Dit comme ça, on pourrait presque croire qu’elle fait moins bien que ChatGPT, Claude ou Gemini.
En réalité, elle essaie de faire autre chose.
Ce qui m’intéresse chez Jev n’est pas tellement la démonstration où elle joue à Mario ou celle où elle intervient dans le pilotage d’un drone. Ces exemples attirent l’attention, mais le vrai sujet est ailleurs : que devient l’IA quand on arrête de lui demander de parler et qu’on l’utilise seulement pour prendre des décisions dans une application ?
C’est là que la vitesse et surtout le coût deviennent intéressants.
Une IA conçue pour décider
Jev a été lancée le 15 septembre 2026 par TypeSafe AI, fondée par Diogo Almeida, ancien chercheur d’OpenAI ayant travaillé sur les méthodes qui ont précédé ChatGPT.
TypeSafe la présente comme un « System One Model ».
Le principe est simple.
Un modèle conversationnel reçoit une instruction et génère une réponse en langage naturel. Jev fonctionne de manière plus contrainte : on lui fournit un contexte et des choix possibles, puis elle renvoie directement une décision et les probabilités associées.
Prenons un message reçu par un service client.
Un modèle généraliste pourrait analyser le message et expliquer qu’il s’agit probablement d’un problème de facturation urgent.
Dans beaucoup d’applications, cette phrase n’apporte rien.
Le logiciel veut simplement savoir :
- urgent ou non ;
- facturation, technique ou commercial ;
- traitement automatique ou intervention humaine.
C’est ce type de décision que Jev cherche à produire très rapidement.
Quand le volume change tout
C’est le point qui m’intéresse le plus.
Si vous interrogez une IA dix ou vingt fois par jour, quelques centimes d’écart entre deux modèles ne changent pas grand-chose.
Dans une application, on peut vite arriver à des centaines de milliers, voire des millions de décisions quotidiennes.
Prenons un cas simple : un logiciel doit prendre un million de petites décisions par jour et envoie environ 500 tokens de contexte à chaque fois.
Cela représente 500 millions de tokens d’entrée.
Avec le tarif actuellement affiché par TypeSafe — 42 dollars par milliard de tokens d’entrée, sans facturation de la sortie — on arrive à environ 21 dollars par jour, soit 630 dollars par mois.
Ce n’est qu’un ordre de grandeur. Un vrai produit aura des contextes plus ou moins longs, des volumes différents et toute une infrastructure autour.
Mais le changement d’échelle est facile à comprendre.
À dix décisions par jour, le prix unitaire compte peu.
À un million, il peut déterminer si une fonctionnalité est économiquement viable ou non.
Dans un produit, on n’a pas toujours besoin d’un chatbot
Prenons un site e-commerce.
Un visiteur cherche « une veste légère pour marcher sous la pluie, moins de 150 €, pas noire ».
Le site n’a pas forcément besoin de lui répondre avec un paragraphe. Il doit surtout comprendre les contraintes, décider quels produits correspondent le mieux et dans quel ordre les afficher.
Même logique dans une application métier.
Un dossier arrive. Le système doit décider s’il manque une pièce, s’il faut demander une validation, s’il existe une anomalie ou si le dossier peut passer à l’étape suivante.
Certaines de ces décisions se codent très bien avec des règles classiques. D’autres deviennent vite pénibles à formaliser parce qu’elles dépendent du contexte.
Une IA comme Jev peut venir se placer exactement là : entre les données disponibles et l’action que le logiciel doit prendre.
Je trouve cette logique bien plus intéressante que d’ajouter un bouton « Demander à l’IA » dans chaque outil.
Pour un salarié, l’IA pourrait devenir presque invisible
Quand on parle d’IA au travail, on pense encore souvent à un nouvel outil à ouvrir, un prompt à écrire ou un assistant avec lequel discuter.
Mais dans beaucoup de cas, l’utilisateur final n’a peut-être rien à apprendre.
Sa boîte mail peut simplement mieux distinguer ce qui doit être traité aujourd’hui de ce qui peut attendre.
Un CRM peut signaler les dossiers qui nécessitent un rappel.
Un formulaire de note de frais peut repérer qu’un justificatif manque.
Une demande interne peut être dirigée automatiquement vers la bonne équipe.
Le salarié ne « travaille » pas avec l’IA. Il utilise simplement un logiciel qui lui demande moins souvent de trier, classer ou vérifier des choses répétitives.
Pour beaucoup de salariés, l’IA la plus utile ne sera peut-être pas celle à qui l’on parle, mais celle qui évite cent petites décisions sans intérêt dans la journée.
Mario montre surtout comment Jev s’intègre dans un système
Les démonstrations comme Super Mario sont utiles parce qu’elles rendent le fonctionnement visible.
Dans le projet public autour de Mario, Jev ne joue pas comme un humain devant un écran. Le programme récupère l’état du jeu — position, ennemis, environnement, mouvement — puis Jev choisit parmi plusieurs actions possibles.
Le programme observe, Jev arbitre, le programme exécute.
Dans une expérimentation de drone sous MuJoCo, on retrouve la même séparation : Jev intervient au niveau tactique, tandis que les commandes rapides et les mécanismes de sécurité restent gérés par du code traditionnel.
C’est une nuance importante. Jev n’est pas un cerveau autonome auquel on confie tout le système.
Son intérêt est plus ciblé : intervenir là où une décision est trop contextuelle pour une simple règle, mais suffisamment encadrée pour qu’on puisse définir les choix possibles.
Une réponse structurée peut quand même être mauvaise
C’est aussi pour cela que je resterais prudent.
TypeSafe insiste sur le fait que Jev produit des sorties structurées. Elle ne va pas soudainement répondre avec un paragraphe alors que le logiciel attend une catégorie.
C’est utile, mais cela ne signifie pas qu’elle a toujours raison.
Elle peut choisir la mauvaise catégorie ou mal évaluer une situation.
Le travail de conception reste donc central.
Que fait le système lorsque sa confiance est faible ? Quelles décisions peuvent être automatisées et lesquelles doivent rester validées par une personne ?
Une IA comme Jev ne supprime pas ces arbitrages. Elle oblige au contraire à les rendre explicites.
Je la testerais aujourd’hui, mais pas encore au cœur d’un projet client
Jev est très récente.
Les chiffres communiqués par TypeSafe et les premiers volumes d’utilisation sont impressionnants, mais j’aurais besoin de davantage de recul avant d’en faire une brique centrale d’une application métier.
Je voudrais voir des tests sur le terrain, des retours après plusieurs mois, des cas d’échec documentés et des usages réellement exploités en production.
Aujourd’hui, je la testerais volontiers sur un prototype ou sur une fonction non critique.
Je ne construirais pas encore toute une architecture en partant du principe qu’elle tiendra toutes ses promesses.
C’est une règle assez simple avec les nouvelles technologies : une bonne démonstration donne envie d’essayer. Elle ne suffit pas à décider.
Pourquoi son nom est bien choisi
Jev fait référence à William Stanley Jevons et au paradoxe qui porte son nom.
En simplifiant beaucoup : lorsqu’une ressource devient plus efficace et moins chère, nous pouvons finir par l’utiliser davantage au lieu d’en consommer moins.
Appliqué à l’IA, le parallèle fonctionne bien.
Si une décision devient suffisamment rapide et peu coûteuse, on ne va pas uniquement économiser sur les usages existants. On va commencer à mettre de l’IA dans des endroits où cela n’aurait auparavant eu aucun sens économique.
Des recherches, des formulaires, des classements, des alertes, des parcours utilisateurs, des outils internes.
Des millions de petites décisions plutôt que quelques conversations spectaculaires.
Je ne sais pas encore si Jev deviendra une technologie importante ou simplement une très bonne idée arrivée au bon moment. Elle est trop récente pour le savoir.
Mais si les premiers résultats se confirment, c’est là que je regarderai : non pas ce qu’on arrivera à lui faire dire, mais toutes les petites décisions qu’on pourra enfin lui confier sans faire exploser le coût d’une application.
