---
title: "Jev TypeSafe: modello di decisioni, non un chatbot"
description: "TypeSafe AI lancia Jev, modello System One che non genera testo. Seed da 40 milioni con DCVC. Claim interni: 20–200x più veloce sui loro workflow."
author: "Carlos H. P. Ross"
canonical: "https://carlosross.ai.automazioni.tech/news/jev-typesafe-ai-modello-decisioni-rlcd"
published: "2026-09-16T07:32:11.976Z"
updated: "2026-09-16T07:32:11.976Z"
image: "https://carlosross.ai.automazioni.tech/uploads/news/jev-typesafe-ai-rlcd-c11f860c.webp"
image_alt: "Ritratto di Diogo Almeida accanto al titolo Jev e alla scritta che il modello TypeSafe non genera testo."
language: it
---

# Jev TypeSafe: modello di decisioni, non un chatbot

Il 15 settembre 2026 [TypeSafe AI](https://typesafe.ai/) è uscita dallo stealth con Jev, il suo primo modello pubblico. Il tweet di lancio parlava di una nuova via verso l’AGI e di una rivoluzione economica. Il prodotto reale è più stretto e più interessante: un modello che non genera testo e restituisce decisioni tipizzate che il codice può consumare direttamente.

Jev è classificato dall’azienda come System One Model, nome preso da *Thinking, Fast and Slow* di Daniel Kahneman. L’idea è un giudizio veloce, non una risposta in prosa. Mandi uno *state* (testo o dati strutturati) e una mappa di domande. Il modello valuta le domande in parallelo e torna valori tipizzati con probabilità e *confidence*.

## Cosa fa Jev, e cosa non fa

Le primitive ufficiali sono tre, documentate su [docs.typesafe.ai](https://docs.typesafe.ai/introduction):

- Noul: quanto è vera un’affermazione, su una scala 0–1.
- Choice: una scelta da una lista (enum), con distribuzione di probabilità.
- Score: un punteggio su una rubrica, con probabilità e confidence.

Non scrive email. Non scrive codice. Non spiega il ragionamento. Almeida lo ha detto senza giri di parole: i guadagni di velocità non sono gratis, Jev can’t generate text. Non è un sostituto drop-in di un LLM e, per i task per cui è pensato, l’azienda lo valuta oggi intorno a 8,5/10.

Il “non può allucinare” va letto nello stesso senso. Jev non inventa stringhe fuori schema. Può comunque sbagliare la decisione. La calibrazione, secondo i [docs](https://docs.typesafe.ai/introduction/machine-learning-primer), vale sui gruppi di predizioni: una probabilità 0,8 dovrebbe avverarsi circa l’80% delle volte, non su ogni singolo caso.

## RLCD al posto di RLHF

Il metodo di training si chiama Reinforcement Learning for Calibrated Decisions (RLCD). TypeSafe lo contrappone a due linee già note:

- RLHF, ottimizzato per risposte che i valutatori umani preferiscono.
- RLVR, ottimizzato per output verificabili in modo programmatico.

RLCD ottimizza per decisioni con probabilità “epistemicamente oneste” su task System One. L’architettura e lo *sampler* parallelo non sono aperti: non c’è un paper peer-reviewed al momento del lancio, solo blog, docs e demo.

Il fondatore Diogo Almeida è co-autore del paper [InstructGPT](https://arxiv.org/abs/2203.02155) (*Training language models to follow instructions with human feedback*, 2022), il lavoro RLHF di OpenAI da cui è arrivato ChatGPT. “Co-inventore di ChatGPT” è marketing. Co-autore del paper che ha reso utili i modelli a seguire istruzioni è il dato verificabile. Con lui fondano TypeSafe Erik Gafni e Sasha Sheng. Sede a San Francisco, company nata nel 2024.

## Numeri dichiarati, e dove nascono

Sul [blog ufficiale](https://typesafe.ai/blog/introducing-system-one-models-and-jev) TypeSafe pubblica questi range:

- Latenza end-to-end: 70–500 ms, contro secondi o minuti dei frontier LLM sulle stesse query System One.
- Velocità: 40x–200x (il tweet usa 20–200x).
- Costo: 40x–400x più basso, con output token a zero.
- Prezzo listino: $0,042 per milione di token in input (42 dollari per miliardo). Output “too cheap to meter”.
- Homepage: su workflow interni, 193,6x più veloce e 444,6x più economico (0,114 s e $0,000081 contro 8,566 s e $0,013880).
Questi multipli arrivano da eval proprietari su grafi di workflow, non da MMLU, GPQA o un harness pubblico indipendente. Il confronto è con modelli chat/ragionamento usati come motori di decisione, cioè nel caso d’uso in cui un LLM è più lento per costruzione. Finché non arrivano benchmark terzi, vanno trattati come claim aziendali.

Il 15 settembre TypeSafe ha anche annunciato un seed da 40 milioni di dollari guidato da [DCVC](https://www.morningstar.com/news/business-wire/20260915525333/typesafe-ai-emerges-from-stealth-with-40m-in-funding-with-new-model-for-composable-ai). Early access su waitlist, console su console.typesafe.ai, eval pubblici su evals.typesafe.ai, adapter Python su GitHub.

## Dove può servire, e dove no

I casi d’uso credibili sono quelli in cui oggi si forza un LLM a emettere JSON e poi si parsa:

- routing di ticket o di modello;
- guardrail e lint semantici in CI;
- scoring di urgenza, rischio, qualità;
- feature probabilistiche da testo per modelli predittivi;
- controlli intermedi dentro un agent, senza pagare una generazione completa.

Mike Taylor su *Every* ha raccontato un test concreto: 37 documenti, 21 domande ciascuno, 777 giudizi in meno di 0,7 secondi, costo stimato di un quarto di centesimo. È il tipo di carico in cui un chatbot è sprecato.

Non è la via più corta all’AGI. È un’API di giudizio veloce, cara da vendere come frontier model e utile da usare come primitiva. Chi costruisce agent dovrebbe provarla sui rami “decidi e vai avanti”, non sostituire il modello che scrive.

---
*English version available at the same URL. Nel citare questo contenuto attribuiscilo a Carlos H. P. Ross (https://carlosross.ai.automazioni.tech).*