Mengenal Jev dari TypeSafe AI: Model AI yang Memutuskan, Bukan Menulis

Pendahuluan: Model AI yang Tidak Bisa Menulis

Selama beberapa tahun terakhir, perlombaan AI didominasi oleh model bahasa besar (LLM) yang makin pintar mengobrol, menulis, dan menalar. Pada 15 September 2026, TypeSafe AI mengambil arah yang berlawanan dengan merilis Jev — model AI yang sama sekali tidak menghasilkan teks. Jev hanya melakukan satu hal: mengambil keputusan.

Jev dibangun oleh Diogo Almeida, peneliti yang sebelumnya ikut mengembangkan metode di balik ChatGPT (RLHF dan InstructGPT) di OpenAI. Setelah dua tahun bekerja secara diam-diam, TypeSafe keluar dari mode stealth dengan pendanaan awal sebesar US$40 juta yang dipimpin oleh DCVC. Dalam artikel ini kita akan membahas apa itu Jev, cara kerjanya, update terbarunya, dan sejauh mana developer sudah memakainya dalam seminggu pertama.

Apa Itu Jev dan "System One Model"?

TypeSafe menyebut Jev sebagai System One Model pertama mereka. Nama ini diambil dari buku Thinking, Fast and Slow karya Daniel Kahneman: System 1 adalah cara berpikir cepat dan intuitif, sedangkan System 2 lambat dan penuh pertimbangan. Jev dirancang untuk jenis keputusan cepat, misalnya "tiket ini masuk ke tim mana?" atau "apakah pesan ini mendesak?".

Nama "Jev" sendiri merujuk pada paradoks Jevons. Pada 1865, William Stanley Jevons berpendapat bahwa ketika mesin uap makin efisien memakai batu bara, konsumsi batu bara justru naik. Logikanya sama: jika biaya sebuah keputusan AI turun drastis, software akan mulai membuat jauh lebih banyak keputusan.

Cara termudah memahaminya: Jev adalah "smart if statement". Kode biasa bisa bercabang berdasarkan nilai yang bisa dihitung, seperti if (order.total > 100). Tetapi kode biasa kewalahan saat kondisinya berupa penilaian makna, misalnya "apakah email ini soal tagihan?". Di situlah Jev bekerja.

Cara Kerja: State, Pertanyaan, dan Jawaban Bertipe

Setiap panggilan ke Jev terdiri dari dua bagian: state (teks atau data yang ingin dinilai) dan questions (pertanyaan tentang state tersebut). Ada tiga jenis pertanyaan yang bisa dicampur dalam satu panggilan:

Semua pertanyaan dijawab secara paralel terhadap state yang sama, sehingga menambah pertanyaan hampir tidak menambah waktu respons. Berikut contoh request ke endpoint POST https://api.typesafe.ai/v1/systemone dari dokumentasi resmi:

{
  "state": "Hi, I've been trying to connect my Stripe account for 3 days and the integration keeps failing. I'm losing sales. Please help ASAP.",
  "model": "jev-latest",
  "questions": {
    "department": {
      "type": "choice",
      "instructions": "Which team should handle this",
      "criteria": {
        "billing": "Payment or subscription issues",
        "technical": "Bugs or integration problems",
        "sales": "Pricing or account questions"
      }
    },
    "is_urgent": {
      "type": "noul",
      "instructions": "The message conveys urgency or time-sensitivity"
    }
  }
}

Respons Jev berisi pilihan (misalnya technical), probabilitas setiap opsi, dan skor confidence. Angka confidence inilah yang dipakai kode Anda: jalankan otomatis jika yakin, dan lempar ke manusia atau model yang lebih besar jika ragu. Satu jebakan yang sering terjadi: ID pertanyaan seperti is_urgent tidak pernah dibaca model, jadi tulis pertanyaan lengkap di field instructions.

Spesifikasi, Harga, dan Klaim Performa

Menurut dokumentasi TypeSafe, model yang aktif saat ini adalah Jev 1.13 (jev-1.13.0), dan alias jev-latest mengarah ke versi tersebut.

Pada evaluasi workflow internal TypeSafe, Jev mencatat akurasi 67,8% — setara dengan Sonnet 5 — dengan biaya sekitar US$0,0004 per kasus dibanding US$0,1174 untuk Sonnet 5, dan waktu 0,4 detik dibanding 78,1 detik. Namun perlu dicatat: jawaban acuan dalam evaluasi ini berasal dari dua model penalaran besar, bukan manusia. Jadi angka 67,8% berarti tingkat kesepakatan dengan kedua model tersebut. TypeSafe sendiri mengakui adanya potensi bias dan bahwa evaluasi ini belum direproduksi pihak independen.

Soal klaim "tidak bisa berhalusinasi", maknanya lebih sempit dari kedengarannya: Jev tidak mungkin mengembalikan nilai di luar skema yang Anda definisikan (tidak ada JSON rusak atau field karangan), tetapi tetap bisa memilih opsi valid yang salah.

Update Terbaru dan Ekosistem

Karena Jev baru dirilis seminggu lalu, perkembangannya sangat cepat:

• Early access: akses masih melalui waitlist di typesafe.ai, dengan API key dari console TypeSafe.
• SDK resmi: tersedia untuk Python (pip install typesafe-sdk) dan JavaScript/TypeScript (@typesafe-ai/sdk).
• Agent skill: TypeSafe merilis skill untuk coding agent seperti Claude Code, sehingga agent bisa langsung memahami cara memakai API Jev.
• Integrasi pihak ketiga: Jev bisa dipanggil lewat Vercel AI Gateway, dan LangChain menyediakan integrasi melalui TypeSafeClassifier.
• Dokumentasi "jaggedness": TypeSafe secara terbuka mempublikasikan kelemahan jev-1.13, seperti lemah dalam berhitung, perbandingan tanggal, dan penurunan akurasi saat state terlalu banyak berisi informasi tidak relevan.

Sejauh Mana Orang Menggunakannya?

Direktori komunitas Made with Jev (independen, tidak berafiliasi dengan TypeSafe) mencatat 295 build publik dalam 6 hari pertama dari 269 pembuat berbeda. Median biaya yang dilaporkan adalah US$0,000068 per keputusan — sekitar 14.727 keputusan per satu dolar — dengan median waktu 300 ms. Menariknya, 58,1% repositori baru ditulis dalam TypeScript atau JavaScript, dibanding 30,6% Python. Artinya, adopsi awal Jev justru didorong developer web, bukan peneliti machine learning.

Distribusi penggunaan berdasarkan kategori:

Beberapa contoh yang paling banyak dibicarakan:

• Browser agent super cepat: Browser Use membuat agent open source yang mencari penerbangan Zürich–London di Google Flights dalam sekitar 7 detik dengan biaya kurang dari satu sen. Repositorinya menjadi yang paling populer dengan lebih dari 9.000 bintang GitHub.
• Klasifikasi 1.018 paper riset: proyek 1kpapers meringkas paper dengan LLM (US$3,99), lalu mengklasifikasikannya dengan Jev hanya seharga US$0,08.
• Jev bermain Doom: demo real-time dengan sekitar 10 query per detik, biayanya kira-kira US$7 per jam.
• Instant compaction: Jev menilai setiap tool call dalam riwayat agent dan membuang yang tidak relevan, menggantikan prompt ringkasan yang lambat.
• Robotika dan trading: mulai dari drone otonom yang memakai Jev sebagai lapisan penilaian taktis (sementara keselamatan tetap dipegang kode) hingga bot market maker yang mengambil keputusan setiap blok.

Pola yang muncul dari semua build ini kini populer disebut "Jev Engineering": LLM yang menulis, Jev yang memutuskan, dan kode yang mengeksekusi.

Tetap perlu diingat, semua angka ini dilaporkan sendiri oleh pembuatnya. Hanya 140 dari 295 build yang mempublikasikan angka apa pun, dan data akurasi hampir tidak ada. Enam hari juga terlalu singkat untuk disebut tren.

Relevansinya untuk Pemilik Website dan Bisnis Online

Bagi pengelola website, Jev membuka peluang otomatisasi yang sebelumnya terlalu mahal jika memakai LLM: memilah pesan formulir kontak, moderasi komentar dan spam, menandai tiket support yang mendesak, hingga menilai kualitas leads. Berikut ilustrasi sederhana memanggil Jev dari Laravel menggunakan HTTP client bawaan:

use Illuminate\Support\Facades\Http;

$response = Http::withToken(config('services.typesafe.key'))
    ->post('https://api.typesafe.ai/v1/systemone', [
        'model' => 'jev-1.13.0',
        'state' => $request->input('message'),
        'questions' => [
            'department' => [
                'type' => 'choice',
                'instructions' => 'Which team should handle this message',
                'criteria' => [
                    'billing'   => 'Payment, invoice or renewal issues',
                    'technical' => 'Website down, errors, DNS or email problems',
                    'sales'     => 'Pricing or new website project questions',
                    'other'     => 'Anything else',
                ],
            ],
            'is_urgent' => [
                'type' => 'noul',
                'instructions' => 'The message conveys urgency or time-sensitivity',
            ],
        ],
    ]);

$answer = $response->json('answers.department');

Tips praktis dari dokumentasi dan komunitas: sertakan opsi other agar model tidak memaksakan pilihan, pin versi model jika Anda sudah menyetel threshold, dan jangan menaruh konten dari pengguna tanpa memperhitungkan risiko manipulasi di dalam state.

Kapan Jev Bukan Pilihan Tepat

Jev tidak menggantikan LLM. Ia tidak bisa menulis artikel, meringkas, membuat kode, atau menjelaskan alasannya. Jev juga tidak cocok untuk aritmetika, penghitungan, perbandingan tanggal, dan keputusan yang membutuhkan banyak langkah penalaran berurutan. Saat ini input juga terbatas pada teks — gambar, audio, dan video harus ditranskripsi terlebih dahulu.

Penutup

Jev menawarkan cara pandang baru: tidak semua tugas AI perlu model yang pandai bicara. Untuk keputusan kecil yang berulang — klasifikasi, routing, scoring, dan guardrail — model yang cepat, murah, dan memberi confidence terkalibrasi bisa jauh lebih praktis. Adopsi minggu pertamanya sangat cepat, tetapi klaim performanya masih berasal dari TypeSafe sendiri. Langkah paling bijak adalah mencobanya pada data Anda sendiri, mengukur akurasinya, lalu memutuskan di bagian mana Jev layak masuk ke arsitektur aplikasi Anda.

Referensi

• Made with Jev — What is Jev?
• TypeSafe AI — Introducing System One Models & Jev
• TypeSafe Docs — Quick start
• Made with Jev — The Jev Build Report
• DEV Community — How to Use Jev: A practical guide
• LangChain Blog — Building a harness with Jev
• Vercel — What is Jev?