Jev, le modèle d’IA de TypeSafe, et ce que nous en faisons

Trier les demandes qui arrivent par le formulaire de contact, repérer les démarchages, vérifier qu’une offre fournisseur correspond au bon produit. Ces tâches répétitives se prêtent bien à l’automatisation par l’IA, à condition de pouvoir contrôler ce que l’IA décide.

Jev est un modèle d’intelligence artificielle développé par la société TypeSafe. Contrairement à ChatGPT, il ne rédige pas de texte. Il répond à des questions fermées en donnant une probabilité pour chaque réponse possible, et un programme peut lire ce résultat directement. Nous l’utilisons depuis septembre 2026 dans plusieurs outils que nous développons pour nos clients.

Qu’est-ce que Jev, l’IA de TypeSafe ?

Jev répond à des questions fermées par des probabilités. TypeSafe le présente comme le premier modèle de sa famille « System One », en référence au « système 1 » décrit par le psychologue Daniel Kahneman, celui du jugement rapide et intuitif.

On lui envoie deux choses. La première est un état, c’est-à-dire le texte à juger et le contexte utile, par exemple un message reçu et la liste des services de l’entreprise. La seconde est une série de questions dont les réponses possibles sont définies à l’avance. Toutes les questions partent dans le même appel et sont traitées séparément. Le modèle renvoie une réponse structurée, sans texte libre.

Selon TypeSafe, Jev est entraîné pour que ses probabilités soient calibrées. Sur un grand nombre de réponses, une probabilité de 0,8 doit se vérifier environ huit fois sur dix. Cela reste vrai en moyenne et ne garantit rien pour une réponse isolée. Nous testons donc toujours le modèle sur des cas réels avant de nous en servir.

Jev ou ChatGPT : quelle différence avec un LLM ?

Comme un grand modèle de langage (LLM) de type ChatGPT ou Claude, Jev comprend le texte. Il s’en distingue par ce qu’il renvoie. Un LLM produit des phrases, qu’il faut ensuite relire ou analyser pour en tirer une décision. Jev renvoie seulement la réponse à la question posée, dans le format prévu.

Les deux se complètent. Pour rédiger la réponse à un client, un LLM reste l’outil adapté. Pour savoir si un message mérite une réponse et qui doit s’en charger, Jev est plus simple à interroger et à contrôler.

TypeSafe publie aussi les limites du modèle. Jev ne lit que du texte, il est plus précis en anglais qu’en français, et il compte ou compare les dates moins bien qu’un programme. Nous laissons donc les calculs au code et rédigeons les questions en anglais, même quand les contenus jugés sont en français.

Choix, oui ou non, note : trois types de questions

Jev accepte trois types de questions, ce qui rend ses réponses faciles à combiner dans un programme.

Pour un choix ou une note, TypeSafe calcule aussi une confiance. Elle est haute quand les probabilités se concentrent sur une option et basse quand elles se répartissent entre plusieurs. Elle indique si la réponse est nette, pas si elle est juste. Pour une question oui ou non, une valeur proche de 0,5 veut dire que le modèle ne sait pas. Dans ce cas, nous laissons la décision à une personne.

Démo interactive : qualifier des demandes de contact avec l’IA

La qualification des leads (on parle aussi de lead scoring) consiste à trier les demandes entrantes selon leur intérêt. Voici sept messages inventés, semblables à ceux que reçoit le formulaire de contact d’une agence web. Nous les avons soumis à Jev avec les questions qu’utilise notre logiciel CRM Inklura. Les graphiques montrent les réponses du modèle, et le panneau de droite la décision qu’en tire le logiciel.

La demande de refonte des boulangeries est bien comprise, mais le modèle hésite un peu sur le service à prévenir. Il donne 85 % à « nouveau projet » et le reste à « aucun service », soit une confiance de 0,77. Comme notre seuil est de 0,85, le logiciel suggère le service sans transmettre le message. En descendant le curseur à 0,77, vous verrez le message partir directement.

Le formulaire presque vide se partage entre « autre » (60 %) et « prospect » (40 %), avec une confiance de 0,54. Ce résultat correspond bien à un message qu’on ne peut pas classer. Quant à la candidature de stage, elle décrit un besoin précis à 93 %, ce qui est exact. C’est la question sur le type de message qui la classe correctement comme candidature.

Comment nous utilisons Jev dans nos outils

Dans nos outils, Jev ne prend pas de décision seul. Pour chaque élément à juger, le logiciel rassemble le contexte utile (le message, le nom du site, la liste des services), pose toutes les questions en un seul appel, puis applique des seuils écrits dans le programme. Il en sort l’une de trois issues : agir, proposer à une personne, ou ne rien proposer.

Les avis sont calculés à l’avance, par exemple après la synchronisation d’un catalogue, et enregistrés avec la version du modèle qui les a produits. Si le contenu ou les questions changent, l’avis est recalculé.

Certaines décisions restent toujours humaines. Aucune demande de contact n’est écartée automatiquement, car perdre un vrai client coûte plus cher que relire un démarchage.

Automatisation IA : quand laisser l’IA agir seule ?

Chaque usage commence en mode proposition. L’avis de l’IA s’affiche sur la fiche ou sert à trier une liste à relire, et une personne valide. Une bonne partie du temps gagné vient déjà de cette étape.

Avant de passer en mode automatique, nous rejouons l’automatisme sur des décisions que l’équipe a déjà prises, pour vérifier qu’il ne les aurait jamais contredites. Le nombre d’exemples compte autant que le résultat. Avec aucune erreur sur 30 cas, le taux d’erreur réel peut encore approcher 10 %. Il faut environ 300 cas sans erreur pour pouvoir dire qu’il est inférieur à 1 %.

Quand la mesure est suffisante, une personne active le mode automatique. Chaque action faite par l’IA reste visible et annulable depuis l’outil, et une seule annulation suffit à revenir au mode proposition. Si l’on modifie une question, la mesure est à refaire.

Une IA qui ne rédige pas peut-elle halluciner ?

On parle d’hallucination quand une IA générative affirme un fait inventé, comme une source qui n’existe pas ou un chiffre faux dans un texte bien rédigé. Jev ne peut pas faire ce type d’erreur, puisqu’il ne répond qu’avec les options proposées et n’écrit aucune phrase.

Il peut en revanche choisir une mauvaise option, parfois avec assurance. TypeSafe le précise dans sa documentation : une réponse bien formée ne garantit pas une réponse juste. Pour limiter ce risque, nous posons des questions précises, fixons des seuils mesurés et gardons une personne dans la boucle.

Nos cas d’usage : e-commerce, support client, CRM et SEO

Nous avons d’abord utilisé Jev dans le catalogue d’une boutique en ligne de pièces détachées, puis dans quatre autres outils. Tous utilisent la même version du modèle, pour que nos réglages restent valables d’un outil à l’autre.

Aujourd’hui, seul le catalogue e-commerce fonctionne en mode automatique. Les autres outils proposent, et passeront en automatique quand nous aurons assez de décisions passées pour les mesurer.

Quelles tâches automatiser avec Jev ?

Jev est utile quand une application doit choisir rapidement entre des options connues, à partir de texte. On peut s’en servir pour trier des messages, orienter une demande vers la bonne personne, rapprocher deux fiches produits, vérifier qu’un contenu respecte une règle ou classer des avis et des tickets. Pour rédiger, calculer ou comparer des dates, un modèle génératif ou quelques lignes de code conviennent mieux. Si vous pensez plutôt à un assistant qui discute avec vos visiteurs, lisez notre article sur le chatbot sur un site.

Pour démarrer, regardez d’abord les décisions que votre équipe prend déjà à la main. Un tri fait depuis des mois fournit des exemples qui permettent de mesurer l’IA avant de s’en servir. Nous suivons cette démarche pour l’automatisation de processus par IA, pour nos applications métier sur mesure et pour faire passer un prototype d’IA en production. Pour une vue plus générale, voyez aussi ce que l’IA change concrètement pour les entreprises.

Questions fréquentes sur Jev et l’automatisation IA

Jev remplace-t-il ChatGPT ou Claude en entreprise ?

Non. Jev ne rédige pas. Il complète un modèle génératif quand il faut une décision rapide et vérifiable, et laisse la rédaction aux modèles faits pour cela.

Les données envoyées à Jev servent-elles à entraîner le modèle ?

Selon TypeSafe, Jev n’est pas entraîné sur les requêtes ni sur les réponses de ses clients. Nous n’envoyons de toute façon que le nécessaire, par exemple le domaine d’une adresse e-mail plutôt que l’adresse complète.

Combien coûte Jev ?

TypeSafe facture à l’usage, 0,042 $ par million de jetons envoyés. Pour une demande de contact comme celles de la démo, cela représente environ un centième de centime. Dans un projet, l’essentiel du travail porte sur la rédaction des questions et sur la mesure.

Jev comprend-il les messages rédigés en français ?

Oui. TypeSafe indique que l’anglais reste sa langue la plus précise. Nous rédigeons donc les questions en anglais, et nos seuils sont mesurés sur des contenus en français.

Peut-on ajouter Jev à un site WordPress existant ?

Oui, à condition que l’appel parte du serveur et non du navigateur, pour que la clé d’accès reste secrète. Le branchement est rapide. Le travail porte surtout sur le choix des questions et sur la collecte de décisions passées pour mesurer le modèle.

Des demandes à trier, des décisions à automatiser ?

Depuis Brest, nous intégrons l’intelligence artificielle dans les sites et les outils métier de nos clients, partout en France. Nous pouvons regarder avec vous quelles décisions confier à un modèle et comment les mesurer.

Parlons de votre projet