Diogo Almeida, fondateur de TypeSafe AI, annonce le 15 septembre 2026 la première System One Model, nommée Jev, disponible en accès anticipé. Sa question de départ : alors que les modèles sont surhumains en conversation depuis des années, où est l'automatisation ? Son diagnostic est que les LLM, optimisés pour la préférence humaine (RLHF) ou pour des récompenses vérifiables (RLVR), produisent des chaînes de caractères ; pour qu'un logiciel les exploite, il faut les analyser et les valider, avec le risque permanent qu'ils sortent du cadre.
TypeSafe propose une pile entièrement tournée vers l'automatisation : une nouvelle architecture de modèle, un échantillonneur parallèle et une méthode d'entraînement, RLCD (apprentissage par renforcement pour des décisions calibrées), qui optimise des réponses accompagnées de probabilités honnêtes. Jev prend en entrée des données non structurées, de préférence un état de programme, et renvoie des valeurs typées, dont la forme est définie à l'avance, avec des probabilités et des scores de confiance. Il renonce à la génération de texte, ce qui, selon l'auteur, l'empêche d'halluciner et d'erreur de type. Il se décrit comme un appel de fonction d'intelligence de frontière.
Les chiffres annoncés : entrée à 0,042 $ par million de jetons, sortie gratuite, latence de 70 à 500 ms contre 3 à 329 secondes pour les modèles de frontière, soit un facteur 40 à 200 sur des requêtes de type System One. L'échantillonnage est parallèle : toutes les sorties sont produites en une requête.
L'article sépare les affirmations vérifiables (vitesse, coût, absence d'erreurs de type) des plus audacieuses. Il présente une démonstration côte à côte avec GPT-5.6 Terra, dont le seul désaccord porte sur un niveau de risque de départ jugé réellement ambigu, puis des évaluations de workflow : on suppose un graphe de calcul correct et on compare les probabilités de chaque modèle à la moyenne de GPT-6 Astra et Fable 5.1. Jev domine la frontière de Pareto sur presque deux ordres de grandeur ; l'accueil de l'entreprise cite 193,6× plus rapide et 444,6× moins cher, que l'auteur situe dans la fourchette haute des gains réels. Chaque démonstration est suivie de réserves : chiffres LLM issus d'OpenRouter, workflows écrits par l'équipe, référence favorable aux modèles d'OpenAI et d'Anthropic.
Les cas d'usage : décisions floues intégrées au code (classer, router, noter, extraire), traitement massif de données, applications temps réel, vérification des sorties de LLM. Deux démonstrations, Doom et Wikiracing, illustrent la vitesse et l'absence d'hallucination dans les choix à forte cardinalité (jusqu'à 255 options).
Le nom renvoie à Kahneman (système 1) et à Jevons : chaque baisse d'un ordre de grandeur du coût de l'intelligence ouvrirait autant d'usages nouveaux. TypeSafe ouvre l'accès anticipé et demande aux développeurs quelles décisions ils veulent automatiser.