Ви, напевно, недавно чули про модель Jev. Що це таке?
Вона взагалі не розмовляє. Не може спілкуватися з вами, писати документи чи код.
Але ця дивна річ за останні два дні викликала справжній вибух у спільноті ШІ: залучено $40 мільйонів інвестицій на стадії seed, а люди вишикувалися в чергу, щоб отримати доступ.
Тож що ж таке Jev?
Народження Jev
Jev створила компанія TypeSafe AI із Сан-Франциско; реліз відбувся 15 вересня 2026 року.
Її засновник, Діого Алмейда (Diogo Almeida), — колишній дослідник OpenAI та один зі співвинахідників RLHF (Reinforcement Learning from Human Feedback).
Саме цей метод перетворив холодні мовні моделі на красномовного та емпатичного ChatGPT.
Іншими словами, він був одним із тих, хто навчив ШІ говорити.
Тепер же людина, яка навчила ШІ розмовляти, створила модель, яка відмовляється це робити.
Його мотивація проста.
Він казав, що одне питання турбувало його протягом чотирьох років:
Моделі вже перевершили людей у спілкуванні, то чому справжньої автоматизації досі так мало?
Ми вклали трильйони доларів, але повсякденне життя змінилося незначно, і більшість програмного забезпечення досі не є по-справжньому розумним.
Що таке Jev?
Моделі на кшталт ChatGPT — це красномовні консультанти.
Вони відповідають на будь-які запитання, цитують джерела, можуть балакати годинами, мають високий EQ і обговорюють будь-яку тему.
Jev — це інший вид.
Це як уважний контрольор якості на конвеєрі: ви подаєте йому матеріал, і замість пояснень, привітань чи коментарів він видає чітке рішення.
Моделі, якими ми користуємося щодня, наприклад Doubao, характеризуються повільним, трудомістким міркуванням, схожим на розв’язання складних математичних задач.
Для Jev характерне інтуїтивне судження, подібне до того, як миттєво визначити гнів людини, просто подивившись їй в обличчя.
Просто кажучи: «Один погляд — і результат готовий».
Чому балакучі чат-боти є вузьким місцем
Уявіть, що ви керуєте інтернет-магазином, який щодня отримує сотні повідомлень від служби підтримки. Ви хочете, щоб ШІ автоматично їх маршрутизував: бухгалтерські питання — до бухгалтерії, логістичні — до логістики, технічні проблеми — до техпідтримки.
Звучить просто.
Якщо ви використовуєте стандартну LLM, процес виглядає так:
Крок 1: Ви пишете довгий запит, благально просячи: «Будь ласка, визнач, до якого відділу належить це повідомлення. Зверни увагу: відповідай лише назвою відділу, нічого більше не пиши».
Крок 2: Іноді вона слухняно відповідає «Бухгалтерія», і ви радієте.
Але іноді вона не втримується й надсилає абзац на кшталт: «Це повідомлення, здається, переважно стосується бухгалтерських питань; рекомендую вам спершу перевірити записи про списання коштів, а потім...». Вона надто старається допомогти й не може стримати язик.
Крок 3: Вашій програмі потрібна додаткова логіка, щоб витягнути ключове слово «Бухгалтерія» з цього багатослівного відповіді. Цей процес незграбний і схильний до помилок.
Крок 4: Найважливіша проблема: час від часу вона галюцинує.
Ви задали три відділи, але вона може повернути четвертий або вигадати той, якого не існує. Це називається «галюцинацією».
Корінь проблеми в тому, що текст занадто вільний.
Свобода корисна для розмов.
Оскільки LLM можуть генерувати будь-який текст, вони можуть спілкуватися, писати вірші та оповідання.
Але коли вам потрібна автоматизація, ця свобода стає кошмаром.
Ви ніколи не можете гарантувати, що наступного разу вона не відхилиться від сценарію.
Навіть якщо ймовірність відхилення становить 1 з 10 000, ви не наважитеся вбудовувати її в неконтрольовану систему для автономної роботи.
Якщо ШІ ненадійний, неконтрольований і непередбачуваний, йому не можна довіряти, і його неможливо масштабно інтегрувати в реальне ПЗ.
Рішення Jev: перетворення Q&A на заповнення форми
Jev повністю змінює парадигму взаємодії.
Ви не спілкуєтеся з нею.
Ви передаєте їй форму фіксованої структури, і вона просто ставить позначки у полях, які ви визначили.
Кожен виклик потребує двох речей.
По-перше, «Стан» (State): матеріал для оцінки.
Це може бути простим реченням, наприклад: «Моя картка була списана двічі». Або складним, як повна історія тікета, діалог зі службою підтримки або структуровані дані з інформацією про замовлення та політику повернення коштів.
Ви надаєте весь контекст одразу, наче розкладаєте файли на столі перед тим, як попросити експертів винести вердикт.
По-друге, «Питання» (Question): те, що ви хочете, щоб вона оцінила.
Вона завжди повертає строго форматовану відповідь.
Ваша програма використовує її напряму, без парсингу, очищення чи здогадок.
Критично важливо: існує жорстка гарантія — математично неможливо, щоб вона неправильно заповнила формат або дала відповідь поза межами таблиці.
Усі можливі відповіді зафіксовані заздалегідь. Вона може обирати лише з наданих вами варіантів і не може відхилятися від сценарію.
Отже, ви отримуєте саме той тип відповіді, який просили, що створює основу для стабільної роботи.
Особливості Jev
1. Багатоваріантний вибір
Надходить повідомлення від клієнта: «Я отримав неправильний розмір взуття, чи можу я обміняти його на 10-й розмір?» Ви питаєте: «До якої команди це має піти?» Варіанти: Повернення товарів, Логістика, Бухгалтерія.
Вона чітко відповідає «Повернення товарів». Також вона надає бали впевненості для кожного варіанта. Оскільки повідомлення зрозуміле, вона майже на 100% впевнена, що це «Повернення товарів», а інші варіанти мають близький до нуля бал.
Якщо повідомлення стане таким: «Неправильний розмір взуття, і на моїй кредитній карті є додаткове загадкове списання, що ви збираєтеся робити?», ситуація менш однозначна.
Вона може сказати: 60% ймовірності «Повернення товарів», 40% ймовірності «Бухгалтерія». Jev не удає впевненість; вона чесно демонструє свої сумніви.
2. Шкала оцінювання
Надходить звіт про помилку. Ви надаєте шкалу з 3 пунктами:
0: Косметичний дефект, не впливає на використання;
1: Функція не працює, але існує обхідний шлях;
2: Повна зупинка, неможливо використовувати.
Вона може повернути «1.3».
1.3 означає, що помилка переважно потрапляє в категорію «функція не працює, але є обхідний шлях», але трохи схиляється до «повної зупинки». Це точніше, ніж примусовий вибір між 1 і 2, і ближче до реальності.
При визначенні шкал описуйте конкретні ситуації, а не ступені тяжкості.
Формулювання «Функція не працює, але існує обхідний шлях» працює добре; воно порівнює це з матеріалом.
Але написання «Середня тяжкість» не спрацює, тому що «Середня» — це розмите поняття без точки відліку.
Так само вона ігнорує самі числа 0, 1, 2. Ви повинні чітко визначити, що означає кожен рівень через SOP (стандартні операційні процедури).
3. Судження Так/Ні
Вона відповідає «так» або «ні» з імовірнісним балом від 0 до 1.
Запитайте: «Чи просить цей клієнт повернення коштів?»
Вона поверне 0.99, що означає майже безсумнівне «так».
Ви можете ставити кілька запитань паралельно в одному виклику:
До якої команди (Багатоваріантний вибір), Наскільки сердитий клієнт (Шкала), Чи це запит на повернення коштів (Так/Ні), Чи тон лютіший (Так/Ні), Чи замовлення ще не відправлене (Так/Ні).
На ці запитання відповідають одночасно, незалежно та паралельно.
Додавання нових запитань майже не збільшує час відповіді.
Це призводить до контрінтуїтивної звички в програмуванні: офіційно рекомендується ставити якомога більше запитань.
Запитайте всі можливі судження щодо цього повідомлення одразу. Навіть якщо деякі з них зараз не використовуються, це коштує мінімум додаткового часу чи грошей.
Це протилежно до підходу «економити токени», який застосовується зі стандартними LLM.
Самооцінка
У стандартних LLM є вада: вони відповідають упевнено, чи знають вони відповідь, чи ні.
Для автоматизації це фатально.
Приклад:
ШІ, який правильно відповідає у 95% випадків, звучить непогано. Але якщо ви не знаєте чому він помиляється у решті 5%, ви не можете автоматизувати процес.
Jev додає бал «впевненості» до кожної відповіді. Ви використовуєте його, щоб оцінити, чи дійсно модель розуміє суть.
Маючи бали впевненості, ви проектуєте логіку обробки, схожу на людську, зазвичай у трьох рівнях:
Висока впевненість: Автоматична обробка, людина не потрібна.
Середня впевненість: Обережний підхід, можливо, підтвердження людиною або збір додаткової інформації.
Низька впевненість: Не тисніть. Перенаправляйте до людини або більш потужної/дорогої моделі міркування. Вона явно каже: «Це не в моїх силах, не змушуйте мене».
Цей механізм — дія лише тоді, коли впевнений, і визнання невпевненості в інших випадках — є передумовою довіри до автоматизованих систем.
ШІ, який каже «Я не знаю», набагато надійніший за той, який завжди впевнений.
Ефективність витрат
Jev приблизно в 200 разів швидша та в 400 разів дешевша за порівнянні LLM.
Одна відповідь займає 70–500 мс, швидше за блимання ока.
Чому? Тому що Jev не потрібно говорити.
Таке ціноутворення відкриває раніше неможливі сценарії використання.
Ви можете фільтрувати величезні бази даних позиція за позицією, тегуючи все. Робити це за допомогою LLM було надто дорого.
Ви можете вбудовувати її в UI для реакцій у реальному часі, тому що вона достатньо швидка, і користувачі не відчувають затримки.
Як використовувати Jev
Визначте проблему
Не ставте великих, розмитих запитань. Розбийте їх на маленькі, конкретні, а потім програмно об’єднайте відповіді.
Приклад:
Щоб виявити спам-листи, лінивий спосіб — запитати: «Чи це спам?»
Це велике та неоднозначне запитання.
Воно приховує кілька суджень за однією розмитою відповіддю, роблячи процес непрозорим і нерегульованим.
Замість цього розбийте «Чи це спам?» на маленькі, чіткі судження:
Чи запитує лист логін та пароль?
Чи стверджує він, що ви виграли приз, у якому не брали участі?
Чи створює він терміновість («Дійте зараз, або втратите можливість»)?
Чи збігається заявлена у листі організація з доменом електронної пошти?
Чи збігається посилання з відображуваним текстом?
Кожне підзапитання є надзвичайно специфічним, залишаючи мало місця для неоднозначності. Потім у вашому коді зважте ці відповіді, щоб розрахувати остаточний бал ризику спаму.
Jev прагне стати новим будівельним блоком із судженнями на основі здорового глузду, а не неконтрольованим чорним ящиком.
Визначте сценарії
Випадки використання є практичними, часто замінюючи виснажливу ручну перевірку.
Служба підтримки:
Автоматична маршрутизація тікетів, виявлення запитів на повернення коштів, ідентифікація розлючених клієнтів, які потребують пріоритетної уваги, вилучення пунктів для подальших дій із журналів дзвінків.
Модерація контенту:
Автоматичне позначення спаму, образ, шахрайства, витоку конфіденційності. Оцінка тяжкості: легкі попередження проти банів. Ця робота виснажлива та психологічно травмуюча для людей.
Рекрутинг та продажі:
Оцінка резюме за жорсткими критеріями, зіставлення досвіду кандидата з посадою, кваліфікація лідів у продажах.
QA для інших ШІ:
Використовуйте Jev для перевірки виводу іншої LLM: Чи відхилилася вона? Чи була зламана система безпеки (jailbroken)? Чи вигадані цитати? Чи правильні параметри інструментів?
Оскільки Jev швидка та дешева, використання її для QA коштує копійки порівняно з основною моделлю. Вона додає якісний шлюз для дорогих ШІ.
Очищення Big Data:
Швидке тегування, класифікація та фільтрація величезних масивів документів, коментарів, чатів. Лише структура витрат Jev робить такий масштаб можливим.
Висновок
Якщо ви досі плутаєтеся, запам’ятайте це:
Jev дешева, швидка, не балакає, але допомагає вам приймати рішення.
Коли вартість інтелекту падає на порядок, сценарії використання зростають експоненціально. Це можливості для вас.
