Blu7, azienda in corso di riconoscimento MIM per corsi in aula e online. Iscriviti a 7 Pillole Blu.
Il 15 settembre 2026 una piccola azienda di San Francisco ha messo in rete un’intelligenza artificiale che non sa scrivere una frase. Neanche una. L’hanno chiamata Jev. In due settimane Amazon, Cloudflare e OpenAI hanno annunciato un prodotto della stessa famiglia. Un gruppo di ricercatori di Stanford e NVIDIA ne ha pubblicato uno gratis (nota 1).
Per capire perché tanta fretta devi dimenticare per un attimo le chat a cui sei abituato e entrare nella mentalità “del primo sul mercato” (un po’ come tutti usano chatgpt, perchè è stato il primo ad essere conosciuto).
Provo a spiegarlo come se fossi in classe con dei ragazzi e ragazze di 14 anni.
Il tema e il test a crocette
Hai presente la differenza fra un tema e un test a crocette? Nel tema scrivi: una parola dopo l’altra, rileggendo quello che hai appena scritto per decidere la parola successiva. Nel test a crocette non scrivi niente. Leggi il caso, guardi le opzioni che qualcun altro ha già stampato sul foglio e metti una croce. Puoi metterne venti in un minuto.
Un modello linguistico, come ChatGPT, un LLM, fa il tema. Ogni volta che gli chiedi qualcosa produce un pezzetto di parola per volta (si chiama token), lo rilegge insieme a tutti i precedenti e decide il successivo. È per questo che la risposta compare a scatti e ci mette qualche secondo. Ed è per questo che ogni tanto inventa: la parola «più probabile» non è sempre quella vera. L’ho raccontato nella puntata 1 di «Come nasce un’intelligenza artificiale».
Jev fa il test a crocette. Non scrive. Legge il caso, legge le domande con le opzioni possibili e risponde a tutte insieme, in un passaggio solo. Accanto a ogni croce scrive un numero: quanto è sicuro. Chi l’ha costruita, TypeSafe AI, la chiama «System One model», modello di Sistema 1, dal libro di Daniel Kahneman «Pensieri lenti e veloci»: il Sistema 1 è quello con cui riconosci una faccia in un decimo di secondo, il Sistema 2 quello con cui fai una divisione a due cifre (nota 2).
Traduco: un LLM è un motore per scrivere, Jev è un motore per decidere. Non è migliore o peggiore. È un altro attrezzo.
Che cosa gli chiedi, esattamente
Un programmatore manda a Jev due cose: lo stato, cioè il caso da leggere (una email, una scheda prodotto, il punteggio di una partita) e le domande, ciascuna con le risposte possibili già scritte. Le domande possono essere solo di tre tipi (nota 3):
- una scelta fra opzioni, al massimo 255: «a quale reparto va questa email? vendite, tecnico, amministrazione»;
- un voto su una scala da 2 a 10 livelli: «quanto è urgente, da 1 a 5?»;
- un vero o falso, che torna come una probabilità da 0 a 1: «questa email è spam?».
ESEMPIO. Hai una pizzeria a Firenze e una casella di posta che si riempie: prenotazioni, fornitori, lamentele, pubblicità. Oggi la smista una persona, la mattina, con il caffè. Con Jev il programma del tuo gestionale manda ogni email con tre domande: è una prenotazione? quanto è urgente? è pubblicità? Jev risponde in meno di mezzo secondo: prenotazione al 96%, urgenza 3 su 5, pubblicità al 2%. Il gestionale la mette nella cartella giusta e, se è una prenotazione, la passa a chi tiene il registro. Jev non ha scritto una parola. Ha deciso dove andava.
Ecco com’è fatta la catena, dalla email alla risposta.
C’è un punto della catena che conta più degli altri: il quarto. Jev non risponde solo «tecnico», risponde «tecnico, all’85%». È il programma, cioè chi l’ha scritto, a decidere cosa fare di quel numero: sopra una certa soglia smista da solo, sotto passa il caso a un LLM che scrive una bozza, oppure a una persona. È così che la usa LangChain, l’azienda che fa gli attrezzi con cui si costruiscono gli agenti AI: Jev decide a quale modello mandare ogni richiesta e blocca le azioni rischiose prima che partano (nota 4). Le decisioni piccole e ripetute le fa il motore veloce; quelle che richiedono di scrivere o di ragionare restano al motore lento. Di cosa succede quando un programma prende iniziative da solo e le prende male, ho scritto qui.
Perché è così veloce (e perché costa così poco)
Il tema si scrive una parola per volta. Il test a crocette si consegna tutto insieme. Questa è, in una frase, la ragione tecnica. Un LLM è «autoregressivo»: per produrre la parola numero cento deve aver prodotto le novantanove precedenti. Jev no: le risposte a tutte le domande escono in un unico passaggio, in parallelo: aggiungere una domanda non aggiunge quasi tempo (nota 4).
I numeri dichiarati da TypeSafe: risposta completa fra 70 e 500 millesimi di secondo, da 40 a 200 volte più veloce dei grandi modelli sulle stesse decisioni. Il prezzo: 4,2 centesimi di dollaro per milione di token letti, mentre le risposte non si pagano (nota 2). Nella dimostrazione più spettacolare Jev gioca a Doom, lo sparatutto del 1993: nella schermata riportata dalla stampa chiude la partita in 0,114 secondi di decisioni contro 8,566 di un modello di OpenAI (nota 5). Il nome stesso è una promessa sui soldi. Jev viene da William Stanley Jevons, l’economista inglese che nell’Ottocento notò una cosa strana: le macchine a vapore più efficienti non facevano consumare meno carbone, ma di più, perché tutti si mettevano a usarle. TypeSafe scommette che con l’intelligenza succeda lo stesso: più costa poco, più ne consumeremo (nota 2).
Quanto c’è di vero? Sulla velocità i numeri reggono anche nelle prove fatte da altri. Un test indipendente sul lavoro di smistamento delle richieste ha misurato 127 millesimi di secondo per decisione contro 688 di un modello piccolo di Anthropic, con un costo del 96% più basso (nota 6). Mike Taylor, che si occupa di valutazioni per la rivista Every, ha fatto giudicare 37 articoli con 21 controlli ciascuno: 777 giudizi in meno di 0,7 secondi, per un quarto di centesimo (nota 7). Traduco: su «veloce ed economico» le prove ci sono. Su «altrettanto intelligente» la storia è più lunga: ci arrivo fra un attimo.
«Non può allucinare»: vero, ma non vuol dire che non sbaglia
La frase con cui TypeSafe presenta Jev è «non può allucinare». È vera in un senso preciso e stretto: Jev può mettere la croce solo nelle caselle che gli hai stampato. Non può rispondere «ufficio reclami» se le opzioni erano vendite, tecnico e amministrazione. Non può nemmeno inventarsi un campo che non esiste (nota 2). Per un programmatore è oro: un LLM che risponde con un testo «quasi» nel formato giusto è il modo più comune in cui un’automazione si rompe. Delle allucinazioni vere, quelle di chi scrive, Jev non può soffrire perché non scrive.
Ma può mettere la croce sbagliata. E qui i numeri raccontano una cosa interessante. Un test su 2.000 email, metà vere e metà truffe, ha fatto a Jev una domanda sola, «è una truffa?»: ha indovinato il 62,6% delle volte, contro l’81,3% di un modello di Anthropic. Poi la stessa domanda è stata spezzata in cinque domande più piccole (c’è un link sospetto? chiede dati personali? mette fretta?) e le cinque risposte sono state messe insieme dal programma: Jev è salito al 95% e ha superato l’altro modello (nota 8). Traduco: Jev rende quando le domande sono piccole e nette. La stessa TypeSafe lo scrive nelle istruzioni: se la domanda è complicata, spezzala (nota 3).
Ci sono poi cose che non sa fare per costruzione: non spiega perché ha deciso così (non scrive, quindi non argomenta), non fa i conti, non confronta le date e rende peggio se nello stato gli metti informazioni che non c’entrano (nota 9). E il «quanto sono sicuro» va letto nel modo giusto. Vuol dire che, su mille decisioni date all’85%, circa 850 saranno giuste. Sulla singola decisione non promette niente.
Un’ultima cosa, che un ragazzo di quattordici anni capirebbe al volo: i numeri migliori di Jev li ha misurati TypeSafe su compiti scritti da TypeSafe, con una «risposta giusta» che era la media di due grandi modelli, non un compito corretto da persone. Sui suoi quattro compiti Jev fa il 67,8% contro il 67,9% di un modello di OpenAI, ma su uno di questi, le fatture, si ferma al 61,8% contro il 74,7% (nota 10). Non è un’accusa. È un’azienda nata due anni fa, con 40 milioni di dollari raccolti e nessun articolo scientifico pubblicato (nota 11). È anche il motivo per cui le fonti le trovi in fondo, una per riga.
Pro e contro rispetto a un LLM
| Modello linguistico (LLM) | Jev | |
|---|---|---|
| Cosa produce | Testo, codice, riassunti: qualunque cosa si possa scrivere | Solo risposte a domande chiuse: una scelta, un voto, un vero o falso |
| Come lavora | Una parola per volta, rileggendo le precedenti | Tutte le risposte insieme, in un passaggio |
| Tempo di risposta | Da qualche secondo a minuti | Fra 70 e 500 millesimi di secondo (dichiarato, confermato da prove esterne) |
| Prezzo | Si pagano i token letti e quelli scritti, i secondi di più | 0,042 dollari per milione di token letti; le risposte sono gratis |
| Può inventare? | Sì: le allucinazioni | No: sceglie solo fra le opzioni che gli dai |
| Può sbagliare? | Sì, di solito senza dirti quanto è sicuro | Sì, dentro le opzioni, ma ti dice quanto è sicuro |
| Sa spiegare il perché? | Sì | No, non scrive |
| Sa fare conti e date? | Così così | No: li fa prima il programma |
| Chi lo usa | Chiunque, da una chat | Solo un programma, scritto da un programmatore |
| Si può scaricare? | Alcuni sì (pesi aperti) | No: servizio chiuso, in accesso anticipato su lista d’attesa |
I pro, in tre righe: è velocissima e costa una frazione; risponde sempre nel formato che il programma si aspetta; dice quanto è sicura: quel numero nelle prove regge. I contro: non scrive e non spiega, quindi non ti aiuta a capire un «no»; la qualità dipende da come il programmatore ha scritto le domande; ed è un servizio chiuso, in accesso anticipato, di una startup giovane. Oggi la usi se ti accettano in lista.
Cosa cambia per chi ha una piccola impresa o una scuola
Niente, domani mattina. Jev non è un’app: non la apri e non ci chatti. È un pezzo che un programmatore mette dentro un programma. Ma il programma che smista la posta della pizzeria, quello che controlla se un ordine è sospetto, quello che decide quale fra tre modelli deve rispondere al cliente: tutti questi, da oggi, possono avere un «cervello veloce» che costa centesimi al giorno. E un pezzo del ragionamento sui costi a token cambia: Jev fa pagare quello che legge, non quello che risponde. Se nella tua azienda c’è un’automazione che ogni giorno fa cento volte la stessa domanda a un grande modello, è lì che vale la pena guardare. Dei modelli che si tengono in casa invece che a consumo ho scritto qui: torna utile fra poco.
Perché c’è un secondo capitolo, ed è arrivato otto giorni dopo. Il 23 settembre un gruppo di Stanford e NVIDIA ha pubblicato un modello che fa le stesse crocette di Jev, è gratis, si scarica e in certe prove è nove volte più veloce. Non rilegge le opzioni ogni volta: le ha già disposte su una mappa come puntine e cerca la più vicina. Ne parliamo nel prossimo articolo, con Super Mario.
Intanto ti lascio con la domanda che mi gira in testa da quando ho letto le istruzioni di Jev. Quando una macchina ti dice «sono sicura all’85%», il problema non è l’85. È il 15. Chi decide, nella tua azienda, cosa succede a quei quindici casi su cento? Perché Jev, questo, non lo decide. E nemmeno il programmatore, se nessuno glielo chiede.
Fonti e note dell’autore
- Nell’ordine: Laya di ConvAI Innovations il 18 settembre, CLM-8B di Stanford e NVIDIA Research il 23 settembre, la Decisions API di OpenAI il 29 settembre, Clef di Cloudflare e Strands Decider 2B di Amazon il 1° ottobre 2026 (note 12-15). CLM è l’argomento dell’articolo successivo.
- TypeSafe AI, «Introducing System One Models & Jev»: definizione, tempi (70-500 millesimi di secondo, da 40 a 200 volte più veloce), prezzi (0,042 dollari per milione di token in entrata, uscita gratuita), la frase «while Jev gives up string generation, it’s optimized for structured outputs and can’t hallucinate», il riferimento a Kahneman e il nome da Jevons. Letta il 5 ottobre 2026; la pagina porta la data del 28 settembre, l’uscita in accesso anticipato è del 15 settembre (note 5 e 11).
- TypeSafe AI, documentazione dell’API: i tre tipi di domanda (choice fino a 255 opzioni, score da 2 a 10 livelli, noul con probabilità da 0 a 1), risposte con probabilità e confidenza. Il consiglio di spezzare le domande complesse è nella guida. Letta il 5 ottobre 2026.
- LangChain, «Building a harness with Jev»: Jev per scegliere il modello a cui mandare una richiesta e per bloccare le chiamate a strumenti rischiosi prima dell’esecuzione; esempio di risposta «is_urgent: noul 0.999»; «adding questions barely changes the response time».
- Thomas Claburn, «TypeSafe AI debuts model for machines that plays Doom», The Register, 16 settembre 2026: 0,114 secondi contro 8,566 di GPT-5.6 Terra nella schermata della demo di Doom; i prezzi a confronto (2 e 12 dollari per milione di token per Terra); l’osservazione che «senza allucinazioni» non è un confronto alla pari e che le demo girano in simulatori.
- LiteLLM, «JEV Classifier: 5.43x as Fast as Haiku, 96% Lower Cost», 18 settembre 2026: 240 chiamate, mediana 126,81 millesimi di secondo contro 688,40 di Claude Haiku 4.5, 95% contro 73,75% di corrispondenza con il livello atteso. Le etichette le ha scritte una persona sola, senza revisione: lo dichiara l’autore.
- Mike Taylor, «Mini-Vibe Check: TypeSafe’s Jev Judged Everything I’ve Written in 0.7 Seconds», Every: 37 documenti, 777 giudizi, meno di 0,7 secondi, circa un quarto di centesimo; nel confronto sui difetti di scrittura 0,35 secondi a passaggio contro 8,83 di Claude Fable 5.1, circa 580 volte meno costoso, 6 difetti trovati su 7 contro 7 su 7.
- Beri.net, «TypeSafe’s Jev Scores 62.6% Asked Once and 95% Split Five Ways»: 2.000 email, 62,6% con una domanda sola contro 81,3% di Claude Haiku 4.5; 95,0% contro 93,2% con cinque domande combinate da una regressione addestrata su 1.000 email. Codice e dati su GitHub.
- Limiti dichiarati e osservati: niente spiegazioni in linguaggio naturale (DataCamp, «Jev: TypeSafe’s System One Model Explained»); conti, date e contesto irrilevante (Mimir, «Jev di Typesafe: perché non può allucinare (e cosa può sbagliare)»). La calibrazione vale sull’insieme delle decisioni, non sulla singola.
- Pear Pages, «Jev, Sorted: What TypeSafe’s ‘System One’ Model Actually Is, and What Is Still Just a Claim», 16 settembre 2026: i quattro compiti scritti da TypeSafe, 67,8% contro 67,9% di GPT-5.6 Terra, 61,8% contro 74,7% sulle fatture; il «193,6 volte più veloce» è contro Claude Sonnet 5 e il «444,6 volte meno costoso» contro Claude Opus 5; nessun articolo scientifico, nessuna curva di calibrazione pubblicata.
- Tim Fernholz, «A new kind of AI model from a ChatGPT inventor is thrilling developers», TechCrunch, 18 settembre 2026: Diogo Almeida, ex ricercatore OpenAI, fra gli autori dell’apprendimento dal giudizio umano e di ChatGPT; la frase «we have lightning in a bottle, and yet it is not useful»; un ingegnere di Vercel che riporta risultati da 5 a 18 volte più rapidi, un altro sviluppatore che la trova da 10 a 20 volte più cara di Gemini sul suo caso. Il finanziamento da 40 milioni di dollari guidato da DCVC è nel comunicato di DCVC del 15 settembre 2026.
- OpenAI, «DevDay 2026 Recap», 29 settembre 2026: la Decisions API, «a specific set of user-defined questions with finite pre-defined answers», in anteprima limitata.
- Cloudflare, «Introducing Clef: our open-source decision models, and new RL fine-tuning platform», 1° ottobre 2026: Clef (27 miliardi di parametri) e Clef-flash (9 miliardi), licenza Apache 2.0, mediana di 38,8 millesimi di secondo per Clef-flash contro 524,1 misurati da Cloudflare per Jev; legge anche le immagini.
- Amazon Web Services, Strands Decider 2B, 1° ottobre 2026: SiliconANGLE e MarkTechPost: un modello Qwen3.5 da 2 miliardi di parametri a cui è stato tolto lo strato che scrive, sostituito da una «testa» da circa un milione di parametri che sceglie fra le opzioni; poco più di 100 millesimi di secondo su una scheda grafica da gioco; licenza Apache 2.0 con dati e script.
- Laya, ConvAI Innovations, pagina del progetto: licenza Apache 2.0, 421 milioni di parametri, 32,8 millesimi di secondo per domanda; i modelli base vanno messi a punto sui propri dati, da soli rendono poco.
- Joab Jackson, «Jev is rapidly rising to challenge the LLM for enterprise AI supremacy», The Register, 28 settembre 2026: il «senza allucinazioni» che «non è proprio così» e i crediti di prova da 5 dollari.
Blu7, azienda in corso di riconoscimento MIM per corsi in aula e online. Iscriviti a 7 Pillole Blu.