Jev TypeSafe AI: ce este si cum il folosesti in cod

Pe 15 septembrie 2026 a iesit Jev TypeSafe AI, iar partea interesanta este ca nu e un chatbot. Nu scrie raspunsuri, nu genereaza cod, nu rezuma documente.

Ii dai o stare (un tichet, o comanda, un e-mail) si cateva intrebari cu raspunsuri deja definite. El iti intoarce decizii tipizate, fiecare cu o probabilitate alaturi.

Pare un lucru mic. De fapt atinge o problema pe care o are oricine integreaza AI intr-un ERP, intr-un CRM sau intr-un flux de automatizare: platim un model de chat, lent si scump, ca sa raspunda la intrebari de tipul "tichetul asta e urgent?" sau "e-mailul asta e o factura?".

In ghidul asta iti arat ce este Jev TypeSafe, cum il apelezi din cod (cu exemplu in TypeScript), cat costa in dolari si in lei, ce pattern-uri merita copiate si unde nu il folosesti. Iti semnalez de fiecare data cand o cifra este declarata de companie si nu a fost verificata independent.

Ce este Jev TypeSafe si cine e in spatele lui

TypeSafe AI este un laborator din San Francisco care a iesit din faza stealth pe 15 septembrie 2026, cu o finantare seed de 40 de milioane de dolari condusa de DCVC.

Fondatorul este Diogo Almeida, fost cercetator la OpenAI, care a contribuit la metodele (RLHF, InstructGPT) din care s-a nascut ChatGPT.

Ideea lui e simpla: modelele conversationale sunt excelente de ani de zile, dar automatizarea reala in firme nu a explodat.

Un model antrenat sa placa oamenilor nu este, dupa el, componenta potrivita intr-un software care trebuie sa decida in mod fiabil.

Jev TypeSafe este primul model public din aceasta familie noua si e disponibil in early access. Numele vine de la William Stanley Jevons, economistul paradoxului: cand o resursa devine mai eficienta, se consuma mai mult din ea.

Daca o "decizie inteligenta" devine aproape gratuita, devin rentabile automatizari pe care azi nu le face nimeni.

De ce se numeste "System One model"

Categoria e inspirata din Gandire rapida, gandire lenta a lui Daniel Kahneman. Sistemul 1 este gandirea rapida si intuitiva, Sistemul 2 cea lenta si deliberata.

LLM-urile cu reasoning sunt Sistemul 2. Jev TypeSafe e gandit pentru Sistemul 1: judecati rapide pe intrebari inchise, de tipul "la ce departament trimit mesajul asta?".

Teza TypeSafe este ca majoritatea deciziilor din software sunt de acest tip si ca pana acum le-am platit la pret de Sistem 2.

Cum functioneaza Jev TypeSafe: stare la intrare, decizii tipizate la iesire

Diferenta de arhitectura este clara. Un LLM genereaza un token pe rand, fiecare conditionat de cel dinainte.

Jev TypeSafe nu genereaza text: evalueaza toate intrebarile in paralel, intr-o singura trecere, si intoarce valori structurate cu probabilitati si un scor de incredere. TypeSafe il descrie ca pe un "apel de functie cu inteligenta de frontiera".

Pentru un programator asta inseamna: nu ai un string de parsat, nu ai un JSON de validat, nu exista riscul ca modelul sa-ti raspunda cu o fraza in loc de o valoare.

Daca ai lucrat cu structured output la LLM-uri, stii cat cod scrii doar ca sa supravietuiesti formatului.

Cele trei primitive: Choice, Score si Noul

Tot API-ul se bazeaza pe trei tipuri de intrebari. Nu e o limita de ocolit, e chiar designul:

• Choice: alege o optiune dintr-o lista (pana la 255). Intoarce alegerea, probabilitatea fiecarei optiuni si increderea. Adauga mereu o optiune "altceva", ca modelul sa poata spune ca nimic nu se potriveste.
• Score: plaseaza raspunsul pe o scala de 2 pana la 10 niveluri descrise in cuvinte (de exemplu "calm", "iritat", "foarte suparat"). Scorul poate cadea intre doua niveluri, de exemplu 1,035.
• Noul: un da/nu exprimat ca probabilitate intre 0 si 1. Nu are camp separat de incredere, pentru ca numarul in sine este increderea modelului.

RLCD: antrenament pe probabilitati calibrate

LLM-urile clasice sunt optimizate cu RLHF (preferinte umane) sau RLVR (raspunsuri verificabile). Jev TypeSafe foloseste o metoda noua, Reinforcement Learning for Calibrated Decisions (RLCD).

Scopul: probabilitatile sa fie "oneste", adica o incredere mai mare sa corespunda chiar unei precizii mai mari.

Pentru mine asta e punctul care schimba arhitectura. Daca un model face bine o sarcina in 95% din cazuri dar nu iti spune cand e in restul de 5%, nu o poti automatiza.

Daca iti spune, codul actioneaza cand increderea e mare si preda cazul unui om cand e mica.

Viteza si pret Jev TypeSafe: cifrele declarate

Iata comparatia publicata de TypeSafe la lansare:

Parametru	Jev TypeSafe	LLM-uri de frontiera (dupa TypeSafe)
Timp de raspuns	70-500 ms end-to-end	3-329 secunde
Cost input	0,042 $ / milion de tokeni (sub 0,25 lei)	0,20-10 $ / milion de tokeni
Cost output	gratuit	de obicei in jur de 5 ori inputul
Erori de format	0%, prin constructie	posibile

Pe benchmark-ul intern cu patru workflow-uri, Jev TypeSafe obtine 67,8%. E practic la egalitate cu GPT-5.6 Terra (67,9%) si Claude Sonnet 5 (67,8%), in urma lui Opus 5 (73,1%).

Diferenta e la cost: in jur de o doua suta parte per caz.

Daca te intereseaza costurile per token la modelele generative, am scris despre prompt caching si cum reduci costurile API si despre preturile Gemini 3.8 Flash vs 3.1 Pro. Jev TypeSafe joaca in alt campionat, pentru ca nu concureaza la generare.

Trei precautii inainte sa crezi cifrele

• Benchmark-ul nu masoara acuratetea absoluta. TypeSafe compara raspunsurile cu media dintre GPT-6 Astra si Claude Fable 5.1: masoara acordul cu doua modele de frontiera, iar compania recunoaste bias-ul.
• Este autoevaluat. Workflow-urile, harness-ul si rularea sunt ale TypeSafe. Deocamdata nu exista o reproducere independenta.
• "Nu halucineaza" e mai ingust decat pare. Jev TypeSafe nu poate intoarce o valoare in afara schemei, dar poate alege valoarea valida gresita. Iar TypeSafe admite ca nu poate demonstra ca pretul nu e subventionat.

Cum folosesti Jev TypeSafe in cod: setup si primul exemplu

Accesul este in early access, cu lista de asteptare pe typesafe.ai. Cheia API o generezi din consola TypeSafe.

Jev TypeSafe e disponibil si prin Vercel AI Gateway, apare in catalogul de modele Cloudflare si exista o integrare LangChain (langchain-typesafe).

SDK-urile oficiale sunt doua:

• TypeScript/JavaScript (Node 20+): npm install @typesafe-ai/sdk
• Python (3.10+): pip install typesafe-sdk

Ambele citesc variabila de mediu TYPESAFE_API_KEY si folosesc implicit modelul jev-latest. Daca preferi sa-l apelezi direct, exista un singur endpoint REST: POST https://api.typesafe.ai/v1/systemone.

Exemplu in TypeScript: triajul cererilor de suport

Un caz pe care il vad des la firmele mici: o casuta de suport unde vin cereri amestecate. Vrem sa stim despre ce e vorba si daca e urgent.

import { choice, noul, TypeSafeClient } from "@typesafe-ai/sdk";

const client = new TypeSafeClient();

const response = await client.systemOne({
  state: {
    document: "Buna ziua, mi-ati retras de doua ori banii pentru comanda 1042. Va rog sa-mi returnati suma urgent.",
  },
  questions: {
    category: choice("Despre ce este cererea?", {
      billing: "Plati, debitari, rambursari",
      technical: "Erori sau probleme tehnice",
      other: "Orice altceva",
    }),
    urgent: noul("Mesajul comunica urgenta"),
  },
});

console.log(response.answers.category.choice); // tipuri deduse din intrebari
console.log(response.answers.urgent.noul);      // probabilitate intre 0 si 1

Doua lucruri de retinut. Tipurile raspunsurilor sunt deduse din intrebari, deci editorul te avertizeaza daca citesti un camp care nu exista.

Iar fiecare intrebare in plus costa tokeni la intrare, dar aproape zero timp, pentru ca sunt evaluate in paralel.

Pasul urmator e logica ta, in cod obisnuit. De exemplu, un prag simplu pe probabilitatea de urgenta:

const urgent = response.answers.urgent.noul;

if (urgent > 0.8) {
  // trimite imediat catre un operator
} else if (urgent < 0.5) {
  // coada normala
} else {
  // zona gri: revizuire umana
}

Pragurile de mai sus sunt doar un punct de plecare: le calibrezi pe datele tale reale, nu pe intuitie.

Starea poate fi text, obiect sau conversatie

Campul state accepta un string, un obiect JSON sau un array de mesaje. Cand ai mai multe contexte (mesajul, datele comenzii, politica de retur) e mai bine sa folosesti un obiect cu campuri denumite.

Doar text: fara imagini, audio sau video. Limitele sunt 64k tokeni pentru stare plus toate intrebarile si 32k pentru stare plus cea mai lunga intrebare.

Patru pattern-uri care merita copiate

1. Intreaba totul de la inceput (fan-out speculativ)

Cu un LLM, instinctul e sa faci un apel ieftin si abia apoi un al doilea daca e nevoie. Cu Jev TypeSafe e invers: pui toate intrebarile intr-un singur apel si lasi codul sa decida ce foloseste.

In cookbook-ul TypeSafe, gruparea a 13 intrebari intr-un singur apel a iesit de 12 ori mai ieftina si de 10 ori mai rapida decat apelurile separate, cu raspunsuri identice.

2. Un prag de incredere pentru fiecare actiune

Nu un prag unic pentru tot sistemul, ci unul per actiune, proportional cu costul greselii. Afisezi un sold? Prag mic. Aprobi un transfer? Prag mare, altfel ceri confirmare. Incredere sub 0,5? Cazul merge la un om.

3. Scoruri compuse cu ponderile tale

In loc sa intrebi "cat de bun e candidatul asta?", imparti in dimensiuni independente (experienta tehnica, leadership, design) si combini scorurile cu ponderi alese de tine.

Schimbarea ponderilor devine o modificare de cod, testabila cu un A/B, nu o rescriere de prompt.

4. Cascada: Jev decide cine merita un LLM

Jev TypeSafe nu inlocuieste Opus 5 sau GPT-5.6: decide ce cereri merita un model mare. Statusul unei comenzi? Ajunge o interogare in baza de date. Intrebare despre un produs? Un LLM specializat. Reclamatie complexa? Un operator uman.

Pe un milion de tichete, o estimare care circula printre dezvoltatori coboara costul de la aproximativ 30.400 $ la aproximativ 6.480 $. Daca vrei sa alegi modelul mare din capatul cascadei, ti-am facut o comparatie intre GPT-6 Astra, Claude Fable 5.1 si Opus 5.5.

Acelasi rol il poate avea intr-un agent: Jev TypeSafe alege unealta potrivita sau blocheaza o actiune riscanta inainte de executie. Daca lucrezi cu agenti, citeste si ghidul meu despre Model Context Protocol (MCP).

Unde are sens Jev TypeSafe pentru o firma din Romania (si unde nu)

Cazurile potrivite pentru Jev TypeSafe sunt cele cu volum mare si raspunsuri cunoscute dinainte:

• Triajul e-mailurilor: factura, cerere de oferta, reclamatie, spam, cerere comerciala.
• Rutarea lead-urilor din formularul site-ului catre omul potrivit din vanzari, cu un scor de prioritate.
• Moderarea recenziilor si comentariilor inainte de publicare, de exemplu pe un magazin online.
• Filtru de relevanta in RAG: arunci pasajele inutile inainte sa le trimiti unui model scump.
• Noduri de decizie in n8n sau intr-un ERP: acele "if"-uri prea nuantate ca sa le scrii de mana. Daca n8n ruleaza deja la tine, vezi cum il instalezi pe server si cat costa.

Unde nu folosesti Jev TypeSafe: generare de text, calcule, comparare de date calendaristice, explicarea unei decizii catre un auditor, intrebari deschise.

Pentru astea ramane un LLM clasic sau, si mai bine, cod determinist.

Daca vrei o imagine mai larga despre cum se leaga toate astea intr-o firma, am scris un ghid complet despre agentii AI pentru afaceri.

Limitele declarate de TypeSafe

TypeSafe publica o pagina onesta despre punctele slabe ale versiunii jev-1.13:

• Citeste literal: raspunde la intrebarea pe care ai scris-o, nu la cea pe care ai vrut sa o pui.
• Nu stie sa numere in mod fiabil. Numara in cod si fa cate un Noul pentru fiecare element.
• Datele calendaristice sunt text pentru el: extragi cu Jev TypeSafe, calculezi in cod.
• Sufera de context rot: cu cat umpli starea cu lucruri inutile, cu atat scade precizia.
• Nu trateaza starea ca ostila: un text scris special ca sa-l "convinga" poate muta clasificarea. Cu continut venit de la utilizatori, riscul il gestionezi tu.

GDPR, loguri si cheia API: ce verifici inainte

TypeSafe spune ca serviciul Jev ruleaza azi pe Coasta de Vest a SUA. Pentru o firma din Romania care foloseste Jev TypeSafe asta inseamna transfer de date in afara UE.

Inainte sa trimiti date personale ale clientilor (nume, telefoane, adrese, cu atat mai putin CNP-uri) verifici DPA-ul, baza legala si treci furnizorul in registrul tau de prelucrari, ca la orice furnizor american.

Regula mea practica: trimite doar ce trebuie pentru decizie. Pentru "e o cerere de oferta?" nu ai nevoie de telefonul clientului.

Apoi trasabilitatea. Cand o decizie automata luata de Jev TypeSafe ajunge contestata, logurile conteaza.

Doua obiceiuri bune: fixeaza versiunea modelului (jev-1.13.0 in loc de jev-latest, care se schimba la fiecare release) si salveaza in log campul model din raspuns, impreuna cu probabilitatile si increderea.

In final, cheia API: trateaz-o ca pe bani. Cu limite de 250.000 de tokeni pe secunda si 1.200 de cereri pe minut, o cheie expusa intr-un repository public consuma creditul foarte repede.

Concluzie: Jev TypeSafe nu e un LLM mai ieftin

Modul corect de a privi Jev TypeSafe nu e "un ChatGPT care costa mai putin". E o primitiva diferita: o functie care rationeaza, intoarce un tip si iti spune cat sa ai incredere in rezultat.

Pusa la locul potrivit, elimina codul pe care il scriem azi doar ca sa supravietuim output-ului text al LLM-urilor: parsing, validare, retry.

Este inca in early access si cifrele trebuie verificate pe traficul tau real. Pentru fluxurile cu volum mare si raspunsuri inchise, iti recomand sa testezi Jev TypeSafe in paralel cu sistemul actual si sa compari rezultatele pe cazuri vechi cu raspuns cunoscut, inainte sa-i dai controlul.

Daca vrei sa vezi daca in ERP-ul, CRM-ul sau automatizarile tale e loc pentru un model ca Jev TypeSafe, arunca o privire la automatizarile AI pe care le construiesc sau la fluxurile n8n, apoi scrie-mi si vorbim. Iti raspund eu.