Ex-OpenAI-onderzoeker lanceert Jev: AI-model zonder tekst dat ontwikkelaars verrast met snelheid en lage kosten

Geen taalmodel, maar een beslissingsmachine

Een nieuw AI-model van het bedrijf TypeSafe AI zorgt voor opvallend enthousiasme onder softwareontwikkelaars. Het model, genaamd Jev, wijkt fundamenteel af van bekende large language models (LLM's) zoals ChatGPT. In plaats van tekst te genereren, produceert Jev probabilistische uitkomsten — door het bedrijf 'calibrated decisions' genoemd. Dat maakt het volgens TypeSafe ongeschikt voor open gesprekken, maar juist zeer geschikt voor specifieke, afgebakende taken binnen software-automatisering.

Het model is transformer-based, net als de meeste huidige taalmodellen, maar wordt getraind op uitsluitend synthetische data via een techniek die oprichter Diogo Almeida 'reinforcement learning from calibrated decisions' noemt. Omdat gebruikers vooraf de mogelijke uitkomsten definiëren, kan Jev volgens het bedrijf niet hallucineren — een probleem waar LLM's nog altijd mee kampen. Dit werd op 18 september 2026 gemeld door TechCrunch-journalist Tim Fernholz.

Van OpenAI-onderzoeker tot eigen bedrijf

Almeida hielp bij OpenAI mee aan de ontwikkeling van ChatGPT en was medeontwikkelaar van reinforcement learning from human feedback (RLHF), een techniek die aan de basis ligt van vrijwel alle moderne taalmodellen. Twee jaar geleden richtte hij TypeSafe AI op, naar eigen zeggen uit teleurstelling dat taalmodellen ondanks hun kunnen niet praktisch genoeg zijn voor automatisering. Computers, zo stelde hij tegenover TechCrunch, 'spreken een andere taal' dan mensen.

Die frustratie leidde tot een radicaal andere aanpak: geen taal, maar getallen. Jev wordt door TypeSafe aangeduid als een 'System One'-model — verwijzend naar intuïtief, snel denken in plaats van stapsgewijze redenering. De naam Jev is een verwijzing naar de negentiende-eeuwse econoom William Stanley Jevons, bekend van de Jevons-paradox: het idee dat dalende kosten van een product juist tot toenemend gebruik leiden. Almeida hoopt op eenzelfde effect voor kunstmatige intelligentie.

Opvallend prijsmodel en grote vraag

Het prijsmodel van Jev wijkt sterk af van gangbare LLM's. Output-tokens zijn gratis; alleen input-tokens worden afgerekend, en dat gebeurt per miljard tokens in plaats van per miljoen zoals bij de meeste taalmodellen. Dat duidt op aanzienlijk lagere kosten per gebruik.

De vraag naar het model bleek zo groot dat TypeSafe tijdelijk geen API-toegang meer kon bieden aan nieuwe gebruikers. De precieze architectuur van Jev heeft het bedrijf niet openbaar gemaakt; externe waarnemers vermoeden dat het gebouwd is op een bestaand open-weight taalmodel.

Praktijkervaringen van ontwikkelaars

Bij infrastructuurbedrijf Vercel werd Jev ingezet als vervanger van een OpenAI-model dat fungeerde als veiligheidsclassifier voor commando's. Volgens software engineer Pranit Sharma leverde de overstap resultaten op die vijf tot achttien keer sneller waren, met hogere nauwkeurigheid.

Bij Bryo AI testte CTO Nikhil Mudholkar Jev tegen Google's Gemini voor het classificeren van zakelijke e-mails. Gemini bleek iets nauwkeuriger, maar tien tot twintig keer duurder. Mudholkar roemde vooral de betrouwbare probability-scores van Jev als geschikt voor het automatiseren van workflows.

Aanvulling op bestaande AI-modellen

Volgens Almeida kan Jev ook dienen als controlemechanisme naast LLM's, bijvoorbeeld om het gedrag van AI-agents te monitoren en jailbreaks te voorkomen. Armin Ronacher, CTO van Earendil en maker van de open source tool Pi, wijst op de mogelijkheid van 'model routing': bepalen welk AI-model een taak het beste kan uitvoeren — iets wat met dure taalmodellen onhaalbaar zou zijn, maar met de lage kosten en snelheid van Jev wel realistisch wordt.

Ronacher verwacht dat concurrenten met vergelijkbare modellen zullen volgen, nu het nut van dit type technologie duidelijk is geworden. Hij merkt op dat taalmodellen tot nu toe relatief goedkoop en gesubsidieerd waren, waardoor minder noodzaak bestond voor dit soort innovatie.

Vervolgstappen

Almeida noemt de keuze om volledig op eigen synthetische data te bouwen een van de beste beslissingen uit zijn carrière — belangrijker, zegt hij, dan de lancering van TypeSafe zelf of zijn werk aan RLHF. Naar eigen zeggen functioneert de helft van het bedrijf als een 'lab' gericht op statistisch onderbouwde synthetische data. TypeSafe wil meer versies van het model ontwikkelen, in nieuwe modaliteiten. Op de vraag of TypeSafe daarmee een 'frontier lab' is, gaf Almeida volgens het artikel geen afgerond antwoord.

Concrete cijfers over prijzen, omzet, gebruikersaantallen of investeerders zijn niet door het bedrijf bekendgemaakt.