Jev : l'IA qui décide au lieu de rédiger (et pourquoi ça peut changer l'automatisation)

Un des co-inventeurs de ChatGPT s'est posé une question dérangeante : pourquoi des modèles de chat « surhumains » n'ont-ils toujours pas automatisé massivement le travail ? Sa réponse est un nouveau type de modèle, présenté par la société TypeSafe et appelé Jev, entraîné avec une méthode nommée RLCD. Son pari : l'IA la plus utile pour l'économie n'est pas celle qui parle le mieux, mais celle qui décide le plus vite. Décryptage, avec les nuances importantes.

Le problème : discuter n'est pas décider

ChatGPT, Claude ou Gemini sont excellents pour comprendre, expliquer et créer du texte. Mais dans un logiciel, on a souvent besoin d'une chose bien plus simple : une décision. Ce courriel est-il urgent ? Cette transaction est-elle suspecte ? Vers quel service router ce ticket ? Un modèle de chat répond par une phrase qu'il faut ensuite interpréter ; Jev répond directement par la décision.

Ce que fait Jev concrètement

Là où un LLM classique rédige une réponse en texte libre, Jev choisit directement parmi des valeurs autorisées et renvoie une sortie structurée, immédiatement exploitable par ton code.

// Un LLM classique repond en texte libre :
// « Apres analyse, je pense que ce courriel est
//   probablement une reclamation urgente... »

// Jev repond directement une decision structuree :
{
  "category": "reclamation_urgente",
  "probability": 0.94
}

Le logiciel peut alors agir tout seul : transférer le message, ouvrir un ticket, ou demander une validation humaine si la probabilité est trop basse.

Pourquoi « 20 à 200× plus rapide » et « 40 à 400× moins cher »

Les LLM produisent le texte mot par mot, et chaque mot généré est facturé comme output token. Jev ne rédige pas : il sélectionne directement une valeur — un choix, un score, une probabilité — et peut traiter plusieurs questions en parallèle. C'est ce qui explique des sorties annoncées comme gratuites et un coût d'entrée très bas. Attention toutefois : ces chiffres concernent des tâches de décision adaptées à Jev, pas une comparaison universelle avec les LLM, et ils proviennent pour l'instant de TypeSafe.

Le jargon décodé

• Co-inventing ChatGPT : avoir participé aux travaux ayant mené à ChatGPT — pas l'avoir inventé seul.
• Superhuman chat models : meilleurs que l'humain sur certaines tâches précises, pas sur tout.
• AGI : intelligence artificielle générale, capable de s'adapter à presque tous les problèmes comme un humain.
• In stealth : l'entreprise travaillait en secret, sans produit public.
• RLCD : Reinforcement Learning for Calibrated Decisions — produire des décisions accompagnées de probabilités fiables.
• Frontier model : modèle présenté comme à la pointe technologique.
• Composable intelligence : combiner plusieurs petites décisions dans un workflow complexe.
• AFAICT : « as far as I can tell », d'après ce que je peux constater.

Attention au marketing « zéro hallucination »

La formule est un peu trompeuse. Jev ne peut normalement pas inventer une réponse en dehors des choix autorisés, ni produire un JSON cassé ou un texte imaginaire. Mais il peut parfaitement choisir la mauvaise réponse valide : s'il doit trancher entre « fraude », « normal » et « incertain », il renverra toujours l'une de ces valeurs — quitte à classer une vraie fraude comme « normal ». Zéro hallucination ne veut donc pas dire zéro erreur.

Des cas d'usage très concrets

Jev brille quand les réponses possibles sont connues à l'avance :

• Classer un courriel : urgent, normal ou spam.
• Détecter une transaction potentiellement frauduleuse.
• Orienter automatiquement un ticket vers le bon service.
• Évaluer la gravité d'une alerte de cybersécurité.
• Classer un document : facture, contrat, CV ou formulaire.
• Donner un score de risque à un client ou à une opération.
• Filtrer du contenu dangereux ou inapproprié.
• Décider quel agent IA ou quel outil appeler.
• Déterminer si un cas incertain doit être envoyé à un humain.

Pour des projets réels : un outil de finances personnelles peut catégoriser les dépenses et repérer les transactions inhabituelles ; une plateforme de formation peut classer les questions des étudiants ou vérifier des critères d'évaluation précis.

Exemple réel : la compaction dans Claude Code

Un plugin open source, fast-jev-compaction, remplace le résumé de compaction de Claude Code par des décisions Jev : chaque ancien appel d'outil et son résultat sont notés en une seule requête rapide, les traces obsolètes sont retirées ou raccourcies, et ce qui est conservé reste tel quel. Résultat : moins de tokens, moins de bruit dans le contexte, coût réduit et traitement potentiellement plus rapide.

Deux précisions importantes pour éviter les malentendus. D'abord, le plugin ne supprime pas les outils, skills ou plugins eux-mêmes : il retire seulement leurs anciennes traces jugées inutiles dans l'historique ; les messages récents et les textes de l'utilisateur et de l'assistant sont protégés, et en cas d'échec il revient à la compaction normale de Claude Code. Ensuite, si ce plugin est écrit en TypeScript, Jev n'est pas limité à TypeScript : il fonctionne par API, donc ses décisions s'utilisent aussi bien depuis Python, Java, C# ou d'autres langages.

La bonne architecture : LLM + Jev

Jev n'est ni « un ChatGPT plus puissant », ni une AGI. C'est un moteur de jugement extrêmement rapide. La combinaison la plus prometteuse ressemble à ceci : un LLM pour comprendre, expliquer et créer, et Jev pour prendre rapidement les décisions répétitives. La règle est simple : si tu veux produire du contenu, utilise ChatGPT ou Grok ; si tu dois prendre des milliers de petites décisions rapides, utilise Jev.

L'idée est réellement intéressante pour l'automatisation industrielle. Reste une réserve de taille : les performances annoncées viennent surtout de TypeSafe et devront être confirmées par des évaluations indépendantes. À suivre de près.