L’essentiel
- TypeSafe AI a annoncé le 15 septembre 2026 une levée d’amorçage d’environ 40 millions de dollars menée par DCVC, et l’ouverture progressive de Jev, un modèle qui renvoie des probabilités au lieu de texte.
- Chez Vercel, le remplacement de ChatGPT Luna 5.6 par Jev sur un classificateur de sécurité a donné des résultats 5 à 18 fois plus rapides, avec une meilleure précision.
- Le tarif affiché est de 0,042 dollar par million de jetons d’entrée, les jetons de sortie sont gratuits, et l’entreprise annonce des réponses en 70 à 500 millisecondes.
Chez Vercel, un classificateur relisait chaque commande avant son exécution pour vérifier qu’elle ne présentait aucun danger. Il tournait sur ChatGPT Luna 5.6. L’équipe l’a débranché et a mis autre chose à la place.
Cette autre chose s’appelle Jev, et elle ne sait pas écrire une phrase.
Un modèle qui répond par une probabilité
Jev repose sur une architecture à base de transformeurs, mais ce n’est pas un modèle de langage : il ne produit aucun texte, seulement des distributions de probabilités que TypeSafe appelle des « décisions calibrées ». Le développeur déclare à l’avance les sorties possibles, le modèle se contente de les pondérer. Puisque rien n’est généré librement, l’entreprise avance qu’il ne peut pas halluciner.
TypeSafe AI a été fondée il y a deux ans par Diogo Almeida, passé chez OpenAI par ChatGPT puis par le RLHF (apprentissage par renforcement à partir de retours humains). L’entreprise a annoncé le 15 septembre 2026 une levée d’amorçage d’environ 40 millions de dollars menée par DCVC, et ouvre l’accès à Jev par étapes. Le diagnostic d’Almeida part d’une asymétrie : quatre ans passés à optimiser ces machines pour la langue humaine, alors que les logiciels qui les appellent attendent, eux, des valeurs et des seuils. Il affirme que Jev est entraîné exclusivement sur des données synthétiques, par une méthode qu’il nomme apprentissage par renforcement à partir de décisions calibrées. L’architecture exacte n’est pas documentée, et des observateurs extérieurs soupçonnent un modèle de langage à poids ouverts sous le capot.
Trois opérations, et des seuils qui restent dans votre code
L’interface se réduit à trois appels. Choice sélectionne une option parmi celles que vous avez listées et renvoie la distribution complète. Score note un contenu selon des niveaux fixés d’avance. Noul rend, entre zéro et un, la probabilité estimée qu’une proposition soit vraie, là où un booléen trancherait. Choice et Score s’accompagnent d’un indice de confiance, Noul non.
Le modèle reçoit un état, texte ou données structurées, puis plusieurs questions évaluées en parallèle contre ce même état. Un ticket de support peut ainsi être interrogé d’un seul coup sur son urgence, son service de destination et le degré d’insatisfaction qu’il exprime. Les seuils et les actions qui suivent, eux, restent dans votre code. « Le problème d’hallucination est un peu délégué à l’utilisateur », résume Armin Ronacher, directeur technique d’Earendil : à 50 % de probabilité, vous jouez à pile ou face et vous écartez la réponse ; à 95 %, vous en faites quelque chose.
Un contrôle de sécurité qui ne coûte presque plus rien
Le prix affiché est de 0,042 dollar par million de jetons d’entrée, soit 42 dollars le milliard, l’unité dans laquelle TypeSafe facture. La sortie ne coûte rien, faute de sortie au sens habituel. À ce niveau de facturation, un contrôle de sécurité n’a plus à être rationné : on peut en placer partout, sur des chemins de code où l’idée d’appeler un modèle aurait paru absurde il y a six mois.
Nikhil Mudholkar, directeur technique de Bryo AI, a opposé Jev à Gemini sur du classement d’e-mails professionnels : Gemini s’en tire légèrement mieux en précision, pour 10 à 20 fois plus cher. Il retient surtout la forme de la sortie, une probabilité qu’un automate exploite directement. Chez Vercel, Pranit Sharma mesure des résultats 5 à 18 fois plus rapides et plus précis que le modèle d’OpenAI qu’il a remplacé. La demande a brièvement mis l’API de TypeSafe à genoux.
Les chiffres de TypeSafe viennent de TypeSafe
L’entreprise revendique de 40 à 200 fois moins de latence sur certaines tâches, et met en avant des facteurs de 193,6 et 444,6 tirés de ses propres évaluations de workflows. Elle reconnaît elle-même que ces valeurs se situent probablement dans le haut de la fourchette. La démonstration comparative s’appuie sur une entrée courte, des questions écrites par l’équipe du modèle et des concurrents évalués avec les réglages de raisonnement choisis par leur fournisseur. Les latences ont été mesurées depuis la côte ouest américaine, où le service est installé : votre application européenne n’aura pas ces chiffres-là.
L’éditeur assume ses limites. Jev n’écrit ni e-mail, ni résumé, ni code. Une question qui suppose plusieurs étapes de raisonnement doit être découpée à la main. Quant à la démonstration du modèle jouant à Doom, elle repose sur une description structurée de l’état du jeu et non sur ses images : elle illustre une cadence de décision, pas une capacité de perception.
Douze mois avant la riposte des fournisseurs de LLM
D’ici la fin 2026, les équipes qui exploitent déjà des agents en production basculeront leurs classificateurs et leurs garde-fous : le gain se lit sur la facture du mois suivant, l’arbitrage le plus simple à défendre en interne. Au premier semestre 2027, le routage devrait devenir l’usage dominant, parce que choisir quel modèle traite quelle requête impose une décision par requête et que personne ne paiera un modèle de langage pour cet aiguillage. Les modèles de langage bon marché savent pourtant déjà rendre une sortie conforme à un schéma JSON, et leurs probabilités internes fournissent une mesure d’incertitude : simplement, cette confiance se déduit au lieu d’être optimisée. Un grand fournisseur peut donc exposer un mode décision calibré sur son API existante, sortie gratuite comprise. Ronacher s’y attend, et observe que l’abondance de modèles de langage bon marché, souvent subventionnés, a sans doute bridé l’imagination jusqu’ici.
La calibration, elle, se vérifie rarement. Un modèle qui annonce 0,9 doit se tromper une fois sur dix, pas une fois sur trois. Mesurez cet écart sur vos propres données avant de câbler un seuil dans un chemin critique, et refaites la mesure sur un domaine que TypeSafe n’a pas choisi.
Le modèle porte le nom de William Stanley Jevons, qui observait au XIXe siècle que l’amélioration du rendement du charbon n’en avait pas réduit la consommation : elle l’avait multipliée. Si Almeida voit juste, aucune entreprise n’économisera sur l’intelligence embarquée dans ses logiciels. Elle en mettra là où personne n’aurait songé à en mettre.
Mon avis
Le risque change d’adresse : il quitte le modèle pour une décision d’ingénierie que personne ne documentera, trancher qu’une probabilité de 0,78 suffit à laisser passer une commande. À quelques centimes le million de jetons, ces seuils vont proliférer dans les bases de code aussi vite que les appels, et j’attends d’ici deux ans les premiers incidents de production causés non par une hallucination, mais par une valeur posée au jugé un vendredi soir. L’avance de TypeSafe se compte en mois : dès qu’OpenAI ou Google exposeront une sortie calibrée sur leur API existante, l’argument du prix s’évapore. Il faudra alors que la calibration de Jev soit démontrablement meilleure, pas seulement moins chère.
Sources
Ils m’ont fait confiance
« Il ne se contente pas de corriger les symptômes, il cherche à comprendre l'origine des problèmes et à sécuriser les modifications effectuées. J'ai réellement le sentiment d'avoir trouvé un développeur qui comprend à la fois la technique et les enjeux globaux du projet. »
Évaluation client · projet WordPress · septembre 2026
5,0/5 sur 16 évaluations
Faire appel à mes services →
