המודל Jev:ההימור של TypeSafe על AI בלי צ׳אט

TypeSafe AI הציגה בספטמבר 2026 את Jev: מודל שנועד להשתלב במערכות שצריכות להבין מידע כדי להחליט כיצד להמשיך. אפשר לראות את הצורך הזה במערכת שירות. היא יודעת לשמור פנייה, לשייך אותה לצוות ולשלוח עדכון. אבל כדי לבחור את הצוות המתאים, צריך קודם להבין במה הפנייה עוסקת.

לקוח אחד יכתוב ״חויבתי פעמיים״. אחר יכתוב ״אני רואה שני תשלומים על אותה הזמנה״. שתי ההודעות עשויות לתאר את אותה בעיה, אף שהמילים שונות. אפשר לכתוב כללים שמחפשים ביטויים מסוימים, אבל מגוון הניסוחים וההקשרים מקשה לכסות הכול מראש.

כאן נכנס מודל AI: הוא מעריך את משמעות ההודעה. Jev נבנה כדי להחזיר את ההערכה הזאת כתשובה מוגדרת שהמערכת יודעת להשתמש בה. בדוגמה שלנו זו יכולה להיות בחירה בצוות החיובים. ההיכרות הרשמית עם Jev מתארת את התפקיד הזה בתוך מערכת.

כדי להשתמש ב־Jev, המערכת שולחת אליו את המידע הדרוש להחלטה. בדוגמה שלנו זו הודעת הלקוח. מצרפים שאלה: ״לאיזה צוות צריך להעביר את הפנייה?״ ומגדירים את האפשרויות: חיובים, תמיכה טכנית או בדיקה ידנית. מוסיפים גם הסבר למה שייך לכל אפשרות.

המודל מעריך איזו אפשרות מתאימה, ומחזיר בחירה לצד ההסתברויות שנתן לאפשרויות השונות. המערכת קוראת את התשובה ומעדכנת את הפנייה במערכת השירות. זו המחשה של התהליך, לא תוצאה של ניסוי שערכנו. מדריך העבודה של TypeSafe מסביר את חלוקת העבודה בין המודל לקוד.

עכשיו אפשר לתת שם גם למידע ששלחנו: בתיעוד הוא נקרא state. זה יכול להיות טקסט של הודעה, פרטים מתוך מסמך או נתונים שהמערכת כבר מחזיקה. המודל מסתמך על מה שסופק לו. הוא לא נכנס בעצמו למערכת החיובים כדי לברר מה קרה.

לכן הבחירה ב״חיובים״ עוזרת להפנות את הבקשה, אבל לא מוכיחה שהיה חיוב כפול. את העובדה הזאת בודקים מול נתוני העסקה. זה הגבול שכדאי לזכור: המודל מפרש את המידע שקיבל, והמערכת מנהלת את המשך העבודה.

החברה שמפתחת את Jev היא TypeSafe AI. אחד ממייסדיה והמנכ״ל שלה, Diogo Almeida, השתתף ב־OpenAI בפיתוח InstructGPT, העבודה שלימדה מודלי שפה למלא הוראות של בני אדם. לצידו הקימו את החברה Sasha Sheng, לשעבר ב־Meta/FAIR, ו־Erik Gafni, בעל ניסיון בבניית מערכות AI. הרקע של המייסדים.

בהודעת ההשקה, החברה מציגה את Jev כמודל שנבנה במיוחד להחלטות מובנות בתוך מערכת. היא מכנה את משפחת המודלים הזאת System One. גם מודלים כלליים יכולים לבצע סיווג ולהחזיר פלט מובנה. ההימור של TypeSafe הוא שהתמקדות במשימות האלה, באימון ובמבנה המודל, תאפשר לבצע אותן ביעילות רבה יותר.

ההשקה עוררה התנסות מהירה: Vercel דיווחה שכמעט 13% מהצוותים המשלמים ב־AI Gateway שלה השתמשו ב־Jev ביממה הראשונה. הנתון מתייחס לשירות של Vercel, שמחבר אפליקציות למודלים, ולא לכלל משתמשי ה־AI. הוא מסביר חלק מהעניין סביב Jev, אבל עדיין לא מוכיח יתרון בשימוש מסוים. הדיווח של Vercel.

עד עכשיו ביקשנו לבחור צוות. ב־Jev, סוג השאלה הזה נקרא Choice: מגדירים רשימה של אפשרויות, והמודל מעריך איזו מהן מתאימה למידע שקיבל. הרשימה חשובה. אם חסר בה סוג פנייה נפוץ, המודל צריך לבחור מתוך אפשרויות שלא מתארות אותו היטב. תיעוד Choice.

שאלה אחרת היא עד כמה הפנייה דחופה. כאן מתאים Score: סולם של דרגות, עם הסבר לכל דרגה. למשל, שאלה כללית, בעיה שצריך לטפל בה, או בעיה שעוצרת את הלקוח. המודל מחזיר הערכה על הסולם הזה, והיא יכולה להימצא גם בין שתי דרגות. תיעוד Score.

בזכות הרשימה והסולם, המערכת יודעת מראש איך תיראה התשובה. מתכנתים משתמשים במונח type-safe כדי לתאר התאמה לסוג הנתונים שהוגדר. אפשר לצפות לבחירה מתוך רשימה, במקום לפענח פסקה שלמה בכל פעם. המבנה התקין מקל על החיבור; הוא עדיין לא מבטיח שההערכה נכונה.

בהדגמה הבאה, אותה הודעה מקבלת שלוש שאלות שונות, וכל שאלה מחזירה תשובה בצורה אחרת: בחירה, מקום על סולם או סיכוי. על השאלה השלישית, Noul, נרחיב מיד אחרי ההדגמה.

השאלה השלישית בהדגמה לא מבקשת לבחור צוות או לדרג דחיפות: ״האם הלקוח מבקש החזר כספי?״ בשביל שאלות כאלה קיים Noul. הוא מעריך מה הסיכוי שההודעה אכן כוללת בקשה להחזר, ומחזיר מספר בין 0 ל־1. מספר קרוב ל־1 מבטא הערכה חזקה שהתנאי מתקיים; מספר קרוב ל־0 מבטא את ההפך. תיעוד Noul.

הבדל קטן בניסוח משנה כאן את המשמעות. ״עד כמה הלקוח כועס?״ היא שאלה על עוצמה, ולכן מתאימה לסולם. ״האם הוא מבקש החזר?״ היא שאלה על תנאי מסוים. ערך באמצע ב־Noul מצביע על התלבטות לגבי התנאי, ולא על בקשה להחזר חלקי.

כך אפשר לשמור את אי־הוודאות עד לשלב שבו מחליטים איך לפעול. מערכת יכולה לסמן בקשה ברורה להמשך טיפול, ולשלוח מקרה מעורפל לבדיקה. מדיניות הטיפול נשארת החלטה של מי שבונה את התהליך.

Jev נועד למשימות שיש בהן מידע שצריך לפרש, שאלה מוגדרת ותשובה שהמערכת יכולה להשתמש בה. סיווג פנייה והערכת תוכן של מסמך מתאימים לרעיון הזה. חישוב סכום חשבונית או השוואת תאריכים מדויקת הם משימות לקוד רגיל. TypeSafe מתעדת קשיים בתחומים האלה במגבלות של jev-1.13.

צריך גם להבדיל בין תשובה ברורה לתשובה נכונה. ב־Choice וב־Score, השדה confidence מסכם עד כמה המודל ריכז את ההסתברויות באפשרות מסוימת. גם תשובה עם ריכוז גבוה יכולה להיות שגויה. ב־Noul ההסתברות עצמה מתארת את ההערכה, בלי שדה ביטחון נפרד. ההסבר על confidence.

החיבור לתהליך מתחיל בהגדרה של שלושה דברים: המידע שנמסר למודל, השאלה שעליו להעריך והפעולה שהמערכת רשאית לבצע. בפרק השני נראה איך עובדים עם Jev בפועל: ב־Playground, בקריאת API אחת וכצעד בתוך תהליך אוטומציה. בפרק השלישי נבדוק את החיבור בין ההערכה לפעולה: מתי היא מספיקה, מתי נדרשת בדיקה ואיך מודדים אם התהליך השתפר.