Et si le prochain modèle d’IA important n’était pas celui qui écrit le meilleur texte, mais celui qui permet aux logiciels de prendre des décisions rapidement ?
C’est le pari de Diogo Almeida, ancien chercheur d’OpenAI et contributeur aux travaux fondamentaux autour d’InstructGPT. OpenAI cite notamment Almeida parmi les contributeurs du travail sur le RLHF et l’instruction-following qui a donné naissance à InstructGPT. :contentReference[oaicite:2]{index=2}
Après deux années de travail en stealth, Almeida a fondé TypeSafe AI et vient de présenter Jev, son premier modèle public.
Mais Jev ne cherche pas à devenir un nouveau ChatGPT. TypeSafe veut créer une catégorie différente de modèles baptisée System One Models : des modèles conçus pour produire rapidement des décisions structurées que les logiciels peuvent utiliser directement.
Un LLM classique produit principalement du texte. Jev reçoit un état ou des informations et renvoie directement une décision structurée, typée et accompagnée de probabilités.
Le problème : pourquoi faire écrire une IA quand il faut simplement décider ?
Imaginez un logiciel qui reçoit des milliers de demandes clients.
Pour chacune, il doit simplement déterminer si elle doit être acceptée, refusée, transférée à un humain, classée dans une catégorie ou envoyée vers un autre système.
Avec un LLM traditionnel, on peut demander au modèle de comprendre la situation et de produire une réponse. Mais cette réponse doit ensuite être analysée par le programme, validée et transformée en une valeur exploitable.
TypeSafe part d’un principe différent : si le logiciel connaît déjà les décisions possibles, pourquoi demander au modèle de rédiger une réponse libre ?
Quelle catégorie ?
Quelle action ?
Quel niveau de confiance ?
Jev ne répond pas avec une phrase
C’est ici que l’architecture devient intéressante.
TypeSafe présente Jev comme une sorte de fonction d’intelligence pour logiciels : une entrée non structurée arrive, puis le modèle renvoie des valeurs structurées et probabilistes.
Les réponses possibles et leur structure sont définies à l’avance. Le modèle ne doit donc pas inventer le format de sortie à chaque requête.
LLM traditionnel : entrée → génération de tokens → texte → parsing → validation → décision
Jev : état → décision structurée → logiciel
Cette contrainte réduit volontairement la liberté du modèle. Mais c’est précisément cette limitation qui permet à TypeSafe de viser des usages où la prévisibilité et la vitesse sont plus importantes que la génération de texte.
Le détail qui change tout : Jev travaille en parallèle
Un modèle génératif autoregressif produit généralement sa sortie token après token. Chaque nouveau token dépend du précédent.
TypeSafe a choisi une autre approche pour Jev : les sorties structurées peuvent être calculées en parallèle dans une même requête.
Il n’est donc plus nécessaire de produire une longue chaîne de caractères lorsque le logiciel a simplement besoin d’un ensemble de décisions.
MODÈLE GÉNÉRATIF
Token → Token → Token → Token → Token
VS
JEV
Décisions structurées en parallèle
RLCD : entraîner l’IA à savoir quand elle est sûre d’elle
TypeSafe ne s’est pas contenté de modifier l’architecture. L’entreprise présente également une nouvelle méthode d’entraînement appelée RLCD — Reinforcement Learning for Calibrated Decisions.
Le terme « calibrated » est essentiel.
Pour une application automatisée, savoir répondre correctement ne suffit pas. Le système doit également être capable d’indiquer à quel point il est certain de sa décision.
TypeSafe affirme ainsi vouloir entraîner Jev à produire des décisions accompagnées de probabilités calibrées : lorsque le modèle annonce une confiance élevée, cette confiance doit correspondre à une meilleure probabilité de réussite.
Une IA destinée à automatiser une décision doit aussi savoir reconnaître son incertitude.
Pour TypeSafe, cette capacité est particulièrement importante lorsqu’un modèle doit décider si une action peut être automatisée ou si elle doit être transmise à un humain.
20 à 200 fois plus rapide ? Il faut regarder ce qui est mesuré
C’est probablement le chiffre qui attirera le plus l’attention.
TypeSafe indique que Jev peut fournir des réponses en environ 70 à 500 millisecondes et affirme des gains pouvant atteindre 40 à 200 fois plus de vitesse face à des modèles de frontière comparables sur des tâches de type System One. :contentReference[oaicite:3]{index=3}
Dans les workflows publiés par l’entreprise, les résultats les plus favorables atteignent même 193,6× en vitesse. TypeSafe indique également un gain allant jusqu’à 444,6× sur le coût dans ces évaluations spécifiques. :contentReference[oaicite:4]{index=4}
Ces chiffres ne signifient pas que Jev est 200 fois plus rapide que ChatGPT, Claude ou Gemini pour toutes les tâches. Ils concernent des workflows de décisions structurées pour lesquels l’architecture de Jev est précisément conçue.
Et le prix devient lui aussi très différent
TypeSafe affiche un tarif de 0,042 dollar par million de tokens d’entrée.
L’entreprise annonce également des tokens de sortie gratuits, considérant leur coût suffisamment faible pour ne pas être facturé séparément.
Là encore, TypeSafe compare cette tarification à celle de modèles de frontière et annonce des gains pouvant atteindre plusieurs centaines de fois sur certains workflows. :contentReference[oaicite:5]{index=5}
Pour une application qui doit prendre quelques décisions, le gain peut être marginal. Pour un système qui doit effectuer des millions de décisions automatisées, la différence de coût et de latence peut devenir beaucoup plus significative.
Pourquoi ne pas simplement utiliser un petit LLM ?
C’est probablement la question la plus naturelle.
Après tout, pourquoi créer une nouvelle catégorie de modèles alors qu’il existe déjà des modèles plus petits capables de produire des réponses structurées ?
La réponse de TypeSafe est architecturale : un LLM reste fondamentalement conçu autour de la génération de chaînes de caractères. Même lorsqu’on lui demande de produire du JSON, il génère encore des tokens séquentiellement.
Jev abandonne volontairement cette capacité de génération libre pour optimiser directement la tâche de décision structurée.
Les applications sont nombreuses
TypeSafe vise notamment les systèmes logiciels qui doivent effectuer énormément de petites décisions.
- classifier des documents ou des demandes ;
- router automatiquement des requêtes ;
- scorer des informations ;
- extraire des données structurées ;
- déterminer quelle branche d’un workflow exécuter ;
- vérifier les sorties d’un autre modèle ;
- détecter des comportements ou des jailbreaks ;
- prendre des décisions en temps réel ;
- analyser de très grands volumes de données.
TypeSafe présente également Jev comme une brique destinée aux workflows automatisés et aux applications où la latence est critique. :contentReference[oaicite:6]{index=6}
Et si Jev ne devait pas remplacer les grands LLM ?
C’est probablement là que le concept devient le plus intéressant.
Jev n’a pas nécessairement besoin de remplacer un grand modèle généraliste. Il peut fonctionner à côté de lui.
Grand LLM → raisonnement, génération et compréhension complexe
Jev → classification, scoring, routage et décisions rapides
Code → exécution déterministe
Humain → arbitrage des cas incertains
C’est ce que TypeSafe présente comme une forme d’intelligence composable : plutôt que de demander à une seule IA de tout faire, on distribue les fonctions entre plusieurs composants spécialisés.
Le vrai pari de TypeSafe
Depuis plusieurs années, l’industrie cherche à rendre les modèles toujours plus capables de dialoguer, écrire, coder, raisonner et utiliser des outils.
TypeSafe pose une question différente :
Et si une grande partie de l’IA utilisée par les logiciels n’avait tout simplement pas besoin de générer du texte ?
Pour certaines applications, la réponse pourrait effectivement être oui.
Une IA qui renvoie directement une décision structurée peut être plus simple à intégrer dans un programme qu’un modèle qui produit une réponse textuelle qu’il faut ensuite parser, valider et interpréter.
Le plus intéressant n’est peut-être pas la vitesse
Les chiffres annoncés par TypeSafe sont spectaculaires. Mais ils ne constituent pas à eux seuls la partie la plus intéressante du projet.
Le véritable changement est peut-être ailleurs : TypeSafe tente de modifier l’interface même entre l’intelligence artificielle et le logiciel.
Au lieu d’avoir :
IA → TEXTE → PARSING → CODE
TypeSafe imagine :
IA → DÉCISION TYPÉE → CODE
Cette différence paraît petite. Dans un système exécutant des millions de décisions, elle pourrait pourtant devenir fondamentale.
Jev n’est pas « le nouveau ChatGPT ». C’est précisément ce qui rend le projet intéressant. TypeSafe tente de construire une IA qui ne cherche plus à parler comme un humain, mais à devenir une brique directement exploitable par les logiciels.
À surveiller
Jev est encore en early access. Les résultats publiés par TypeSafe sont donc à considérer comme les premières évaluations d’une architecture nouvelle, et non comme une conclusion définitive sur ses performances dans tous les environnements de production. :contentReference[oaicite:7]{index=7}
La prochaine étape sera particulièrement intéressante : voir si les développeurs trouvent des cas d’usage où cette combinaison de vitesse, probabilités, sorties structurées et coût réduit apporte réellement quelque chose qu’un LLM classique ne peut pas fournir aussi efficacement.
