Koinons — Di tengah perlombaan model AI yang semakin pandai menulis, melakukan coding, dan berbicara dengan manusia, sebuah perusahaan bernama TypeSafe AI justru mengambil arah yang berbeda.

Mereka membuat Jev, model AI yang memang tidak dirancang untuk menjadi chatbot.

Jev tidak menulis artikel, tidak membuat paragraf panjang, dan tidak mencoba mempertahankan percakapan. Model ini dibuat untuk satu kebutuhan yang lebih spesifik: mengambil keputusan yang bisa langsung digunakan software.

TypeSafe menyebut pendekatan tersebut sebagai System One Models, sebuah kelas model baru yang dirancang agar kecerdasan AI dapat digunakan langsung oleh program, bukan hanya dibaca manusia.

Jev Bukan Chatbot

Cara kerja Jev berbeda sejak dari bentuk input dan output-nya.

Sebuah aplikasi memberikan Jev sebuah state, kemudian menyertakan pertanyaan yang sudah ditentukan bentuk jawabannya. Jev kemudian mengembalikan keputusan tersebut beserta probabilitas dan confidence.

Misalnya sebuah sistem customer support menerima pesan:

Pembayaran saya sudah berhasil, tetapi fitur premium belum aktif.

Program dapat meminta Jev menentukan kategori dengan pilihan seperti billing, technical, sales, atau other.

Jev tidak perlu membuat penjelasan panjang mengenai alasan jawabannya.

Software hanya membutuhkan keputusan yang sudah terstruktur.

Pendekatan seperti ini membuat Jev lebih dekat dengan sebuah function call yang memiliki intelligence daripada chatbot yang menghasilkan teks.

TypeSafe bahkan menggunakan istilah "frontier-intelligence function call" untuk menjelaskan konsep tersebut.

TypeSafe Membuat Model Khusus untuk Decision

Menurut TypeSafe, model generatif saat ini banyak dioptimalkan menggunakan pendekatan seperti RLHF atau RLVR untuk menghasilkan respons yang disukai manusia atau output yang dapat diverifikasi.

TypeSafe memilih arah yang berbeda.

Mereka menggunakan metode yang disebut Reinforcement Learning for Calibrated Decisions atau RLCD.

Tujuannya bukan membuat model menghasilkan tulisan yang paling bagus.

Tujuannya adalah membuat model memberikan keputusan dengan probabilitas yang terkalibrasi sehingga software dapat memperhitungkan ketidakpastian dari keputusan tersebut.

Hal ini menjadi penting ketika AI digunakan untuk automation.

Program tidak hanya membutuhkan jawaban.

Program juga perlu mengetahui seberapa yakin sistem terhadap jawaban tersebut.

Ada Tiga Primitive Utama

Jev menyediakan tiga jenis keputusan yang disebut TypeSafe sebagai primitive.

Choice digunakan ketika aplikasi perlu memilih salah satu opsi yang sudah ditentukan.

Score digunakan ketika sebuah kondisi perlu ditempatkan pada skala tertentu.

Sementara Noul digunakan untuk keputusan biner yang menghasilkan probabilitas, seperti pertanyaan ya atau tidak.

Pilihan tersebut dapat ditentukan langsung oleh developer.

Sebuah aplikasi tidak perlu meminta model menghasilkan format tertentu kemudian melakukan parsing terhadap teks yang dikembalikan.

Bentuk output memang sudah menjadi bagian dari kontrak model.

Banyak Pertanyaan Bisa Diproses Sekaligus

Salah satu bagian yang paling menarik dari arsitektur Jev adalah cara model menangani beberapa pertanyaan.

Beberapa pertanyaan dapat diberikan terhadap state yang sama dan diproses secara paralel dalam satu request.

Misalnya sebuah aplikasi memiliki satu objek data dan ingin mengetahui apakah data tersebut berisiko, termasuk kategori tertentu, memiliki prioritas tinggi, dan membutuhkan eskalasi.

Semua keputusan tersebut dapat didefinisikan sebagai pertanyaan terpisah.

Jev kemudian mengevaluasi semuanya dalam satu proses.

Pendekatan tersebut membuat model dapat digunakan untuk workflow yang memiliki banyak keputusan kecil tanpa harus memanggil model satu per satu untuk setiap pertanyaan.

TypeSafe menyebut kemampuan ini sebagai bagian dari desain yang membuat Jev cocok digunakan di dalam automation dan sistem software.

Confidence Menjadi Bagian dari Output

Jev tidak hanya mengatakan sebuah keputusan adalah A atau B.

Model juga memberikan probabilitas dan confidence yang dapat digunakan aplikasi untuk menentukan tindakan berikutnya.

Konsep ini membuat AI bisa ditempatkan di tengah workflow.

Ketika confidence tinggi, software dapat langsung menjalankan keputusan.

Ketika confidence rendah, software dapat meminta pemeriksaan manusia atau meneruskan pekerjaan kepada sistem lain.

Dengan begitu, developer tidak perlu memperlakukan setiap hasil AI sebagai keputusan yang mutlak.

Ketidakpastian menjadi bagian dari arsitektur.

TypeSafe membangun konsep tersebut karena mereka melihat automation sebagai sistem yang harus memiliki kontrol atas kapan AI boleh bertindak dan kapan manusia perlu dilibatkan.

TypeSafe Mengklaim Jev Sangat Cepat

Kecepatan menjadi salah satu fokus utama Jev.

TypeSafe mengklaim Jev dapat memberikan keputusan dalam kisaran 70 hingga 500 milidetik, tergantung workflow dan kondisi penggunaannya.

Di halaman resminya, TypeSafe juga menampilkan demonstrasi yang membandingkan sebuah workflow System One dengan model bahasa generatif.

Dalam demonstrasi tersebut, Jev menyelesaikan workflow dengan waktu sekitar 0,114 detik dengan biaya sekitar US$0,000081, sementara konfigurasi LLM pembanding membutuhkan sekitar 8,566 detik dengan biaya sekitar US$0,013880.

Dari angka tersebut, TypeSafe mengklaim Jev mencapai sekitar 193,6 kali lebih cepat dan 444,6 kali lebih murah pada workflow yang mereka gunakan.

Angka tersebut merupakan klaim dan pengukuran TypeSafe sendiri, bukan benchmark universal untuk seluruh jenis penggunaan AI.

Namun angka tersebut menunjukkan target yang ingin dicapai TypeSafe.

Jev tidak dibuat untuk memenangkan semua task.

Model ini dibuat agar keputusan kecil yang terjadi ribuan atau jutaan kali dapat diproses dengan cepat.

Harga Jev Juga Dirancang untuk Automation

TypeSafe menetapkan harga Jev sebesar US$0,042 per satu juta input token, sementara output decision tidak dikenakan biaya.

Struktur pricing seperti ini berbeda dari model generatif yang biaya penggunaannya biasanya ikut dipengaruhi oleh jumlah output yang dihasilkan.

Jev tidak perlu menghasilkan paragraf.

Software hanya menerima keputusan.

Karena itu, TypeSafe berusaha membuat biaya penggunaan lebih banyak bergantung pada input yang diberikan kepada model.

Di halaman produknya, TypeSafe juga menampilkan harga sekitar US$42 untuk satu miliar input token.

Namun pricing dan akses Jev masih berada pada fase awal dan dapat berubah mengikuti perkembangan layanan.

Modelnya Sengaja Tidak Menghasilkan String Bebas

TypeSafe juga membawa konsep yang mereka sebut sebagai machine-native intelligence.

Model generatif menghasilkan kata-kata untuk manusia.

Jev menghasilkan keputusan untuk software.

Perbedaan ini terlihat sederhana, tetapi konsekuensinya cukup besar.

Dalam aplikasi biasa, output dari LLM sering kali harus diubah kembali menjadi struktur yang bisa dibaca program.

Developer mungkin meminta JSON, membuat schema validation, melakukan parsing, kemudian menangani kasus ketika model memberikan output yang tidak sesuai.

Jev mencoba menghilangkan bagian tersebut.

Ketika pertanyaan sudah didefinisikan sebagai Choice, Score, atau Noul, bentuk jawabannya sudah diketahui sejak awal.

Software tinggal menggunakan hasilnya.

TypeSafe Mengklaim Jev Tidak Memiliki Masalah Hallucination yang Sama

Karena Jev tidak menghasilkan string bebas, TypeSafe mengatakan model tersebut tidak memiliki jenis hallucination yang sama seperti LLM generatif.

Secara praktis, model hanya dapat memilih nilai dari ruang keputusan yang diberikan developer.

Namun hal tersebut tidak berarti Jev selalu benar.

Model tetap dapat mengambil keputusan yang salah.

Perbedaannya adalah bentuk kesalahannya.

Jev tidak akan tiba-tiba membuat paragraf berisi fakta fiktif ketika aplikasi hanya memberikan empat pilihan.

Tetapi Jev tetap dapat memilih pilihan yang salah dengan tingkat confidence yang tinggi.

Karena itu, confidence dan calibration menjadi bagian penting dari desain Jev.

Jev Dibuat untuk Software, Bukan untuk Manusia

TypeSafe melihat AI sebagai komponen yang dapat ditanamkan langsung ke dalam sistem.

Model dapat digunakan untuk routing, triage, fraud detection, moderation, guardrails, pemeriksaan hasil LLM, model routing, dan berbagai workflow yang membutuhkan keputusan dengan ruang jawaban yang terbatas.

Dalam sebuah aplikasi, Jev dapat berfungsi di belakang layar tanpa pernah berinteraksi langsung dengan pengguna.

Pengguna mengirim permintaan.

Software memprosesnya.

Jev mengambil beberapa keputusan.

Software kemudian menentukan apa yang harus dilakukan berikutnya.

Tidak ada chatbot yang harus dibuka.

Tidak ada respons panjang yang harus dibaca.

AI bekerja sebagai bagian dari sistem.

Ini Membuat Jev Menarik untuk AI Agent

Konsep tersebut menjadi semakin relevan ketika AI agent mulai mengerjakan pekerjaan kompleks.

Sebuah agent harus membuat banyak keputusan sepanjang proses.

Apakah tool perlu digunakan?

Apakah hasil pencarian relevan?

Apakah sebuah tindakan harus dilakukan?

Apakah hasil sebuah tool valid?

Apakah agent harus meminta persetujuan?

Apakah sebuah pekerjaan perlu diteruskan kepada manusia?

Tidak semua keputusan tersebut membutuhkan model generatif besar.

Sebagian hanya membutuhkan sebuah keputusan yang jelas.

Jev mencoba menjadi lapisan yang menangani keputusan semacam itu.

Developer Tidak Harus Menggunakan Jev Sendirian

TypeSafe tidak memposisikan Jev sebagai pengganti seluruh model generatif.

Model generatif tetap dapat digunakan untuk pekerjaan yang membutuhkan reasoning terbuka, tulisan, coding, dan berbagai bentuk generasi.

Jev dapat menjadi bagian lain dari arsitektur.

Misalnya sebuah agent menggunakan model generatif untuk memahami tujuan pengguna.

Setelah itu Jev menangani sejumlah keputusan kecil di dalam workflow.

Ketika sistem sampai pada tahap yang membutuhkan kemampuan generasi atau reasoning kompleks, model generatif kembali digunakan.

Dengan pendekatan seperti ini, satu aplikasi dapat menggunakan lebih dari satu jenis intelligence.

Jev Saat Ini Masih Berada di Fase Awal

TypeSafe merilis Jev pada September 2026 setelah sekitar dua tahun berada dalam stealth.

Model pertamanya masih diberikan dalam status early access, sementara beberapa detail seperti arsitektur internal dan bobot model belum dipublikasikan secara terbuka.

TypeSafe lebih banyak menjelaskan bagaimana Jev digunakan daripada membuka seluruh detail teknis modelnya.

Hal tersebut membuat penilaian independen terhadap model masih menjadi bagian penting dari perkembangan Jev.

Beberapa benchmark pihak ketiga mulai bermunculan dan mencoba mengukur latency, biaya, accuracy, dan calibration menggunakan workflow mereka sendiri.

Hasilnya memberikan gambaran yang lebih beragam dibandingkan demonstrasi resmi TypeSafe.

Pertanyaan Besarnya Bukan Apakah Jev Lebih Pintar

Jev menarik justru karena TypeSafe tidak mencoba membuat satu model yang bisa melakukan semuanya.

Mereka mengambil masalah yang lebih kecil dan mencoba menyelesaikannya secara khusus.

Software membutuhkan keputusan.

Model generatif menghasilkan teks.

Jev mencoba mengisi ruang di antara keduanya dengan model yang memang dibuat untuk decision-making.

Pendekatan tersebut mungkin terdengar sederhana, tetapi kebutuhan terhadapnya semakin besar ketika aplikasi AI mulai menjalankan automation dalam skala besar.

Semakin banyak pekerjaan yang didelegasikan kepada AI, semakin banyak pula keputusan kecil yang harus dibuat sepanjang workflow.

Tidak semua keputusan membutuhkan model terbesar yang tersedia.

Sebagian hanya membutuhkan sistem yang cepat, terstruktur, dan dapat memberi tahu software seberapa yakin dirinya.

Dan itulah ide utama di balik Jev.

Bukan AI yang dibuat untuk berbicara dengan manusia, tetapi AI yang dibuat untuk bekerja di dalam software.