dessous du seuil. TypeSafe assume ce cadre et le nomme « System One », par analogie avec la pensée rapide et automatique. Pour tout ce qui demande de rédiger, de résumer ou d'expliquer, il faut brancher un second modèle derrière.
À quoi ça sert concrètement
Le principe est toujours le même : tu as un volume de choses à trier et une décision à prendre sur chacune. TypeSafe publie une carte des usages qui va du tri de tickets support au filtrage d'articles scientifiques, en passant par la détection de signaux de fraude, la qualification de leads, le scoring de candidatures et la modération de contenus.
Tri d'une boîte mail ou d'une file de tickets. Urgence, catégorie, équipe destinataire et niveau d'agacement se demandent dans le même appel. Les démonstrations publiées à la sortie font état de 1 700 emails classés pour 0,18 $, et de 1 000 emails passés au crible de sept critères en six secondes pour 0,09 $.
Qualification d'un formulaire de contact. Le lead arrive, Jev note sa qualité entre 0 et 1 : au-dessus du seuil la notification part, en dessous elle attend une relecture humaine.
Filtrage avant un modèle cher. Jev ramène des milliers d'éléments à la poignée qui mérite un vrai traitement, et c'est un modèle conversationnel qui rédige ensuite. C'est le montage le plus rentable des deux, parce que tu arrêtes de payer un modèle de raisonnement pour faire du tri.
Décisions en temps réel. Sa latence autorise ce qu'un modèle classique ne tient pas : étiqueter un fil d'actualité au fil du défilement, repérer les passages découpables d'une vidéo, ou choisir la prochaine action d'un agent qui pilote un navigateur.
Vérification du travail d'un autre modèle. Contrôler qu'une citation est bien appuyée par sa source, qu'un passage récupéré en RAG est pertinent, ou qu'une réponse générée respecte une règle interne. La documentation en fait un de ses patrons d'architecture.
Là où il ne faut pas l'installer, c'est sur une décision qui demande du raisonnement ou un contexte extérieur. Les essais de trading automatisé publiés à la sortie le montrent bien : les deux démonstrations connues donnent de mauvais résultats, parce que prédire un cours ne relève pas de la décision rapide mais de l'analyse.
Qui est derrière Jev ?
Jev est édité par TypeSafe AI, Inc., société américaine fondée par Diogo Almeida, ancien chercheur d'OpenAI qui a participé aux travaux à l'origine de ChatGPT, avec Erik Gafni et Sasha Sheng. L'entreprise se présente comme un laboratoire qui construit une intelligence destinée aux logiciels plutôt qu'aux humains.
Le nom du modèle renvoie au paradoxe de Jevons, selon lequel une ressource qui devient moins chère finit par être consommée davantage. La méthode d'entraînement maison, baptisée RLCD pour reinforcement learning for calibrated decisions, récompense le modèle quand la probabilité qu'il annonce correspond à sa fréquence réelle de bonnes réponses. La méthode classique, elle, le récompense quand un évaluateur humain approuve sa réponse.
15 septembre 2026
TypeSafe AI sort de l'ombre et publie Jev, son premier « System One Model », avec 40 millions de dollars levés en amorçage sous la conduite de DCVC.
16 septembre 2026
Vercel ajoute Jev à son AI Gateway sous l'identifiant typesafe-ai/jev. Cloudflare Workers AI et OpenRouter le servent également.
17 septembre 2026
Premier banc d'essai indépendant publié sur 2 000 emails de phishing : 62,6 % de justesse en une question, 95,0 % en découpant en cinq questions.
19 septembre 2026
Une mesure indépendante de la calibration sur 900 tickets relève une erreur de calibration de 0,107, soit 4,4 fois le plancher de bruit.
Pour qui ?
✓ Idéal pour
Développeurs et équipes produit qui font tourner des milliers de classifications ou de routages par jour et veulent diviser la facture.
✕ À éviter si
Tu attends du texte, tu n'écris pas de code, ou tes données doivent rester en Europe avec une décision explicable.
Fonctionnalités clés 8
Trois types de questions, et rien d'autre
5/5
Tu ne prompts pas Jev, tu lui poses des questions typées. Noul répond à « cette affirmation est-elle vraie » par une valeur entre 0 et 1, Choice sélectionne une option dans la liste que tu fournis, Score note l'état sur le barème que tu définis. Ce cadre volontairement étroit est ce qui rend la sortie directement exploitable par du code, sans parsing ni reprise.
Une probabilité et une confiance sur chaque réponse
4/5
Jev ne renvoie pas seulement la réponse gagnante : il renvoie la distribution complète des probabilités, plus un score de confiance qui résume à quel point cette distribution est concentrée. La documentation recommande d'agir automatiquement au-dessus de 0,9, de demander une confirmation entre 0,5 et 0,9, et d'escalader vers un humain en dessous de 0,5. C'est ce qui permet de câbler un seuil dans le code plutôt que de faire confiance aveuglément.
Réponse en 70 à 500 millisecondes
5/5
Puisqu'il ne génère aucun token, Jev n'a pas de latence de streaming : la décision arrive en un aller-retour. L'éditeur annonce 70 à 500 ms de bout en bout, contre plusieurs secondes pour les modèles conversationnels testés. Cette différence ouvre des usages en temps réel, comme trier un flux à mesure qu'il s'affiche, qu'un modèle classique ne tient pas.
0,042 $ le million de tokens d'entrée, sortie gratuite
5/5
Le prix d'entrée est de 0,042 $ le million de tokens et les tokens de sortie ne sont pas facturés, puisqu'il n'y en a pas. TypeSafe estime la décision moyenne à 0,0004 $ sur ses propres mesures. C'est le vrai argument du modèle : à volume constant, le poste de dépense change d'ordre de grandeur.
Plusieurs questions évaluées en parallèle dans un seul appel
4/5
Un même appel peut porter une dizaine de questions sur le même état, toutes évaluées en parallèle. Tu peux ainsi demander d'un coup si un email est urgent, à quelle équipe il revient et quel est son niveau de frustration, pour le prix d'un seul passage de l'entrée. C'est aussi le levier de précision le plus efficace : découper une question difficile en plusieurs questions simples donne de bien meilleurs résultats qu'une question globale.
Une sortie typée qui ne peut pas être malformée
5/5
Le modèle choisit parmi les options que tu as déclarées, il ne peut donc pas inventer une catégorie absente de ta liste ni renvoyer un JSON cassé. Le mode d'échec classique des sorties structurées d'un modèle de langage disparaît, ce qui supprime les garde-fous de parsing et les relances. La cardinalité est plafonnée à 255 options par question.
Disponible sur trois passerelles sans liste d'attente
4/5
L'accès direct à l'API de TypeSafe est en accès anticipé et passe par une liste d'attente, mais Vercel AI Gateway (typesafe-ai/jev), Cloudflare Workers AI (typesafe/jev) et OpenRouter (typesafe/jev-1.13) le servent dès maintenant avec tes clés existantes. Attention à la fenêtre de contexte : 64 000 tokens en direct et sur OpenRouter, 32 000 seulement chez Cloudflare.
SDK Python et JavaScript, plus un skill agent officiel
4/5
L'API tient en un appel POST sur /v1/systemone, avec un SDK Python (3.10 et plus) et un SDK JavaScript maintenus par l'éditeur. TypeSafe publie aussi un skill agent officiel qui donne à Claude Code ou à un autre assistant le contexte complet de l'API, ses trois types de questions et ses patrons d'architecture. Les limites de débit sont généreuses : 250 000 tokens par seconde et 1 200 requêtes par minute.
Les limites, la partie honnête 5
Il ne produit aucun texte
Pas de rédaction, pas de résumé, pas d'extraction libre, pas d'analyse thématique. Il ne lit pas non plus les images : l'entrée est du texte, brut ou en JSON. Tout ce qui doit être écrit demande un second modèle derrière, donc une architecture à deux étages.
Faible sur les chiffres, les dates et les tournures indirectes
La documentation officielle des défauts connus le dit : le comptage n'est pas fiable, les dates sont lues comme du texte et non comme des quantités ordonnées, et les doubles négations le mettent en difficulté. L'éditeur recommande de garder tout calcul dans le code.
La précision dépend énormément du découpage des questions
Sur un banc d'essai indépendant de 2 000 emails de phishing publié le 17 septembre 2026, Jev sort à 62,6 % avec une seule question, contre 81,3 % pour Claude Haiku 4.5. Découpé en cinq questions simples recombinées, il monte à 95,0 %. Le travail de conception des questions n'est pas optionnel.
La confiance annoncée n'est pas parfaitement calibrée
Une mesure indépendante sur 900 tickets relève une erreur de calibration de 0,107, soit 4,4 fois le plancher de bruit, avec une surconfiance sur Choice et Score. Les benchmarks de l'éditeur mesurent par ailleurs un accord avec d'autres modèles, pas une vérité terrain indépendante.
Anglophone, américain, et sans explication de ses décisions
L'anglais est la langue d'entraînement principale et celle où la précision est la meilleure. L'hébergement est aux États-Unis, sans routage européen. Et une probabilité ne dit pas pourquoi : sur une décision automatisée à effet juridique, cela pose un vrai problème de justification.
Conformité & souveraineté
Hébergement des donnéesUS
RGPDÀ vérifier
AI ActMinimal
Entraînement sur tes donnéesN'entraîne pas
TypeSafe AI, Inc. est américaine et héberge aux États-Unis. Sa politique interdit explicitement l'entraînement sur les données clients et un contrat de sous-traitance est publié. Pas de représentant UE désigné ni de routage européen. Rétention zéro proposée via Vercel AI Gateway.
MCP (Model Context Protocol)
✓ MCP disponible · Communautaire
Pas de serveur officiel. Des serveurs communautaires exposent classify, score et check ; TypeSafe fournit à la place un skill agent officiel.
0,042 $ le million de tokens d'entrée, soit environ 0,04 € hors taxes
Tokens de sortie non facturés
Environ 0,0004 $ la décision selon les mesures de l'éditeur
64 000 tokens de contexte, dont 32 000 pour l'état et la question la plus longue
250 000 tokens par seconde et 1 200 requêtes par minute
Via une passerelle
Sur devis
Même tarif au token sur OpenRouter, Vercel AI Gateway et Cloudflare Workers AI
Aucune liste d'attente, tu réutilises ta clé existante
Rétention zéro et non-entraînement proposés côté Vercel AI Gateway
Fenêtre de contexte réduite à 32 000 tokens chez Cloudflare
Facturation ajoutée à celle de la passerelle
FAQ Jev 6
Jev, c'est quoi exactement ?
C'est un modèle d'IA qui prend une décision au lieu d'écrire une réponse. Tu lui donnes un texte et des questions typées, il renvoie un vrai/faux, une catégorie ou une note, avec la probabilité associée. Il ne sait pas tenir une conversation et ne produit aucune phrase.
Combien coûte Jev ?
L'entrée est facturée 0,042 $ le million de tokens, soit environ 0,04 € hors taxes, et la sortie est gratuite. TypeSafe estime la décision moyenne à 0,0004 $. Il n'y a ni abonnement, ni palier gratuit documenté.
Comment accéder à Jev sans passer par la liste d'attente ?
L'API directe de TypeSafe est en accès anticipé sur inscription, mais trois passerelles servent le modèle sans attendre : OpenRouter sous l'identifiant typesafe/jev-1.13, Vercel AI Gateway sous typesafe-ai/jev et Cloudflare Workers AI sous typesafe/jev. Le tarif au token y est le même.
Jev remplace-t-il ChatGPT, Claude ou Mistral ?
Non, il ne joue pas le même rôle. Jev tranche, les modèles conversationnels rédigent et raisonnent. Le montage courant consiste à faire filtrer et classer des milliers d'éléments par Jev, puis à n'envoyer que la poignée qui reste à un modèle plus cher pour la rédaction ou l'analyse.
Jev fonctionne-t-il en français ?
La documentation indique que l'anglais est la langue d'entraînement principale et celle où la précision est la meilleure, les autres langues étant supportées avec des performances variables. Sur du contenu français, il faut donc mesurer avant de mettre en production.
Peut-on faire confiance à ses réponses ?
Pas en aveugle. L'éditeur recommande lui-même de fixer un seuil de confiance et d'escalader vers un humain en dessous, et une mesure indépendante a relevé une surconfiance sur les questions à choix et à score. La bonne pratique est de constituer un jeu de cas étiquetés et de mesurer avant de brancher.
