15 września 2026 roku firma TypeSafe AI pokazała model Jev — pierwszy z klasy nazwanej „System One Models". Jev nie pisze tekstu. Potrafi wyłącznie podjąć decyzję: wybrać jedną opcję z listy, ocenić coś w skali albo odpowiedzieć „tak/nie" z podanym prawdopodobieństwem. W zamian za rezygnację z generowania tekstu odpowiada w 70–500 milisekund i kosztuje 0,042 dolara za milion tokenów wejściowych, przy darmowym wyjściu.
Brzmi jak news dla ludzi od modeli. Jest to jednak news dla każdego, kto ma w firmie aplikację z funkcją AI — albo planuje taką zbudować. Bo istnieje spora szansa, że płacisz dziś za pisanie wypracowań w miejscu, w którym potrzebujesz tylko jednej odpowiedzi: „faktura czy umowa".
01 / ProblemWiększość „AI w firmie" to wcale nie jest pisanie
Przyjrzyj się, do czego firmy naprawdę używają modeli językowych w swoich systemach:
- Przypisanie przychodzącego zgłoszenia do właściwego działu.
- Rozpoznanie, czy załączony plik to faktura, umowa czy protokół odbioru.
- Ocena, czy zapytanie z formularza jest realne, czy to spam.
- Sprawdzenie, czy opis produktu nie łamie regulaminu.
- Nadanie priorytetu reklamacji na podstawie treści.
Ani jedna z tych czynności nie wymaga napisania zdania. Każda kończy się wyborem — jedną wartością, która steruje dalszą logiką programu. A mimo to obsługuje się je dziś dużymi modelami generatywnymi, które produkują tekst, z tekstu trzeba wyciągnąć decyzję, a przy okazji sprawdzić, czy model nie wymyślił kategorii, której nie ma w systemie.
To trochę jak zatrudnić tłumacza przysięgłego do przybicia pieczątki. Zrobi to, ale płacisz za kompetencje, których w tym zadaniu nie używasz.
02 / Jak działaNa czym polega „model, który tylko decyduje"
Różnica jest architektoniczna, nie kosmetyczna. Model językowy generuje odpowiedź token po tokenie, sekwencyjnie — dlatego im dłuższa odpowiedź, tym dłużej czekasz. Jev używa równoległego samplera: możliwe odpowiedzi są zdefiniowane z góry, a model wybiera spośród nich w jednym przebiegu.
Konsekwencja jest istotna praktycznie: zgodność ze schematem jest gwarantowana konstrukcyjnie, a nie wylosowana. Model nie może zwrócić kategorii spoza listy, bo fizycznie nie ma takiej możliwości — nie generuje tekstu, tylko wskazuje jedną z przygotowanych opcji.
TypeSafe udostępnia trzy prymitywy decyzyjne:
| Prymityw | Co robi | Przykład zastosowania |
|---|---|---|
| Choice | Wybiera jedną opcję z listy (do 255 pozycji), z prawdopodobieństwem dla każdej | Do którego działu trafia zgłoszenie |
| Score | Ocenia w uporządkowanej skali opisowej | Priorytet reklamacji: niski / średni / krytyczny |
| Noul | Odpowiada na pytanie zamknięte, zwracając prawdopodobieństwo „tak" | Czy ten dokument wymaga akceptacji księgowej |
Model trenowano metodą nazwaną przez TypeSafe RLCD — Reinforcement Learning for Calibrated Decisions. W odróżnieniu od uczenia pod ludzkie preferencje, optymalizuje się tu kalibrację prawdopodobieństw: gdy model mówi „85% pewności", ma to realnie oznaczać 85%. Dla systemu, który na tej podstawie decyduje, czy przepuścić sprawę automatycznie, czy skierować do człowieka, to kluczowa własność.
03 / LiczbySzybkość i koszt — i co się za nimi kryje
TypeSafe podaje, że na ich własnych przepływach Jev był 193,6 razy szybszy i 444,6 razy tańszy od modelu GPT-5.6 Terra. Te liczby wymagają jednak kilku zastrzeżeń i firma sama część z nich wymienia.
Benchmarki pochodzą z wewnętrznych testów TypeSafe, a scenariusze przygotował ich własny zespół. Odpowiedzi referencyjne uśredniono z dwóch innych modeli. Firma zaznacza, że spodziewa się, iż realne wyniki będą po niższej stronie tych wartości, oraz — co warto docenić za uczciwość — że nie jest w stanie udowodnić, że cena nie jest subsydiowana. Niezależne testy nie zostały jeszcze opublikowane.
Osobna sprawa to komunikat o „zerowych halucynacjach". Oznacza on dokładnie tyle, że wynik zawsze będzie pasował do schematu. Nie oznacza, że będzie poprawny. Model może z pełną pewnością wskazać złą kategorię — po prostu nie wymyśli kategorii nieistniejącej. To ważna, ale węższa gwarancja niż sugeruje hasło marketingowe.
Doniesienia branżowe wskazują też, że najmocniejsze modele generatywne zachowują na tych zadaniach niewielką przewagę dokładności. Warto zaznaczyć, że publikowane wyniki różnią się między źródłami, więc do czasu niezależnej weryfikacji traktowałbym każdą konkretną liczbę procentową ostrożnie.
04 / PraktykaCo to znaczy dla systemu w Twojej firmie
Najciekawsza konsekwencja nie dotyczy oszczędności na rachunku za API. Dotyczy tego, że zmienia się próg opłacalności automatyzacji.
Dopóki jedno wywołanie modelu kosztuje kilkadziesiąt groszy i trwa kilkanaście sekund, automatyzacja opłaca się przy dużych wolumenach i procesach, w których użytkownik może poczekać. Przy cenie liczonej w ułamkach grosza i odpowiedzi poniżej pół sekundy sensowne staje się coś innego: wpinanie decyzji w miejsca, w których do tej pory pisało się regułki albo zatrudniało człowieka.
Konkretne przykłady z systemów, które buduję:
- Biuro rachunkowe. Klient wrzuca dokument do panelu. Zamiast czekać kilkanaście sekund na klasyfikację, dostaje natychmiastową podpowiedź typu dokumentu — a przy niskiej pewności system prosi o potwierdzenie zamiast zgadywać.
- Obsługa zgłoszeń. Routing do właściwej osoby w momencie wysłania formularza, a nie w nocnym zadaniu wsadowym.
- Moderacja treści użytkowników. Sprawdzenie ogłoszenia przed publikacją, bez zauważalnego opóźnienia dla wystawiającego.
- Scoring leadów. Ocena zapytania z formularza w momencie wysłania, zanim trafi do handlowca.
- Walidacja danych wejściowych. Wyłapanie, że ktoś wpisał adres w polu nazwy firmy — tam, gdzie wyrażenie regularne nie wystarcza, a duży model byłby absurdalnie drogi.
Sprawdź, gdzie w kodzie odpowiedź z modelu AI trafia od razu do instrukcji warunkowej albo do pola słownikowego w bazie. Każde takie miejsce to decyzja przebrana za generowanie tekstu — i kandydat na model decyzyjny.
05 / OgraniczeniaCzego Jev nie zrobi i kiedy odradzam
Lista jest krótka, ale istotna.
- Nie napisze ani zdania. Podsumowania, odpowiedzi do klienta, opisy produktów, generowanie kodu — to nadal zadanie dla modeli generatywnych. Jev ich nie zastępuje, tylko przejmuje osobną warstwę.
- Nie wyjaśni swojej decyzji. Dostajesz wybór i prawdopodobieństwo, ale bez uzasadnienia w języku naturalnym. Przy procesach wymagających audytu albo uzasadnienia wobec klienta to realne ograniczenie.
- Maksymalnie 255 opcji w jednej decyzji. Dla większości zastosowań biznesowych w zupełności wystarczy, ale np. przy przypisywaniu do rozbudowanego drzewa kategorii trzeba to rozbić na etapy.
- Tylko hostowane API, dostęp we wczesnym etapie. Brak wag do pobrania, brak możliwości uruchomienia na własnej infrastrukturze. Jeśli masz wymóg trzymania danych u siebie — na dziś odpada.
- Uzależnienie od jednego dostawcy. Nowa firma, nowa kategoria produktu, cena, o której sama mówi, że mogła zostać ustawiona poniżej kosztów. Budowanie krytycznego procesu wyłącznie na tym byłoby dziś nieostrożne.
06 / RekomendacjaCo bym z tym zrobił na miejscu firmy
Nie przepisywałbym niczego, co działa. Ale zaprojektowałbym nowe wdrożenia tak, żeby warstwa decyzyjna była oddzielona od warstwy generującej tekst — nawet jeśli dziś jedno i drugie obsługuje ten sam model.
To nie jest praca pod Jev. To po prostu dobra architektura: decyzje wracają jako wartości ze zdefiniowanego zbioru, a nie jako tekst do parsowania. Wtedy podmiana dostawcy warstwy decyzyjnej — na Jev, na jego konkurenta albo z powrotem na duży model — sprowadza się do zmiany jednej implementacji, a nie do przepisywania połowy systemu.
Kategoria „System One Models" najprawdopodobniej się utrzyma, bo odpowiada na realną nieefektywność. Czy utrzyma się akurat Jev — na to jest o wiele za wcześnie. Pięć dni po premierze, bez niezależnych benchmarków i bez opcji samodzielnego hostowania, rozsądna postawa to zainteresowanie, a nie migracja.
07 / PodsumowanieJedno zdanie i jeden krok
Jev to model, który zrezygnował z pisania, żeby robić jedną rzecz szybko i tanio — podejmować typowane decyzje z kalibrowanym prawdopodobieństwem. Dla firm oznacza to, że automatyzacja decyzji w systemach przestaje być kosztowna, ale nie zwalnia z pytania, czy da się tę decyzję obronić przed audytorem i czy nie oddajesz krytycznego procesu jednemu dostawcy.
Jeśli masz system z funkcjami AI i zastanawiasz się, które fragmenty są w istocie decyzjami przebranymi za generowanie tekstu — napisz do mnie, przejdziemy to na bezpłatnej konsultacji. Zobacz też, jak podchodzę do automatyzacji procesów i systemów na zamówienie.
Stan na 20 września 2026. Wszystkie dane pochodzą z materiałów TypeSafe AI oraz relacji branżowych z premiery. Niezależne benchmarki nie zostały jeszcze opublikowane — do czasu ich pojawienia się podane liczby należy traktować jako deklaracje producenta.
Freelancer z Warszawy. Buduję szybkie strony, aplikacje webowe i systemy szyte na miarę - od projektu po wdrożenie. Zwolennik zasady „im mniej kodu, tym lepiej”.
