Jev : l’IA qui décide sans écrire
ce que 30 000 tests révèlent vraiment

Le 15 septembre 2026, une petite société nommée TypeSafe AI — restée silencieuse pendant deux ans, en mode stealth — dévoile Jev, son premier modèle « System One ». Et ce n’est pas un énième chatbot : Jev ne rédige rien. Il décide.

Le problème que Jev vient attaquer, tu le connais peut-être déjà : tous les modèles actuels — chez OpenAI, Anthropic, Google Gemini, DeepSeek ou Qwen — sont des modèles autoregressifs, qui rédigent leur réponse mot par mot. Résultat : 3 secondes d’attente minimum pour la moindre tâche. Or dans un logiciel, 3 secondes, c’est une éternité.

Prenons un exemple concret : tes transcripts de visio (Fathom, Zoom, Google Meet…) passent dans une IA, et à la fin du workflow il faut les étiqueter — appel business ? appel client ? appel d’équipe ? Attendre 3 secondes juste pour poser une étiquette, c’est beaucoup trop long à l’échelle d’un flux industriel. Utiliser un gros LLM pour ça, c’est, pour citer la vidéo, « complètement délirant ».

La notion clé à retenir, ce sont les décisions typées. Le principe est simple : tu définis tes catégories à l’avance (business, annonce, team, urgent, à suivre, ignorer…), et le modèle se contente de choisir la bonne étiquette. Ton code reçoit une valeur propre, déjà typée, exploitable immédiatement — pas un paragraphe à parser.

Compare avec un LLM classique à qui tu demandes « choisis parmi ces 6 catégories » : c’est lent, c’est probabiliste, et surtout ça dérive — formats de sortie imprévisibles, catégories inventées sur un coup de tête… Avec Jev, aucune possibilité de sortir de ta liste : c’est déterministe. C’est ça, la puissance du choix typé.

Cerise sur le gâteau : Jev fournit un score de confiance avec chaque décision. Exemple : « urgent à 92 %, à suivre 6 %, ignorer 2 % ». Tu peux donc router automatiquement selon ton seuil de certitude.

Dernier détail technique qui tue : Jev ne rédige pas mot par mot, il renvoie toute sa réponse d’un seul bloc. D’où des latences de l’ordre de 100 millisecondes — un clignement d’œil. Pour un SaaS ou une application client, c’est la différence entre un bouton qui « rame » et un bouton qui « répond ».

Côté vitesse, les chiffres annoncés par TypeSafe le 15 septembre : là où un modèle de pointe prend 3 à 30 secondes (voire bien plus) pour une tâche, Jev répond en 70 à 500 millisecondes. Soit 40 à 200 fois plus vite. On ne parle même plus en secondes : en millisecondes.

Côté prix, c’est encore plus spectaculaire : 0,042 $ par million de tokens en input — environ 4 centimes — et 0 $ en output (logique : il ne génère pas de texte). Le modèle est disponible sur OpenRouter sous l’identifiant jev-1.13, présent depuis le 18 septembre 2026, avec un alias jev-latest — un traitement réservé aux providers de haute qualité, signe que la plateforme prend le projet au sérieux.

Seule ombre au tableau : une fenêtre de contexte encore petite (32 000 tokens). Mais pour le type de tâche visé — décider, router, étiqueter — c’est largement suffisant.

Et retiens bien le changement de paradigme : on ne donne plus à l’IA du texte pour recevoir du texte, des images ou des vidéos. On donne du texte, on reçoit une décision. C’est une nouvelle modalité à part entière — et probablement le grand classique de demain, car toutes les applications ont des bifurcations à gérer.

Dans un workflow, Jev se place à l’endroit exact où l’on doit trancher : chemin de gauche (décider) ou chemin de droite (rédiger). Multiplie ce point de décision par 200 dans une grosse architecture, et tu comprends pourquoi un LLM classique explose les coûts et les délais. Voici les 4 branchements recommandés dans la vidéo :

« Si tu clignes des yeux, tu te rendras compte à quel point on est dans une nouvelle ère. » — Meydeey, à propos des 100 ms de Jev

L’enjeu est énorme : économie de coûts, rapidité, et surtout sécurité produit. Une sortie déterministe, c’est moins de tickets support du type « j’ai payé mais ça ne marche pas ». Pour un créateur de SaaS, c’est une assurance tranquillité.

Soyons clairs : Jev n’est pas magique. Il y a trois choses qu’il ne sait pas faire, et il faut les avoir en tête avant de l’intégrer :

Ajoute à cela la fenêtre de contexte de 32 000 tokens : Jev est un spécialiste du réflexe, pas un généraliste. Et c’est très bien comme ça — c’est même exactement pour ça qu’il est si rapide et si peu cher.

Place au combat. À gauche, Jev 1.13. À droite, GPT-5.6 Luna, le plus petit modèle de la gamme 5.6 (Luna, Terra et Sol). Voici la fiche de match avant le coup d’envoi :

Le protocole choisi est le test « Full » — le plus complet — avec un plafond de budget fixé à 5 $ et une pondération des verdicts mettant l’accent sur la qualité et la calibration. Autant dire que Jev n’a pas été ménagé :

« On n’est pas trop trop gentil avec lui, on va tout simplement le massacrer. » — le programme du test, annoncé sans détour

Le test est lancé… et dès le premier clic, 600 décisions tombent en quelques secondes. Le tableau de bord affiche en temps réel les scores, les coûts, la latence et le profil de verdict des deux modèles. Le spectacle est saisissant :

• ~30 000 décisions cumulées (environ 15 000 par modèle) avalées en à peine plus d’une minute — à comparer aux ~35 000 décisions qu’un cerveau humain adulte prendrait… par jour ;
• 100 % de succès API (OpenRouter fait le taf) et 100 % de schémas validés côté Jev ;
• Exactitude au coude-à-coude pendant le run (~98 % des deux côtés) — mais à quelle vitesse, et pour quel prix !

Où ça a flanché ? Honnêteté oblige : la répétabilité côté Jev, et des deux côtés le hors-distribution, les dates numériques (~67 % d’échec) et les structures imbriquées (~80 % d’échec). Des faiblesses réelles, mais partagées — et qui ne remettent pas en cause l’avantage structurel sur la vitesse (≈ ×16 mesuré) et sur le coût (≈ ×6).

30 points d’écart sur le scoring pondéré : si Luna a une note de 7/10, Jev coche le 10/10. Et ce, face au plus petit des GPT-5.6, sur son terrain de prédilection — la décision, le routage, l’étiquetage. Ce n’est pas que de la hype : c’est chiffré et mesuré en direct, même s’il s’agit d’un seul run.

La vraie leçon de cette vidéo, c’est le changement de paradigme. Après deux ans de stealth, TypeSafe montre qu’une « mécanique décisionnelle » dédiée peut être bien plus rapide (≈ ×16 ici) et bien moins chère (≈ ×6 ici) qu’un petit LLM sur les tâches de choix. Le pari de Meydeey : OpenAI, Anthropic et DeepSeek finiront par copier cette approche. En attendant, des centaines de projets stealth similaires préparent sans doute leur sortie.