Jev от TypeSafe AI: новая AI-модель для автоматизации бизнес-процессов

15 сентября 2026 года стартап TypeSafe AI представил Jev - новый вид AI-моделей, который не пытается конкурировать с ChatGPT, Claude или Gemini. Её задача намного уже и, возможно, намного практичнее для бизнеса: быстро принимать решения внутри заданой схемы данных.

Само название Jev отсылает к парадоксу Джевонса: когда какой-либо ресурс становится дешевле и эффективнее, люди начинают использовать его значительно больше. TypeSafe рассчитывает, что это произойдёт с искуственным интеллектом, если одно автоматическое решение будет стоить практически ничего, ИИ можно будет внедрять в тех местах бизнес-процесса, где ранее его просто экономически небыло смысла использовать.

В чём отличае от класических ИИ?

Обычная LLM получает запрос и начинает генерировать ответ в виде текста. Это прекрасно работает, когда нужно написать письмо, объяснить документ, создать код или поговорить с клиентом. Но если программе нужен простой ответ вроде в какой отдел отправить эту заявку? Или выставить скоринг, большой языковой модели всё равно приходится генерировать текст, а потом доставать из него данные. Зачастую классические LLM не очень обьективны в такой задаче.

Jev работает иначе. Он анализирует информацию, например сообщение клиента, данные заказа, историю аккаунта или состояние AI-агента и заранее определяет, какие решения нужно принять. Модель возвращает не текстовое сообщение, а набор данных (обьект/массив), которые программа может сразу использовать.

Например, интернет-магазин получает сообщение:

«Заказ должен был приехать вчера, деньги списали дважды, а поддержки нет уже второй день».

Вместо шаблонного ответа клиенту Jev может за доли секунды определить:

department: billing
priority: critical
refund_risk: 0.81
human_required: 0.93

После этого CRM отправит обращение в финансовый отдел тех поддержки, поставит высокий приоритет, что бы человек принял нужное решение. А дальше в цепочке автоматизации обычная LLM при необходимости напишет клиенту ответ и статус задачи.

В этом и заключается основная идея Jev: LLM может думать и писать, а Jev решает, что системе делать дальше в строго заданных рамках и формате.

Примеры внедрения

Мы в Zaltsman Media уже успели внедрить этот класс моделей в клиентских проектах, хотя сам Jev появился только недавно. Наши премеры наглядно показывают где этот тип моделей особено эфективен.

Портал с недвижимостью в Испании

В каталоге несколько десятков тысяч объектов и более десяти фильтров: регион, город, район, цена, количество спален, площадь, терраса, бассейн, вид на море, расстояние до пляжа, новостройка и так далее.

Пользователь при этом думает совсем не фильтрами. Он скорее напишет:

Ищу квартиру недалеко от Барселоны для семьи с двумя детьми. Хотелось бы три спальни, большую террасу, современный дом и море рядом. Бюджет около €650 000. Вид на море желательно, но не принципиален, а вот до хорошей школы хотелось бы добираться за 15-20 минут.

AI разбирал обычный человеческий запрос на параметры, которые реально существуют в базе недвижимости.

Например:

price_max        €650,000     high
bedrooms         3            high
property_type    apartment    high
terrace          yes          high
near_school      yes          high
modern/newbuild  preferred    medium
near_sea         preferred    medium
sea_view         preferred    low

Самое важное здесь определить не только фильтры, а понять насколько каждый из них важен для покупателя. Если в каталоге есть пять квартир, полностью соответствующих запросу, пользователь увидит именно их. Если таких объектов нет вообще, система не отпугивает клиента стандартным - «по вашему запросу ничего не найдено». Она постепенно ослабляет наименее важные условия. Сначала можно убрать вид на море. Затем увеличить допустимое расстояние до моря. Потом немного расширить бюджет или географию — но сохранить три спальни и другие параметры, которые пользователь обозначил как действительно важные.

В результате человек получает не пустую страницу, а наиболее близкие к своему запросу варианты из реального каталога. Обычная LLM тоже способна разобрать такой запрос. Но если эту операцию нужно выполнять при каждом поиске, сортировке и уточнении результатов, большая генеративная модель оказывается слишком дорогим решением для этой задачи. Это отличный пример когда нужно за доли секунды принять десять небольших структурированных решений по строго заданным параметрам и это сильная стороны Jev моделей, так как обычная LLM что бы угодить пользователю может наврать или дать не соответствующий запросу ответ.

Как устроены решения Jev

Главна особеность в принятии решения - система расчитывает вероятность и показатель уверенности. Поэтому бизнес может заранее определить правила по которым модель будет принимать решения: при уверенности выше 90% выполнить действие выполняется автоматически, от 70% до 90% отправить на дополнительную проверку, а всё остальное передать человеку. Тоесть это такая быстрая и дешевая система скоринга.

TypeSafe обучает модель с помощью собственного метода Reinforcement Learning for Calibrated Decisions. Идея заключается в том, чтобы уверенность модели имела практический смысл: высокая уверенность должна соответствовать более высокой фактической точности.

Для бизнеса ИИ, который понимает границы своей уверенности, значительно проще встроить в автоматический процесс, чем ИИ, который одинаково убедительно говорит и правильный ответ и откровенную чепуху.

Где Jev можно использовать в бизнесе

Самые полезные сценарии начинаются там, где сотрудники каждый день принимают сотни однотипных решений.

• Продажи и CRM. Jev анализирует заявку, определяет услугу, потенциальный бюджет, срочность и качество лида, после чего направляет его нужному менеджеру. При большом потоке запросов отдел продаж начинает сначала работать с наиболее перспективными заявками. Это именно тот пример где мы сейчас больше всего переводим наши проекты на Jev так как это значительно экономит расходы на ИИ.
• Поддержка клиентов. Обращения автоматически делятся на продажи, оплату, технические проблемы, возвраты и жалобы. Система оценивает срочность и самостоятельно решает, достаточно ли автоматического ответа или нужен сотрудник.
• E-commerce. Модель может оценивать запросы на возврат, подозрительные заказы, жалобы, приоритет обработки или вероятность того, что конкретная ситуация требует ручной проверки.
• AI-агенты. Перед выполнением действия Jev может решить, какой инструмент лучще использовать в конкретной задаче, какую модель применить и безопасно ли вообще разрешать данное действие. Аналогично он может проверять результат другого ИИ перед тем, как программа продолжит работу или выдасть ответ клиенту.

По мере того как компании начинают использовать несколько AI-моделей и агентов одновременно, им нужен дешёвый слой, который постоянно принимает небольшие решения: «что вызвать дальше?», «можно ли эту задачу выполнить?», «результат достаточно хороший?» и «нужен ли здесь человек?».

TypeSafe сама описывает такой подход почти как smart if-statement — умный if внутри обычного программного кода.

Почему просто не использовать ChatGPT?

Можно. И сегодня именно так строится множество AI-автоматизаций. Проблема появляется при масштабе. Если интернет-магазину нужно классифицировать 100 обращений в день, разница практически незаметна. Если система должна принять несколько миллионов небольших решений, скорость и стоимость большой LLM начинают иметь решающее значение. Расходы на запросы различаются в сотри раз.

TypeSafe Jev обещает время ответа примерно 70–500 мс и цену $0,042 за миллион входных токенов, при этом оплаты за output вообще нет. На собственных workflow-тестах компания получила результаты до 193,6 раза быстрее и 444,6 раза дешевле классических LLM моделей.

Jev это не замена ChatGPT, Claude или Gemini

Jev вообще не подходит для задач вроде «напиши коммерческое предложение», «создай статью», «проанализируй стратегию» или «разработай приложение». Он работает с заранее определённым пространством решений и на момент запуска ориентирован прежде всего на структурированные данные и модели вероятности. Для генерации текста и рассуждений по-прежнему нужны обычные LLM.

Поэтому правильно использовать оба вида моделей в связке. Большая LLM модель может прочитать документы, подготовить ответ или предложить план действий. Jev проверит результат, определит категорию риска и решит, какой следующий шаг выполнить. После этого обычный программный код запустит действие. Получается уже не просто текстовый чат с искусственным интеллектом, а полноценный автоматизированный бизнес-процесс.

Чем это полезно для вашего бизнеса

Большинство компаний сегодня смотрят на AI через интерфейс ChatGPT: сотрудник задаёт вопрос, получает ответ и что-то делает с ним вручную. Это полезно, но почти не меняет сам процесс работы.

Jev это инное направление развития ИИ. Модель может вообще не иметь интерфейса и никогда не разговаривать с человеком. Она просто работает внутри CRM, интернет-магазина, ERP или системы тех-поддержки и тысячи раз в день принимает небольшие решения, которые раньше принимал сотрудник.

Причём технология уже выходит за пределы собственного API TypeSafe. Jev доступен через Vercel AI Gateway и OpenRouter, а интеграции существуют для AI SDK, TanStack AI, Cloudflare и LangChain.

Для нас в ZaltsMan Media именно это наиболее интересный вектор автоматизации бизнеса. Найти места, где сотрудники каждый день сортируют заявки вручную, проверяют данные, распределяют задачи, анализируют обращения и принимают одни и те же рутинные решения.

Если такие решения можно автоматизировать по заданомму протоколу, следующий этап AI-автоматизации может происходить вообще незаметно для вашей команды. И Jev — один из первых инструментов, специально созданных именно для решения этих задачь.