Qu'est-ce que Jev ? Usages, tarifs et limites d'une IA de décision qui ne génère pas de texte

Jev est un modèle d'IA qui, lorsque vous saisissez un texte, renvoie un choix, une valeur d'évaluation ou une probabilité Oui/Non. Il ne génère pas de texte. Il convient aux usages où des jugements, comme l'orientation de demandes, sont répétés à l'intérieur d'une application. Le prix est de 0,042 $ par million de tokens d'entrée, et la sortie est gratuite.

1. Qu'est-ce que Jev ?

TypeSafe a annoncé l'accès anticipé à Jev le 15 septembre 2026. Plutôt qu'un chat qui renvoie de longues explications, il est conçu pour des jugements à l'intérieur d'une application, comme décider « quelle équipe doit traiter cela » ou « dans quelle mesure cela correspond aux critères ».

Sa caractéristique principale est que la forme des valeurs renvoyées est fixée. Cependant, une réponse au format correct peut quand même être un mauvais jugement. Si l'on lit l'expression « absence d'hallucinations » de l'annonce comme signifiant qu'il répond juste sur n'importe quel contenu, on l'utilise mal.

TypeSafe appelle Jev « System One model ». Selon l'annonce, ce nom est propre à l'entreprise et s'inspire de la distinction faite par le psychologue Daniel Kahneman dans « Système 1, Système 2 » entre le « Système 1 » rapide et intuitif et le « Système 2 » plus lent et délibéré. Ce n'est pas une classe de performance unifiée pour l'IA dans son ensemble. L'explication officielle de System One le décrit comme un modèle qui comprend le langage naturel et renvoie des jugements typés que le logiciel peut utiliser directement.

Le nom Jev rend hommage à l'économiste William Stanley Jevons. Il exprime l'idée que, à mesure que le coût de l'intelligence baisse, ses usages se multiplient par plusieurs ordres de grandeur, à l'image du paradoxe de Jevons, selon lequel les gains d'efficacité font augmenter la demande au lieu de la réduire (L'IA va-t-elle faire disparaître les cols blancs ?).

state

La matière à juger. Du texte ou des données au format JSON. On y met le corps de la demande, les éléments choisis par l'utilisateur, les informations de contexte pour la classification, etc.

questions

Ce qu'il faut décider. Une question comme « quelle équipe doit traiter cela ? », accompagnée des candidats et des critères de décision.

Comme les options de sortie sont fixées à l'avance, vous n'avez pas besoin d'une étape qui extrait un nom de catégorie d'un texte du type « c'est sans doute l'équipe technique ». En revanche, il ne convient pas à la rédaction de longs textes, comme des réponses, du code ou des raisons détaillées. Si vous le combinez avec une IA générative, la répartition est la suivante : Jev détermine où le travail doit aller, et un modèle génératif n'est appelé que lorsque du texte est nécessaire.

En quoi cela diffère-t-il d'un LLM qui répond en JSON ?

Recevoir une sortie au format JSON n'est pas propre à Jev. Claude, par exemple, dispose de sorties structurées qui contraignent la sortie à un JSON Schema. Si vous mettez déjà en œuvre une classification avec un modèle génératif, vous n'avez pas besoin de le remplacer simplement parce que « le format est fixé ».

Jev est spécialisé dans le renvoi de choix, d'évaluations graduées et de jugements binaires, accompagnés de leurs probabilités. Si vous avez besoin d'explications ou de réponses après le jugement, utilisez un modèle génératif. Si vous devez choisir à plusieurs reprises des candidats à partir de textes, Jev est aussi un candidat à comparer. Si vous devez calculer exactement des montants ou des dates, utilisez du code classique. Répartissez ainsi le travail. Le plus pratique est de comparer l'exactitude, le temps d'attente et le coût sur la même entrée et les mêmes critères avant de choisir.

2. Différences entre Choice, Score et Noul

La présentation officielle des Primitives répartit les types de questions en trois. Même des questions proches se choisissent selon la sortie souhaitée.

3. La garantie de type et l'exactitude du jugement sont différentes

La garantie de type mise en avant dans l'annonce de TypeSafe signifie que la sortie est contrainte aux candidats ou à la plage de valeurs définis. Si vous répartissez les demandes entre la facturation et le technique, il ne créera pas, sous forme de texte libre, un nom de service qui n'a pas été prévu. En revanche, savoir si le bon service est choisi est une autre question.

Selon l'explication officielle, le confidence de Choice et de Score est une statistique qui résume la concentration de la distribution de probabilités en un nombre unique compris entre 0 et 1. C'est la mesure par défaut. Si elle ne convient pas à votre usage, vous pouvez calculer vous-même une autre mesure à partir des probabilities renvoyées avec elle.

Les candidats sont proches

Le confidence devient faible.

La probabilité se concentre sur un seul candidat

Le confidence devient élevé.

Ne lisez pas « 0,9, donc ce cas est correct à 90 % ». La calibration des probabilités est une propriété évaluée sur un ensemble de nombreuses prédictions ; elle n'indique pas si un cas précis est correct.

En pratique, vous écrivez du code qui se branche selon le confidence. La page officielle Confidence présente la ramification suivante, après que l'utilisateur a choisi sa demande parmi « Consulter le solde », « Approuver un retrait en attente » ou « Support » (extrait ; les commentaires sont la traduction de l'auteur).

if confidence < 0.5:
    # Le modèle hésite vraiment. Ne pas deviner
    route_to_human(user_message)

elif action.choice == "check_balance":
    # Impact faible. Afficher un autre écran peut être annulé
    show_balance(account_id)

elif action.choice == "approve_transfer":
    if confidence > 0.9:
        # Impact élevé et confidence élevé. Confirmer puis exécuter
        confirm_then_execute(account_id)
    else:
        # Impact élevé, confidence moyen. Vérifier d'abord
        ask_user_to_confirm(account_id)

Le seuil de 0,5 sert à repérer les cas où le modèle a indiqué qu'il hésitait vraiment. Au-delà, une opération difficile à annuler, comme l'approbation d'un retrait, exige un seuil plus élevé qu'une opération de simple lecture. Remarquez que même au-delà de 0,9, le code ne s'exécute pas immédiatement mais demande une confirmation. Un confidence élevé ne remplace pas l'autorisation d'exécuter.

0,5 et 0,9 sont des exemples, et non des valeurs recommandées de manière uniforme. La documentation officielle ajoute que les valeurs appropriées dépendent du domaine et des performances du modèle pour votre usage. Elle conseille de commencer avec des seuils prudents, puis de les ajuster sur vos propres données.

4. Exemple : orienter des demandes de support

Prenons une demande comme « Le bouton de téléchargement de ma facture ne répond pas ». Si vous l'orientez vers la facturation à cause du mot « facture », vous passez à côté du dysfonctionnement de l'écran. Si vous faites juger Jev, expliquez d'abord les limites du périmètre de chaque équipe, puis faites-lui choisir un candidat.

En suivant le Quick start officiel et la spécification de l'API, la requête a la forme suivante. Procurez-vous une clé API et envoyez du JSON à POST https://api.typesafe.ai/v1/systemone.

{
  "model": "jev-1.13.0",
  "state": "J'appuie sur le bouton de téléchargement de ma facture, mais rien ne se passe.",
  "questions": {
    "team": {
      "type": "choice",
      "instructions": "Choisissez le candidat d'équipe qui correspond à la demande principale du message.",
      "criteria": {
        "billing": "Questions sur le montant facturé, le mode de paiement ou une double facturation.",
        "technical": "Problèmes de manipulation à l'écran, d'erreurs ou de fonctionnalités qui ne marchent pas.",
        "review": "Plusieurs demandes sont mêlées, ou les éléments manquent pour décider du service qui doit traiter."
      }
    },
    "service_unavailable": {
      "type": "noul",
      "instructions": "Le message signale-t-il qu'un écran ou une fonctionnalité est actuellement indisponible ?"
    }
  }
}

Envoi et traitement de la réponse

Obtenez une clé API depuis la console et définissez dans les en-têtes HTTP Authorization: Bearer <API_KEY> et Content-Type: application/json. Gérez la clé avec des variables d'environnement ou un équivalent côté serveur, et ne l'intégrez pas dans du HTML public ni dans un dépôt.

Pour vérifier d'abord la connectivité, vous pouvez coller tel quel l'exemple curl du Quick start officiel et l'exécuter. Placez la clé dans la variable d'environnement TYPESAFE_API_KEY, puis lancez la commande. Cet exemple demande avec Noul si une demande en anglais exprime un caractère urgent.

curl -X POST https://api.typesafe.ai/v1/systemone \
  -H "Authorization: Bearer $TYPESAFE_API_KEY" \
  -H "Content-Type: application/json" \
  -d @- <<'EOF'
  {
    "state": "Hi, I've been trying to connect my Stripe account for 3 days and the integration keeps failing. I'm losing sales. Please help ASAP.",
    "model": "jev-latest",
    "questions": {
      "urgency": {
        "type": "noul",
        "instructions": "Ce message exprime-t-il un caractère urgent ?"
      }
    }
  }
EOF

Pour envoyer l'exemple en français ci-dessus, remplacez le JSON situé entre <<'EOF' et EOF par ce JSON. Pour un appel depuis du code, ou pour qu'un agent qui vous aide au développement lise la spécification, la documentation officielle propose les points d'entrée suivants.

• Appel depuis Python : pip install typesafe-sdk (Python 3.10 ou version ultérieure). Le client du SDK lit la variable d'environnement TYPESAFE_API_KEY et appelle jev-latest par défaut.
• Développer avec Claude Code : claude plugin marketplace add typesafe-ai/skills, puis claude plugin install typesafe@typesafe-ai. Cela installe la compétence officielle qui transmet à un agent de codage les trois types de questions et les schémas de conception (Agent skill).

Revenons à l'exemple en français : les champs à lire et leur usage sont présentés dans le schéma et le tableau ci-dessous. Avec Choice, on obtient le candidat d'équipe ; avec Noul, on voit si un signalement de fonctionnalité indisponible existe.

401 et 422 : corriger les réglages ou la saisie

401 signale une clé absente ou invalide, 422 un échec de validation du format de saisie. Corrigez les réglages ou le message, puis renvoyez la requête.

429 et 529 : attendre puis réessayer

Ne répétez pas en rafale ; augmentez progressivement le délai d'attente. Le SDK officiel effectue cette nouvelle tentative automatiquement par défaut.

Les erreurs HTTP sont distinctes d'un confidence faible. Ne les traitez pas comme des valeurs de réponse. La base est la spécification de l'API citée plus haut.

Pour débuter, il suffit souvent de ne pas modifier votre routage existant et de placer côte à côte l'équipe choisie par une personne et les candidats de Jev. Vérifiez s'il repère un problème technique même lorsque le message contient le mot « facture », si les messages à plusieurs demandes peuvent être renvoyés vers review, et s'il évite de conclure sans informations suffisantes. Lorsque vous trouvez une erreur, ajoutez-la comme cas d'échec et revérifiez que les descriptions des candidats ne se chevauchent pas.

Lorsque vous l'intégrez à un agent IA, séparez « le modèle qui juge », « les outils qui exécutent » et « les conditions dans lesquelles l'exécution est permise ». Gardez en code les calculs de montants et les vérifications d'autorisations. Cela facilite la recherche de l'étape où une erreur s'est produite lorsqu'un jugement est faux.

La documentation officielle de TypeSafe contient d'autres exemples d'implémentation : garde-fous pour les applications LLM, sélection des documents récupérés avec RAG, réordonnancement des résultats de recherche et vérification des citations. Même lorsque vous l'utilisez pour des garde-fous ou la sélection de documents, la faiblesse des « entrées qui orientent la réponse », traitée dans la section suivante, subsiste. (La démarche consistant à arrêter à la fois en entrée et en sortie est expliquée dans Qu'est-ce qu'un garde-fou pour l'IA ?.)

5. Tâches peu adaptées et faiblesses connues

TypeSafe publie les faiblesses connues de Jev 1.13. Ne supposez pas qu'il est exact parce qu'il ne sert qu'au jugement. Répartissez le travail ainsi :

Par ailleurs, les probabilités de Oui/Non posées séparément ne satisfont pas nécessairement de relations mathématiques. Même si vous posez à Noul la même condition et sa négation avec des questions séparées, la somme n'est pas forcément égale à 1, et vous ne pouvez pas traiter les probabilités de Choice et celles de Noul avec le même seuil. Lorsque vous modifiez la formulation d'une question, réévaluez-la au lieu de réutiliser les valeurs réglées auparavant.

Points à vérifier pour un usage en français

6. Lire les tarifs, les limites d'entrée et la vitesse

Au 21 septembre 2026, la page Models de TypeSafe indiquait que le modèle actuel était jev-1.13.0. Le 14 octobre 2026, jev-1.14.0 a également été publié (tarif et longueur de contexte identiques). À la date de vérification du 19 octobre, l'alias jev-latest (version stable) pointait vers la 1.13 et jev-preview vers la 1.14. Les alias basculent lorsqu'une nouvelle version sort : si vous voulez des résultats stables, indiquez un identifiant avec numéro de version. Le prix est de 0,042 $ par million de tokens d'entrée, et les tokens de sortie sont gratuits. Ce n'est pas un forfait par demande : le coût varie avec le nombre de tokens d'entrée, qui comprend state et questions. Pour donner un ordre de grandeur, l'exemple de réponse du Quick start officiel (une demande en anglais de trois phrases avec trois questions) montre un usage.input_tokens de quelques centaines de tokens. Par ailleurs, dans son annonce, TypeSafe écrit qu'elle ne peut pas prouver à ce stade que ce prix n'est pas subventionné, et que sa durabilité ne se verra que sur le long terme. Elle prévoit des prix en baisse plutôt qu'en hausse.

La double limite de 64k et 32k

L'entrée est uniquement du texte. Les images, l'audio et la vidéo ne peuvent pas être transmis directement : il faut d'abord les convertir en texte ou en données structurées par un autre traitement.

Les limites de débit peuvent changer

Les limites de débit sont définies par organisation ; vérifiez celle de la vôtre dans la console développeur (page Models au 19 octobre 2026 ; des valeurs fixes figuraient auparavant). Elles s'expriment en tokens par seconde et en requêtes par seconde ; dépasser l'une des deux renvoie 429 Too Many Requests. Le SDK officiel réessaie par défaut avec un délai croissant (backoff), et si la réponse contient un en-tête retry-after, il s'y conforme. Si vous appelez directement l'API HTTP, écrivez vous-même le traitement de nouvelle tentative avec un délai qui s'allonge, comme indiqué plus haut.

La documentation officielle précise que, la demande étant très forte, les limites sont ajustées dynamiquement et peuvent changer sans préavis. Des limites plus élevées sont proposées via des contrats personnalisés ou entreprise. Pour une conception qui envoie de gros volumes de texte d'un coup, vérifiez les valeurs au moment de démarrer et décidez à l'avance de la façon d'attendre lorsque vous atteignez une limite.

Comparer la vitesse et le prix sur une même tâche

Dans son annonce, TypeSafe indique que le délai entre la requête et le résultat est de 70 ms à 500 ms. Cependant, ses évaluations publiques ont été réalisées principalement depuis des ordinateurs portables de l'entreprise situés sur la côte ouest des États-Unis, où se trouve le service.

Face aux modèles génératifs, elle avance le chiffre « 193,6 fois plus rapide et 444,6 fois moins cher ». Il provient d'une évaluation de workflow créée par l'entreprise, et TypeSafe elle-même estime qu'il se situe dans la fourchette haute des améliorations réellement obtenables. Elle indique que les workflows d'évaluation n'ont pas été choisis pour favoriser son propre modèle et ne figurent pas dans les données d'entraînement, mais aussi qu'ils ont été créés par des membres de son équipe de capacités de modèles, ce qui peut introduire un biais. Lisez ces chiffres comme des chiffres du fournisseur lui-même, et comparez sur votre propre tâche en gardant à l'esprit les points suivants :

• Les résultats changent quand les conditions changent : comparez avec une même distance réseau, une même longueur d'entrée, un même nombre de questions et les mêmes réglages du modèle de comparaison.
• Ne se prête pas à une comparaison de multiplicateurs avec un chat ordinaire : la comparaison officielle inclut un traitement pour extraire une distribution de probabilités d'un modèle génératif.

Éléments à comparer en pratique

Coût : prix unitaire de l'API + effort d'exploitation

Incluez la part du prétraitement, des nouvelles tentatives et de l'attente des vérifications. Même si la classification est bon marché, l'effort global ne diminue pas si la vérification humaine augmente.

Vitesse : moyenne + requêtes lentes

Vérifiez que le travail ne s'arrête pas en cas de forte affluence ou de réponses lentes.

7. Ce qu'il faut vérifier lors d'un essai

Commencez par le Playground pour voir si vos critères de question sont bien compris. Le Quick start officiel contient les étapes pour obtenir une clé API et appeler l'API. Comme l'accès est anticipé, vérifiez d'abord vos droits d'utilisation après connexion.

Quatre points clés pour l'évaluation

1. 01

   Préparez les bonnes réponses et les limites.

   En plus d'exemples où une personne a décidé de l'équipe, incluez des demandes multiples, des textes très courts, des négations et des phrases orientées. Si vous utilisez des données réelles, vérifiez que le contenu peut être envoyé à l'extérieur.

2. 02

   Figez les critères des questions.

   Écrivez ce qui définit chaque candidat et précisez les conditions de renvoi vers « Autre ». Vérifiez aussi avec des exemples différents de ceux qui ont servi à ajuster les critères.

3. 03

   Examinez ensemble le taux de bonnes réponses et la part en attente de vérification.

   Comptez, pour chaque seuil, les éléments traités automatiquement et le nombre de jugements erronés parmi eux. Notez aussi le volume en attente de vérification, pour éviter de n'afficher qu'une précision flatteuse.

4. 04

   Consignez le modèle et les questions.

   Gardez l'identifiant du modèle, le type d'entrée, la version des questions, les réponses et le temps de traitement, et comparez avant et après chaque modification.

Prémisse de cet article : il repose sur l'annonce de TypeSafe et sur la documentation officielle (vérifiées le 21 septembre 2026, mise à jour confirmée le 19 octobre). L'auteur n'a pas exécuté l'API et n'a pas mesuré la précision en français ni les temps d'attente réels.

FAQ

Q. Jev peut-il converser comme ChatGPT ?
A. Ce n'est pas un modèle qui génère des réponses libres. Vous saisissez un texte et recevez des jugements dans la forme que vous avez définie avec Choice, Score ou Noul. Si vous avez besoin de textes de réponse ou d'explication, combinez-le avec un modèle génératif ou des modèles de réponse.

Q. S'il n'a « pas d'hallucinations », ne se trompe-t-il jamais ?
A. Contraindre la sortie à un type ou à des candidats et juger correctement le contenu sont deux choses distinctes. La documentation officielle recense aussi des faiblesses : calculs, dates, entrées riches en informations non pertinentes et phrases orientées. Vous devez mesurer la précision avec vos propres données.

Q. Le 0,5 de Noul signifie-t-il « moyen » ?
A. Cela signifie que Oui et Non sont évalués comme à peu près équiprobables. Ce n'est pas une valeur représentant un milieu de gravité ou de qualité. Pour mesurer un degré, un Score avec des niveaux expliqués est le bon candidat.

Q. Peut-on l'utiliser en français ?
A. La documentation officielle indique qu'il prend en charge d'autres langues que l'anglais, y compris les écritures CJK, mais explique que l'anglais est la principale langue d'entraînement et qu'il est actuellement le plus précis en anglais. Vérifiez avec des données d'évaluation en français avant tout usage professionnel.

Q. Peut-il servir à juger des images ou des sons ?
A. L'entrée du modèle actuel est uniquement du texte ; on ne peut pas transmettre directement des images ou du son. Si votre conception transmet des caractères ou des données structurées obtenus par un autre traitement, évaluez-la en incluant les erreurs de ce prétraitement.