Che cos’è Jev di TypeSafe: un’IA che restituisce decisioni invece di testi

Jev di TypeSafe è un’IA che consente di integrare nelle applicazioni valutazioni, classificazioni e punteggi relativi ai testi. In questo articolo spieghiamo che cos’è Jev.

Jev non è un interlocutore, ma il decisore dell’app

Il modo più semplice per capire Jev è chiedersi che cosa si vuole ottenere dall’IA. Non «Spiega questo testo», ma «Questo testo è una pubblicità?», «È di lavoro o personale?» oppure «Quanto è pertinente come risultato di ricerca?». Jev è pensato per domande di questo tipo, a cui si può assegnare in anticipo un formato di risposta.

Le IA conversazionali tradizionali sono note soprattutto per il loro impiego nel rispondere alle domande con testi. Jev, invece, è pensato per essere usato dagli sviluppatori all’interno dei software. Più che dialogare direttamente con Jev, gli utenti lo trovano dietro le quinte delle applicazioni che usano abitualmente, dove si occupa di organizzare le informazioni e indirizzare i processi.

Il punto di contatto è l’API. Un’API è un’interfaccia che permette a un’app di richiedere l’elaborazione di un servizio esterno e riceverne il risultato. Si inviano a Jev un testo e una domanda, si riceve una valutazione e la si usa per determinare l’azione successiva dell’app.

Le risposte sono valutazioni, opzioni o punteggi

I materiali presentano tre principali modalità d’uso: valutare, per esempio, se qualcosa è una pubblicità; scegliere tra diverse opzioni, come le cartelle in cui salvare un file; e assegnare un punteggio, per esempio alla pertinenza dei risultati di ricerca. Poiché si tratta di modelli che prendono decisioni, queste IA sono descritte come «modelli decisionali».

Per esempio, un’app per organizzare le email potrebbe ricevere il testo di un messaggio e scegliere la categoria più adatta tra «Lavoro», «Personale» e «Altro». È un esempio che illustra il funzionamento: anziché leggere una lunga spiegazione e ricavarne la categoria, l’app riceve direttamente la risposta che le serve.

Anche i normali modelli linguistici di grandi dimensioni possono classificare i testi e produrre output in formati prestabiliti. La differenza non sta nella possibilità di classificare, ma nel fatto che Jev è progettato e offerto principalmente per svolgere questo tipo di valutazioni. Tuttavia, i materiali disponibili non permettono di verificare la struttura interna di Jev né le differenze prestazionali rispetto ai modelli linguistici generici.

Ridurre le piccole seccature della ricerca e della visione di video

Tra gli esempi di sviluppo citati figurano un’estensione che salta le parti sponsorizzate dei video di YouTube, una funzione che rimuove i commenti negativi dalle chat, la ricerca in Gmail in base alle intenzioni dell’utente e il filtraggio delle attività. Sono inoltre presentati tentativi di modificare operazioni come il copia e incolla, il trascinamento e rilascio e la ricerca all’interno di una pagina.

Questi esempi hanno in comune il fatto che si tratta di selezionare informazioni già esistenti, più che di crearne di nuove: mantenere le parti che si vogliono vedere, trovare le email cercate o restringere l’elenco degli elementi da elaborare. Si può interpretare questo cambiamento come il passaggio dell’IA dalla chat alle attività quotidiane.

Gli esempi di sviluppo presentati, però, non equivalgono a funzionalità di prodotto affidabili. Per esempio, quando si rimuovono i «commenti negativi», il risultato dipende da come si distingue una molestia da una critica legittima. Prima di adottare una funzione simile, occorre decidere che cosa si vuole escludere e verificare anche i casi rimossi per errore.

Il lavoro dell’IA non consiste solo nel generare testi

Un documento datato 10 ottobre 2026 descrive come diverse aziende stiano offrendo modelli decisionali con un formato simile a quello di Jev. Questi restituiscono risposte che il software può gestire direttamente, come la probabilità che una condizione sia soddisfatta, una scelta tra più opzioni o una valutazione articolata per livelli.

Alla base c’è il fatto che, quando l’IA svolge più attività, non è necessario un lungo testo in ogni fase. Per decidere quale operazione eseguire dopo o se un risultato soddisfa una condizione, possono bastare un’opzione selezionata o un valore di valutazione.

L’approccio di Jev consiste nell’integrare funzioni decisionali nelle app, invece di trattare l’IA come un interlocutore. Tuttavia, anche se il formato della risposta è semplice, la decisione in sé non lo è necessariamente. Lo stesso documento riporta valutazioni iniziali secondo cui restano problemi di coerenza dei modelli decisionali e di gestione delle decisioni complesse.

Prima della velocità, al momento dell’adozione bisogna definire i confini delle decisioni

Per un uso concreto, è ragionevole innanzitutto distinguere tra «che cosa deve valutare l’IA» e «che cosa succede se sbaglia». L’impatto di una valutazione errata è diverso nel caso dell’assegnazione di un’etichetta a un’email rispetto a quello della rimozione automatica di un commento. È inoltre opportuno valutare la possibilità di rinviare a una persona i casi incerti.

Una risposta breve non implica necessariamente una riduzione dei costi dell’intero sistema. I materiali segnalano anche che integrare il servizio per comprimere la cronologia delle conversazioni di un’IA per l’assistenza alla programmazione potrebbe compromettere il meccanismo che riduce i costi riutilizzando gli input precedenti.

I materiali disponibili non includono un tariffario dettagliato di Jev, verifiche indipendenti dell’accuratezza né le condizioni di conservazione e utilizzo dei dati. Prima di adottarlo per gestire email di lavoro o commenti dei clienti, occorre verificare separatamente queste condizioni e il tasso di errore sui dati effettivi.