Jev erklärt: Was das System-One-Modell von TypeSafe AI für Unternehmen bedeutetJev explained: what TypeSafe AI's System One model means for companies

Jev beantwortet keine Fragen mit Text, sondern mit Entscheidungen. Das Modell liest eine Kundenmail, einen Vertrag oder einen Datensatz und sagt dir in etwa einer Drittelsekunde zum Beispiel: Diese Anfrage gehört in die Buchhaltung, mit 94 Prozent Wahrscheinlichkeit. Gebaut hat es TypeSafe AI, ein Start-up aus San Francisco, mitgegründet von Diogo Almeida, der vorher bei OpenAI geforscht hat. Drei Wochen nach dem Start am 15. September 2026 sammelte das Unternehmen 870 Millionen US-Dollar ein, bei einer Bewertung von 7,5 Milliarden.

Dieser Beitrag erklärt, was ein System-One-Modell ist, wie ein Aufruf funktioniert und was unabhängige Tests über Tempo, Kosten und Genauigkeit sagen. Danach geht es um die Grenzen und um einen Check, mit dem du prüfst, ob eine Aufgabe in deinem Unternehmen zu Jev passt. Wie Sprachmodelle grundsätzlich arbeiten, steht im Beitrag KI verstehen.

Warum ist das Thema für Unternehmen wichtig?

Weil die meisten KI-Aufgaben im Betrieb kleine Entscheidungen sind. 57 Prozent der deutschen Unternehmen ab 20 Beschäftigten setzen laut Bitkom inzwischen KI ein, 2024 waren es 20 Prozent. Am häufigsten im Kundenkontakt: 72 Prozent der Nutzer arbeiten dort mit KI.

Wer eine Kundenanfrage bearbeitet, fällt viele kleine Urteile, bevor überhaupt eine Antwort entsteht. Worum geht es? Wie dringend ist es? Ist die Person verärgert? Wer ist zuständig? Bisher erledigen das große Sprachmodelle mit einer Anweisung wie „antworte nur mit einem Wort aus dieser Liste“. Das funktioniert, ist aber langsam und teuer für eine Aufgabe, die eigentlich nur eine Auswahl verlangt.

Was bedeutet System One?

Der Name stammt aus der Psychologie. Daniel Kahneman beschreibt in seinem Buch „Schnelles Denken, langsames Denken“ (2011) zwei Arten zu denken. System 1 arbeitet schnell und automatisch, etwa wenn du am Tonfall merkst, dass jemand verärgert ist. System 2 arbeitet langsam und bewusst, etwa wenn du 17 mal 24 im Kopf ausrechnest.

Die großen Anbieter haben in den letzten zwei Jahren vor allem System 2 ausgebaut. Reasoning-Modelle denken in langen Ketten nach, bevor sie antworten, und brauchen dafür Sekunden bis Minuten. TypeSafe baut das Gegenstück: ein Modell, das auf Nachdenken und Text verzichtet und dafür sofort urteilt. Der Hersteller beschreibt Jev als Funktionsaufruf mit Intelligenz: unstrukturierte Daten rein, typisierte Entscheidung mit Wahrscheinlichkeiten raus.

Wie funktioniert ein Aufruf?

Du gibst Jev einen Zustand und Fragen, Jev gibt dir Antworten in festen Typen. Der Zustand ist alles, was das Modell wissen muss, etwa der Text einer Mail und die Kundennummer. Jede Frage hat eine Anweisung und die erlaubten Antworten. Alle Fragen laufen parallel in einem einzigen Aufruf.

So sieht eine Anfrage an die Schnittstelle aus, gekürzt aus der Dokumentation von TypeSafe:

POST https://api.typesafe.ai/v1/systemone
{
  "model": "jev-latest",
  "state": "I was charged twice for my subscription this month. Please refund the extra charge.",
  "questions": {
    "tone": {
      "type": "choice",
      "instructions": "What is the tone of this message?",
      "criteria": {
        "angry": "An upset or hostile message",
        "calm": "A neutral or polite message",
        "excited": "An enthusiastic or eager message"
      }
    }
  }
}

Zurück kommt kein Satz, sondern ein Objekt: die gewählte Option „calm“, eine Konfidenz von 0,7 und die Wahrscheinlichkeit jeder Option. Ein Modell, das „ruhig, würde ich sagen“ schreibt, gibt es hier nicht. Dein Programm muss nichts parsen und keine Formatfehler abfangen.

Welche Fragetypen gibt es?

Drei Grundtypen, TypeSafe nennt sie Primitive. Choice wählt eine Option aus einer Liste mit bis zu 255 Einträgen. Noul beantwortet eine Ja-oder-nein-Frage mit einer Wahrscheinlichkeit. Score ordnet auf einer Skala mit bis zu zehn beschriebenen Stufen ein. Ein vierter Typ für Bilder ist in einer frühen Vorschau.

"tone": {
  "type": "choice",
  "choice": "calm",
  "confidence": 0.7,
  "probabilities": { "angry": 0.15, "calm": 0.8, "excited": 0.05 }
}

Aus diesen Bausteinen entstehen größere Abläufe. Ein Beispiel aus der Dokumentation ist das Routing mit Argumenten: Jev wählt die passende Funktion und füllt gleichzeitig ihre Parameter aus. Ein anderes ist die Prüfung von Zitaten, bei der Jev für jede Aussage beurteilt, ob die angegebene Quelle sie stützt.

Wie schnell ist Jev wirklich?

In unabhängigen Tests zwei- bis dreieinhalbmal schneller als kleine Sprachmodelle. TypeSafe selbst wirbt mit „193,6-mal schneller und 444,6-mal günstiger“. Diese Zahlen beziehen sich auf den Durchschnitt aus GPT-6 Astra und Fable 5.1, also auf große Modelle, und auf Abläufe, die TypeSafes eigenes Team gebaut hat. Wer Jev gegen kleine, schnelle Modelle stellt, sieht kleinere Abstände.

AY Automate hat das im September 2026 nachgemessen: 791 Entscheidungen aus öffentlichen Datensätzen, alle Modelle über denselben Zugang, Sprachmodelle mit strengem Antwortschema und minimalem Reasoning. Jev antwortete im Median nach 0,33 Sekunden.

Der große Vorsprung zeigt sich, wenn viele Fragen zum selben Dokument anstehen. Vals AI stellte bis zu 64 Fragen auf einmal. Jev brauchte unabhängig von der Zahl etwa 0,1 Sekunden, GPT-6 Astra bei 64 Fragen 38 Sekunden. Bei 32 Fragen lag der Abstand bei Faktor 194 und damit nahe an der Herstellerangabe.

Was kostet eine Entscheidung?

Bruchteile eines Cents. TypeSafe berechnet 0,042 US-Dollar pro Million Eingabe-Token, die Ausgabe ist kostenlos. Im Test von AY Automate kosteten 1.000 Entscheidungen zwischen 1,4 und 4 US-Cent. Die beiden günstigsten Sprachmodelle im Vergleich waren 4,7- bis 7,5-mal teurer.

Rechne das auf deinen Betrieb hoch. Ein Kundenservice mit 2.000 Anfragen am Tag, die jeweils vier Urteile brauchen, kommt im Monat auf rund 240.000 Entscheidungen. Bei kurzen Texten wie im Test lägen die Modellkosten für Jev bei wenigen Euro, längere Mails kosten entsprechend mehr Token. Eine Einschränkung nennt der Hersteller selbst: Er könne nicht beweisen, dass der Preis nicht subventioniert ist. Plane also mit Spielraum.

Wie genau sind die Entscheidungen?

Ungefähr so genau wie kleine Sprachmodelle, nicht so genau wie die großen. Bei der Einordnung von Bankanfragen in acht Kategorien traf Jev in 83,8 Prozent der Fälle, GPT-5.6 Terra in 89,4 Prozent. Bei 77 Kategorien lag Terra fünf Punkte vorn. Bei der Erkennung von Prompt-Injections lag Jev mit 87 Prozent im Feld.

Vals AI kam zu einem gemischten Bild. Bei der Prüfung von Aussagen gegen Geschäftsberichte erreichte Jev 97,5 Prozent, gleichauf mit GPT-6 Astra. Bei einer Auswahl juristischer Aufgaben aus LegalBench landete Jev auf dem letzten von zwölf Plätzen.

Wie nutzt du die Wahrscheinlichkeiten?

Als Schalter zwischen Automatik und Mensch. Jede Choice- und Score-Antwort hat eine Konfidenz zwischen 0 und 1. Sie ist 1, wenn die ganze Wahrscheinlichkeit auf einer Option liegt, und 0, wenn sie gleich verteilt ist. TypeSafe empfiehlt drei Bereiche. Bei hoher Konfidenz handelt dein Code automatisch. Bei mittlerer fragt er nach oder markiert den Fall. Bei niedriger geht der Fall an einen Menschen oder ein anderes System.

Die Testdaten zeigen, wie gut das funktioniert. Mit einer Schwelle von 0,9 beantwortete Jev 70 Prozent der Bankanfragen selbst und lag dabei in 95,5 Prozent richtig. AY Automate hat zusätzlich eine Kaskade gebaut: Jev entscheidet über der Schwelle, den Rest übernimmt GPT-5.6 Terra. Das Ergebnis war mit 90 Prozent so genau wie Terra allein, kostete aber nur etwa ein Viertel. Die passende Schwelle hängt von deinem Risiko ab. Eine falsch zugeordnete Mail ist ärgerlich, eine falsch freigegebene Zahlung ist teuer.

Wo liegen die Grenzen?

Jev liefert keinen Text und lässt sich durch manipulierte Eingaben lenken. TypeSafe schreibt, Jev könne nicht halluzinieren und mache nie einen Typfehler. Das stimmt für das Format: Eine Antwort außerhalb der erlaubten Optionen gibt es nicht. Eine erlaubte, aber falsche Option schon. Kritiker auf Hacker News wiesen zudem darauf hin, dass ein fairer Tempovergleich die Sprachmodelle ebenfalls auf strukturierte Ausgaben beschränken muss.

Schwerer wiegt ein Befund von Datadog Security Labs vom 15. Oktober 2026. Die Forscher stellten dem Eingabetext eine gefälschte Richtlinie voran, die die gewünschten Antworten vorgab. Die Erkennungsrate für Angriffe fiel von 82,9 auf 3,9 Prozent. In einem simulierten Agenten sank die Risikobewertung eines unerlaubten Werkzeugaufrufs unter die Sperrschwelle.

Jev darf keine alleinige Sicherheitsprüfung sein, wenn fremde Personen den bewerteten Text schreiben. Prüfe, wo nicht vertrauenswürdiger Inhalt in die Frage gelangt, etwa über ein Profilfeld oder ein hochgeladenes Dokument. Wie KI-Agenten solche Prüfstellen absichern, beschreibt der Beitrag Agentic AI: Zehn Konzepte. Die Herstellerangaben zu Trainingsdaten und Modellgröße sind bisher nicht veröffentlicht, und die eigenen Vergleichstests von TypeSafe messen gegen den Durchschnitt großer Modelle, nicht gegen von Menschen geprüfte Lösungen.

Wofür lohnt sich Jev im Mittelstand?

Überall dort, wo dieselbe kleine Entscheidung sehr oft fällt. Die Dokumentation nennt Routing, Ranking, Extraktion und Prüfung als Schwerpunkte. Übersetzt in den Alltag eines mittelständischen Unternehmens heißt das zum Beispiel:

• Eingehende Mails und Tickets dem richtigen Team zuordnen und nach Dringlichkeit sortieren.
• Bei der Suche im eigenen Wissen die Treffer nach Relevanz ordnen, bevor ein Sprachmodell daraus eine Antwort schreibt.
• Prüfen, ob ein Feld in einem Formular zur hochgeladenen Unterlage passt.
• Anfragen aus dem Kontaktformular vorbewerten, damit der Vertrieb mit den passenden beginnt.

Wichtig ist die Arbeitsteilung. Feste Regeln, Berechnungen und exakte Abfragen bleiben im Code. Jev liefert das Urteil dort, wo Code Sprache verstehen müsste. Texte, Begründungen und komplexe Analysen bleiben bei Sprachmodellen. Wie du so eine Einführung mit deinem Team angehst, beschreibt der Beitrag KI-Einführung im Unternehmen.

Was heißt das für deine KI-Strategie?

Nimm für jede Aufgabe das kleinste Werkzeug, das sie zuverlässig löst. Jev macht eine Kategorie von Arbeit billig und schnell, die bisher mit großen Sprachmodellen erledigt wurde. Das lohnt sich, sobald eine Entscheidung tausendfach anfällt. Starte mit einem Ablauf, für den du schon Beispiele mit richtiger Lösung hast, miss die Trefferquote auf deinen Daten und lege die Schwelle fest, ab der ein Mensch übernimmt. Und behandle Texte von außen als möglichen Angriff, bevor du einem Modell die Freigabe überlässt. Wie du vom Geschäftsziel zu so einem Pilot kommst, steht im Beitrag KI im Unternehmen: vom Geschäftsziel zum messbaren Prozess. Ob dein Team dafür gerüstet ist, zeigt der KI-Kompetenz-Check.

Jev ist seit fünf Wochen am Markt. Die Zahlen in diesem Beitrag stammen von Ende September und Anfang Oktober 2026 und können sich mit neuen Versionen ändern. Welche Chancen KI darüber hinaus bietet, zeigt der Beitrag Chancen von KI für Unternehmen.

Quellen

• TypeSafe AI: Introducing System One Models and Jev, 15.09.2026.
• TypeSafe AI: HTTP API, Primitives und Confidence, Dokumentation, Stand 21.10.2026.
• TechCrunch: The maker of non-text AI model Jev valued at $7.5B just weeks after launch, 09.10.2026.
• AY Automate: Jev 1.13 vs. GPT-5.4 nano, Gemini 3.5 Flash-Lite, Claude Haiku 4.5 and GPT-5.6 Terra, 20.09.2026.
• Vals AI: Independent Evaluation of Jev, 06.10.2026.
• Datadog Security Labs: Jev as a judge: how counterfeit policy steers Jev, 15.10.2026.
• Hacker News: Diskussion zum Start von Jev, 16.09.2026.
• Bitkom Research: KI in der deutschen Wirtschaft: Status quo und Ausblick 2026.
• Daniel Kahneman: Schnelles Denken, langsames Denken. Siedler, 2012 (Original: Thinking, Fast and Slow, 2011).

Jev does not answer questions with text. It answers with decisions. The model reads a customer email, a contract or a record and tells you in about a third of a second, for example: this request belongs in accounting, with 94 percent probability. It was built by TypeSafe AI, a San Francisco start-up co-founded by Diogo Almeida, who previously worked as a researcher at OpenAI. Three weeks after the launch on 15 September 2026, the company raised 870 million US dollars at a valuation of 7.5 billion.

This article explains what a System One model is, how a call works and what independent tests say about speed, cost and accuracy. It then covers the limits and a check that tells you whether a task in your company suits Jev. How language models work in general is explained in Understanding AI.

Why does this matter for companies?

Because most AI tasks in a business are small decisions. According to Bitkom, 57 percent of German companies with 20 or more employees now use AI, up from 20 percent in 2024. The most common area is customer contact: 72 percent of users apply AI there.

Handling a customer request involves many small judgments before any reply exists. What is it about? How urgent is it? Is the person upset? Who is responsible? Today large language models do this with an instruction such as "answer with one word from this list". That works, but it is slow and expensive for a task that only asks for a selection.

What does System One mean?

The name comes from psychology. In his book "Thinking, Fast and Slow" (2011), Daniel Kahneman describes two ways of thinking. System 1 works quickly and automatically, for example when you can tell from someone's tone that they are upset. System 2 works slowly and deliberately, for example when you work out 17 times 24 in your head.

Over the past two years, the large vendors have mostly extended System 2. Reasoning models think in long chains before they answer and need seconds to minutes for it. TypeSafe builds the counterpart: a model that gives up reasoning and text and judges immediately instead. The company describes Jev as a function call with intelligence: unstructured data in, typed decision with probabilities out.

How does a call work?

You give Jev a state and questions, and Jev gives you answers in fixed types. The state is everything the model needs to know, such as the text of an email and the customer number. Each question has an instruction and the allowed answers. All questions run in parallel in a single call.

This is what a request to the API looks like, shortened from the TypeSafe documentation:

POST https://api.typesafe.ai/v1/systemone
{
  "model": "jev-latest",
  "state": "I was charged twice for my subscription this month. Please refund the extra charge.",
  "questions": {
    "tone": {
      "type": "choice",
      "instructions": "What is the tone of this message?",
      "criteria": {
        "angry": "An upset or hostile message",
        "calm": "A neutral or polite message",
        "excited": "An enthusiastic or eager message"
      }
    }
  }
}

What comes back is not a sentence but an object: the chosen option "calm", a confidence of 0.7 and the probability of each option. There is no model writing "calm, I would say". Your program has nothing to parse and no format errors to catch.

Which question types are there?

Three basic types, which TypeSafe calls primitives. Choice picks one option from a list of up to 255 entries. Noul answers a yes or no question with a probability. Score places the input on a scale of up to ten described levels. A fourth type for images is in an early preview.

"tone": {
  "type": "choice",
  "choice": "calm",
  "confidence": 0.7,
  "probabilities": { "angry": 0.15, "calm": 0.8, "excited": 0.05 }
}

Larger workflows are built from these blocks. One example from the documentation is routing with arguments: Jev selects the right function and fills in its parameters at the same time. Another is citation checking, where Jev judges for each statement whether the cited source supports it.

How fast is Jev really?

In independent tests, two to three and a half times faster than small language models. TypeSafe itself advertises "193.6x faster and 444.6x cheaper". These figures refer to the average of GPT-6 Astra and Fable 5.1, which are large models, and to workflows built by TypeSafe's own team. Comparing Jev with small, fast models shows smaller gaps.

AY Automate measured this in September 2026: 791 decisions from public datasets, all models through the same access, language models with a strict answer schema and minimal reasoning. Jev answered after 0.33 seconds at the median.

The big lead shows when many questions about the same document are pending. Vals AI asked up to 64 questions at once. Jev needed about 0.1 seconds regardless of the number, GPT-6 Astra needed 38 seconds for 64 questions. At 32 questions the gap was a factor of 194, close to the vendor's figure.

What does a decision cost?

Fractions of a cent. TypeSafe charges 0.042 US dollars per million input tokens, and output is free. In the AY Automate test, 1,000 decisions cost between 1.4 and 4 US cents. The two cheapest language models in the comparison were 4.7 to 7.5 times more expensive.

Scale that to your business. A customer service team with 2,000 requests a day, each needing four judgments, reaches around 240,000 decisions a month. With short texts like those in the test, Jev's model costs would be a few euros; longer emails cost correspondingly more tokens. The vendor itself names one caveat: it cannot prove that the price is not subsidised. So plan with some margin.

How accurate are the decisions?

About as accurate as small language models, not as accurate as the large ones. When sorting bank requests into eight categories, Jev was right in 83.8 percent of cases, GPT-5.6 Terra in 89.4 percent. With 77 categories, Terra was five points ahead. In detecting prompt injections, Jev was in the pack at 87 percent.

Vals AI found a mixed picture. When checking statements against annual reports, Jev reached 97.5 percent, level with GPT-6 Astra. On a selection of legal tasks from LegalBench, Jev came last of twelve.

How do you use the probabilities?

As a switch between automation and people. Every Choice and Score answer has a confidence between 0 and 1. It is 1 when all the probability sits on one option and 0 when it is spread evenly. TypeSafe recommends three bands. With high confidence, your code acts automatically. With medium confidence, it asks back or flags the case. With low confidence, the case goes to a person or another system.

The test data show how well this works. With a threshold of 0.9, Jev answered 70 percent of the bank requests itself and was right in 95.5 percent of them. AY Automate also built a cascade: Jev decides above the threshold, GPT-5.6 Terra handles the rest. At 90 percent, the result was as accurate as Terra alone, but cost only about a quarter. The right threshold depends on your risk. A misrouted email is annoying; a wrongly approved payment is expensive.

Where are the limits?

Jev delivers no text and can be steered by manipulated input. TypeSafe writes that Jev cannot hallucinate and never makes a type error. That is true for the format: an answer outside the allowed options does not exist. An allowed but wrong option does. Critics on Hacker News also pointed out that a fair speed comparison must restrict the language models to structured output as well.

A finding by Datadog Security Labs from 15 October 2026 weighs more. The researchers put a counterfeit policy in front of the input text that dictated the desired answers. The detection rate for attacks fell from 82.9 to 3.9 percent. In a simulated agent, the risk score of an unauthorised tool call dropped below the blocking threshold.

Jev must not be the only security check when outsiders write the text being judged. Check where untrusted content reaches the question, for example through a profile field or an uploaded document. How AI agents secure such checkpoints is described in Agentic AI: ten concepts. Details on training data and model size have not been published so far, and TypeSafe's own comparison tests measure against the average of large models, not against solutions checked by people.

Where does Jev pay off for SMEs?

Wherever the same small decision comes up very often. The documentation names routing, ranking, extraction and verification as focus areas. Translated into the daily work of a mid-sized company, that means for example:

• Assigning incoming emails and tickets to the right team and sorting them by urgency.
• Ranking the hits when searching your own knowledge, before a language model writes an answer from them.
• Checking whether a field in a form matches the uploaded document.
• Pre-scoring requests from the contact form so that sales starts with the right ones.

The division of labour matters. Fixed rules, calculations and exact lookups stay in code. Jev supplies the judgment where code would have to understand language. Texts, explanations and complex analysis stay with language models. How to approach such an introduction with your team is described in Introducing AI in companies.

What does this mean for your AI strategy?

For every task, use the smallest tool that solves it reliably. Jev makes a category of work cheap and fast that has so far been done with large language models. That pays off as soon as a decision comes up thousands of times. Start with a workflow for which you already have examples with the correct answer, measure accuracy on your own data and set the threshold at which a person takes over. And treat text from outside as a possible attack before you leave approval to a model. How to get from a business goal to such a pilot is described in AI in companies: from business goal to measurable process. Whether your team is ready for it is shown by the AI competence check.

Jev has been on the market for five weeks. The figures in this article date from late September and early October 2026 and may change with new versions. Further opportunities of AI are shown in Opportunities of AI for companies.

Sources

• TypeSafe AI: Introducing System One Models and Jev, 15 September 2026.
• TypeSafe AI: HTTP API, Primitives and Confidence, documentation, as of 21 October 2026.
• TechCrunch: The maker of non-text AI model Jev valued at $7.5B just weeks after launch, 9 October 2026.
• AY Automate: Jev 1.13 vs. GPT-5.4 nano, Gemini 3.5 Flash-Lite, Claude Haiku 4.5 and GPT-5.6 Terra, 20 September 2026.
• Vals AI: Independent Evaluation of Jev, 6 October 2026.
• Datadog Security Labs: Jev as a judge: how counterfeit policy steers Jev, 15 October 2026.
• Hacker News: Discussion of the Jev launch, 16 September 2026.
• Bitkom Research: KI in der deutschen Wirtschaft: Status quo und Ausblick 2026.
• Daniel Kahneman: Thinking, Fast and Slow. Farrar, Straus and Giroux, 2011.