Jev : le modèle qui décide au lieu d'écrire
Jev, le modèle de TypeSafe AI, ne génère pas de texte : il renvoie une décision avec un score de confiance, jusqu'à 400 fois moins cher et 200 fois plus rapide qu'un LLM. Ce qu'il fait, pour quels cas d'usage par département, les benchmarks publics, et mon retour sur le tri de mes emails. Vérifié le 19 septembre 2026.
Colin Dargent
Pour trier un email aujourd’hui, on appelle un LLM. Il lit le message, rédige une réponse en toutes lettres, et votre automatisation n’en garde qu’un mot : la catégorie. Vous avez payé chaque mot écrit, attendu plusieurs secondes, et de temps en temps le modèle range l’email dans une catégorie que vous n’aviez pas prévue.
Jev fait autrement. C’est un modèle d’un nouveau genre, sorti le 15 septembre 2026 par TypeSafe AI. Il ne génère pas de texte. Vous lui donnez vos options, il vous renvoie la bonne, avec un score de confiance, en moins d’une demi-seconde. Vous ne payez que ce que vous lui envoyez.
Le résultat, c’est jusqu’à 400 fois moins cher et 200 fois plus rapide qu’un LLM sur ce type de tâche. Et comme les sorties sont définies à l’avance, il ne peut pas halluciner.
Ce guide couvre ce que fait Jev, les cas d’usage où il est pertinent, département par département, les chiffres publics, et mon propre retour : je suis en train de lui confier le tri de ma boîte mail.
Deux familles de modèles
Un LLM est un modèle de langage : il produit du texte, mot après mot, pour un humain qui va le lire. C’est ce qu’il faut pour rédiger, résumer, converser. TypeSafe appelle ça un modèle “System 2” : il réfléchit en écrivant.
Jev est un modèle “System 1” : le réflexe. Il ne rédige pas, il tranche. Vous lui posez une question typée, il renvoie une décision et une probabilité. C’est plus proche d’un composant logiciel que d’un assistant : rapide, prévisible, et son résultat s’utilise directement dans du code, sans étape de relecture ni de parsing.
Diogo Almeida, un ancien chercheur d’OpenAI qui a travaillé sur ChatGPT, a fondé TypeSafe à San Francisco en 2024. La société est sortie de l’ombre avec 40 millions de dollars levés, et une demande si forte que son API a brièvement saturé.
Comment ça marche, concrètement
Jev répond à trois types de questions. Tout se ramène à ces trois briques.
| La brique | Ce que Jev renvoie | Un exemple |
|---|---|---|
| Choix | Une option parmi celles que vous listez, avec sa probabilité | Quel service doit traiter cette demande client ? |
| Score | Une note sur une échelle que vous décrivez | À quel point ce lead est-il chaud, de froid à prêt à acheter ? |
| Oui / non | Une réponse binaire avec sa probabilité | Cet email attend-il une réponse de ma part ? |
Chaque question est évaluée en parallèle et isolément. Vous pouvez en poser une seule, ou en envoyer une rafale d’un coup pour un même document, puis laisser votre code décider quoi en faire. Le score de confiance qui accompagne chaque réponse est la clé : il vous laisse traiter automatiquement les cas certains et n’envoyer à un humain que les cas où le modèle hésite.
Les grands types de cas d’usage
Cinq familles de tâches reviennent, et chacune a des applications concrètes dans les départements classiques d’une entreprise.
| Type de tâche | Département | Exemple concret |
|---|---|---|
| Classer et aiguiller | Customer care | Router un ticket entrant vers la bonne équipe selon son thème |
| Sales | Envoyer un lead entrant au bon commercial, par secteur ou par taille de compte | |
| RH | Trier les candidatures reçues par poste et par séniorité | |
| Noter et prioriser | Sales | Scorer un lead sur sa probabilité de se transformer en client |
| Marketing | Qualifier les inscrits d’un webinaire, du simple curieux au projet en cours | |
| Finance | Noter le niveau de risque d’un dossier de paiement ou d’un fournisseur | |
| Extraire une valeur | Finance | Sortir le montant et la date d’échéance d’une facture reçue |
| RH | Extraire les compétences et l’expérience d’un CV en texte libre | |
| Produit | Taguer un retour utilisateur : bug, demande de fonctionnalité ou question | |
| Filtrer et modérer | Customer care | Repérer un client mécontent dans le flux et l’escalader avant qu’il parte |
| Produit | Modérer les contenus postés par les utilisateurs | |
| Technique | Servir de garde-fou anti-détournement à un agent construit sur un LLM | |
| Re-classer avant de répondre | Support | Choisir les bons passages d’une base de connaissance avant qu’un LLM rédige la réponse |
| Sales | Remonter les documents pertinents avant une synthèse de compte |
Le point commun : à chaque fois, on veut une décision, pas une rédaction. C’est exactement le terrain de Jev.
Les chiffres
Il faut distinguer ce que TypeSafe annonce de ce que des tiers ont mesuré.
Ce que l’éditeur annonce. Le prix d’abord : les tokens en sortie sont gratuits, et l’entrée est facturée au milliard de tokens, pas au million, à 42 dollars le milliard. Sur la démo de leur page d’accueil, une même tâche coûte 0,0001 dollar contre 0,014 dollar pour un LLM, et se règle en 0,11 seconde contre 8,5 secondes, soit environ 440 fois moins cher et 190 fois plus rapide. La fourchette générale qu’ils communiquent est de 40 à 400 fois moins cher et 20 à 200 fois plus rapide, pour une latence sous 100 millisecondes.
Ce que des tiers ont mesuré. Deux retours publics valent mieux que la démo d’un éditeur.
- Un ingénieur de Vercel a remplacé un modèle d’OpenAI qui contrôlait la sûreté des commandes de ses agents. Avec Jev, les réponses arrivent 5 à 18 fois plus vite, et avec une meilleure précision.
- Le directeur technique de Bryo AI a testé Jev contre Gemini pour classer des emails professionnels. Gemini était un peu plus précis, mais 10 à 20 fois plus cher, et Jev était le seul à renvoyer une vraie probabilité, ce qui est décisif pour automatiser.
Le dernier chiffre qui compte n’en est pas un : comme vous définissez les réponses possibles à l’avance, Jev ne peut pas inventer une catégorie hors de votre liste.
Ce que j’en fais
Je ne relaie pas un communiqué, je le branche.
Le tri de ma boîte mail. Je paie un outil 35 euros par mois pour ranger mes emails dans huit libellés et archiver ce qui n’attend pas de réponse. J’ai fait relire à Jev mes 754 emails des 30 derniers jours : il en range 85 pour cent exactement comme mon outil actuel sur les entrants, 90 pour cent sur les envoyés. Le test complet m’a coûté 8 centimes, et le tri au quotidien reviendra sous 10 centimes par mois. Je le fais tourner en parallèle une semaine pour vérifier, puis je coupe l’abonnement.
La suite : la qualification et le scoring de mes leads. Le prochain chantier, sur la même mécanique : noter chaque lead entrant pour prioriser mes réponses.
Ce sont deux tâches que je faisais faire, à moitié, par un LLM ou par un outil facturé au mois. Jev les fait pour un coût qui disparaît dans la marge d’erreur.
Pour commencer
Jev s’appelle par une API, avec un SDK Python ou JavaScript. C’est un modèle qu’on branche dans une automatisation, au niveau où vous mettiez jusqu’ici un appel de LLM.
- La documentation : docs.typesafe.ai
- Le site et la démo : typesafe.ai
Vous avez une tâche répétitive branchée sur un LLM ?
Tri, scoring, aiguillage, extraction : en 30 minutes, on regarde vos automatisations actuelles et on repère celles qui gagneraient à passer sur un modèle de décision, en temps comme en coût.
Découvrir comment mon entreprise peut devenir IA native →Vous voulez avancer ?
On construit les systèmes IA
que vos équipes pilotent.
Deux praticiens IA-natifs. Des résultats tangibles, chaque semaine.