Immagina di dover rispondere solo “sì” o “no” a una domanda. Anche se la risposta è breve, un modello linguistico la produce comunque una parola alla volta, generandola in sequenza. A metà settembre 2026 un’azienda ha presentato un modello pensato apposta per questo tipo di domande: risponde solo con quello che gli hai chiesto — una probabilità di sì/no, un punteggio, una scelta tra opzioni — senza generare testo, nemmeno una parola alla volta. Ed è per questo che, sui compiti in cui si applica, può essere molto più veloce.
Il modello si chiama Jev, l’azienda è TypeSafe AI, fondata da Diogo Almeida, Sasha Sheng ed Erik Gafni. Almeida, che ha lavorato in OpenAI e Google Brain, è tra gli autori principali del paper InstructGPT e ha contribuito ad applicare ai modelli linguistici la tecnica del Reinforcement Learning from Human Feedback (RLHF) — quella che ha reso possibile passare da GPT a ChatGPT; Sheng viene da Meta/FAIR. Vale la pena capire cosa fa Jev davvero, perché ha attirato l’attenzione degli sviluppatori, e cosa può insegnare a chi in azienda usa l’AI ogni giorno, anche senza scrivere una riga di codice.
Cos’è Jev, in breve
Jev non è un large language model. Non genera testo, non si può chattare con lui. Gli dai in input due cose — uno stato (il testo su cui deve ragionare: un curriculum, una mail, la pagina di un sito) e un’istruzione — e lui ti risponde con uno di questi tre formati: una probabilità che la risposta a una domanda sì/no sia vera, uno score numerico su una scala, oppure una scelta tra opzioni che tu stesso gli fornisci (fino a 255 opzioni per una singola domanda di scelta), ciascuna con la propria probabilità. In una stessa chiamata si possono includere più domande di questo tipo, valutate insieme.
TypeSafe è uscita dallo stealth il 15 settembre 2026, dopo due anni di sviluppo, presentando Jev in accesso anticipato insieme a un round seed da 40 milioni di dollari guidato da DCVC. TypeSafe dichiara latenze di 70-500 millisecondi e un’accelerazione di 40-200 volte rispetto ai modelli linguistici più avanzati sui compiti di questo tipo, a un costo di 0,042 dollari per milione di token in input e nessun costo per l’output — dati del produttore, non prestazioni garantite su ogni richiesta. Alcune testimonianze di sviluppatori riportate da TechCrunch descrivono risultati concreti su casi specifici: un ingegnere di Vercel ha misurato risultati 5-18 volte più veloci rispetto a un modello ChatGPT recente; un’altra azienda (Bryo AI) riporta costi 10-20 volte inferiori rispetto a Gemini per la classificazione di email, pur notando che in quel test Gemini risultava leggermente più accurato.
Perché può essere così veloce
Un modello linguistico, anche per una risposta breve, genera l’output una parola (più precisamente un token) alla volta, in sequenza — di solito riutilizzando parte dei calcoli precedenti tramite una cache, ma comunque passo dopo passo. La documentazione di TypeSafe descrive Jev come un sistema che valuta le domande in parallelo nella stessa chiamata, senza generare una risposta testuale in sequenza. TypeSafe non ha ancora pubblicato un paper tecnico ufficiale, quindi questo descrive il comportamento visibile dall’esterno, non necessariamente ogni dettaglio di cosa succede internamente alla rete.
Alcuni tecnici indipendenti hanno provato a ricostruire cosa ci sia sotto, senza conferma ufficiale da TypeSafe: l’ipotesi più diffusa è che si parta da un modello linguistico esistente, se ne mantenga la parte che comprende il testo, e si sostituisca l’ultimo pezzo — quello che genera i token uno a uno — con alcune componenti dedicate alla classificazione. È un’ipotesi illustrativa, utile per farsi un’idea, non una descrizione confermata dell’architettura reale di Jev.
TypeSafe chiama il proprio metodo di addestramento Reinforcement Learning for Calibrated Decisions (RLCD). L’obiettivo dichiarato è calibrare le probabilità: se il modello assegna il 90% a un’opzione, su molte previsioni comparabili quell’opzione dovrebbe rivelarsi corretta circa nove volte su dieci — non che ogni singola risposta al 90% sia garantita giusta. TypeSafe motiva la scelta anche con il rischio che l’addestramento tramite preferenze umane (RLHF) porti i modelli a mostrarsi troppo sicuri di sé anche quando non dovrebbero esserlo. I dettagli tecnici precisi del metodo — dataset usato, numero di fasi, dimensioni — non sono stati resi pubblici.
Due nomi, tra psicologia ed economia
Il caso da ricordare
TypeSafe chiama questa categoria di modelli “System One Models”, un riferimento dichiarato al Sistema 1 descritto da Daniel Kahneman in “Pensieri lenti e veloci”: il pensiero rapido, intuitivo, automatico, contrapposto al Sistema 2, lento e deliberato — a cui si può accostare, come metafora, il modo in cui un modello linguistico genera una risposta passo dopo passo. Il nome Jev, invece, richiama l’economista ottocentesco William Stanley Jevons, noto per il paradosso secondo cui una maggiore efficienza in un processo può, controintuitivamente, aumentarne il consumo complessivo invece di ridurlo. Sono associazioni dichiarate dall’azienda stessa, più che descrizioni tecniche del funzionamento del modello — ma è lo stesso tipo di idea che ricorre spesso su questo blog quando si parla di come decidiamo, applicata qui al modo in cui un sistema artificiale prende decisioni.
Cosa può fare per un’azienda o uno studio professionale
Le dimostrazioni più spettacolari mostrate finora — giocare a Doom in tempo reale, scegliere il link giusto durante una ricerca su Wikipedia — servono soprattutto a mostrare la velocità del modello, più che a suggerire un’applicazione diretta in azienda. Un paio di esempi, invece, sono più vicini a chi lavora in uno studio professionale o gestisce un’azienda:
- Smistare documenti in massa. Dopo aver estratto il testo da una cartella di documenti — fatture, contratti, curriculum — un modello come Jev può essere valutato per classificarli, confrontando accuratezza, tempi e costi con le alternative. TypeSafe segnala prestazioni più deboli nelle lingue diverse dall’inglese: su documenti in italiano servono verifiche specifiche prima di affidarsi al modello.
- Triage del supporto clienti. Su ogni richiesta in arrivo si possono valutare, nella stessa chiamata, più domande insieme: il problema è stato risolto o no, il cliente sembra soddisfatto o arrabbiato, serve l’intervento di una persona oppure no, a quale reparto va inoltrata la richiesta.
- Instradare le richieste tra più strumenti AI. Un assistente AI collegato a molti strumenti diversi (una ricerca sul gestionale, l’invio di un’email, la consultazione di un archivio) deve continuamente decidere quale strumento usare. Farlo decidere a un modello linguistico completo è più lento e costoso; un modello come Jev, pensato solo per scegliere tra opzioni, può ridurre il tempo necessario per questa scelta.
Il filo comune è questo: per compiti di classificazione o assegnazione di un punteggio, circoscritti e ben definiti, può avere senso valutare un modello specializzato come questo invece di un modello linguistico completo. Per capire un problema nuovo e articolato, o per produrre un testo, resta comunque necessario un modello generativo.
I limiti da considerare
Sulla home di TypeSafe compare il claim “Zero Hallucinations”. Quello che l’azienda dichiara, più nel dettaglio, è che il modello rispetta sempre lo schema richiesto per costruzione — non restituisce mai un output nel formato sbagliato — e presenta questo come una garanzia strutturale, non come una misura empirica di quanto spesso il contenuto della risposta sia corretto. È una distinzione importante: la forma della risposta può essere perfetta, il contenuto no.
Il punto da ricordare
È la stessa differenza che c’è tra un modulo compilato correttamente e un modulo compilato con dati sbagliati: la forma è a posto, il contenuto può non esserlo. Nel video che ha ispirato questo articolo, l’autore ha chiesto al modello, nel playground pubblico, di indovinare la sua età scegliendo tra fasce d’età: il modello ha assegnato la probabilità più alta — il 76% — a una fascia sbagliata. Un singolo caso non dimostra da solo una cattiva calibrazione, ma illustra bene il punto: quando le opzioni disponibili potrebbero non coprire davvero tutti i casi, può essere utile aggiungerne una esplicita del tipo “informazioni insufficienti” — sapendo però che anche questo non garantisce che il modello se ne accorga sempre; va verificato sui propri dati, con soglie che indirizzino i casi incerti a una persona.
TypeSafe stessa, nella documentazione tecnica del modello attuale (Jev 1.13), segnala difficoltà su calcoli, date, ragionamenti indiretti, contesti con molte informazioni irrilevanti e contenuti pensati apposta per ingannarlo. Gli output tipizzati riducono gli errori di formato, non necessariamente questo tipo di errori. È lo stesso principio che vale, in generale, per qualunque sistema chiamato a decidere velocemente: la velocità aiuta quando la decisione è tra poche opzioni chiare, ma non sostituisce l’informazione che manca.
In sintesi
- Jev, di TypeSafe AI (fondata da Diogo Almeida, Sasha Sheng ed Erik Gafni; Almeida ha contribuito al paper InstructGPT e all’uso del RLHF), non genera testo: risponde con una probabilità sì/no, un punteggio o una scelta tra opzioni (fino a 255 per domanda), con latenze dichiarate di 70-500 millisecondi.
- È pensato per essere più veloce perché valuta le domande senza generare una risposta testuale in sequenza; la sua architettura interna non è stata pubblicata ufficialmente, solo ricostruita — in modo non confermato — da tecnici indipendenti.
- Il nome della categoria, “System One Models”, richiama il Sistema 1 di Kahneman; il nome Jev richiama l’economista Jevons — associazioni dichiarate dall’azienda stessa.
- Utile, in teoria, per classificazioni aziendali circoscritte (documenti, ticket di supporto, instradamento tra strumenti) — con verifiche necessarie soprattutto su testi in italiano, dove TypeSafe segnala prestazioni più deboli.
- Il claim “Zero Hallucinations” riguarda la conformità al formato della risposta, non la correttezza del contenuto: TypeSafe stessa segnala limiti su calcoli, date e ragionamenti indiretti.
Domande frequenti
Jev sostituisce ChatGPT o Claude?
No. Jev non genera testo e non conversa: valuta domande con formato fisso (probabilità sì/no, punteggio, scelta). Per capire un problema nuovo o scrivere un testo serve ancora un modello linguistico completo; Jev è pensato per affiancarlo sui compiti di classificazione e decisione veloce.
Perché Jev può essere così più veloce ed economico?
Perché non genera l’output parola per parola come un modello linguistico: valuta le domande richieste nella stessa chiamata restituendo direttamente probabilità, punteggi o scelte, senza produrre testo in sequenza. Le cifre di velocità e costo sono comunque dati dichiarati dal produttore.
È vero che Jev non fa mai errori?
TypeSafe dichiara che il modello rispetta sempre il formato richiesto, non che il contenuto della risposta sia sempre corretto. La stessa documentazione di TypeSafe segnala difficoltà su calcoli, date e ragionamenti indiretti.
Come può servire a un’azienda che non scrive software?
Per compiti ripetitivi di classificazione su grandi volumi — smistare documenti, valutare richieste in arrivo, instradare pratiche tra reparti — se integrato da chi si occupa dell’infrastruttura tecnica. Vanno però fatte verifiche specifiche sui testi in italiano, per cui TypeSafe segnala prestazioni più deboli rispetto all’inglese.
Risorse per approfondire
- I 5 livelli per usare Claude sul serio
- Claude in chat o Claude Code in Visual Studio Code: cosa cambia davvero
- GPT-6 Astra vs Claude Fable 5.1: chi vince (e perché la domanda è sbagliata)
Questo articolo prende spunto dal video “Questa AI NON è un LLM: come funziona JEV”, pubblicato il 19 settembre 2026 sul canale YouTube di Simone Rizzo. Guarda il video originale per le dimostrazioni pratiche nel playground.
