Apa itu Jev: model keputusan System One dari TypeSafe AI

TypeSafe AI mengumumkan model bernama Jev pada 15 September 2026. Pendirinya, Diogo Almeida, sebelumnya bekerja di tim riset OpenAI yang mengembangkan metode instruksi pada ChatGPT.

Jev bukan model bahasa (LLM). Model ini tidak menulis teks, tidak melayani percakapan, dan tidak menghasilkan kode program. Jev bertugas menerima teks input dan mengembalikan keputusan terstruktur dalam rentang waktu 70 sampai 500 milidetik.

Si Hitam mengoperasikan mesin sortir keputusan: dokumen input masuk dari kiri, tiga tuas ditarik serentak, dan tiga balok data bertipe keluar di kanan tanpa memproduksi teks.

Banyak alur otomasi perangkat lunak hanya membutuhkan keputusan singkat dari sebuah teks. Beberapa contoh umumnya:

• Menentukan apakah email komplain butuh eskalasi darurat.
• Memilah tiket bantuan ke departemen yang tepat.
• Menilai apakah sebuah transaksi belanja memiliki pola risiko.

Saat tugas ini diserahkan ke model bahasa besar (LLM), model memproses teks dengan cara memprediksi kata berikutnya satu per satu secara berurutan. Proses ini memakan waktu beberapa detik dan menagih biaya untuk setiap kata yang dicetak.

Model bahasa juga berisiko menghasilkan teks halusinasi atau salah ketik tanda kurung yang merusak struktur format JSON.

Jev menghilangkan proses mengetik teks tersebut. Pengguna mengirimkan teks masalah beserta daftar pertanyaan yang bentuk jawabannya sudah didefinisikan sejak awal.

Pada ilustrasi di atas, Si Hitam bertindak sebagai operator mesin sortir. Dokumen masuk melalui ban berjalan di sisi kiri. Dokumen ini disebut state.

Di atas mesin terdapat tiga tuas kontrol:

1. Tuas Choice untuk memilih opsi kategori.
2. Tuas Score untuk menentukan tingkat keparahan.
3. Tuas Noul untuk menghitung probabilitas darurat.

Si Hitam menarik ketiga tuas tersebut secara serentak. Dalam waktu 100 milidetik, mesin mengeluarkan tiga balok cap kayu terukur:

• Kategori masalah: billing dengan probabilitas 98%.
• Skor keparahan: level 3 dari rentang 1 sampai 4.
• Status darurat: ya, dengan nilai kepastian 99,9%.

Perangkat lunak membaca angka-angka ini secara langsung. Sistem tidak perlu membuang waktu mengurai teks panjang atau memeriksa apakah ada bagian jawaban yang melenceng.

Jev menerima pertanyaan dalam tiga bentuk baku:

1. Choice. Pengguna menyediakan daftar pilihan hingga 255 opsi. Jev mengembalikan probabilitas untuk masing-masing opsi dan nilai keyakinan keseluruhan.
2. Score. Pengguna menentukan tangga nilai berurutan antara 2 sampai 10 tingkat. Jev mengembalikan skor angka beserta sebaran nilai probabilitasnya.
3. Noul. Bentuk pertanyaan ya atau tidak. Nama noul merupakan istilah TypeSafe untuk probabilitas biner yang menunjukkan peluang kebenaran suatu pernyataan.

Semua pertanyaan yang diajukan untuk satu dokumen input dievaluasi secara paralel. Menanyakan lima parameter sekaligus membutuhkan waktu proses yang sama dengan menanyakan satu parameter saja.

Istilah System One merujuk pada buku Thinking, Fast and Slow karya Daniel Kahneman. Kahneman membagi proses pikir manusia menjadi dua sistem:

• System 1: gerak refleks cepat dan otomatis tanpa kalkulasi rumit.
• System 2: penalaran bertahap yang lambat, hati-hati, dan memakan tenaga.

LLM saat ini bekerja seperti System 2 karena menyusun argumen kata per kata. Jev dirancang untuk mengisi fungsi System 1 yang langsung memberikan klasifikasi tanpa menghasilkan uraian kalimat.

Nama model ini berasal dari William Stanley Jevons, ekonom abad ke-19 pencetus Paradoks Jevons. Teori ini menemukan bahwa efisiensi mesin uap yang makin hemat energi justru melipatgandakan total konsumsi batu bara karena pemakaiannya menyebar luas ke berbagai sektor.

TypeSafe melihat pola serupa. Ketika biaya komputasi keputusan AI ditekan hingga mendekati nol, sistem perangkat lunak akan menerapkan pemilahan otomatis di jauh lebih banyak titik alur kerja.

TypeSafe merilis sejumlah data teknis terkait performa Jev:

• Kecepatan pemrosesan berkisar antara 70 sampai 500 milidetik per permintaan.
• Biaya input dipatok $0,042 per satu juta token. Output tidak dikenai biaya karena Jev tidak memproduksi token teks.
• Arsitektur output menjamin bebas kesalahan format. Jev hanya mengisi nilai pada skema yang ditentukan, sehingga keluaran tidak dapat merusak struktur data aplikasi.

Terkait klaim TypeSafe bahwa model ini ratusan kali lebih murah dari model frontier, angka tersebut diukur melalui situs evaluasi internal mereka. Pengujian tersebut mengukur tingkat kesepakatan jawaban Jev terhadap rata-rata output GPT-6 Astra dan Claude Fable 5.1 pada alur kerja terstruktur.

Uji ini mengukur kemiripan keputusan dengan model komersial besar, bukan perbandingan dengan data label manusia langsung.

Jev tepat digunakan untuk kebutuhan klasifikasi dan percabangan logika otomatis:

• Menyaring dan menentukan prioritas tiket bantuan pelanggan.
• Perutean model: mengarahkan pertanyaan mudah ke model kecil berbiaya rendah dan tugas rumit ke model penalaran.
• Pemeriksaan izin eksekusi tool agent sebelum perintah dijalankan di terminal.
• Penilaian kualitas masukan data sebelum disimpan ke basis data.

Jev tidak dapat digunakan untuk:

• Menulis draf surat, artikel, atau konten percakapan.
• Membaca dan membuat kode program.
• Sesi tanya-jawab bebas dengan pengguna.
• Perumusan ide atau penalaran analitis terbuka.

Jev saat ini berstatus early access tertutup melalui sistem daftar tunggu di situs resmi TypeSafe AI. Bobot model tidak dirilis ke publik dan model tidak dapat diunduh untuk penggunaan mandiri.

Beberapa pustaka pengembang sudah menyediakan dukungan teknis:

• LangChain menerbitkan paket langchain-typesafe untuk komponen klasifikasi dan middleware perute model.
• Pydantic AI menyediakan modul integrasi untuk memetakan skema validasi Python langsung ke pertanyaan Jev.
• Vercel memasukkan Jev ke dalam katalog AI Gateway.

Pemisahan tugas ini memperjelas arsitektur perangkat lunak berbasis AI ke depan: gunakan LLM ketika sistem membutuhkan nalar dan teks bahasa manusia, dan gunakan model keputusan bertipe ketika sistem hanya membutuhkan data terstruktur untuk menentukan langkah kode berikutnya.