Jev AI è un modello di TypeSafe che restituisce giudizi strutturati su domande definite dall’applicazione. Puoi chiedergli di scegliere una coda, stimare l’urgenza e indicare la probabilità che serva un’escalation. Il software riceve valori che può usare nelle proprie regole. È il genere di compito per cui TypeSafe ha introdotto la categoria System One. La parte delicata resta progettare l’azione successiva, soprattutto quando le alternative sono quasi alla pari.
In azienda puoi usarlo per smistare ticket e ordinare i lead di un CRM, oppure per mandare a un moderatore i contenuti dubbi. Resta da progettare che cosa fa l’applicazione dopo la risposta, soprattutto quando due opzioni hanno probabilità quasi uguali.
Come funziona Jev, dalle domande tipizzate alle probabilità
Stato, istruzioni e opzioni
L’API riceve uno stato (state), che può essere testo o un oggetto strutturato, e un insieme di domande (questions). Ogni domanda ha un identificativo scelto dallo sviluppatore, un tipo e istruzioni. Per la classificazione aggiungi una descrizione per ogni etichetta. «Accesso» può voler dire credenziali, permessi o indisponibilità del pannello. Chiarirlo nei criteri evita di chiedere al modello di indovinare i confini fra reparti.
Choice, Score e Noul
| Tipo | Che cosa chiedi | Che cosa ricevi |
|---|---|---|
| choice | Qual è la coda più adatta fra quelle consentite? | L’opzione selezionata, le probabilità delle opzioni e la confidence. |
| score | Quanto è urgente secondo una scala ordinata? | Un punteggio sulla scala, la distribuzione sui livelli e la confidence. |
| noul | Il cliente è impossibilitato a usare il servizio? | Un valore noul fra 0 e 1, interpretabile come probabilità del sì. |
L’API valuta le domande in parallelo e in modo indipendente sullo stesso stato. Il punteggio di urgenza si basa quindi sul ticket, come la scelta della coda. Se serve una seconda valutazione condizionata alla prima, componi i risultati nel codice o invia una seconda richiesta con il nuovo contesto. TypeSafe descrive Jev come un modello che campiona le risposte in parallelo, evitando la decodifica sequenziale tipica della generazione di testo. Con la versione 1.14 ha introdotto anche funzioni sperimentali per immagini e il tipo box per localizzare un elemento.
Probabilità calibrate e confidence score
La calibrazione si misura su molti esempi. Se il modello attribuisce circa 0,8 alla necessità di escalation su un gruppo di ticket, la quota di escalation confermate dovrebbe avvicinarsi all’80% in quel gruppo. TypeSafe addestra Jev per produrre stime calibrate. Verifica la corrispondenza sul tuo storico, per lingua e categoria, prima di basarci un’automazione.
La confidence di choice e score sintetizza la distribuzione delle probabilità secondo la formula di TypeSafe. Per un choice puoi anche confrontare le due opzioni più probabili. Un piccolo distacco fra «fatturazione» e «accesso» può bastare per mandare il ticket in revisione, anche se il formato della risposta è perfetto. noul restituisce direttamente la probabilità del sì.
Esempi di Jev in azienda e nei workflow con agenti AI
Classificazione di ticket, email e richieste clienti
Un help desk può usare Jev per il primo smistamento di email e ticket. L’applicazione unisce il messaggio all’informazione che serve per decidere, per esempio se il servizio risulta attivo. Chiede la coda di destinazione con choice, l’urgenza con score e la necessità di passare a un operatore con noul. Se fatturazione e accesso restano vicini, il ticket va a un operatore con entrambe le ipotesi visibili.
La coda, la priorità e l’escalation sono tre giudizi separati sullo stesso ticket.
Scoring, moderazione e interfacce SaaS
In un CRM puoi definire una scala di qualificazione dei lead a partire da criteri osservabili, come la presenza di un’esigenza esplicita. Il punteggio può ordinare una coda di contatti da rivedere. In moderazione, noul può stimare se un contenuto rientra in una policy specifica e inviare i casi dubbi a un moderatore. In un’app SaaS, choice può selezionare quale scheda di aiuto mostrare. Le azioni visibili all’utente e le autorizzazioni restano governate dall’applicazione.
Jev vs ChatGPT e Claude
Un LLM può scrivere al cliente, spiegare un errore o restituire JSON secondo uno schema. Jev è specializzato in giudizi con uno spazio di risposta definito. In un agente multi-step, Jev può scegliere se consultare il CRM o aprire un ticket, una regola può verificare i permessi e un LLM può redigere la risposta. Per un codice prodotto presente in un elenco basta invece un controllo deterministico. Gli agenti che producono documenti o usano connettori sono un’altra categoria di prodotto, come si vede nella nostra guida a ChatGPT Work.
Prestazioni, costi e limiti di Jev
A novembre 2026, TypeSafe indica 0,042 USD per milione di token in ingresso, con output gratuito. Con un consumo fatturato ipotetico di 1.000 token per richiesta, 100.000 richieste costerebbero circa 4,20 USD per la sola inferenza. Misura l’uso reale riportato dall’API e includi nel conto code, retry e tempo degli operatori. Raggruppare domande sullo stesso stato può evitare richieste distinte, purché possano essere valutate indipendentemente. Listino Jev.
Per un test in azienda, esegui Jev in modalità osservazione su ticket già risolti o in parallelo agli operatori. Misura latenza al 95° percentile, errori per coda e quota di richieste smistabili automaticamente a parità di errore. Una categoria rara come «incidente di sicurezza» merita un controllo separato perché un buon dato medio può nascondere errori sistematici proprio lì. Il nostro consiglio è che il valore di Jev si vede quando il team riesce a descrivere un giudizio breve, controllare i casi al limite e correggere la policy senza cambiare il resto del flusso.
Se vuoi esercitarti anche sulla parte generativa, nel Corso ChatGPT Completo puoi approfondire l’uso di ChatGPT nei flussi di lavoro.
AUTORE:Simone Truglia Apri profilo LinkedIn
Simone è un Ingegnere Informatico con specializzazione nei sistemi automatici e con una grande passione per la matematica, la programmazione e l’intelligenza artificiale. Ha lavorato con diverse aziende europee, aiutandole ad acquisire e ad estrarre il massimo valore dai principali dati a loro disposizione.
