TypeSafe AI i Jev: model decyzyjny za 870 mln dolarów

Wyobraź sobie model AI, który nie pisze tekstów, nie tłumaczy języków i nie prowadzi rozmów. Zamiast tego odpowiada na jedno wąskie pytanie: szybko i niezawodnie. Właśnie na takim założeniu zbudowano Jev – flagowy produkt firmy TypeSafe AI, która 9 października 2026 roku ogłosiła zamknięcie rundy Series A o wartości 870 milionów dolarów przy wycenie 7,5 miliarda. To jeden z najbardziej agresywnych wzrostów wyceny w historii startupów AI – zaledwie 24 dni wcześniej, przy okazji premiery Jev, firma zebrała 40 milionów w rundzie seed przy wycenie 200 milionów.

Rundę poprowadził Andreessen Horowitz, a udział wzięły Sequoia Capital oraz dotychczasowy inwestor DCVC. Do zarządu dołączył Martin Casado jako general partner a16z. Inwestycja nie opiera się jednak wyłącznie na obietnicach technologicznych – za nią stoją konkretne dane adopcyjne, które pojawiły się w ciągu pierwszych tygodni po premierze modelu.

Czym jest Jev i jak działa model czysto decyzyjny

Jev trafił do wczesnego dostępu 15 września 2026 roku i należy do kategorii, którą TypeSafe nazywa „System One Models”. Nazwa nawiązuje wprost do koncepcji psychologa Daniela Kahnemana, opisującej szybkie, automatyczne poznanie – w przeciwieństwie do wolnego, deliberatywnego myślenia określanego jako System Two. Jev ma działać jak ludzka szybka kognicja w rutynowych sytuacjach: błyskawicznie, automatycznie, na dobrze zdefiniowanych danych wejściowych.

Model nie generuje żadnego tekstu w języku naturalnym. Zwraca wyłącznie typowane, probabilistyczne decyzje w ramach trzech prymitywów:

Noul – odpowiedź tak lub nie wraz z oceną prawdopodobieństwa,
Choice – wybór jednej opcji z listy dostarczonej przez programistę,
Score – ocena liczbowa, której znaczenie i skalę definiuje aplikacja.

Każda odpowiedź zawiera skalibrowane prawdopodobieństwo pewności. Kalibracja oznacza, że deklarowana pewność modelu odpowiada rzeczywistej częstotliwości trafnych odpowiedzi – jeśli Jev zwraca 0,8, powinien mieć rację mniej więcej w 80 procentach przypadków tej klasy. Dzięki temu kod może automatycznie rozgałęziać działania: realizować odpowiedzi o wysokiej pewności, a te o niskiej weryfikować lub eskalować.

Odporność na halucynacje – z zastrzeżeniem

TypeSafe argumentuje, że taka konstrukcja czyni model odpornym na halucynacje w praktycznym sensie – Jev nie może zwrócić nieprawidłowego formatu wyjścia. Istnieje jednak istotne zastrzeżenie: model wciąż może zwrócić błędną, choć poprawną formalnie wartość. Armin Ronacher, CTO firmy Earendil, ujął ten kompromis jako „przeniesienie problemu halucynacji częściowo na użytkownika” – programista musi weryfikować wyniki Jev względem oznaczonych danych, aby ustalić właściwe progi pewności.

Okno kontekstowe modelu wynosi 32 000 tokenów, a dane wejściowe przyjmowane są jako obiekt JSON lub zwykły ciąg znaków. Cena to 0,042 dolara za milion tokenów wejściowych, przy czym tokeny wyjściowe są obecnie bezpłatne – nietypowa struktura dla API modelu, możliwa dzięki temu, że odpowiedzi Jev są z natury kompaktowe: jedna klasa tokenu i prawdopodobieństwo zamiast generowanej sekwencji tekstu.

Twórca RLHF buduje alternatywę od podstaw

Diogo Almeida, CEO i współzałożyciel TypeSafe, ma nietypowe jak na krytyka dominującego paradygmatu AI doświadczenie – sam pomagał go tworzyć. Przez lata pracował w OpenAI jako badacz, gdzie współtworzył InstructGPT, ChatGPT oraz GPT-4, a także uczestniczył w opracowaniu uczenia ze wzmocnieniem na podstawie informacji zwrotnej od ludzi (RLHF) – metody treningowej leżącej u podstaw niemal każdego produkcyjnego dużego modelu językowego. Wcześniej pracował także w Google Brain.

InstructGPT, opublikowany w 2022 roku, połączył dane o preferencjach ludzi z uczeniem ze wzmocnieniem, aby dostroić GPT-3 do wykonywania instrukcji zamiast prostego dokańczania tekstu. Metoda ta dała modele angażujące, wiarygodne i preferowane przez ludzkich oceniających – co zdaniem Almeidy czyni je jednocześnie niewłaściwym narzędziem do zautomatyzowanych pipeline’ów.

Modele trenowane na ludzkich preferencjach nie są użyteczne do automatyzacji, ponieważ komputery mówią innym językiem.

W wywiadzie dla TechCrunch przy okazji premiery Almeida przekonywał, że optymalizacja konwersacyjna, która sprawia, iż ChatGPT brzmi naturalnie dla człowieka, jest w dużej mierze nieistotna, gdy AI działa wewnątrz oprogramowania bez udziału człowieka. Jak mówił, TypeSafe powstało, aby podążać alternatywną ścieżką badań nad AI, skupioną na „AI natywnej dla maszyn”, a docelową wizją Jev jest AI cicho zasilająca produkty i systemy – „oprogramowanie, o którym się nie myślisz”.

RLCD zamiast RLHF

Jev wytrenowano w całości na danych syntetycznych przy użyciu autorskiej metody Reinforcement Learning for Calibrated Decisions (RLCD). Tam, gdzie RLHF nagradza model za odpowiedzi preferowane przez ludzi, RLCD nagradza deklarowane prawdopodobieństwa zgodne z rzeczywistą częstotliwością trafień. Firma zbudowała również od podstaw nową architekturę modelu oraz nowy sampler tokenów, odchodząc od podejścia opartego na dostrajaniu transformera, które leży u podstaw większości komercyjnych modeli.

Almeida współzałożył TypeSafe w 2024 roku wraz z CTO Erikiem Gafnim, wcześniej związanym z firmami genomicznymi Invitae i Freenome, oraz COO Sashą Sheng, byłą inżynierką badawczą Meta i Meta AI. Firma spędziła dwa lata w trybie stealth przed wrześniowym debiutem.

Vercel: najszybsza adopcja modelu w historii gatewaya

Harmonogram finansowania TypeSafe – od seed do 7,5 miliarda w 24 dni – nie wynikał przede wszystkim z argumentów technicznych, lecz z danych adopcyjnych po premierze Jev. W ciągu 24 godzin od udostępnienia modelu w AI Gateway firmy Vercel dotarł on do około 13 procent płacących zespołów na platformie. Vercel określił to jako najszybszą pierwszodniową adopcję dowolnego modelu w historii gatewaya – około dwukrotnie wyższą niż rodzina GPT-5.6 od OpenAI i ponad sześciokrotnie wyższą niż Fable 5.1 od Anthropic w analogicznym punkcie. Do 25 września 2026 roku Vercel oferował Jev bezpłatnie.

Inżynierowie Vercel, którzy zastąpili istniejący klasyfikator bezpieczeństwa LLM – wcześniej działający na OpenAI Luna 5.6 – modelem Jev, odnotowali, że etap klasyfikacji działał od pięciu do osiemnastu razy szybciej przy porównywalnej dokładności. LangChain zintegrował Jev jako opcjonalną warstwę routingu w funkcji AutoMode. TypeSafe raportowało, że w ciągu tygodnia od premiery Jev przetwarzał około biliona tokenów dziennie, a około jedna trzecia firm z listy Fortune 500 miała przyjąć model – obie liczby to twierdzenia firmy, które nie zostały niezależnie zweryfikowane.

Niezależne opinie programistów wskazywały na realne, ale skromniejsze zyski niż nagłówkowe benchmarki TypeSafe. Analiza OpenChamber obejmująca 12 759 tweetów z premiery wykazała medianę przyspieszenia raportowaną przez użytkowników na poziomie 7x – znacznie poniżej nagłówkowego twierdzenia TypeSafe o 193,6x – przy medianie oszczędności kosztów około 30x i medianie opóźnienia end-to-end wynoszącej 76 milisekund. Własne benchmarki TypeSafe porównują Jev z czołowymi generatywnymi LLM-ami – modelami zaprojektowanymi do fundamentalnie innego zadania – co zdaniem krytyków czyni porównanie korzystnym, ale nie do końca uczciwym.

TypeSafe podchodzi do jednego z największych pozostałych wyzwań w AI: zamiany coraz bardziej zdolnych modeli w technologię, którą programiści mogą niezawodnie wbudowywać w produkty na skalę.

Tak ujął szansę komercyjną TypeSafe James Hardiman, general partner DCVC, którego firma prowadziła rundę seed.

Dlaczego agentowe pipeline’y potrzebują dedykowanej warstwy decyzyjnej

Logika inwestorów stojąca za 870 milionami wiąże się bezpośrednio ze zmianą sposobu wdrażania AI w skali przedsiębiorstw. Gdy organizacje przechodzą od interfejsów czatbotowych opartych na pojedynczym modelu do wieloetapowych pipeline’ów agentowych – gdzie sekwencja wywołań AI planuje zadanie, kieruje dane wejściowe, wywołuje narzędzia, ocenia opcje i wykonuje działania – ekonomia każdego pojedynczego wywołania modelu zaczyna mieć znaczenie.

W typowym przepływie agentowym pipeline może wykonać dziesiątki wywołań modelu, zanim zrealizuje pojedyncze żądanie użytkownika: klasyfikację danych, skierowanie ich do właściwego handlera, sprawdzenie bezpieczeństwa wygenerowanego wyniku, ocenę pilności kolejnego działania, decyzję o przekroczeniu progu pewności przed nieodwracalnym krokiem. Używanie do każdego z tych wywołań czołowego LLM-a – w cenie dwóch lub więcej dolarów za milion tokenów wejściowych i z opóźnieniem rzędu sekund – szybko staje się nieopłacalne na skalę.

To otwiera przestrzeń architektoniczną dla klasy modeli obsługujących ograniczone, powtarzalne wywołania klasyfikacyjne i routingowe tanio i szybko, przy zachowaniu pełnej zdolności generatywnej dla zadań, które jej naprawdę wymagają: pisania tekstu, rozumowania nad niejednoznacznymi danymi czy generowania kodu. Logika odzwierciedla dwuprocesową architekturę poznawczą, która zainspirowała nazwę produktu – szybkie automatyczne decyzje obsługiwane przez jeden system, wolne deliberatywne rozumowanie przez drugi.

Zastosowania i ograniczenia Jev

TypeSafe wskazuje dla Jev takie przypadki użycia jak weryfikacja wywołań narzędzi przez agenta, bariery bezpieczeństwa, ocena istotności alertów cyberbezpieczeństwa, triage zgłoszeń wsparcia, wykrywanie oszustw oraz ocena typu model-as-a-judge wewnątrz systemów RAG. CTO firmy Bryo AI, testujący Jev na klasyfikacji e-maili, stwierdził, że Gemini był nieco dokładniejszy, ale od 10 do 20 razy droższy – kompromis przemawiający za Jev w pipeline’ach o dużym wolumenie i wrażliwych na koszty, gdzie cele dokładności są osiągalne przez progowanie pewności.

Programiści i operatorzy powinni jednak pamiętać o udokumentowanych ograniczeniach Jev w wersji 1.13: zawodne liczenie, zawodna arytmetyka, zawodne porównywanie dat oraz spadek dokładności przy dużych, zaszumionych danych wejściowych. TypeSafe zaleca przypinanie konkretnej wersji (np. jev-1.13.0 zamiast zmiennego aliasu) oraz pozostawianie operacji matematycznych w kodzie aplikacji, a nie delegowanie ich do modelu.

OpenAI odpowiedziało własnym API decyzyjnym

Szybkość reakcji konkurencji okazała się najbardziej charakterystyczną cechą pierwszego miesiąca Jev. OpenAI zapowiedziało Decisions API na swoim DevDay 29 września 2026 roku, a publiczną betę uruchomiło 6 października – dzień przed ogłoszeniem rundy Series A TypeSafe. Endpoint /v1/decisions oparty jest na GPT-6 Luna i zwraca te same trzy kategorie wyjścia co Jev: predykaty (prawdopodobieństwo prawdziwości stwierdzenia), wybory (jedna opcja ze stałego zbioru) oraz oceny (wartość ważona prawdopodobieństwem). OpenAI wycenia endpoint na 0,10 dolara za milion tokenów wejściowych – około 2,4 razy więcej niż Jev – i obsługuje obrazy wejściowe w formacie base64, czego Jev jeszcze nie oferuje.

Doniesienia wskazywały, że Microsoft uruchomił konkurencyjny produkt – Microsoft-Decision-1, oparty według raportów na Qwen3.5-9B, otwartym modelu z chińskiego laboratorium AI – w dopasowanej cenie 0,042 dolara za milion tokenów wejściowych 9 października, tego samego dnia co Series A TypeSafe. Snowflake udostępnił Snowflake Decision w prywatnej wersji preview przez Cortex AI Functions, celując w klasyfikację, ocenianie i routing wewnątrz zarządzanych przepływów danych przedsiębiorstwa. Raporty wskazywały również na konkurencyjne produkty modeli decyzyjnych od innych dużych dostawców infrastruktury w tygodniach po debiucie Jev.

TypeSafe nie ujawniło publicznie pełnych szczegółów architektury Jev, a nagłówkowe benchmarki wydajności porównują model z czołowymi generatywnymi LLM-ami na zadaniach klasyfikacyjnych – co krytycy uznają za porównanie nie do końca sprawiedliwe, ponieważ modele te zaprojektowano do fundamentalnie różnych celów. Wycena 7,5 miliarda dla firmy 24 dni po wyjściu z trybu stealth jest według większości miar na agresywnym końcu cen startupów AI. Czy odzwierciedla trwałe utrzymanie klientów w przedsiębiorstwach i mierzalne oszczędności, czy wczesny szczyt entuzjazmu dla nieudowodnionej kategorii architektonicznej – stanie się jaśniejsze, gdy pojawią się październikowe dane użycia, a klienci wyjdą poza okresy bezpłatnego dostępu, które napędzały początkową adopcję.

Co TypeSafe zbuduje za 870 milionów dolarów

Firma zapowiada, że kapitał z Series A posłuży do rozszerzenia serii System One o kolejne modele poza Jev oraz do budowy bliżej nieokreślonych „funkcji enterprise”, które mają uczynić duże wdrożenia organizacyjne bardziej praktycznymi.

Almeida wskazał, że Jev zostanie rozszerzony poza tekst – potencjalnie na obrazy, dźwięk, wideo i dane z czujników – stosując ten sam interfejs typowanych decyzji do bogatszych typów danych, z którymi coraz częściej stykają się systemy agentowe. Szersza roadmapa, jak ją opisuje, to przyszłość „programowania probabilistycznego”, w której niezawodne, natywne dla maszyn decyzje AI są tak komponowalne i godne zaufania jak każdy inny prymityw oprogramowania – infrastruktura, przeciwko której programiści piszą kod z taką pewnością jak wobec bazy danych czy usługi logowania.

Kluczowe pytanie brzmi teraz: czy Jev utrzyma pozycję, gdy ustalone firmy z nieporównywalnie większymi zasobami wdrażają konkurencyjne produkty w cenach równych lub niższych. Odpowiedź na to pytanie będzie głównym celem, na który TypeSafe przeznaczy swoje 870 milionów dolarów.