Jev en de opkomst van judgement models: wat kan zo'n beslissingsmodel echt?

Half september lanceerde TypeSafe AI Jev in early access, het eerste model in een klasse die het bedrijf “System One Models” noemt. De demo’s gingen snel rond: een AI-model dat beslissingen teruggeeft in plaats van tekst, in 70 tot 500 milliseconden, tegen een fractie van de kosten van een groot taalmodel. Grote kans dat u er iets over voorbij hebt zien komen of dat een collega het u doorstuurde, inclusief stevige claims als “0% hallucinaties”.

De hype is niet helemaal onterecht, want er zit een echt idee onder: een judgement model (in het Nederlands: beslissingsmodel) kiest uit vooraf gedefinieerde antwoorden en geeft daar een zekerheidsscore bij, in plaats van tekst te schrijven. Maar de claims verdienen een nuchtere lezing, en die nul procent nemen we verderop onder de loep.

Schrijven versus kiezen

Grote taalmodellen zoals ChatGPT en Claude zijn gebouwd om tekst te produceren: antwoorden, samenvattingen, e-mails, code. Dat is knap, maar ook traag en relatief duur, en het antwoord komt als vrije tekst die uw software vervolgens weer moet interpreteren.

Een judgement model doet iets anders. U geeft het vooraf een vaste set mogelijke antwoorden, bijvoorbeeld een lijst categorieën, een schaal van 1 tot 10, of een simpele ja/nee. Het model kiest daaruit en geeft er een zekerheidsscore bij: hoe zeker het is van die keuze. Meer krijgt u niet terug, en dat is precies de bedoeling. De naam System One verwijst naar Daniel Kahnemans onderscheid tussen snel, intuïtief denken (Systeem 1) en langzaam, weloverwogen denken (Systeem 2): dit model is het snelle systeem, voor beslissingen die geen betoog nodig hebben.

Veel stappen in onze werkprocessen zijn te vertalen naar zo’n keuze. In welke categorie valt deze klacht? Naar welke afdeling moet deze e-mail? Hoort deze factuurregel bij inkoop of bij marketing?

Voor al dat soort stappen is een volledig taalmodel een te zwaar middel.

Wat Jev concreet kan

Volgens TypeSafe’s eigen documentatie is Jev gebouwd voor taken als classificeren, routeren, scoren, het herkennen van velden in tekst en het controleren van de uitvoer van andere AI-modellen. Het bedrijf claimt reactietijden van 70 tot 500 milliseconden, tegen kosten die omgerekend neerkomen op een fractie van een cent per beslissing. Dat zijn leverancierscijfers, maar als ze ook maar in de buurt kloppen, is het verschil met grote taalmodellen interessant. In de praktijk kunt u zo’n model gebruiken op plekken waar een taalmodel te traag of te duur is: midden in een werkproces, bij elk binnenkomend document of bij iedere klantvraag.

Het interessantste onderdeel is de zekerheidsscore. Die maakt een werkwijze mogelijk die wij ook al in onze AI-agenten toepassen: beslissingen waar het model zeker van is, worden automatisch verwerkt, en alles onder een drempel gaat naar een mens. U automatiseert dan de bulk, terwijl de twijfelgevallen bij een mens op het bureau belanden. Dat is voor de meeste mkb-processen een veel gezondere opzet dan alles-of-niets-automatisering.

Wat het niet kan, en wat de claims echt betekenen

Net zo belangrijk is de andere kant. Jev schrijft geen tekst, dus het kan geen antwoord formuleren, geen toelichting geven en geen vraag terugstellen. Het leest alleen tekst, geen afbeeldingen of scans, en een keuzelijst is beperkt in omvang. Bovendien is het model primair op Engels getraind; voor Nederlandse teksten is testen op uw eigen materiaal dus extra belangrijk.

Dan de bekendste claim: “0% hallucinaties”. Zoals MarkTechPost terecht opmerkt, betekent dat alleen dat het antwoord gegarandeerd uit uw vooraf gedefinieerde lijst komt. Het model kan dus geen categorie verzinnen die niet bestaat. Maar het kan nog steeds de verkeerde categorie kiezen. De garantie geldt voor de vorm van het antwoord; over de juistheid van de keuze zegt de claim niets.

Dezelfde vakpers adviseert dan ook om leveranciersbenchmarks niet blind over te nemen en op uw eigen data te testen. Dat advies onderschrijven wij volledig.

Gehost of zelf draaien

Jev is een gehoste API achter een wachtlijst: uw data gaat naar de servers van TypeSafe in de Verenigde Staten, zo staat in het eigen privacybeleid. Inmiddels heeft ook OpenAI deze markt betreden: op Dev Day (29 september 2026) kondigde het de Decisions API aan, gebouwd op GPT-6 Luna, die naast tekst ook afbeeldingen kan beoordelen maar vooralsnog alleen in besloten preview beschikbaar is en nog geen zekerheidsscore publiceert. Voor wie liever niets naar buiten stuurt zijn er ook open-source alternatieven in dezelfde categorie, bijvoorbeeld Laya, dat lokaal draait zodat data uw eigen omgeving niet verlaat, maar wel eerst op uw eigen domein bijgetraind moet worden. Welke variant past, hangt af van uw datagevoeligheid en van hoeveel evaluatiewerk u zelf kunt dragen.

Wat dit voor uw organisatie betekent

De les van Jev is breder dan het product zelf: niet elke AI-stap in een proces vraagt om een groot taalmodel. Veel stappen zijn keuzes, en voor keuzes bestaat nu een categorie modellen die snel en goedkoop is en zelf aangeeft wanneer een keuze onzeker is. De combinatie van beide soorten modellen, met een mens boven de twijfelgevallen, is hoe wij op dit moment de meeste werkende automatiseringen zien ontstaan.

Wij kregen zelf early access tot Jev en hebben het voor twee interne agenten gebruikt: we testten het als beslislaag voor onze boekhoudagent Penny en bouwden het in als router voor onze bedrijfsagent Twine. In dit kijkje in onze keuken leest u wat we bouwden, waar Jev stopt en waar een taalmodel of mens het overneemt.

Wilt u weten welke beslissingen in uw eigen processen zich hiervoor lenen? Onze AI Readiness Scan brengt in kaart waar AI in uw organisatie het verschil kan maken, inclusief de plekken waar zo’n snelle beslislaag past.

Onze content is AI-ondersteund. We gebruiken AI bij onderzoek en het maken van concepten. Een mens controleert en bewerkt de tekst en neemt verantwoordelijkheid voor alles wat we publiceren. Lees hoe wij onze content maken.