Jev : le modèle IA qui prend des décisions au lieu de générer du texte

Depuis l’explosion des LLM, beaucoup d’applications ont adopté le même schéma : envoyer un contexte à GPT, Claude, Gemini, Llama ou un autre modèle, puis lui demander de répondre en JSON pour que le logiciel puisse agir. Cette approche est pratique. Elle est aussi parfois mal alignée avec le problème réel.

Dans un grand nombre de workflows, le besoin n’est pas de produire du langage. Il s'agit de prendre une décision courte : quelle file choisir, quel outil appeler, faut-il continuer, faut-il demander une validation humaine, le résultat d’un autre modèle respecte-t-il la règle attendue ?

Jev, publié par TypeSafe AI en septembre 2026, attaque précisément cette zone. TypeSafe le présente comme son modèle phare et le premier de ses System One Models : des modèles conçus pour des jugements rapides, structurés et directement exploitables par du logiciel.

L’idée : arrêter de tout demander au LLM

Un LLM est très fort pour produire du texte, synthétiser, expliquer, raisonner longuement ou transformer un brouillon en contenu lisible. Mais lorsqu'on l’utilise pour choisir une option parmi cinq possibilités connues, on mobilise une brique générale pour une opération plus étroite.

Le JSON ne change pas completement cette nature. Quand un LLM répond :

{
  "category": "support",
  "urgent": true,
  "next_action": "ask_human"
}

il a tout de même généré une chaîne de caractères. L’application doit la parser, la valider, gérer les écarts de schéma et décider quoi faire de l’incertitude.

Jev inverse le point de départ : le développeur fournit un état et des questions typées. Le modèle retourne des réponses bornées et probabilistes. Le logiciel garde la logique de composition.

Comment fonctionne Jev

La documentation TypeSafe décrit l’appel comme une évaluation d’un state. Cet état peut être une chaîne, un objet JSON ou un tableau de textes. Les questions sont définies séparément et chaque question porte sur un jugement précis.

Exemple simplifie :

state:
  message: "Le client demande une facture corrigee avant la fin de journee."
  account: "client actif"

questions:
  type_demande: Choice(facture, support, commercial, autre)
  urgence: Score(faible, normale, forte)
  validation_humaine: Noul("Une validation humaine est-elle nécessaire ?")

Le modèle ne rédige pas un email. Il retourne des valeurs que le code peut utiliser pour router, bloquer, escalader ou appeler une autre brique.

Choice, Score, Noul : trois sorties pour du code

Choice choisit une option dans une liste. C'est le bon format pour router un ticket, choisir un sous-agent ou classifier un document.

Score place l’état sur une échelle ordonnée. C'est utile pour la priorité, la sévérité, la frustration, le risque ou la qualité d’un résultat.

Noul retourne la probabilité qu’une proposition soit vraie. Dans une interface produit, cela peut être transformé en booléen par seuil, mais le signal d’origine reste probabiliste. Cette nuance est saine : elle force à définir ce que le système fait à 0,51, 0,75 ou 0,95.

TypeSafe insiste aussi sur un principe de conception : poser des questions atomiques. Si un jugement depend de plusieurs facteurs, il vaut mieux poser plusieurs questions et combiner les réponses dans le code plutôt que demander au modèle une décision globale opaque.

Où placer Jev dans une architecture agentique

Une architecture agentique robuste ne devrait pas faire porter toutes les responsabilités au même modèle. Chez Forge Labs, la séparation naturelle ressemble à ceci :

Code déterministe
  - droits
  - règles certaines
  - contraintes de sécurité

Jev
  - routage
  - classification
  - scoring
  - vérification rapide

LLM
  - raisonnement complexe
  - synthèse
  - rédaction

Tools
  - API
  - base de données
  - email
  - CRM
  - MCP

Jev peut donc intervenir avant un LLM pour décider s'il faut l’appeler, après un LLM pour vérifier une sortie, ou pendant une boucle agentique pour décider si l'agent continue, change d'outil ou demande une validation humaine.

Cas d’usage logiciels

Routing de tickets. Un même message peut être classe par sujet, urgence, risque et prochain propriétaire. Le code peut ensuite router uniquement les cas suffisamment certains et escalader le reste.

Sélection d’outils. Un agent dispose de plusieurs actions : chercher dans une base, envoyer un email, créer un ticket, demander à un humain. Jev peut scorer ou choisir l’action admissible, puis le code applique les droits et les garde-fous.

Contrôle de sorties LLM. Après une génération, Jev peut vérifier si la réponse respecte une politique simple : contient-elle une promesse interdite, cite-t-elle une source attendue, demande-t-elle une information sensible, sort-elle du périmètre ?

Priorisation de files. Pour un volume élevé d'événements, quelques millisecondes et fractions de centime par décision deviennent importantes. Les décisions intermédiaires ne justifient pas toujours un LLM plus lourd.

Évaluation continue. Dans des pipelines de production, Jev peut servir de juge spécialisé sur des critères définis, à condition de ne pas confondre cette évaluation avec une vérité absolue.

Coût, latence et accès

État public consulté le 21 septembre 2026 : TypeSafe documente Jev 1.13 sous l’identifiant jev-1.13.0, avec jev-latest comme alias stable courant. Le prix affiché est de 42 dollars par milliard de tokens d’entrée, soit 0,042 dollar par million. Les tokens de sortie sont gratuits.

OpenRouter liste typesafe/jev-1.13 à 0,042 dollar par million de tokens d’entrée, sortie gratuite, et indique un contexte de 32k tokens sur sa page publique.

Vercel AI Gateway expose typesafe-ai/jev. Sa page modèle affiche Jev comme gratuit au 21 septembre 2026 et précise que le tarif promotionnel se termine le 25 septembre 2026. Vercel indique aussi que son AI Gateway ajoute zéro marge aux prix tokens des fournisseurs.

Pour une évaluation d'environ 2 000 tokens, le coût théorique au tarif TypeSafe ou OpenRouter est :

2 000 x 0,042 / 1 000 000 = 0,000084 dollar

Le coût unitaire est donc presque invisible à petite échelle. À grande échelle, il devient surtout un moyen de rearchitecturer : garder les LLM pour les tâches qui méritent vraiment un générateur, et traiter les jugements bornés avec une brique plus spécialisée.

Limites et mauvaises utilisations

Jev ne doit pas être utilisé pour rédiger une réponse client, expliquer une clause, concevoir du code ou produire une analyse stratégique. Ce sont des tâches génératives ou délibératives.

Il ne remplace pas non plus les règles déterministes. Si une opération est interdite par un droit, un état de contrat ou une politique de sécurité, cette interdiction doit vivre dans le code. Un modèle probabiliste ne doit pas avoir le droit de la contourner.

Enfin, une sortie structurée n’est pas une sortie vraie. Le schéma garantit la forme ; il ne garantit pas que le jugement est correct dans votre domaine, vos données, votre langue et vos cas limites. Les jeux d'évaluation restent obligatoires.

Méthode Forge Labs pour l’évaluer

1. Choisir une décision unique. Par exemple : router une demande entrante vers une file.
2. Définir l’espace de sortie. Inclure une option autre ou validation_humaine lorsque le périmètre n’est pas fermé.
3. Construire un lot d’évaluation. Cas fréquents, cas ambigus, cas adversariaux, erreurs de données et exemples récents.
4. Comparer à la base actuelle. Règles existantes, LLM JSON, traitement humain ou routage manuel.
5. Fixer les seuils. Les seuils doivent être définis avant la recette finale, pas ajustés après pour rendre le résultat joli.
6. Journaliser. État, question, réponse, version du modèle, seuil et action doivent être relus en cas d’incident.
7. Limiter le périmètre initial. Déployer sur une décision réversible avant de confier une action sensible.

La promesse la plus intéressante de Jev n’est donc pas de remplacer les LLM. C'est de nous rappeler qu’un logiciel intelligent peut être composé. Du code pour les certitudes. Un modèle de décision pour les jugements rapides. Un LLM pour le langage et le raisonnement. Des outils pour agir. Et une politique explicite pour décider quand l’automatisation s’arrête.

Sources et références

Sources consultées le 21 septembre 2026.

• TypeSafe AI — Introduction.
• TypeSafe AI — System One.
• TypeSafe AI — Primitives.
• TypeSafe AI — Models.
• Vercel AI Gateway — Jev.
• Vercel — AI Gateway documentation.
• OpenRouter — TypeSafe Jev 1.13.