TypeSafe AI & Jev

Sprachmodelle schreiben Text für Menschen. Jev trifft Entscheidungen für Software – schnell, strukturiert und mit Wahrscheinlichkeiten.

In fünf Minuten: was TypeSafe AI baut, was ein System-One-Modell ist und wofür du Jev einsetzt. Danach probierst du es in der Werkstatt aus.

Direkt in die Werkstatt →Einführung lesen ↓

Beispielwerte · Animation

State

team…Confidence –

rechnung0 %

technik0 %

versand0 %

dringlichkeit…

kuendigung…

Das Problem: Software braucht Entscheidungen, keine Aufsätze

Viele KI-Anwendungen brauchen gar keinen Text. Sie brauchen eine Entscheidung: Welches Team? Wie dringend? Darf das online?

Ein LLM ist für Text gebaut, den Menschen lesen. Nutzt man es für Entscheidungen, muss man die Ausgabe in eine Struktur zwingen und wieder herausparsen – und weiß trotzdem nicht, wie sicher sich das Modell war.

Generatives LLM

„Es handelt sich offenbar um ein Abrechnungsproblem, das recht dringend wirkt …“

JSON.parse(antwort) → SyntaxError

Jev

kategorie:     rechnung (0,93)
dringlichkeit: 2,6 von 3
kuendigung:    p(ja) 0,91

direkt im Code nutzbar

System One: schnelles Urteilen statt langem Nachdenken

Der Name stammt aus Daniel Kahnemans Buch Schnelles Denken, langsames Denken. System 1 urteilt schnell und intuitiv, System 2 langsam und überlegt.

TypeSafe AI baut System-One-Modelle: eine Klasse von KI-Modellen, die schnelle, strukturierte Entscheidungen treffen, die Software direkt verwenden kann. Statt Text zu erzeugen, bewerten sie einen Zustand und liefern typisierte Antworten mit Wahrscheinlichkeiten.

System 1schnell · intuitiv

Ein Bauchurteil, das eine kundige Person in Sekunden fällt.

→ System-One-Modelle wie Jev

System 2langsam · überlegt

Schritt für Schritt nachdenken, abwägen, begründen.

→ Reasoning-Modelle

Jev: das erste System-One-Modell

Jev ist das Flaggschiff von TypeSafe AI und das erste System-One-Modell. Du gibst ihm deine Daten und eine oder mehrere Fragen mit festem Antworttyp. Zurück kommen Antworten, die dein Code ohne Umwege verwenden kann.

Jev schreibt keine Antworten, keinen Code und keine Begründungen. Den Antwortraum legst immer du fest.

Hersteller: TypeSafe AI
Modell im Request: jev-latest – die Antwort nennt das konkrete Release
Eingabe: Text, JSON-Objekte und Arrays (Bilder laut SDK experimentell)
Ausgabe: typisierte Antworten mit Wahrscheinlichkeiten
Schnittstelle: POST api.typesafe.ai/v1/systemone

So funktioniert ein Aufruf

Ein Aufruf besteht aus einem State (Text oder JSON) und beliebig vielen Fragen. Jede Frage wird parallel und für sich gegen denselben State beurteilt. Weitere Fragen kosten deshalb kaum Zeit, nur Tokens.

Die eigentliche Entscheidung trifft dein Code – mit Regeln, die du testen und jederzeit ändern kannst.

Statedeine Daten

Fragenchoicescorenoul

Jevparallel, isoliert

Antwortenmit Wahrscheinlichkeiten

Dein CodeRegeln → Entscheidung

Drei Fragetypen

choice

Eine Option wählen

„Welches Team soll das Ticket bearbeiten?“ Jev verteilt die Wahrscheinlichkeit auf deine Optionen.

rechnung0 %

ruecksendung0 %

versand0 %

Beispiel aus der Doku: knappe Verteilung, Confidence 0,42

score

Auf einer Skala einordnen

„Wie schwer ist der Fehler?“ Du beschreibst die Stufen, Jev liefert einen Wert dazwischen.

0 · kosmetisch0 %

1 · Workaround0 %

2 · blockiert0 %

score = 0×0 + 1×0,57 + 2×0,43 = 1,43 (Beispiel aus der Doku)

noul

Ja oder nein

„Will die Person mit einem Menschen sprechen?“ Antwort: die Wahrscheinlichkeit für „ja“.

0,84 = Wahrscheinlichkeit für „ja“vergleichbar: |2p − 1| = 0,68

0 · sicher neinGraubereich 0,10–0,90sicher ja · 1

„Kann ich mit jemandem über meine Rechnung sprechen?“ → 0,84 (Doku-Beispiel)

Probier es aus

Drei Fragen an dieselbe Nachricht: welches Team, wie dringend, ist die Person frustriert. Ändere den Text und sieh zu, wie sich die Antworten verschieben.

Schreib eine Support-Nachricht – oder nimm ein Beispiel

team–

rechnung0 %

technik0 %

versand0 %

dringlichkeit–

frustriert–

Wahrscheinlichkeit, Confidence und dein Code

Choice und Score liefern neben den Wahrscheinlichkeiten eine Confidence von 0 bis 1. Sie fasst zusammen, wie eindeutig die Verteilung ist: eine klare Spitze ergibt hohe, eine breite Verteilung niedrige Confidence.

Jev ist auf kalibrierte Wahrscheinlichkeiten trainiert: Aussagen mit 80 % sollen in etwa 80 % der Fälle stimmen. Das gilt über viele Vorhersagen, nicht für die einzelne Antwort. Deshalb entscheidet dein Code in Stufen – und die Schwellen richten sich danach, wie teuer ein Fehler ist.

Wie eindeutig ist der Fall? Zieh am Regler.

unklareindeutig

rechnung79 %

technik15 %

versand6 %

Confidence0,68

Dein Code würdeautomatisch handeln

(0,79 − 1/3) ÷ (1 − 1/3) = 0,68

Anders trainiert als ein Chatbot

Chatbots werden darauf trainiert, Menschen zu gefallen. Das kann laut TypeSafe zu gefälligen, selbstsicher klingenden Fehlern führen – für unbeaufsichtigte Automatisierung ungünstig.

TypeSafe setzt auf ein eigenes Verfahren für kalibrierte Entscheidungen und erwartet, dass künftige Automatisierung zum Großteil zwischen Maschinen abläuft.

Verfahren	Optimiert auf	Typisch für
RLHF	menschliche Vorlieben	Chatbots
RLVR	überprüfbare Ergebnisse	Reasoning-Modelle (langsamer, teurer)
RLCD	kalibrierte Entscheidungen	TypeSafe / Jev

Wofür Jev passt – und wofür nicht

Faustregel der Doku: Eine Frage sollte ein Bauchurteil sein, das eine kundige Person in Sekunden fällen könnte. Braucht sie mehrere Faktoren, teile sie in mehrere Fragen und kombiniere die Antworten im Code.

Oft ist die beste Lösung eine Mischung: Jev entscheidet, ein LLM formuliert, klassischer Code setzt harte Grenzen.

Gut geeignet

Tickets, Anfragen, Intents routen
Triage und Priorisierung
Moderations- und Qualitäts-Gates
Kandidaten nach weichen Kriterien bewerten

Nicht dafür gedacht

Texte schreiben oder zusammenfassen
Begründungen und lange Abwägungen
Harte Regeln wie Budgets oder Anzahlen – die gehören in den Code

Loslegen

API-Key in der TypeSafe-Konsole holen, SDK installieren (JavaScript/TypeScript oder Python) – fertig. Die vollständige Doku steht unter docs.typesafe.ai.

Oder du baust es erst einmal hier Schritt für Schritt nach.

npm install @typesafe-ai/sdk

import { choice, TypeSafeClient } from "@typesafe-ai/sdk";

const client = new TypeSafeClient(); // TYPESAFE_API_KEY
const { answers } = await client.systemOne({
  state: "Mir wurde doppelt abgebucht.",
  questions: {
    team: choice("Welches Team?", {
      rechnung: "Zahlung, Abbuchung",
      technik: "Login, Fehler",
    }),
  },
});
answers.team.choice; // "rechnung"

Jetzt selbst bauen

Die Jev-Werkstatt

In neun Stationen baust du ein eigenes Entscheidungssystem: State schreiben, Fragen anlegen, Ergebnisse lesen, Regeln festlegen. Am Ende hast du fertigen Code für TypeScript, Python oder curl.

In die Werkstatt →