Jev non dice una parola. L'hype invece non sta zitto.

In un'epoca in cui ogni modello vuole scriverti la poesia, il codice, la mail di scuse alla suocera, ne è arrivato uno il cui superpotere è tenere la bocca chiusa. Si chiama Jev, e la sua trovata è che non produce testo. Punto. Gli dai uno stato e una domanda con le risposte già definite, e lui ti restituisce una decisione tipizzata con una probabilità calibrata: una scelta, uno score, un sì/no. Niente prosa, niente spiegazioni non richieste.

La conseguenza è elegante e un po' beffarda: siccome le risposte possibili le stabilisci prima tu, Jev non può allucinare. Non può inventarsi una risposta che non è nel menù, perché fuori dal menù non sa nemmeno parlare. Un modello che non mente perché, semplicemente, non apre bocca.

Cos'è, per davvero

Dietro c'è TypeSafe AI, laboratorio di San Francisco fondato da Diogo Almeida, uno dei nomi dietro InstructGPT e RLHF, cioè la roba da cui è nato ChatGPT. Jev è uscito dallo stealth il 15 settembre 2026 con 40 milioni di seed. Lo chiamano modello "System One", il pensiero veloce e automatico di Kahneman: non ragiona ad alta voce, sgancia il giudizio e passa oltre. Veloce e ridicolmente economico, si parla di centinaia di millisecondi e frazioni di centesimo per decisione.

Il nome è la parte più divertente, ed è anche l'avvertimento nascosto. Jev viene da William Stanley Jevons, l'economista del paradosso secondo cui, quando rendi una risorsa più economica, non ne consumi di meno: ne consumi molto di più. Tradotto: sapendo che decidere costerà quasi zero, la gente inizierà a decidere dieci volte al secondo. Che è splendido se stai misurando cosa fai. È un disastro se stai solo premendo un pulsante perché costa poco.

Un modello che non allucina non ti salva dall'allucinare tu, sul come lo usi.

Dove l'hype inciampa

E qui arriva il ritornello che gira in questi giorni: "zero-shot! butta via i tuoi classificatori ML! niente dataset, niente training, niente fatica!". Vero a metà, che è il modo più elegante per essere falso.

La metà vera: sì, per una montagna di task Jev funziona subito, senza costruirti un dataset proprietario. Capire se un utente vuole cancellare o comprare, smistare un ticket al reparto giusto, dare un punteggio di urgenza, decidere se serve un umano, valutare se un chunk è rilevante per una domanda. Applica la sua capacità generale di giudizio allo stato che gli dai, e spesso ci prende. Bello davvero.

La metà che l'entusiasmo dimentica è una distinzione da incorniciare: dataset di training e dataset di evaluation non sono la stessa cosa. Puoi non aver bisogno di addestrare Jev. Ma se la decisione conta, se decide un'escalation, un churn, una compliance, ti serve comunque costruire 200 o 1000 casi reali e guardare in faccia precision, recall, falsi positivi, falsi negativi, calibrazione, stabilità. Prima lo fai girare zero-shot. Poi misuri quanto funziona. Saltare il secondo passo perché "tanto è calibrato" è come fidarsi del navigatore che annuncia "sei arrivato" mentre ti parcheggia nel lago.

Jev decide, non percepisce

L'altro fraintendimento è di categoria. Jev lavora su testo e dati strutturati. Non guarda un ECG, non legge un radar, non ascolta l'audio, non interpreta un'immagine. Se il tuo problema è una serie temporale, un pattern di dominio molto specifico, o una probabilità quantitativa seria come "rischio di caduta nei prossimi 7 giorni", lì un modello ML specializzato addestrato sui dati reali resta superiore, e di parecchio.

Chi prende il segnale grezzo e lo scaraventa dentro Jev sperando nella magia ha capito male il gioco. Jev non riconosce cosa sta succedendo. Decide cosa farne una volta che qualcun altro te l'ha già riconosciuto.

La catena giusta è a livelli

Ed è esattamente qui che diventa potente, se lo metti al posto suo. L'architettura sensata è una staffetta: un modello ML, un SSM o del buon vecchio signal processing capisce cosa sta succedendo dai dati grezzi e sputa eventi strutturati. Jev, sopra, decide cosa significano insieme quegli eventi: ignora, monitora, escala. E l'LLM, in cima, spiega e conversa quando serve linguaggio aperto.

Tre risvegli notturni dal radar, voce più confusa, cinque passaggi in bagno, baseline di uno o due risvegli: non chiedi a Jev di sentire il respiro, gli chiedi di dire se quell'insieme è un'anomalia da segnalare. È molto più solido che mandare tutto, indiscriminatamente, a un LLM che poi ti risponde con un tema di terza media.

Come ho scritto a proposito del coding agent che ti sceglie i padroni, il modello ottimizza per quello che gli chiedi. Se gli chiedi di decidere, gli passi eventi puliti, non pixel. Se gli chiedi di stupirti, ti stupisce e basta.

Jev è interessante proprio perché è modesto: sa fare una cosa e la fa a un costo assurdo. L'unico modo di rovinarlo è l'entusiasmo. La regola mentale è tutta qui: se riesci a ridurre il problema a "dato questo stato, quale tra queste alternative è più corretta?", Jev probabilmente lo fa. Tutto il resto è hype che parla al posto di un modello che, molto saggiamente, ha deciso di stare zitto.