Jev od TypeSafe AI: model, který nepíše text, ale rozhoduje

Jev je AI model od TypeSafe AI, který neumí napsat ani větu. Umí jen rozhodovat: dostane stav a sadu otázek a vrátí typované rozhodnutí s pravděpodobnostmi. Za modelem stojí Diogo Almeida, bývalý výzkumník OpenAI, jeden z lidí za RLHF a ChatGPT.

V polovině září 2026 pobláznila AI svět jedna věc. Spoluautor ChatGPT postavil AI, která nepíše text. A upřímně, myslím si, že tohle je pro agentní workflow zajímavější než další chytřejší chatbot.

Kdo za Jevem stojí?

TypeSafe AI je lab, který založil Diogo Almeida. V OpenAI strávil zhruba čtyři roky na RLHF, InstructGPT, ChatGPT a GPT-4 a odešel v roce 2024. S Jevem teď vyšli po dvou letech ze stealthu.

TypeSafe tomu říká System One Models. Narážka na rychlé, intuitivní myšlení, ne na dlouhé přemýšlení nahlas. Trénovací metodu pojmenovali RLCD, tedy reinforcement learning pro kalibrovaná rozhodnutí. Podrobnosti zatím nezveřejnili.

Jak Jev funguje?

Jev nepíše text. Dostane stav, třeba mejl, ticket, JSON nebo log, a k tomu sadu otázek. Vrátí rozhodnutí s pravděpodobnostmi. Nic, co bys musel parsovat.

Umí tři typy otázek:

• Choice: vyber jednu z možností (billing / technical / sales) a dostaneš pravděpodobnost pro každou
• Score: ohodnoť podle rubriky (nízké / střední / vysoké riziko)
• Noul: číslo od 0 do 1, jak moc je tvrzení pravda

U Choice a Score dostaneš i confidence. A to je celé kouzlo: vysoká jistota znamená, že agent jede sám. Nízká jistota znamená, že to jde na člověka.

Proč je to pro AI agenty velká věc?

V agentních workflow je většina kroků rozhodnutí, ne přemýšlení. Kam poslat ticket. Jestli je lead horký. Jestli refund sedí s pravidly.

Dnes na to voláš velký LLM, taháš z něj JSON, validuješ ho, a když se rozbije, voláš znovu. Kdo stavěl automatizace v n8n nebo Make, zná to. Jeden rozbitý JSON a celý scénář stojí.

Jev vrátí rovnou typovanou hodnotu a k ní confidence. Žádné parsování, žádné retry smyčky.

	Klasický LLM na rozhodování	Jev
Výstup	text nebo JSON, který musíš validovat	typovaná hodnota + pravděpodobnost
Rychlost	sekundy a víc	70 až 500 ms podle TypeSafe
Cena	podle modelu, výstupní tokeny se platí	0,042 USD za milion vstupních tokenů, výstup zdarma
Předání na člověka	musíš si vymyslet sám	přirozeně přes confidence
Psaní textu	ano	ne

Jak je Jev rychlý a kolik stojí?

Čísla podle TypeSafe:

• 70 až 500 ms na odpověď
• 0,042 USD za milion vstupních tokenů, v přepočtu zhruba koruna
• výstup zdarma 🤣

Na launchi ho nechali hrát Doom. Dostával stav hry a v reálném čase rozhodoval, co dál. Podle jejich blogu vychází deset dotazů za vteřinu na zhruba 7 USD za hodinu.

Pro českou firmu, která denně třídí stovky ticketů nebo mejlů, je to cena, kterou prakticky neřešíš. Hlavní úspora je jinde: v čase, který dnes padá na opravování rozbitých JSONů a čekání na pomalý model.

Kdy Jev nefunguje nebo na co si dát pozor?

Tady je potřeba counter-hype. Pár věcí, na které bych si dal bacha:

• „Zero hallucinations" neznamená, že má pravdu. Znamená to, že nevrátí nevalidní typ. Klidně ti s vysokou jistotou označí rizikový ticket jako „low risk".
• Blbě navržené možnosti = blbé rozhodnutí. Když špatně postavíš prostor odpovědí, udělá správné rozhodnutí ve špatně postaveném prostoru.
• Angličtina. Primárně je trénovaný na angličtině. Na české tickety bych si ho nejdřív pořádně změřil.
• Early access a closed source. Benchmarky jsou zatím hlavně od nich samotných. Nezávislé testy teprve přijdou.
• Registrace. Kvůli náporu je dočasně pozastavili. Vyzkoušet se dá přes agregátory typu OpenRouter.

Přiznávám, já osobně jsem ještě neměl čas na hlubší testy. Strávil jsem s tím zatím jen asi hodinku. Takže tohle ber jako první dojmy, ne verdikt.

Kde bych Jev použil v praxi?

Všude, kde je krok „rozhodni a pošli dál":

1. Routing ticketů: billing, technická podpora, obchod. Při nízké jistotě na člověka.
2. Kvalifikace leadů: horký, vlažný, studený lead podle rubriky.
3. Kontrola pravidel: sedí refund s obchodními podmínkami, ano nebo ne a s jakou jistotou.
4. Triáž mejlů: co vyřeší agent sám a co musí vidět člověk.

Klíčové je nastavit si práh confidence. Třeba nad 0,9 jede agent sám, pod tím to jde na člověka. Ten práh si ale musíš vyladit na svých datech, ne převzít z launch videa.

Bude jeden model na všechno?

Tipuju, že ne. LLM bude přemýšlet a plánovat, malé rychlé modely budou rozhodovat. Stejně jako v týmu: někdo vymýšlí strategii a někdo rychle třídí poštu.

Jeden kamarád v komentářích trefně poznamenal, že AI, co neumí napsat větu a umí jen rozhodovat, zní jako Karel z personálního. 😄 Ale vážně: tohle rozdělení rolí mezi velký a malý model mi dává fakt smysl.

Shrnutí

Jev od TypeSafe AI je model, který místo textu vrací typovaná rozhodnutí s pravděpodobnostmi. Odpovídá za 70 až 500 ms a vstup stojí 0,042 USD za milion tokenů. Pro agentní workflow to může být hustý stavební kámen, ale zatím je v early access, primárně anglický a bez nezávislých benchmarků.

Zaznamenali jste ho? Zkoušeli jste ho? A na čem konkrétně? Jestli chceš agentní systémy stavět se mnou, přijď na AI OS Building Day.