Jev e Laya: quando l'AI non scrive, decide
In questi giorni due nomi dominano la conversazione AI: Jev di TypeSafe e Laya di Convai Innovations. Non sono altri chatbot. Appartengono a una categoria diversa: modelli che non generano testo, ma prendono decisioni. E la storia della loro uscita, a tre giorni di distanza, dice molto su come funziona oggi l'industria AI.
Cosa sono i decision model
Un modello linguistico classico risponde token dopo token: è un modello generativo. Costoso, lento, e per certi usi uno spreco. Se la domanda è «quale di queste opzioni è giusta?» oppure «questa segnalazione va in escalation o no?», generare una frase per dirlo è come usare un'auto per attraversare la strada.
I decision model operano al contrario: ricevono uno stato e un insieme delimitato di opzioni, e restituiscono un valore tipizzato con una probabilità calibrata. Sono il «Sistema 1» dell'AI: il giudizio rapido che precede, o sostituisce, il ragionamento lento. Gli usi tipici sono il routing delle richieste, la classificazione dei ticket, la selezione del tool giusto per un agente, i guardrail prima di azioni distruttive, l'escalation.
Jev: il «Sistema 1» di TypeSafe
Jev 1.13.0 è stato lanciato il 15 settembre 2026 da TypeSafe AI, fondata dall'ex ricercatore OpenAI Diogo Almeida dopo due anni di lavoro in stealth. Il round di avvio è di 40 milioni di dollari guidato da DCVC, con una valutazione dichiarata da Forbes di 200 milioni. Il post di lancio ha superato i 37 milioni di impressioni in quattro giorni.
Le caratteristiche chiave:
- Architettura parallela, non autoregressiva: a differenza di un LLM che genera un token alla volta, Jev produce l'intero output in una singola passata. Le dichiarazioni ufficiali parlano di fino a 200 volte più veloce e 400 volte più economico di un LLM frontier, con latenza end-to-end tra 70 e 500 millisecondi.
- Addestramento con RLCD (Reinforcement Learning for Calibrated Decisions): invece di ottimizzare testo che piace agli umani, ottimizza probabilità calibrate sui risultati. La confidenza, in aggregato, significa davvero qualcosa: più alta equivale a più accuratezza.
- Output tipizzato: la primitiva Choice restituisce la scelta vincente, una probabilità per ogni opzione (fino a 255) e un valore di confidenza. Il prezzo è aggressivo: 0,042 dollari per milione di token in input, output gratis.
- Chiuso: solo API ospitate, niente pesi aperti.
Dove brilla: le cascate a confidenza. Sopra 0,85 si esegue automaticamente in codice; tra 0,50 e 0,85 si manda a verifica umana; sotto 0,50 si passa a un LLM di ragionamento pesante. Nelle prime 48 ore sono arrivate demo impressionanti: un agente browser che prenota un volo in 7,1 secondi, un bot Minecraft che impara a fuggire dagli zombie senza regole scritte (due minuti di gioco per circa un centesimo di dollaro), 1.018 paper scientifici classificati per 8 centesimi.
Anche i limiti dichiarati sono notevoli. TypeSafe pubblica una pagina di «jaggedness» insolitamente onesta: Jev non genera nulla, non ragiona in più passi, non conta in modo affidabile, tratta le date come testo, legge le istruzioni alla lettera e resta vulnerabile a contenuti ostili costruiti dentro lo stato.
Laya: la risposta open source
Tre giorni dopo, il 18 settembre 2026, l'indipendente NandhaKishor M con Convai Innovations rilascia Laya: una famiglia di decision model open source con licenza Apache 2.0, con pesi, codice, dataset e harness di benchmark inclusi. Non nata in tre giorni: l'autore ha pubblicato un paper sul reinforcement learning per decisioni di vendita (SalesRLAgent) già a marzo 2025, il che alimenta una disputa di priorità con TypeSafe che le fonti pubbliche non permettono di risolvere.
Laya arriva in tre checkpoint:
| Checkpoint | Encoder | Parametri | Contesto | Uso |
|---|---|---|---|---|
| laya | ModernBERT-large | 421M | 512 token | inglese, generale |
| laya-multilingual | mmBERT-base | 322M | 1.024 token | 100+ lingue |
| laya-typed-decisions | ModernBERT-large | 421M | 1.024 token | quattro workflow specializzati |
Tecnicamente: un encoder BERT con due layer aggiuntivi che valutano le opzioni, addestrato con PPO su rappresentazioni di sequenza. Su una GPU T4 il checkpoint multilingue dichiara 32,8 millisecondi a decisione; quello inglese 39,5. Gira self-hosted (PyTorch, layacpp, laya-rs), quindi anche on-premise e in rete isolata.
Il confronto
| Jev | Laya | |
|---|---|---|
| Licenza | closed source, API ospitata | Apache 2.0, self-hosted |
| Output | valori tipizzati, probabilità calibrate (RLCD) | punteggi e probabilità, calibrazione da rifinire |
| Hard-label accuracy (typed-decisions) | 0,727 | 0,766 (checkpoint fine-tuned sul train split) |
| Soft accuracy | 0,580 | 0,471 |
| Errore di calibrazione (ECE) | 0,144 | 0,213 |
| Opzioni per domanda | fino a 255, in modo nativo | degrada oltre le 20 (0,425 su Banking77 contro 0,870 di Jev) |
| Lingua | inglese | inglese e 100+ lingue (media macro 0,227: copertura, non accuratezza) |
| Deployment | cloud gestito | on-premise, rete isolata, on-device |
Due avvertenze prima di trarre conclusioni. Primo: lo 0,766 di Laya è un numero specializzato, perché quel checkpoint è stato fine-tuned sul training split dello stesso benchmark. I modelli base si fermano intorno a 0,35, poco sopra la baseline casuale di 0,318. E i numeri di Jev arrivano da una valutazione separata, con prompt e campioni diversi. Secondo: la calibrazione di Laya è lavoro, non una proprietà. Così com'è, il suo errore di calibrazione è 0,466; arriva allo 0,081 dichiarato solo dopo aver rifittato una temperatura per tipo di domanda sui propri dati.
Chi vince?
Dipende dal caso d'uso. Per classificazioni zero-shot su insiemi di opzioni grandi, oltre le 50, o quando serve un servizio gestito con SLA, Jev. Quando contano la privacy (dati che non devono uscire dal perimetro), la latenza su hardware proprio o la possibilità di addestrare checkpoint proprietari, Laya.
Ma la lezione più interessante della vicenda è un'altra: in 48 ore dal lancio di Jev sono spuntati sei cloni open source, con architetture diverse tra loro (ModernBERT, Qwen, modelli custom). Il che dice che l'idea di fondo, piccoli modelli a output tipizzato addestrati per decisioni calibrate, era più un'intuizione ben eseguita che un segreto industriale irripetibile. Un vantaggio di modello non è un fossato: il valore difendibile sta nel workflow, nei dati di feedback, negli eval privati e nell'affidabilità operativa costruita intorno al modello.
Jev e Laya sono due risposte alla stessa intuizione: molta dell'AI che usiamo ogni giorno non ha bisogno di scrivere, ha bisogno di decidere. E decidere può costare quasi nulla.
Fonti
Easter egg
Il nome Jev viene da William Stanley Jevons, l'economista che nel 1865 osservò una cosa scomoda: rendere più efficiente l'uso di una risorsa ne aumenta il consumo. Un modello che porta una decisione a quasi zero fa lo stesso alle decisioni. Il paradosso era già nel nome.