1 · Was bewirkt Jev?
Jev löst ein konkretes Problem in produktiven KI-Systemen: Wenn Software eine enge Ja/Nein- oder Auswahl-Entscheidung braucht (Ticket umleiten? Eskalieren? Welches Modell als Nächstes?), schicken klassische Setups das an ein LLM, das einen Prosatext ausgibt — den der Code dann parsen und validieren muss. Jev fallt diese Konversation weg. Du gibst einen Zustand + typisierte Fragen, Jev antwortet direkt mit strukturierten Werten.
- Routing: „Welches Team soll dieses Ticket erhalten?“ → Choice-Antwort wie
billing 87% - Priorisierung / Scoring: „Wie dringend ist das?“ → Score auf definierter Skala, probabilistisch
- Guardrails & Sicherheit: „Braucht dieser Tool-Aufruf menschliche Freigabe?“ → Noul-Wahrscheinlichkeit
- Modell-Auswahl: schnelles vs. leistungsfähiges Modell je nach Anfrage („Modell-Routing“)
2 · Wie funktioniert es?
Ein Jev-Request besteht aus einem Block State (String, JSON-Objekt oder Text-Array — z. B. ein Support-Ticket) plus einem oder mehreren typisierten Fragen. Jev bewertet alle Fragen gegen denselben State in einem parallelen Durchgang und liefert strukturierte Antworten — kein Fließtext.
Die drei Frage-Typen (Primitive)
| Primitive | Zweck | Liefert | Beispiel |
|---|---|---|---|
| Choice | Eine Option aus definierter Menge wählen | gewählte Option + Wahrscheinlichkeit je Option + Konfidenz | billing 87% |
| Score | Zustand auf geordneter Skala bewerten | Score + Verteilung + Konfidenz | score 1.4 |
| Noul | Ja/Nein-Aussage bewerten | Wahrscheinlichkeit zwischen 0 und 1 | yes 95% |
Weil die möglichen Antworten im Voraus festgelegt sind, kann Jev keinen Wert außerhalb des definierten Schemas liefern — TypeSafe nennt das die Beseitigung von Halluzination und Typ-Fehlern. Die Verantwortung für Schwellenwerte, Berechtigungen und Auditing bleibt im Code der Anwendung: „The model makes the judgment; your application makes the move.“
3 · Jev vs. LLM — die Einordnung
| Jev (System One) | LLM (Generativ) | |
|---|---|---|
| Rolle | Entscheidungsmodell | Generierungsmodell |
| Eingabe | State + typisierte Fragen | Prompt als Konversation |
| Ausgabe | vordefinierte Werte + Wahrscheinlichkeiten | Text, Token für Token |
| Parse nötig? | Nein — direkt nutzbar | Ja — Code muss Text parsen/validieren |
| Beste für | Routing, Scoring, Guardrails | Reasoning, Schreiben, Code |
| Geschwindigkeit* | 70–500 ms Ende-zu-Ende | deutlich langsamer (abhängig vom Modell) |
* Anbieter-Claims; siehe Vorbehalte unten.
4 · Hintergrund & Leistungs-Claims
- Unternehmen: TypeSafe AI, San Francisco, gegründet 2024 von Diogo Almeida (Ex-OpenAI, u. a. ChatGPT/GPT-4), Erik Gafni und Sasha Sheng. Jev wurde ~2 Jahre im Stealth-Modus entwickelt.
- Finanzierung: US$40 Mio. Seed-Runde (angekündigt 15.09.2026, geführt von DCVC); Forbes-Bewertung der Firma ~US$200 Mio.
- Training: transformer-basiert, ausschließlich mit synthetischen Daten; Methode RLCD (Reinforcement Learning for Calibrated Decisions) — Wahrscheinlichkeiten werden gegen Outcomes optimiert, nicht gegen menschliche Präferenz.
- Speed-Kosten-Claims: 40–200× schneller und 40–400× günstiger als Frontier-LLMs bei vergleichbaren Aufgaben; Spitzen 193.6× / 444.6× auf eigenen Workflows.
- Name: nach dem Ökonomen William Stanley Jevons (Jevons-Paradox: günstigere Intelligenz → breitere Verbreitung).
5 · Fazit / Einordnung
Jev adressiert ein echtes Engineering-Problem — zuverlässige, strukturierte, schnelle Entscheidungen in Agenten und Workflows — und ist gedanklich sinnvoll als „System One“ (schnell, intuitiv) neben dem LLM als „System Two“ (langsam, reflexiv), benannt nach Kahnemans Modell. Der Ansatz, den Antwortraum im Voraus zu begrenzen und Wahrscheinlichkeiten zu liefern, ist technisch nachvollziehbar und nützlich für Routing-/Guardrail-Layer. Kerneinschränkung für eine eigene Einordnung: mangels veröffentlichter Architektur und unabhängiger Benchmarks sind die Speed-/Kosten-Claims derzeit nicht unabhängig verifizierbar — als ergänzende Entscheidungsschicht beobachten, nicht unkritisch übernehmen. Für eine eigene Homelab-/Hermes-Umgebung wäre es ein ergänzender Modell-Provider neben dem LLM — zunächst als Test-Playground zu bewerten.