Stel je voor: miljoenen supporttickets per dag, en elk ticket moet in milliseconden naar het juiste team. Niet over vijf seconden, niet met een hallucinerende chatbot, maar met een gekalibreerde beslissing die je direct in code kunt verwerken. Dat is precies waar Jev AI voor is gebouwd. In dit artikel ontdek je wat Jev is, hoe het verschilt van generatieve taalmodellen, en wanneer je het wél en niet moet inzetten.
What is Jev precies? Jev is een AI-systeem dat werd geïntroduceerd in september 2026 - specifiek op 15 september - als eerste product van TypeSafe AI. Het is een a new model in a class apart: geen chatbot, geen codegenerator, maar een System One beslissingsmodel.
Jev is a System One AI-model dat direct gestructureerde waarden (choice, score, yes/no) met calibrated confidence teruggeeft in plaats van generated text te produceren. Het model evalueert vooraf gedefinieerde vragen op basis van context en retourneert type-veilige gestructureerde waarden zonder typefouten.
Concreet verwerkt Jev een input state - dat kan a string zijn (zoals een supportticket), een JSON-object (gestructureerde CRM-velden) of array van strings (conversatiegeschiedenis) - plus één of meer typed questions. Per vraag stuurt Jev een discrete kansverdeling over de mogelijke antwoorden terug.
Jev is gebouwd door Diogo Almeida, co creator van InstructGPT at OpenAI en bekend van RLHF-onderzoek. TypeSafe AI haalde in 2024–2025 tientallen miljoenen dollars aan funding op, gevolgd door een Series A van $870 miljoen in oktober 2026. Jev is ontworpen voor hoge volumes herhaalde beslissingen - niet voor schrijven, chatten of codegeneratie. Jev cannot generate text or code, only structured decisions.
De kern van het verschil: an LLM zoals GPT 6 Astra of Fable 5.1 genereert tekst one token at a time via autoregressieve sampling. Jev daarentegen produceert in één non-autoregressieve stap gestructureerde uitkomsten with calibrated probabilities and confidence. Rather than een tekststroom te genereren, geeft Jev returns typed antwoorden die direct bruikbaar zijn.
Bij een klassiek LLM-antwoord moet the response vaak eerst geparsed en gevalideerd worden door a system eromheen. Jev returns a type-safe JSON-structuur die your code direct kan verwerken - geen parsing-fouten, geen onverwachte formaten.
Jev doet parallel sampling over meerdere typed questions and verwerkt zo tientallen classificaties in one request, binnen 70–500 ms. Jev kan complex classificeren zonder voorafgaande training op specifieke datasets, wat het onderscheidt van custom classifiers die weken fine-tuning vergen.
Het trainingsproces is fundamenteel anders: Jev gebruikt Reinforcement Learning for Calibrated Decisions (RLCD) rather than a RLHF-aanpak gericht op stijl en toon. RLCD optimaliseert expliciet op correcte classificatie én calibrated confidence. Jev probeert niet existing models zoals GPT 5.6 Terra, GPT 6 Astra of Claude Fable 5.1 te vervangen voor deliberate reasoning of creatieve taken, maar functioneert naast deze frontier modellen als snelle beslissingslaag.
Het concept "System One" komt van Daniel Kahnemans onderscheid: System 1 is snel en intuïtief, System 2 langzaam en bedachtzaam. Jev zit bewust in de System 1 hoek - system one models zijn gebouwd voor fast structured decisions zonder uitgebreide redenering. Jev doet geen deliberate reasoning; het maakt snelle, gekalibreerde keuzes.
Wat betekent calibrated confidence in de praktijk? Als Jev a probability van 0,8 geeft voor een keuze, dan klopt dat op de lange termijn bij ongeveer 80% van vergelijkbare voorspellingen. Jev retourneert gestructureerde waarden met gekalibreerde waarschijnlijkheden - the probability that the antwoord correct is, is dus betrouwbaar meetbaar over grote sets.
RLCD werkt als volgt op hoog niveau: supervised learning for calibrated decisions vormt de basis, aangevuld met reinforcement learning for calibrated beslissingen via een verliesfunctie die calibratie beloont (lage Brier score, lage Expected Calibration Error) en miscalibratie bestraft. Het resultaat: probabilities and confidence die je kunt vertrouwen.
Waarom is dit cruciaal? In productiesystemen kun je harde drempels in code zetten:
Zonder betrouwbare onzekerheid kun je a model niet veilig koppelen aan echte acties - betalingen, accountblokkades, moderatie. Met Jev kan dat, met gecontroleerde risico's. The result is een beslissingslaag die software can vertrouwen.
Jev werkt rond drie bouwstenen: the state (context), het vraagtype (Choice, Score, Noul) en het antwoorddomein (expliciet gedefinieerde opties of schalen).
De state mag verschillende vormen aannemen:
| Statevorm | Voorbeeld |
|-------------------|---------------------------------------------------------|
| Tekststring | Een supportticket: "I'm losing sales, please help ASAP" |
| JSON-object | Gestructureerde CRM-velden met klantgegevens |
| Array van strings | Conversatiegeschiedenis of een reeks documenten |
De officiële API hanteert een limiet van circa 64k tokens per request, waarvan maximaal 32k ideaal is voor state plus de langste vraag. Hoe compacter en relevanter the context, hoe beter de beslissingen en hoe lager de kosten.
Elke vraag is een JSON-object met sleutels, een type en (bij Choice/Score) opties of niveaus. Antwoorden worden per sleutel teruggegeven met de volledige kansverdeling, gekozen optie, en confidence. Jev kan meerdere vragen in één verzoek evalueren - alles parallel, in één enkele oproep.
Belangrijk: Jev modelleert geen afhankelijkheden tussen vragen binnen één call. Als vraag B afhangt van het antwoord op vraag A, moet je dit in je eigen workflowlogica splitsen over meerdere API-calls.
Jev ondersteunt drie vraagtypes: Choice, Score en Noul. Hiermee zijn vrijwel alle praktische beslissingen voor agents en workflows te modelleren.
Choice - classificatie over een eindige set opties. Choice selecteert één optie uit maximaal 255 mogelijkheden. Typische toepassingen: tickettriage (which team should handle this?), intent routing, a model routing. Output: de gekozen optie plus probabiliteitsdistributie over alle opties.
Score - beoordeling over een geordende schaal. Score geeft een gewogen waarschijnlijkheid tussen twee tot tien niveaus, bijvoorbeeld 1–5 of "laag–middel–hoog". Voorbeelden: leadkwaliteit, klantfrustratie, risiconiveau. Jev geeft een gewogen positie én confidence.
Yes/No (Noul) - binaire vraag. Noul geeft de waarschijnlijkheid dat een ja/nee-stelling waar is, als a probability tussen 0 en 1. Voorbeeld: "Bevat dit verzoek een urgente deadline?" or an explanation of prompt injection risk.
Meerdere vraagtypes kunnen in one request gecombineerd worden - "Many questions, one call". Stabiele keys zijn nodig zodat a system de antwoorden robuust kan uitlezen. Jev verwerkt vragen in één enkele parallelle oproep, wat de snelheid drastisch verhoogt.
Jev rendeert waar beslissingen frequent zijn, het antwoorddomein duidelijk is en latency-eisen streng zijn. Jev is nuttig voor real-time en datagestuurde beslissingen. Sectoren waarin Jev waarde toevoegt zijn onder andere e-commerce, HR en gezondheidszorg.
Concrete voorbeelden:
Uit hobbyprojecten: 1kpapers.com classificeert meer dan 1.000 research papers voor centen. Een market maker besluit bij elk blockchainblock of hij orders update. Deze patronen illustreren hoe Jev fungeert als beslissingskern in agents, drones, games en andere real-time loops.
Moderne AI-systemen werken vaak als an agent of multi-agent systeem: waarnemen, beslissen, handelen, evalueren, herhalen. Jev past in de beslissingslaag van zo'n loop.
Het cascade-patroon werkt als volgt:
Dit is a cascade die kosten verlaagt en latency verkleint. Jev's calibrated confidence is de spil: boven een drempel handelt an agent autonoom, bij twijfel vraagt het systeem om bevestiging of stuurt het naar human-in-the-loop. Er is there geen something really big missing in deze architectuur - de beslissingslaag was precies wat ontbrak.
Via SDK's (Python, JavaScript) en HTTP kan Jev snel in bestaande agentarchitecturen worden opgenomen. Open-source orkestratietools en multi-agent frameworks ondersteunen dit patroon al.
De Jev API werkt via server-side HTTP POST met Bearer token, JSON-body met modelnaam, state en questions, en JSON-response met per vraag de keuze, score, probabilities en confidence. At the time van schrijven zijn er pinned versies zoals jev-1.14.0 voor stabiel productiegedrag.
> Begin altijd in de Jev AI Playground met echte voorbeelden voordat je code naar productie schrijft. De playground biedt kant-en-klare scenario's - van supporttickets tot lead scoring.
Best practices voor productie:
Jev kan al beschikbaar zijn via early access of experimentele features in de nieuwste modelversie.
Jev is gepositioneerd als extreem snelle en goedkope motor voor gestructureerde beslissingen. De responstijd van Jev is 70 tot 500 milliseconden per call. Jev is 200x sneller dan vergelijkbare LLM's op classificatietaken - 200x faster than comparable LLMs.
| Metric | Jev | Frontier LLM (bijv. GPT 5.6 Terra) |
|----------------|-------------------------------|------------------------------------|
| Inputkosten | $0.042 / miljoen input tokens | $5–$30 / miljoen tokens |
| Output tokens | Gratis | $10–$60 / miljoen tokens |
| Latency | 70–500 ms | 2–30 seconden |
| Kostenverschil | Tot 444.6x goedkoper | Referentie |
TypeSafe vergelijkt Jev in eigen benchmarks met frontier LLM's zoals GPT 6 Astra, GPT 5.6 en Anthropic's Fable 5.1. Jev kost $0.042 per miljoen invoertokens en output is gratis, wat neerkomt op een paar honderdsten van een eurocent per a decision bij typische workloads. Jev kan tot 444.6x goedkoper zijn dan traditionele LLM's.
Belangrijk: deze cijfers zijn door de leverancier gemeten. Onafhankelijke benchmarks en reproduceerbare scripts zijn nodig om claims te verifiëren. Jev concurreert niet op creatieve taalvaardigheid met GPT 6 Astra, maar eerder met custom classifiers, heuristieken en niet-geautomatiseerde beslissingen in bestaande bedrijfsprocessen.
De kracht van Jev zit in afgebakende, typeerbare beslissingen. Daarbuiten is een generatief LLM of simpele code meestal beter. Use Jev waar its own sterke punten tot hun recht komen.
Jev uitstekend geschikt voor:
Jev minder geschikt voor:
Valkuilen om te vermijden:
Start Jev op één smalle, low-risk beslissingsstroom, meet de resultaten tegen bestaande oplossingen, en schaal pas daarna op. Dat is hoe je to build begint met Jev.
Hieronder beantwoorden we aanvullende, praktische vragen over implementatie, veiligheid en de relatie met andere modellen die niet volledig in de hoofdtekst aan bod kwamen.
Nee. Jev is geen chatbot - het genereert geen conversatietekst maar gestructureerde antwoorden (choice, score, yes/no) die direct door software verwerkt worden. Can Jev een gesprek voeren? Nee. Jev is bedoeld als beslissingslaag binnen toepassingen, terwijl modellen als GPT 6 Astra of GPT 5.6 juist voor dialoog, samenvatting en codegeneratie zijn geoptimaliseerd. Jev genereert geen tekst, maar geeft gestructureerde beslissingen.
Jev retourneert type-veilige gestructureerde waarden zonder typefouten en blijft binnen het vooraf gedefinieerde schema: het kan geen nieuwe categorieën of kapotte JSON produceren. Dat verhoogt type-safety in kritieke workflows. Jev kan wél een verkeerde geldige optie kiezen (bijvoorbeeld de verkeerde afdeling), maar calibrated confidence helpt om zulke fouten te detecteren en via drempels te beperken.
Jev staat doorgaans vóór frontier LLM's als goedkope filter en router: eerst beslist Jev of a decision simpel genoeg is voor automatische afhandeling, en alleen complexe gevallen gaan door naar GPT 6 Astra of Fable 5.1. Dit patroon verlaagt kosten en verkleint latency, terwijl je toch profiteert van de brede intelligentie van grote modellen wanneer dat echt nodig is. Jev returns a gestructureerde beslissing, de LLM levert or an explanation of creatieve output.
Jev is primair op Engels getraind. Documentatie en voorbeelden zijn overwegend Engels. Nederlands, Duits of andere talen kunnen werken, maar vaak met lagere betrouwbaarheid. Advisering: formuleer de state en vragen in Engels voor de belangrijkste productiebeslissingen, en gebruik Nederlands alleen voor minder kritieke of intern gecontroleerde workflows.
Eenvoudig stappenplan: start in de Jev Playground met echte voorbeelden, definieer één smalle beslissing, verzamel een kleine evaluatieset, stel conservatieve confidence-drempels in en laat lage confidence altijd naar een mens of a model met bredere capaciteiten gaan. Jev moet altijd draaien binnen een breder systeem waarin permissies, logging en auditing in your code zijn geregeld - Jev levert het oordeel, maar a system rondom Jev bewaakt wat er met dat oordeel gebeurt.
Jev is geen chatbot maar een model dat razendsnelle, gestructureerde beslissingen neemt binnen software: een ja/nee-waarschijnlijkheid, een keuze uit opties, of een score — in plaats van lopende tekst. Voor ondernemers met een online bedrijf of klantenserviceproces is dit bruikbaar voor taken die normaal een regel-gebaseerd systeem of veel handmatig werk vragen: automatisch binnenkomende support-tickets routeren naar de juiste afdeling, een AI-chatbot "afremmen" voordat die een risicovolle actie uitvoert (guardrails), binnenkomende e-mails of leads prioriteren, of zoekresultaten herordenen op relevantie. Omdat de reactietijd in milliseconden ligt, is het vooral geschikt voor geautomatiseerde achtergrondprocessen in je bedrijfssoftware, niet voor een klantgesprek zelf.
Door: TypeSafe AI (gfounded door o.a. Diogo Almeida, voormalig OpenAI-onderzoeker).
Prijs: API-toegang vanaf circa $0,04 per miljoen input-tokens, output is gratis; early access gestart september 2026.
Voor wie: ontwikkelaars en bedrijven die geautomatiseerde beslissingen willen inbouwen in bestaande software, klantenservice-tools of workflows.
Hoe gebruik je het: via API/SDK, of zonder code via integraties met tools als Zapier, n8n of Make.
Link: typesafe.ai
Nee, Jev genereert geen lopende tekst of gesprekken; het geeft gestructureerde antwoorden (ja/nee, een keuze of een score) voor gebruik binnen software.
Voor directe API-integratie wel, maar via no-code-tools zoals Zapier of Make kun je het ook zonder code inzetten.
Veelgenoemde toepassingen zijn het routeren van support-tickets, het beveiligen van AI-agents met guardrails, en het prioriteren van binnenkomende leads of berichten.
Het product is in september 2026 gelanceerd in early access; check de officiële site voor de actuele beschikbaarheid en voorwaarden.
AI Ondernemers is ontstaan uit een duidelijke passie: praktisch platform dat ondernemers en bedrijven op weg helpt met het slim inzetten van AI in hun dagelijkse bedrijfsvoering. Wat begon als een klein initiatief is uitgegroeid tot een plek waar vakmanschap en persoonlijke aandacht samenkomen.