--- title: "Jev AI im Test: Entscheidungsmodelle für Agenten" canonical: https://wavect.io/de/blog/jev-ai-decision-model-review/ language: de description: "Jev AI im Test: So liefert TypeSafes Entscheidungsmodell typisierte Wahrscheinlichkeiten für Routing, Agentensteuerung und begrenzte Automatisierung." image: "https://wavect.io/img/blog/headers/header_jev-ai-decision-model-review.png" --- [**Zurück**](/de/blog/overview/) [![Kevin Riedl](/img/team/kevin.webp)](/de/team/kevin-riedl/) [Kevin Riedl](/de/team/kevin-riedl/) https://linkedin.com/in/wsdt 15 Min. Lesezeit · 18. Sep. 2026 Zuletzt geprüft 18. September 2026 [**Weiter**](/de/blog/ai-agent-design-patterns/) # Jev AI im Test: Entscheidungsmodelle für Agenten TL;DR Jev wandelt Anwendungszustand und typisierte Fragen in begrenzte Auswahlen, Scores, Wahrscheinlichkeiten und Konfidenzwerte um. Es kann LLM-Aufrufe ersetzen, die nur zum Routen, Priorisieren, Wiederholen oder Eskalieren dienen, während Arithmetik, Berechtigungen und Seiteneffekte im Code bleiben. TypeSafes Latenz- und Kostenmultiplikatoren sind Anbieterergebnisse; Produktionsteams sollten deshalb eine Version fixieren, Schwellenwerte mit eigenen Daten kalibrieren, im Shadow Mode starten und deterministische Fallbacks behalten. **Jev ist ein KI-Modell für maschinenlesbare Entscheidungen, nicht für menschenlesbare Prosa.** Es erhält Anwendungszustand plus klar definierte Fragen und liefert typisierte Auswahlwerte, Scores, Wahrscheinlichkeiten und Konfidenzwerte zurück. Damit eignet es sich potenziell für die interne Steuerung eines Agenten: zuerst routen, priorisieren, wiederholen, eskalieren oder stoppen; ein Sprachmodell formuliert nur dann, wenn tatsächlich Sprache gebraucht wird. **Recherchestand: 18. September 2026.** Dies ist eine Dokumentations- und Architekturanalyse zu Jev 1.13, kein unabhängiger Latenztest und keine Produktionsreferenz. TypeSafe veröffentlichte Jev am 15. September 2026 im Early Access und bezeichnet es als erstes öffentliches System-One-Modell. [TypeSafes Launch-Artikel zu Jev](https://typesafe.ai/blog/introducing-system-one-models-and-jev) Diese Seite besitzt eine eng begrenzte Suchintention: **Was ist Jev, wie funktioniert seine Entscheidungsschnittstelle und wo passt sie in Produktionssoftware?** Für den Kategorienvergleich von Gateways und Routern dient unser [Leitfaden zu LLM-Gateways und Routern](/de/blog/llm-gateway-router-comparison-2026/). Für Routing pro Turn in Coding-Agenten gibt es die [Analyse zu NeMo Switchyard](/de/blog/nemo-switchyard-model-router/). Das sind benachbarte Architekturen, aber keine Synonyme für Jev. ## Was ist Jev und wer hat es entwickelt? Jev ist das erste öffentlich verfügbare Entscheidungsmodell von TypeSafe. Das Unternehmen positioniert es als Inferenzschicht mit niedriger Latenz für Urteile, die Software direkt verarbeiten kann. Statt eine Textantwort zu erzeugen und daraus anschließend eine Route zu extrahieren, bewertet Jev eine geschlossene Frage wie „Welcher Handler soll diese Anfrage bearbeiten?“ und liefert eine der vorgegebenen Optionen samt Wahrscheinlichkeitsverteilung. Die verbreitete Beschreibung, Jev stamme von „dem Mit-Erfinder von ChatGPT“, ist zu pauschal. Laut Gründerprofil von TypeSafe war Diogo Almeida an der Erfindung von RLHF und InstructGPT beteiligt, also an Methoden, die zu ChatGPT und GPT-4 führten. Der Launch-Artikel beschreibt seine frühere OpenAI-Arbeit als Beitrag zur Forschung hinter ChatGPT. Das ist relevante Herkunft, aber nicht gleichbedeutend mit der Erfindung des gesamten ChatGPT-Produkts. [TypeSafes Teamprofil](https://typesafe.ai/team) ## Wie macht Jev aus Zustand typisierte Entscheidungen? Eine Anfrage besteht konzeptionell aus zwei Teilen: **State** enthält die relevanten Anwendungsdaten, **Questions** definieren die zu treffenden Urteile. Laut TypeSafe werden die Fragen unabhängig und parallel gegen denselben Zustand ausgewertet. Das Ergebnis sind strukturierte Daten, die Code vergleichen, sortieren, mit Schwellenwerten versehen oder routen kann, ohne Werte aus Prosa zurückzugewinnen. [TypeSafes Einführung zu Jev](https://docs.typesafe.ai/introduction) Jev stellt drei Fragetypen bereit. Das Ausgabeschema bleibt auf die vom Entwickler deklarierten Werte begrenzt. Begrenzte Ausgabe bedeutet jedoch nicht, dass das Urteil unfehlbar ist. | Primitiv | Frageform | Rückgabe | Sinnvoller Einsatz | | --- | --- | --- | --- | | Choice | Eine deklarierte Option wählen | Auswahl, vollständige Wahrscheinlichkeiten und Konfidenz | Anfrage an Code, Spezialmodell oder Mensch routen | | Score | Zustand auf einer definierten Skala einordnen | Score, Level-Wahrscheinlichkeiten und Konfidenz | Dringlichkeit, Qualität oder Prüfpriorität bewerten | | Noul | Ja-Nein-Aussage bewerten | Wahrscheinlichkeit für „Ja“ | Verzweigung wie „enthält Rückerstattungswunsch“ steuern | Die [offizielle Referenz der Primitive](https://docs.typesafe.ai/primitives) betont atomare Fragen und Komposition im Code. Eine breite Frage wie „Ist dieser Trade sicher?“ verbirgt Markt-, Regel-, Risiko-, Zeit- und Ausführungsurteile hinter einem einzigen Wert. Ein belastbareres Design zerlegt diese Aspekte, lässt Arithmetik und Invarianten im Code und nutzt Jev nur dort, wo tatsächlich semantisches Urteil nötig ist. ## Jev im Vergleich zu LLM und deterministischem Code Jev ist nicht einfach ein Chatmodell mit JSON-Modus. Ein klassisches LLM erzeugt weiterhin eine Tokenfolge, auch wenn ein Schema die endgültige Ausgabe einschränkt. Jev ist um deklarierte Entscheidungen und Wahrscheinlichkeitsverteilungen gebaut. Der praktische Vorteil ist nicht schöneres JSON, sondern ein engerer Vertrag zwischen probabilistischer Inferenz und normaler Software. | Komponente | Stark bei | Nicht delegieren | | --- | --- | --- | | Deterministischer Code | Arithmetik, Berechtigungen, Limits, Datumslogik, Zustandsübergänge und Seiteneffekte | Mehrdeutige semantische Klassifikation, die sich als Regelwerk nicht sinnvoll warten lässt | | Jev | Begrenzte Auswahlen, Scores und Ja-Nein-Urteile über bereitgestellten Zustand | Nutzertexte, exakte Berechnungen, offene Planung oder finale Autorisierung | | Sprachmodell | Erklärung, Synthese, Entwurf, Dialog und offene Schlussfolgerung | Unbeaufsichtigte Befugnis über folgenreiche Seiteneffekte | Die aktuelle Modellseite nennt `jev-1.13.0`, 64k Kontext pro Anfrage mit einem 32k-Budget für State plus längste Frage, ausschließlich Texteingabe sowie einen Preis von 0,042 US-Dollar pro Million Input-Token bei kostenlosen Output-Token. Englisch ist die primäre Trainingssprache; andere Sprachen müssen für den konkreten Einsatz separat evaluiert werden. Der bewegliche Alias `jev-latest` kann sich hinter einer Anwendung ändern. Ein Produktionspilot sollte daher die tatsächlich gelieferte Version protokollieren und bei versionabhängigen Schwellenwerten ein getestetes Modell fixieren. [TypeSafes aktuelle Modellreferenz](https://docs.typesafe.ai/models) ## Wie kann Jev Anfragen zwischen LLMs routen? Modell-Routing ist ein naheliegender neuer Anwendungsfall, weil ein Router meist ein kompaktes Urteil statt einer ausgearbeiteten Antwort braucht. Eine sinnvolle Routenauswahl könnte `deterministic_code`, `fast_llm`, `reasoning_llm` und `human_review` enthalten. Harte Grenzen wie verbotene Datenklassen, Kontextgröße, Provider-Verfügbarkeit und Budget bleiben im Code. Jev übernimmt den semantischen Teil: Welche Art von Arbeit scheint die Anfrage zu benötigen? Das folgende Beispiel orientiert sich an der aktuellen Python-SDK-Struktur und fixiert bewusst die geprüfte Version. Es ist eine Architekturskizze, keine fertige Produktionsrichtlinie. ``` from typesafe_sdk import Choice, Noul, TypeSafeClient ROUTE_CONFIDENCE = { "deterministic_code": 0.90, "fast_llm": 0.80, "reasoning_llm": 0.75, "human_review": 0.00, } def choose_handler(request: str, risk_class: str) -> str: # Hard policy belongs in code, before probabilistic routing. if risk_class == "prohibited": return "reject" with TypeSafeClient(model="jev-1.13.0") as client: response = client.system_one( state={"request": request, "risk_class": risk_class}, questions={ "route": Choice( instructions="Which handler should process `request`?", criteria={ "deterministic_code": "A fixed lookup, rule or calculation is sufficient", "fast_llm": "Short language generation with limited reasoning", "reasoning_llm": "Multi-step interpretation or synthesis is required", "human_review": "Ambiguous, sensitive or outside the declared routes", }, ), "needs_current_sources": Noul( instructions="Does `request` require information that may have changed recently?" ), }, ) route = response.answers["route"] minimum = ROUTE_CONFIDENCE[route.choice] if route.confidence < minimum: return "human_review" return route.choice ``` Der SDK-Quickstart dokumentiert die hier verwendete Schnittstelle aus `state`, typisierten Fragen und `response.answers`. [TypeSafes Python-Quickstart](https://docs.typesafe.ai/introduction/quickstart) Der separate Leitfaden zur Konfidenz erklärt, dass die Konfidenz bei Choice und Score aus der Form der Wahrscheinlichkeitsverteilung abgeleitet wird. Sie ist kein Beweis dafür, dass die gewählte Route korrekt ist. Schwellenwerte müssen mit repräsentativen Daten und anhand der Folgen einer Fehlroute kalibriert werden. [TypeSafes Konfidenzreferenz](https://docs.typesafe.ai/confidence) TypeSafes eigenes Intent-Routing-Muster setzt das Modell vor deterministische Logik, spezialisierte LLMs und menschliche Prüfung. Genau so sollte man Jev verstehen: Es wählt einen begrenzten Handler; dieser bleibt für Berechtigungen, Validierung und Ausgabequalität verantwortlich. [TypeSafes Intent-Routing-Muster](https://docs.typesafe.ai/patterns/intent-routing) ## Welche Agentenschritte sollten Entscheidungen statt Prompts werden? Viele Agenten-Workflows verwenden für jeden internen Schritt ein Sprachmodell, weil eine einzige Schnittstelle bequem ist. Diese Bequemlichkeit erzeugt vermeidbare Latenz, Output-Token, Parsing, Wiederholungen und zusätzliche Stellen, an denen Prosa vom Steuerungsvertrag abweichen kann. Die bessere Frage lautet: Entsteht Sprache für einen Menschen oder ein begrenztes Signal für Software? | Workflow-Schritt | Jev kann liefern | Code muss behalten | LLM nutzen für | | --- | --- | --- | --- | | Routen | Intent, Komplexitäts- oder Risikoklasse | Erlaubte Ziele, Quoten und Provider-Zustand | Die gewählte Spezialaufgabe | | Freigeben | Empfehlung oder semantischen Richtlinienabgleich | Autorisierung, Limits, Datensatzversion und finalen Commit | Erklärung für die prüfende Person | | Priorisieren | Rubrik-Scores oder paarweise Relevanz | Stabile Sortierung, Gleichstandsregeln und Pflichtinhalte | Zusammenfassungen der sortierten Elemente | | Wiederholen oder stoppen | Ob das letzte Ergebnis unvollständig oder am Ziel vorbei wirkt | Retry-Limits, Idempotenz und Timeout-Zustand | Überarbeitete Antwort, wenn eine weitere Generierung begründet ist | | Eskalieren | Mehrdeutigkeit, Sensibilität oder Ausnahme-Wahrscheinlichkeit | Eskalationsregel und Zugriffskontrolle | Kompakte Fallzusammenfassung für Menschen | TypeSafes Entwicklungsleitfaden empfiehlt, deterministische Arbeit im Code zu lassen, schmale atomare Fragen zu stellen, nur relevanten Zustand zu senden und Unsicherheit an Menschen oder ein teureres Reasoning-Modell weiterzugeben. Das ermöglicht einen besser steuerbaren Agenten, aber keinen magisch deterministischen. Die Schnittstelle ist typisiert; das Urteil bleibt probabilistisch. [TypeSafes Leitfaden für Entscheidungs-Workflows](https://docs.typesafe.ai/concepts/how-to-build-with-system-one) Unser [Leitfaden zu KI-Agenten-Designmustern](/de/blog/ai-agent-design-patterns/) hilft bei der Wahl zwischen Single-Shot, ReAct, Planner-Executor, Reflexion und unabhängiger Verifikation. Mit dem [Kostenmodell pro Agentenaktion](/de/blog/ai-agent-cost-per-action-2026/) werden Router, Wiederholungen, menschliche Prüfung und fehlgeschlagene Ergebnisse mitgerechnet, statt nur einen billigen Einzelaufruf zu feiern. ## Kann Jev automatisierte Trading-Entscheidungen ausführen? **Jev kann Teil eines eng begrenzten Trading-Workflows sein, sollte aber nie alleinige Instanz für Marktrechnungen oder Orderausführung sein.** TypeSafes veröffentlichtes Function-Calling-Cookbook verwendet einen Trading-Assistenten, um natürlichsprachliche Analyseanfragen auf zehn gewöhnliche, typisierte Funktionen abzubilden. Es wählt Funktionen und geschlossene Argumente wie Symbol, Zeitraum und Darstellungsart. Das Beispiel belegt weder profitable Signale noch Positionsgrößen, Orderplatzierung oder eine Risikogarantie. [TypeSafes Cookbook zu Trading-Funktionsaufrufen](https://docs.typesafe.ai/cookbooks/function_calling) Eine sicherere Architektur besitzt fünf Grenzen: 1. **Daten- und Feature-Service:** prüft Zeitstempel, berechnet Indikatoren und normalisiert Marktdaten deterministisch. 2. **Jev-Entscheidungsschicht:** klassifiziert semantisches Regime, Ereignisrelevanz, Strategietauglichkeit oder Prüfpriorität mit geschlossenen Optionen. 3. **Risiko-Engine:** berechnet Positionsgröße, Exposure, Preisgrenzen, Verlustlimits, Handelszeiten und Portfolioregeln im Code. 4. **Execution-Service:** validiert einen unveränderlichen Ordervorschlag, erzwingt Idempotenz und protokolliert Broker-Antworten. 5. **Aufsicht:** beginnt im Shadow Mode, vergleicht Entscheidungen mit einer freigegebenen Basis und leitet unsichere oder folgenreiche Fälle zur Prüfung weiter. Jev sollte weder P&L berechnen, Zeitstempel vergleichen, exakte Mengen ableiten noch ein fehlendes Preislimit erraten. Seine Konfidenz ist auch nicht die Wahrscheinlichkeit, dass ein Trade Gewinn erzielt. Ein semantisches Modell kann einen deklarierten Pfad wählen; ein deterministischer Risikoservice muss entscheiden, ob dieser Pfad Kapital berühren darf. Dieser Beitrag analysiert Softwarearchitektur und ist keine Anlageberatung. ## Wo scheitert Jev 1.13? TypeSafe veröffentlicht für die geprüfte Version eine hilfreiche Jaggedness-Seite. Demnach kann Jev sehr wörtlich lesen, hat Schwächen bei numerischer Präzision und Datumsvergleichen, wird durch großen irrelevanten Zustand abgelenkt, kann durch adversarielle Inhalte beeinflusst werden und ist nicht für Textgenerierung gedacht. Strukturelle Identitäten und Arithmetik sollen im Code erzwungen werden. [TypeSafes Register der Grenzen von Jev 1.13](https://docs.typesafe.ai/model-jaggedness/jev-1.13) - **Typisiert ist nicht korrekt.** Jev kann im Schema bleiben und trotzdem die falsche Option wählen. - **Probabilistisch ist nicht deterministisch.** Strukturierte Ausgabe reduziert Schnittstellenvarianz, macht wiederholte Urteile aber nicht zu einer mathematischen Konstante. - **Konfidenz ist keine Autorisierung.** Ein hoher Wert darf keinen Zugriff vergeben, keine Zahlung freigeben und kein Risikolimit umgehen. - **State ist eine Angriffsfläche.** Nutzereingaben oder abgerufene Texte können ein semantisches Urteil beeinflussen; vertrauenswürdige Richtlinien müssen getrennt und adversarielle Eingaben getestet werden. - **Geschlossene Mengen brauchen einen Ausweg.** Ergänze „unbekannt“, „sonstiges“ oder „menschliche Prüfung“, wenn reale Fälle außerhalb der Optionen liegen können. - **Sprachqualität variiert.** Jede Zielsprache braucht eine eigene Evaluation statt einer bloßen Übersetzung englischer Schwellenwerte. ## Sind Jevs Aussagen zu Geschwindigkeit und Kosten glaubwürdig? Die Zahlen sind vielversprechend, müssen aber präzise zugeschrieben werden. TypeSafe nennt 70 bis 500 ms End-to-End-Latenz, 0,042 US-Dollar pro Million Input-Token und keine berechneten Output-Token. Im Launch-Artikel ist von 40- bis 200-facher Geschwindigkeit für vergleichbare System-One-Fragen die Rede. Die Schlagzeilenwerte „193,6-mal schneller“ und „444,6-mal günstiger“ stammen aus der eigenen Evaluation mit vier Workflows und werden ausdrücklich als vermutlich oberes Ende realer Gewinne eingeordnet. Die Evaluationsseite vergleicht strukturierte Workflows über mehrere Modelle hinweg mit Konsenslabels und berichtet, dass die Workflow-Form in der getesteten Konfiguration dieselbe Richtlinie als Einzelprompt übertroffen hat. Das ist nützliche Evidenz für Zerlegung, bleibt aber ein vom Anbieter gebautes Testsystem mit modellgenerierten Referenzlabels, kein unabhängiges Audit und keine Garantie für andere Workloads. [TypeSafes Workflow-Evaluation](https://evals.typesafe.ai/) Darum sollten Aussagen wie „20- bis 200-mal schneller“ oder „40- bis 400-mal günstiger“ nicht als universelle Produktfakten publiziert werden. Gemessen werden sollte der **Preis pro akzeptierter Entscheidung**: Inferenz, Wiederholungen, Fallback-LLMs, menschliche Prüfung, Engineering-Aufwand und Kosten falscher Routen geteilt durch Entscheidungen, die dieselben Akzeptanzkriterien erfüllen. ## Wie sollte ein Team Jev in der Produktion pilotieren? Beginne mit einer häufigen, reversiblen Entscheidung, für die bereits gelabelte Ergebnisse existieren. Modell-Routing eignet sich gut, weil der bestehende Handler als Fallback bestehen bleiben kann, während Jev im Shadow Mode mitläuft. 1. **Entscheidungsvertrag definieren.** Erlaubte Optionen, unbekannte Route, harte Regeln und Eigentümer des finalen Seiteneffekts festlegen. 2. **Repräsentatives Evaluationsset bauen.** Normalfälle, seltene Fälle, Mehrdeutigkeit, mehrere Sprachen, Prompt Injection sowie veralteten oder widersprüchlichen Kontext aufnehmen. 3. **Modell fixieren und protokollieren.** Versionierte Modell-ID, Eingabeschema-Version, Entscheidung, vollständige Wahrscheinlichkeitsverteilung, Konfidenz, gewählten Handler und Ergebnis speichern. 4. **Nach Konsequenz kalibrieren.** Eine falsche FAQ-Route und eine falsche Zahlungsroute dürfen nicht denselben Schwellenwert haben. Niedrige Konfidenz ist ein Eskalationssignal, aber nicht das einzige. 5. **Vor Durchsetzung beobachten.** Jev mit der aktuellen Route vergleichen, Abweichungen untersuchen und nur Klassen aktivieren, die eine vereinbarte Qualitäts- und Latenzgrenze erreichen. 6. **Bypass behalten.** Provider-Ausfall, Rate Limits oder Modelldrift dürfen den Workflow nicht blockieren. Ein deterministischer Standardweg und schneller Rollback bleiben verfügbar. 7. **Jede Version neu evaluieren.** Ein Alias kann weiterwandern. Vor dem Wechsel einer fixierten Version oder Richtlinie muss dasselbe Testset erneut laufen. Für sensible Daten erklärt TypeSafe, Kundenanfragen nicht zum Training von Jev zu verwenden, und dokumentiert Zero Data Retention als Option für Unternehmenskunden. Käufer müssen trotzdem DPA, konkrete Aufbewahrungskonfiguration, Region, Zugriffskontrollen und Incident-Regelungen des tatsächlichen Kontos prüfen. [TypeSafes Übersicht zu Recht und Datenverarbeitung](https://docs.typesafe.ai/legal) Der Pilot gehört in ein beobachtbares [Agenten-Harness](/de/blog/agent-harness-engineering/), nicht als direkte Verbindung von Wahrscheinlichkeit zu Seiteneffekt. Bei Wavect beginnt [Engineering für KI-Produkte und Agenten](/de/services/artificial-intelligence/) mit Entscheidungsvertrag, Evaluationsset und Rollback-Pfad. Die [Twinsoft-AI-Fallstudie](/de/case-studies/twinsoft-ai/) ist separate Evidenz unserer Umsetzungserfahrung und keine Aussage, dass Jev dort eingesetzt wurde. Nutze die [QA-Checkliste vor dem Launch](/de/software-development-guide/software-qa-checklist-before-launch/) für die umgebenden Release-Kontrollen oder [bring uns eine häufige Entscheidung samt Akzeptanzkriterien](/de/contact/). ## Unser Fazit: Jev ist eine Entscheidungsschicht, kein kleinerer Chatbot Jev ist relevant, weil es einen verschwenderischen Standard infrage stellt: einen Prosagenerator für jedes interne Urteil einzusetzen. Eine typisierte, wahrscheinlichkeitssensitive Entscheidungsschnittstelle kann Parsing reduzieren und Steuerungslogik leichter prüfbar machen. Modell-Routing, Triage, Priorisierung und begrenzte Eskalation sind plausible frühe Einsatzfelder. Die stärkste Ausprägung dieser Idee ist zugleich die unspektakulärste. Code behält Regeln, Arithmetik, Berechtigungen und Seiteneffekte. Jev liefert schmale semantische Urteile. Sprachmodelle erzeugen Sprache und übernehmen offene Schlussfolgerung. Menschen oder unabhängige Kontrollen bleiben dort verantwortlich, wo die Konsequenz es verlangt. Diese Trennung kann Agenten-Workflows schneller, günstiger und besser steuerbar machen, ohne probabilistische Software fälschlich als deterministisch zu bezeichnen. ## Häufige Fragen zu Jev AI ### Was ist Jev AI? Jev ist TypeSafes erstes System-One-Modell. Es bewertet bereitgestellten Anwendungszustand anhand typisierter Fragen und liefert begrenzte Auswahlen, Scores oder Ja-Nein-Wahrscheinlichkeiten, die Software direkt verarbeiten kann. ### Ist Jev ein Large Language Model? TypeSafe beschreibt Jev als eigene Modellklasse, die für strukturierte Entscheidungen statt String-Generierung optimiert ist. Es führt weiterhin probabilistische Inferenz über natürlichsprachlichen Zustand aus, doch Schnittstelle und Trainingsziel sind auf deklarierte Entscheidungen ausgelegt. ### Erzeugt Jev Text? Keine nutzergerichtete Prosa. Jev liefert typisierte Werte, Wahrscheinlichkeitsverteilungen und Konfidenzsignale für deklarierte Fragen. Für Erklärungen, Entwürfe, Dialog oder andere offene Texte ist ein Sprachmodell zuständig. ### Ist Jev deterministisch? Nein. Sein Ausgabevertrag ist strukturiert und begrenzt, das Urteil bleibt probabilistisch. Typisierte Ausgabe verhindert Werte außerhalb des Schemas, garantiert aber weder die richtige Auswahl noch identische Ergebnisse bei jeder Auswertung. ### Kann Jev auswählen, welches LLM eine Anfrage bearbeitet? Ja. Eine Choice-Frage kann eine Anfrage in deklarierte Routen wie deterministischen Code, schnelles LLM, Reasoning-LLM oder menschliche Prüfung einordnen. Harte Regeln, Provider-Zustand, Budgetgrenzen und finale Autorisierung bleiben im Code. ### Kann Jev automatisierte Trading-Entscheidungen treffen? Es kann begrenzte semantische Urteile in einem Handelssystem liefern, sollte aber keine exakten Preise, Mengen, Daten oder Risikolimits berechnen und nie alleinige Orderinstanz sein. Datenprüfung, quantitative Risikoregeln und Ausführungsinvarianten gehören in deterministische Services. ### Wie schnell und günstig ist Jev? TypeSafe nennt 0,042 US-Dollar pro Million Input-Token, kostenlose Output-Token und berichtet 70 bis 500 ms Latenz. Die größten Geschwindigkeits- und Kostenmultiplikatoren stammen aus Anbieter-Workflows und müssen anhand der eigenen akzeptierten Entscheidungen validiert werden. ### Ist Jev produktionsreif? Jev ist im Early Access verfügbar. Ein begrenzter Produktionspilot ist vertretbar, wenn Modellversion, repräsentative Evaluationen, risikospezifische Schwellenwerte, Shadow-Vergleich, Beobachtbarkeit, deterministischer Fallback und getesteter Rollback vorhanden sind. ## Fazit Jev führt eine hilfreiche Trennung ein: Entscheidungen für Maschinen müssen nicht als Prosa für Menschen formuliert werden. Typisierte Auswahlen, Scores und Wahrscheinlichkeiten passen gut zu Modell-Routing und anderen häufigen Steuerungsschritten. Die Produktionschance besteht nicht darin, jedes LLM durch Jev zu ersetzen. Jede Arbeit gehört in die passende Schicht: deterministische Regeln in Code, begrenztes semantisches Urteil in Jev, Kommunikation und offene Schlussfolgerung in Sprachmodelle sowie unabhängige Autorisierung um folgenreiche Aktionen. ## Das könnte dich auch interessieren.. [**NeMo Switchyard: Modell-Routing pro Agenten-Turn** Vergleiche Jevs typisierte semantische Entscheidungen mit einem Router, der Ausführungssignale eines Coding-Agenten für die Modellwahl pro Turn nutzt.](/de/blog/nemo-switchyard-model-router/) [**AI Enablement oder allgemeine KI-Beratung?** Vergleiche eine messbare Umsetzung mit Beratung, die vor der Produktion endet.](/de/compare/ai-enablement-vs-generic-ai-consultancy/) Modelle und Infrastruktur ## In diesem Cluster weiterlesen Modellauswahl, Inferenzkosten, lokaler Betrieb, Kompression und Serving-Architektur. [Mit dem Grundlagenartikel starten**LLMs in der EU selbst hosten: Wann sich Open Weights wirklich rechnen**](/de/blog/self-hosting-llms-eu-cost/) - [SwarmLLM Test 2026: Browser-P2P-Inferenz auf Smartphone und Laptop](/de/blog/swarmllm-browser-p2p-inference-review-2026/) - [Phonely Alma im Test: Ist das Voice-LLM produktionsreif?](/de/blog/phonely-alma-voice-llm-review/) - [Utopia: Temporalen Wissensgraph im Unternehmen prüfen](/de/blog/utopia-temporal-knowledge-graph/) - [NVIDIA PAIR im Test: Lokales KI-Routing und die AMD-Lücke](/de/blog/nvidia-pair-amd-rocm-strix-halo/) - [Tencent Hy4 Preview im Test: Lohnt sich das 1M-Kontextmodell?](/de/blog/tencent-hy4-preview-coding-agent-review/) [**Zurück**](/de/blog/overview/) [![Kevin Riedl](/img/team/kevin.webp)](/de/team/kevin-riedl/) [Kevin Riedl](/de/team/kevin-riedl/) https://linkedin.com/in/wsdt 15 Min. Lesezeit · 18. Sep. 2026 Zuletzt geprüft 18. September 2026 [**Weiter**](/de/blog/ai-agent-design-patterns/) ## Structured Data ```json { "@context": "https://schema.org", "@graph": [ { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ], "employee": [ { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } } ], "founder": [ { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } } ], "legalRepresentative": [ { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } } ], "name": "Wavect GmbH", "subjectOf": { "@id": "https://wavect.io/verified-claims.json#dataset", "@type": "Dataset", "creator": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "description": "A machine-readable registry of quantitative and qualitative claims published by Wavect, with review dates, localized page appearances and public third-party citations where available.", "inLanguage": "en", "isAccessibleForFree": true, "license": "https://creativecommons.org/licenses/by/4.0/", "name": "Wavect verified publication claims", "url": "https://wavect.io/verified-claims.json" }, "url": "https://wavect.io/" }, { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "sameAs": [ "https://www.wikidata.org/wiki/Q139796365", "https://www.linkedin.com/in/wsdt", "https://github.com/wsdt" ], "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "sameAs": [ "https://www.wikidata.org/wiki/Q139796367", "https://www.linkedin.com/in/jocr77/", "https://github.com/jo-chris" ], "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/#website", "@type": "WebSite", "inLanguage": [ "en", "de", "es", "zh" ], "name": "Wavect", "potentialAction": { "@type": "SearchAction", "query-input": "required name=search_term_string", "target": { "@type": "EntryPoint", "urlTemplate": "https://wavect.io/search/?q={search_term_string}" } }, "publisher": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "url": "https://wavect.io/" }, { "@id": "https://wavect.io/de/blog/jev-ai-decision-model-review/#webpage", "@type": "WebPage", "dateModified": "2026-09-18", "inLanguage": "de", "isPartOf": { "@id": "https://wavect.io/#website", "@type": "WebSite" }, "lastReviewed": "2026-09-18", "url": "https://wavect.io/de/blog/jev-ai-decision-model-review/" } ] } ``` ```json { "@context": "https://schema.org", "@type": "BlogPosting", "abstract": "Jev wandelt Anwendungszustand und typisierte Fragen in begrenzte Auswahlen, Scores, Wahrscheinlichkeiten und Konfidenzwerte um. Es kann LLM-Aufrufe ersetzen, die nur zum Routen, Priorisieren, Wiederholen oder Eskalieren dienen, während Arithmetik, Berechtigungen und Seiteneffekte im Code bleiben. TypeSafes Latenz- und Kostenmultiplikatoren sind Anbieterergebnisse; Produktionsteams sollten deshalb eine Version fixieren, Schwellenwerte mit eigenen Daten kalibrieren, im Shadow Mode starten und deterministische Fallbacks behalten.", "articleBody": " Blog-Übersicht/AI und Agents/Modelle und Infrastruktur Jev AI im Test: Entscheidungsmodelle für Agenten TL;DR Jev wandelt Anwendungszustand und typisierte Fragen in begrenzte Auswahlen, Scores, Wahrscheinlichkeiten und Konfidenzwerte um. Es kann LLM-Aufrufe ersetzen, die nur zum Routen, Priorisieren, Wiederholen oder Eskalieren dienen, während Arithmetik, Berechtigungen und Seiteneffekte im Code bleiben. TypeSafes Latenz- und Kostenmultiplikatoren sind Anbieterergebnisse; Produktionsteams sollten deshalb eine Version fixieren, Schwellenwerte mit eigenen Daten kalibrieren, im Shadow Mode starten und deterministische Fallbacks behalten. Jev ist ein KI-Modell für maschinenlesbare Entscheidungen, nicht für menschenlesbare Prosa. Es erhält Anwendungszustand plus klar definierte Fragen und liefert typisierte Auswahlwerte, Scores, Wahrscheinlichkeiten und Konfidenzwerte zurück. Damit eignet es sich potenziell für die interne Steuerung eines Agenten: zuerst routen, priorisieren, wiederholen, eskalieren oder stoppen; ein Sprachmodell formuliert nur dann, wenn tatsächlich Sprache gebraucht wird. Recherchestand: 18. September 2026. Dies ist eine Dokumentations- und Architekturanalyse zu Jev 1.13, kein unabhängiger Latenztest und keine Produktionsreferenz. TypeSafe veröffentlichte Jev am 15. September 2026 im Early Access und bezeichnet es als erstes öffentliches System-One-Modell. TypeSafes Launch-Artikel zu Jev Diese Seite besitzt eine eng begrenzte Suchintention: Was ist Jev, wie funktioniert seine Entscheidungsschnittstelle und wo passt sie in Produktionssoftware? Für den Kategorienvergleich von Gateways und Routern dient unser Leitfaden zu LLM-Gateways und Routern. Für Routing pro Turn in Coding-Agenten gibt es die Analyse zu NeMo Switchyard. Das sind benachbarte Architekturen, aber keine Synonyme für Jev. Was ist Jev und wer hat es entwickelt? Jev ist das erste öffentlich verfügbare Entscheidungsmodell von TypeSafe. Das Unternehmen positioniert es als Inferenzschicht mit niedriger Latenz für Urteile, die Software direkt verarbeiten kann. Statt eine Textantwort zu erzeugen und daraus anschließend eine Route zu extrahieren, bewertet Jev eine geschlossene Frage wie „Welcher Handler soll diese Anfrage bearbeiten?“ und liefert eine der vorgegebenen Optionen samt Wahrscheinlichkeitsverteilung. Die verbreitete Beschreibung, Jev stamme von „dem Mit-Erfinder von ChatGPT“, ist zu pauschal. Laut Gründerprofil von TypeSafe war Diogo Almeida an der Erfindung von RLHF und InstructGPT beteiligt, also an Methoden, die zu ChatGPT und GPT-4 führten. Der Launch-Artikel beschreibt seine frühere OpenAI-Arbeit als Beitrag zur Forschung hinter ChatGPT. Das ist relevante Herkunft, aber nicht gleichbedeutend mit der Erfindung des gesamten ChatGPT-Produkts. TypeSafes Teamprofil Wie macht Jev aus Zustand typisierte Entscheidungen? Eine Anfrage besteht konzeptionell aus zwei Teilen: State enthält die relevanten Anwendungsdaten, Questions definieren die zu treffenden Urteile. Laut TypeSafe werden die Fragen unabhängig und parallel gegen denselben Zustand ausgewertet. Das Ergebnis sind strukturierte Daten, die Code vergleichen, sortieren, mit Schwellenwerten versehen oder routen kann, ohne Werte aus Prosa zurückzugewinnen. TypeSafes Einführung zu Jev Jev stellt drei Fragetypen bereit. Das Ausgabeschema bleibt auf die vom Entwickler deklarierten Werte begrenzt. Begrenzte Ausgabe bedeutet jedoch nicht, dass das Urteil unfehlbar ist. Die drei dokumentierten Entscheidungsprimitive von Jev PrimitivFrageformRückgabeSinnvoller Einsatz ChoiceEine deklarierte Option wählenAuswahl, vollständige Wahrscheinlichkeiten und KonfidenzAnfrage an Code, Spezialmodell oder Mensch routen ScoreZustand auf einer definierten Skala einordnenScore, Level-Wahrscheinlichkeiten und KonfidenzDringlichkeit, Qualität oder Prüfpriorität bewerten NoulJa-Nein-Aussage bewertenWahrscheinlichkeit für „Ja“Verzweigung wie „enthält Rückerstattungswunsch“ steuern Die offizielle Referenz der Primitive betont atomare Fragen und Komposition im Code. Eine breite Frage wie „Ist dieser Trade sicher?“ verbirgt Markt-, Regel-, Risiko-, Zeit- und Ausführungsurteile hinter einem einzigen Wert. Ein belastbareres Design zerlegt diese Aspekte, lässt Arithmetik und Invarianten im Code und nutzt Jev nur dort, wo tatsächlich semantisches Urteil nötig ist. Jev im Vergleich zu LLM und deterministischem Code Jev ist nicht einfach ein Chatmodell mit JSON-Modus. Ein klassisches LLM erzeugt weiterhin eine Tokenfolge, auch wenn ein Schema die endgültige Ausgabe einschränkt. Jev ist um deklarierte Entscheidungen und Wahrscheinlichkeitsverteilungen gebaut. Der praktische Vorteil ist nicht schöneres JSON, sondern ein engerer Vertrag zwischen probabilistischer Inferenz und normaler Software. Jede Komponente sollte die Arbeit übernehmen, für die sie ausgelegt ist KomponenteStark beiNicht delegieren Deterministischer CodeArithmetik, Berechtigungen, Limits, Datumslogik, Zustandsübergänge und", "articleSection": "KI-Infrastruktur", "author": { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "name": "Kevin Riedl", "sameAs": [ "https://www.wikidata.org/wiki/Q139796365", "https://www.linkedin.com/in/wsdt", "https://github.com/wsdt" ], "url": "https://wavect.io/team/kevin-riedl/" }, "citation": [ { "@type": "WebPage", "name": "TypeSafes Launch-Artikel zu Jev", "url": "https://typesafe.ai/blog/introducing-system-one-models-and-jev" }, { "@type": "WebPage", "name": "TypeSafes Teamprofil", "url": "https://typesafe.ai/team" }, { "@type": "WebPage", "name": "TypeSafes Einführung zu Jev", "url": "https://docs.typesafe.ai/introduction" }, { "@type": "WebPage", "name": "offizielle Referenz der Primitive", "url": "https://docs.typesafe.ai/primitives" }, { "@type": "WebPage", "name": "TypeSafes aktuelle Modellreferenz", "url": "https://docs.typesafe.ai/models" }, { "@type": "WebPage", "name": "TypeSafes Python-Quickstart", "url": "https://docs.typesafe.ai/introduction/quickstart" }, { "@type": "WebPage", "name": "TypeSafes Konfidenzreferenz", "url": "https://docs.typesafe.ai/confidence" }, { "@type": "WebPage", "name": "TypeSafes Intent-Routing-Muster", "url": "https://docs.typesafe.ai/patterns/intent-routing" }, { "@type": "WebPage", "name": "TypeSafes Leitfaden für Entscheidungs-Workflows", "url": "https://docs.typesafe.ai/concepts/how-to-build-with-system-one" }, { "@type": "WebPage", "name": "TypeSafes Cookbook zu Trading-Funktionsaufrufen", "url": "https://docs.typesafe.ai/cookbooks/function_calling" }, { "@type": "WebPage", "name": "TypeSafes Register der Grenzen von Jev 1.13", "url": "https://docs.typesafe.ai/model-jaggedness/jev-1.13" }, { "@type": "WebPage", "name": "TypeSafes Workflow-Evaluation", "url": "https://evals.typesafe.ai/" }, { "@type": "WebPage", "name": "TypeSafes Übersicht zu Recht und Datenverarbeitung", "url": "https://docs.typesafe.ai/legal" } ], "dateModified": "2026-09-18", "datePublished": "2026-09-18", "description": "Jev wandelt Anwendungszustand und typisierte Fragen in begrenzte Auswahlen, Scores, Wahrscheinlichkeiten und Konfidenzwerte um. Es kann LLM-Aufrufe ersetzen, die nur zum Routen, Priorisieren, Wiederholen oder Eskalieren dienen, während Arithmetik, Berechtigungen und Seiteneffekte im Code bleiben. TypeSafes Latenz- und Kostenmultiplikatoren sind Anbieterergebnisse; Produktionsteams sollten deshalb eine Version fixieren, Schwellenwerte mit eigenen Daten kalibrieren, im Shadow Mode starten und deterministische Fallbacks behalten.", "headline": "Jev AI im Test: Entscheidungsmodelle für Agenten", "image": "https://wavect.io/img/blog/headers/header_jev-ai-decision-model-review.svg", "inLanguage": "de", "keywords": "Jev AI, Entscheidungsmodelle, KI-Agenten", "mainEntityOfPage": { "@id": "https://wavect.io/de/blog/jev-ai-decision-model-review/", "@type": "WebPage" }, "publisher": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "url": "https://wavect.io/de/blog/jev-ai-decision-model-review/", "wordCount": 2751 } ``` ```json { "@context": "https://schema.org", "@type": "BreadcrumbList", "itemListElement": [ { "@type": "ListItem", "item": "https://wavect.io/de/", "name": "Startseite", "position": 1 }, { "@type": "ListItem", "item": "https://wavect.io/de/blog/overview/", "name": "Blog-Übersicht", "position": 2 }, { "@type": "ListItem", "item": "https://wavect.io/de/blog/topics/ai-agents/", "name": "AI und Agents", "position": 3 }, { "@type": "ListItem", "item": "https://wavect.io/de/blog/clusters/models-infrastructure/", "name": "Modelle und Infrastruktur", "position": 4 }, { "@type": "ListItem", "item": "https://wavect.io/de/blog/jev-ai-decision-model-review/", "name": "Jev AI im Test: Entscheidungsmodelle für Agenten", "position": 5 } ] } ``` ```json { "@context": "https://schema.org", "@type": "FAQPage", "mainEntity": [ { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Jev ist TypeSafes erstes System-One-Modell. Es bewertet bereitgestellten Anwendungszustand anhand typisierter Fragen und liefert begrenzte Auswahlen, Scores oder Ja-Nein-Wahrscheinlichkeiten, die Software direkt verarbeiten kann." }, "name": "Was ist Jev AI?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "TypeSafe beschreibt Jev als eigene Modellklasse, die für strukturierte Entscheidungen statt String-Generierung optimiert ist. Es führt weiterhin probabilistische Inferenz über natürlichsprachlichen Zustand aus, doch Schnittstelle und Trainingsziel sind auf deklarierte Entscheidungen ausgelegt." }, "name": "Ist Jev ein Large Language Model?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Keine nutzergerichtete Prosa. Jev liefert typisierte Werte, Wahrscheinlichkeitsverteilungen und Konfidenzsignale für deklarierte Fragen. Für Erklärungen, Entwürfe, Dialog oder andere offene Texte ist ein Sprachmodell zuständig." }, "name": "Erzeugt Jev Text?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Nein. Sein Ausgabevertrag ist strukturiert und begrenzt, das Urteil bleibt probabilistisch. Typisierte Ausgabe verhindert Werte außerhalb des Schemas, garantiert aber weder die richtige Auswahl noch identische Ergebnisse bei jeder Auswertung." }, "name": "Ist Jev deterministisch?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Ja. Eine Choice-Frage kann eine Anfrage in deklarierte Routen wie deterministischen Code, schnelles LLM, Reasoning-LLM oder menschliche Prüfung einordnen. Harte Regeln, Provider-Zustand, Budgetgrenzen und finale Autorisierung bleiben im Code." }, "name": "Kann Jev auswählen, welches LLM eine Anfrage bearbeitet?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Es kann begrenzte semantische Urteile in einem Handelssystem liefern, sollte aber keine exakten Preise, Mengen, Daten oder Risikolimits berechnen und nie alleinige Orderinstanz sein. Datenprüfung, quantitative Risikoregeln und Ausführungsinvarianten gehören in deterministische Services." }, "name": "Kann Jev automatisierte Trading-Entscheidungen treffen?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "TypeSafe nennt 0,042 US-Dollar pro Million Input-Token, kostenlose Output-Token und berichtet 70 bis 500 ms Latenz. Die größten Geschwindigkeits- und Kostenmultiplikatoren stammen aus Anbieter-Workflows und müssen anhand der eigenen akzeptierten Entscheidungen validiert werden." }, "name": "Wie schnell und günstig ist Jev?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Jev ist im Early Access verfügbar. Ein begrenzter Produktionspilot ist vertretbar, wenn Modellversion, repräsentative Evaluationen, risikospezifische Schwellenwerte, Shadow-Vergleich, Beobachtbarkeit, deterministischer Fallback und getesteter Rollback vorhanden sind." }, "name": "Ist Jev produktionsreif?" } ] } ```