Jev : l’inventeur du RLHF a créé une IA qui ne parle pas

Diego Almeida a eu le “cœur brisé” par ChatGPT. Ce n’est pas la complainte d’un technophobe, mais le constat lucide de l’un des architectes les plus influents d’OpenAI. Co-inventeur du RLHF (Reinforcement Learning from Human Feedback), la technique qui a rendu l’IA “humaine”, Almeida a fini par admettre une vérité amère : nous avons capturé “la foudre en bouteille”, mais elle est inexploitable pour la véritable révolution.

Son diagnostic est sans appel : nous avons construit des dieux capables de discourir, mais nous avons oublié de construire des ouvriers capables d’agir. L’industrie s’est acharnée à optimiser le langage, oubliant que les ordinateurs ne parlent pas le français ou l’anglais. Pour Almeida, le “tout-chat” est une impasse pour l’automatisation. Il a donc quitté OpenAI pour fonder Typesafe AI et donner naissance à Jev : une IA qui ne produit aucun texte, mais qui promet de devenir le système nerveux du logiciel moderne.

Point d’impact n°1 : L’IA “Machine-Native” contre la tyrannie du texte

Jev n’est pas un LLM. Bien qu’il repose sur une architecture transformer, il refuse de prédire le mot suivant pour plaire à un utilisateur. Il s’agit d’une IA conçue pour être consommée par du code, et non par des yeux humains.

Frontier Intelligence Function Call : un système capable de transformer un état non structuré (du texte brut ou du JSON complexe) en décisions probabilistes typées.

Là où un LLM classique renvoie une chaîne de caractères (string) qu’un développeur doit ensuite parser, nettoyer et valider au risque de tout faire planter, Jev communique via des primitives : Choice, Score, et Null.

Imaginez un ticket support disant : “Ma carte a été débitée deux fois”. Jev ne répond pas par une phrase polie. Il renvoie instantanément une décision typée : Billing (0.85), Technical (0.08), Sales (0.07), avec un score de confiance associé. C’est l’intelligence directement intégrée dans la logique de branchement du logiciel.

Point d’impact n°2 : Une vitesse foudroyante et un coût “Too Cheap to Meter”

Pour un humain, attendre trois secondes qu’un chatbot réponde est acceptable. Pour un logiciel, c’est une éternité. Les modèles de pointe actuels (comme Terra ou Fable 5.1) affichent des latences allant de 3 à plus de 300 secondes. Jev, lui, répond entre 70 et 500 millisecondes.

Lors de tests comparatifs, là où un modèle comme Terra met 8,5 secondes pour traiter une requête, Jev s’exécute en 0,11 seconde. Cette “intelligence par seconde” permet des prouesses jusque-là impossibles, comme ce Jevbot capable de jouer à Doom en interprétant l’état du jeu en temps réel, ou le défi Wicker Racing qui traverse Wikipédia à toute vitesse en évaluant des centaines de liens par étape.

Le modèle économique est tout aussi disruptif. Typesafe AI facture 42 $ par milliard de tokens de sortie. C’est 238 fois moins cher que les modèles concurrents.

“Le prix est si bas qu’il devient difficile à mesurer (too cheap to meter).”

Mieux encore : les tokens de sortie sont gratuits. Cette efficacité explique l’adoption record sur l’AI Gateway de Vercel : en seulement 24 heures, Jev a été adopté par 13 % des équipes payantes, devenant le modèle à la croissance la plus rapide de l’histoire de la plateforme.

Point d’impact n°3 : La fin des hallucinations par la rigueur mathématique

L’hallucination de format est le cancer de l’automatisation par IA. Un LLM peut, de manière imprévisible, renvoyer un JSON mal formé qui brise la chaîne de production. Jev résout ce problème par la structure même de son architecture.

Contrairement aux LLM qui génèrent des jetons de manière séquentielle, Jev utilise un Parallel Sampler (échantillonneur parallèle). Il produit l’intégralité de sa décision en une seule requête matérielle. Grâce au Schema Matching, le modèle est mathématiquement contraint de respecter la structure définie par le développeur. L’erreur de type devient impossible. Ce n’est plus une IA que l’on “prie” de bien vouloir suivre les instructions, c’est un composant logiciel rigoureux.

Point d’impact n°4 : La confiance calibrée ou le “Smart If Statement”

L’un des plus grands échecs des modèles actuels est leur arrogance : ils sont souvent certains d’eux, même quand ils ont tort. Jev introduit une confiance calibrée. Si le modèle affiche un score de 95 %, sa précision statistique sera de 95 %.

Cela permet de créer ce que Typesafe appelle des Smart If Statements. Le développeur peut enfin coder des règles de gestion de l’incertitude :

• Si confiance > 95 % : Automatiser l’action (remboursement, routage, validation).

• Si confiance < 50 % : Passer la main à un humain ou rejeter la requête.

C’est cette capacité à déléguer le problème de l’hallucination à une logique de seuil qui rend Jev indispensable pour les systèmes critiques.

L’aspect philosophique : La “Bitterest Lesson” d’Almeida

Pourquoi Typesafe AI réussit-là où les géants peinent ? Almeida applique The Bitterest Lesson (la leçon la plus amère), théorisée par Rich Sutton : miser sur l’optimisation de la tâche plutôt que sur la sagesse humaine.

Alors que le monde entier s’est acharné sur le RLHF pour rendre l’IA plaisante à lire, Typesafe a misé sur le RLCD (Reinforcement Learning for Calibrated Decisions). Le modèle est entraîné exclusivement sur des données synthétiques parfaitement maîtrisées statistiquement. Almeida considère la création de ces données propriétaires comme son “life’s joy” et le pari le plus important de sa carrière. Typesafe ne cherche pas à construire une divinité dans un data center, mais un outil de précision.

Conclusion : Le Paradoxe de Jevons et l’avenir du logiciel

Le nom du modèle n’est pas un hommage au hasard. Le Paradoxe de Jevons stipule que plus une ressource devient efficace, plus sa consommation explose.

En rendant l’intelligence 200 fois plus rapide et radicalement moins chère, Typesafe ne va pas réduire le besoin en IA. Au contraire, ils s’apprêtent à l’injecter dans chaque micro-fonction, chaque branchement if/else de notre infrastructure numérique. L’avenir du logiciel ne sera pas une application massive et centralisée, mais un système “émergent et distribué” où l’intelligence est partout, invisible et instantanée.

Si l’intelligence ne coûtait plus rien et répondait en une fraction de seconde, quelle partie de votre quotidien automatiseriez-vous dès demain ?