A metà settembre 2026, per tre giorni di fila, la timeline di chi lavora con l’AI si è riempita della stessa parola: Jev. Guide “in 10 passi”, schermate di benchmark, un fondatore ex OpenAI che parla di “momento Internet” dell’AI. Un thread ha superato 340.000 visualizzazioni in un giorno.
Sotto il rumore c’è un’idea tecnica che vale la pena capire. E, come spesso accade, vale la pena separarla dal marketing.
Cos’è Jev (e cos’è “Jev Engineering”)
Jev è un modello sviluppato da TypeSafe AI. La differenza con un LLM classico sta in cosa fa: Jev non genera testo, prende decisioni. Legge uno “stato” (l’obiettivo, il lavoro fatto, le prove raccolte) e risponde a domande tipizzate: una Choice sceglie un’opzione da una lista, uno Score colloca la situazione su una scala che definisci tu, un Noul dà la probabilità che un’affermazione sia vera. Ogni risposta arriva con un livello di confidenza.
“Jev Engineering” è il modo di costruire agenti attorno a questo modello, riassunto in una formula: l’LLM scrive, Jev decide, il codice agisce. Il nome, curiosamente, gioca sul paradosso di Jevons del 1865: rendere più efficiente l’uso del carbone, osservò l’economista, ne aumentò il consumo. Applicato agli agenti: ogni chiamata a un modello costa meno, così se ne fanno di più, e il conto continua a salire.
L’idea buona: ogni compito al pezzo giusto
Qui sta la parte che merita attenzione. Prendi un compito banale per un agente: “cerca tre nuovi strumenti AI e prepara il briefing di domani”. Scrivere il briefing è un lavoro solo. Arrivarci richiede una dozzina di micro-decisioni: ho abbastanza fonti? questa è rilevante? quale passo faccio ora? la bozza è pronta?
Nella maggior parte degli agenti, a ognuna di queste domande risponde un LLM da frontiera. Scrive due frasi, il tuo codice le interpreta, e il ciclo aspetta qualche secondo per ogni risposta. Nessuna di quelle risposte aveva bisogno di essere “scritta”: erano scelte da una lista, punti su una scala, sì o no. Ma le paghi al prezzo della generazione di testo.
Jev Engineering smista ogni passo verso lo strumento fatto apposta.
| Se il passo… | Va a | Esempio |
|---|---|---|
| Crea testo | Un LLM | Scrivere il briefing, riassumere un documento |
| Sceglie, valuta o risponde si/no | Jev | Quale worker agisce ora, quanto è rilevante una fonte |
| Segue una regola esatta | Il codice | Fermati dopo 10 azioni, non pubblicare senza approvazione |
I primi esempi mostrati dalla community danno la misura: un test di classificazione di 100 email in poco più di un secondo, con i casi incerti girati a un modello più grande; migliaia di paper catalogati per pochi centesimi; un agente da browser che sceglie ogni passo in millisecondi. Il costo dichiarato aiuta a capire l’entusiasmo: 0,042 dollari per milione di token in input, con l’output gratuito. Diecimila decisioni per meno di mezzo dollaro.
L’hype: cosa il marketing gonfia
Poi c’è l’altra metà della storia, e conviene guardarla con lucidità. “Jev Engineering” come termine non nasce da un paper o da una documentazione: nasce da tre guide quasi identiche pubblicate su X il 18 e 19 settembre 2026, a tre giorni dal lancio del modello, con lo stesso esempio e toni da rivelazione (“il momento Internet dell’AI”, “lo stack dell’ingegnere AI del 2028”).
Sui numeri conviene essere prudenti. I “200x più veloce, 400x più economico” che girano nei thread arrivano dal talk di un fondatore, non dal tuo carico di lavoro reale. Lo stesso sito indipendente che raccoglie i progetti lo mette nero su bianco, insieme ad altri tre punti utili: Jev non sostituisce l’LLM (bozze, codice e riassunti restano suo compito); non è “zero allucinazioni”, perché può restituire una risposta sbagliata pur rispettando il formato richiesto, ed è per questo che esiste la confidenza; e non è un’installazione “in 10 passi”, perché il setup è breve mentre il lavoro vero sta nello scegliere quali decisioni spostare e nel misurarle.
La chiamata al modello è la parte facile. Il difficile sta nel decidere quali decisioni delegare e nel misurare il costo per ogni compito finito.
Un dettaglio tecnico che vale come promemoria generale: la confidenza non è l’accuratezza. Un modello può essere sicuro e sbagliare. La soglia sopra la quale ti fidi va tarata sui tuoi esempi etichettati, non sul numero che fa più effetto in un tweet.
Perché ti riguarda (anche se non costruisci agenti)
Al netto della moda, resta un principio di buon senso che vale per chiunque automatizzi qualcosa: usa lo strumento giusto per il compito giusto. Chiedere a un modello da frontiera di rispondere “sì o no” è come pagare un avvocato per timbrare un cartellino. Separare scrittura, decisione e regola fissa è una buona architettura, con o senza Jev.
C’è anche una lezione più ampia, e più utile del modello stesso: distinguere la sostanza dall’entusiasmo. Un’idea può essere valida e allo stesso tempo sovravenduta. Il modo per non farsi trascinare è sempre lo stesso: provarla sul proprio caso reale, con numeri propri, invece di fidarsi del “100x” di turno.
