Jev: l’AI che non parla, ma decide. Cosa cambia nelle tue automazioni (e perché il nodo IF non basta più)
Immagina di dover smistare centinaia di email di assistenza al giorno. Il tuo flusso workflow ha un nodo IF che cerca la parola “rimborso”. Peccato che i clienti scrivano “mi avete addebitato due volte”, “voglio indietro i soldi”, “questa fattura è sbagliata”. Il tuo IF fallisce. Allora metti un nodo ChatGPT prima dell’IF, ma ora paghi un modello che genera parole inutili solo per fargli dire “fatturazione”, aspetti secondi invece di millisecondi, e ogni tanto si inventa un formato JSON che il tuo codice non riesce a leggere.
Jev nasce esattamente per risolvere questo problema. Non è un modello che scrive: è un modello che decide. E per le automazioni, questa distinzione cambia tutto.
Cos’è Jev, in parole semplici
Jev è il primo modello della classe System One di TypeSafe . Il nome viene dalla teoria dei due sistemi di Daniel Kahneman: il Sistema 1 è il pensiero veloce e intuitivo, il Sistema 2 è quello lento e ragionato. Jev fa il primo: guarda un contesto, risponde a una domanda strutturata, e restituisce un risultato che il software può usare direttamente, senza dover “leggere” una frase.
L’API è volutamente minimale. Espone solo tre tipi di domanda :
- Choice: scegli tra opzioni predefinite (es. “a quale reparto appartiene questa email?”).
- Score: dai un voto su una scala (es. “quanto è arrabbiato il cliente, da 1 a 5?”).
- Noul: rispondi sì o no con una probabilità (es. “questa email chiede un rimborso?”).
Quello che rende Jev diverso da un classificatore tradizionale è la calibrazione. Il modello viene addestrato con una tecnica chiamata RLCD (Reinforcement Learning for Calibrated Decisions): se dice di essere sicuro al 90%, statisticamente ci azzecca il 90% delle volte . Questo permette di costruire automazioni che sanno quando fidarsi di sé stesse e quando passare la palla a un umano.
I numeri che hanno fatto esplodere l’adozione sono brutali: 70-500 millisecondi di latenza contro i secondi di un modello chat, e un costo di 0,042 dollari per milione di token in input, con output gratuito . Il motivo è tecnico: Jev non genera testo token per token. Il suo “spazio di risposta” è già definito dalle opzioni che gli dai, quindi calcola tutto in un singolo passaggio.
Le alternative open source: cosa c’è davvero
Jev è un modello proprietario. TypeSafe non ha pubblicato i pesi né il metodo di addestramento. Diversi progetti open source hanno provato a replicarne l’interfaccia (il modo in cui posti le domande e ricevi le risposte strutturate), ma con risultati alterni.
Il messaggio è chiaro: l’open source oggi ti dà la forma, non la sostanza. Se ti serve la calibrazione affidabile di Jev, l’API a pagamento resta la scelta più solida. Se invece vuoi sperimentare in locale o hai requisiti di privacy stringenti, openjev e Laya sono punti di partenza ragionevoli, accettando un calo di precisione.
Dove usarlo nelle automazioni (e dove no)
Jev non sostituisce ChatGPT. Sostituisce il nodo IF quando le regole fisse non bastano. I casi d’uso più concreti emersi dalla community:
Smistamento e classificazione. Email, ticket, richieste da form. Invece di cercare parole chiave, passi il testo a Jev con una domanda Choice: “A quale reparto appartiene?” e ricevi {"choice": "fatturazione", "confidence": 0.94}. Il tuo flusso di automazione usa la confidence come gate: sopra 0,85 va diretto al reparto, sotto va a revisione umana .
Controllo qualità prima dell’invio. Generi un post per i social con un LLM, poi chiedi a Jev: “Questo testo è appropriato? Sì o no, con che sicurezza?” Se la confidenza è alta e la risposta è sì, pubblichi; altrimenti blocchi e notifichi su Telegram .
Automazione UI e test. Playwright non sa quale bottone cliccare quando la pagina ha cinque elementi simili. Jev legge lo snapshot della pagina e il task corrente, e restituisce l’elemento più probabile. Quando uno step fallisce, Jev classifica il motivo del fallimento prima che il codice tenti una riparazione .
Agenti che devono prendere micro-decisioni. Un agente che naviga un browser fa centinaia di scelte al minuto. Usare un modello chat per ogni scelta è insostenibile in costo e latenza. Jev costa così poco che puoi permetterti di chiamarlo a ogni bivio .
Dove NON usarlo. Se la decisione è deterministica (l’importo è maggiore di 100? la data è nel passato?), un nodo IF è più veloce, gratis, e non sbaglia mai. Jev serve quando la regola è ambigua nel linguaggio naturale, non quando è matematica.
Jev vs il classico nodo IF: i punti critici
La tentazione è dire “Jev è meglio dell’IF”. Non è così. Sono strumenti diversi, e usarli male entrambi porta a disastri.
Il vantaggio di Jev sull’IF è la tolleranza alla variazione linguistica. Un IF che cerca “rimborso” non troverà mai “voglio indietro i miei soldi”. Jev sì, perché ha una comprensione semantica di base. In più, la confidence ti dà una misura del rischio: puoi automatizzare solo i casi sicuri e lasciare gli altri all’uomo, cosa che un IF non può fare (un IF è sempre sicuro al 100% di aver trovato la parola, anche quando la parola è usata in senso opposto: “non voglio alcun rimborso”).
Il punto critico di Jev è che non è deterministico. La stessa email, passata due volte, potrebbe dare confidence leggermente diverse. E la calibrazione è statistica: significa che su 100 risposte con confidence 0,90, circa 10 saranno sbagliate. Non è un oracolo. Va usato con un gate di confidenza e un ramo di fallback umano o LLM. Chi lo tratta come un IF potenziato e manda tutto in automatico senza rete di sicurezza sta costruendo una bomba a orologeria .
Il costo nascosto dell’IF è la manutenzione. Ogni nuova variazione linguistica richiede una nuova condizione. Dopo sei mesi hai un nodo IF con 40 rami che nessuno osa toccare. Jev sposta la complessità dalla codifica delle regole alla progettazione delle domande: scrivi una volta “classifica questa email in queste tre categorie”, e il modello gestisce la variazione. Ma devi comunque progettare bene le opzioni e testare i casi limite.
In sintesi
Jev è un decision layer, non un generatore di testo. La sua velocità e il suo costo lo rendono perfetto per tutte quelle micro-decisioni che oggi stai facendo fare a un modello chat solo perché non avevi alternative migliori. Ma non è magia: la calibrazione è statistica, il modello può sbagliare con sicurezza, e l’open source è ancora indietro sulla qualità.
L’approccio giusto in una automazione è questo: Jev fa il primo giudizio, il tuo codice verifica la confidence, e un umano (o un LLM) copre le incertezze. Il nodo IF non sparisce: diventa il guardiano che decide se fidarsi di Jev. È un’architettura più robusta di quella che avevi prima, ma richiede disciplina. Come tutte le cose che funzionano davvero.
