Jev (TypeSafe) : l'IA qui prend des décisions, testée sur le SEO e-commerce

TL;DR :

• Jev est le premier modèle « System One » de TypeSafe, sorti mi-septembre 2026. Il ne discute pas et n'écrit pas de texte : il répond à des questions fermées (un choix, une note, un oui ou non) avec une probabilité.
• Il est rapide et très peu cher : TypeSafe annonce de 70 à 500 millisecondes par réponse, pour 0,042 $ par million de tokens en entrée. Les tokens de sortie sont gratuits.
• Mon test sur une boutique d'accessoires Mercedes : sur 884 requêtes Search Console ambiguës, Jev en a classé 591 à garder, 291 à relire et 2 à écarter. Il m'a aussi aidé à choisir des liens internes.
• Pour l'essayer : la console de TypeSafe, OpenRouter, ou les passerelles IA de Vercel (gratuit jusqu'au 25 septembre 2026) et de Netlify.
• Ses limites : il compte mal, lit mal les dates, prend tes questions au pied de la lettre, et l'anglais reste sa langue principale. Les cas douteux doivent partir vers un humain.

---

Salut 👋

Depuis sa sortie, Jev fait beaucoup parler de lui. Ce n'est pas un concurrent de GPT-6 ou de Fable 5.1 : il ne sait ni discuter, ni écrire, ni coder. Il fait une seule chose, prendre des petites décisions, et il la fait en quelques centaines de millisecondes pour presque rien.

Je l'ai testé sur le SEO d'une boutique d'accessoires Mercedes que je gère pour UpYourBizz. Dans ce guide, je t'explique ce qu'est Jev, combien il coûte, comment l'essayer, et ce qu'il a donné sur deux vrais chantiers : trier les requêtes Search Console et choisir des liens internes. Ce que j'ai vécu est écrit à la première personne. Le reste vient de la documentation de TypeSafe et des annonces de Vercel, Netlify et OpenRouter, lues le 23 septembre 2026.

Chapitre 1, 1 min

Jev, c'est quoi ?

Jev est le modèle phare de TypeSafe, et le premier de ce que l'entreprise appelle les modèles « System One ». Le nom vient de la psychologie : le « système 1 » désigne la pensée rapide et intuitive, par opposition au « système 2 », plus lent et réfléchi.

Un LLM comme GPT-6 ou Fable 5.1 produit du texte, mot après mot. Pour lui demander si un e-mail est urgent, tu écris un prompt, il rédige une réponse, puis ton code doit la relire pour en extraire un « oui ». Jev saute toutes ces étapes. Tu lui envoies :

• un état : le texte ou les données à juger (un e-mail, une requête, une page) ;
• des questions typées : pour chacune, les réponses possibles.

Il renvoie pour chaque question sa réponse, avec des probabilités et, pour les choix et les notes, un niveau de confiance. Ton code s'en sert directement pour trier, router ou décider. Jev ne peut pas répondre en dehors des options que tu lui donnes : pas de réponse hors liste, pas de format cassé. Ça ne veut pas dire que la réponse est juste, seulement que ton code peut toujours la lire.

Le même message, deux façons de répondre. Un LLM rédige une phrase que ton code doit relire, Jev renvoie une probabilité prête à l'emploi. Les chiffres sont des exemples.

Autre avantage : tu peux poser plusieurs questions sur le même état en un seul appel. Jev les traite en parallèle, donc une question de plus allonge à peine le temps de réponse. Chacune compte quand même dans les tokens facturés.

Chapitre 2, 1 min

Les 3 types de questions

Jev ne connaît que trois formes de questions. Tout se construit avec elles.

Un seul appel, trois questions traitées en parallèle. Le 0,66 vient de mon test, les autres valeurs sont des exemples.

Deux règles de la documentation évitent la plupart des erreurs :

• Ajoute une option « autre » quand ta liste ne couvre pas tous les cas. Sinon, Jev est forcé de ranger chaque entrée dans une case qui ne lui va pas.
• Garde Noul pour les vrais oui ou non. Une probabilité de 0,5 veut dire que oui et non sont aussi probables l'un que l'autre, pas « moyennement oui ». Pour mesurer un degré, prends Score.

Pour le filtre des requêtes comme pour le maillage, je n'ai utilisé que des Noul : une question oui ou non suffisait.

Pour les curieuxProbabilité ou confiance, quelle différence ?

La probabilité dit à quel point chaque option est probable. La confiance, elle, mesure si une option domine nettement : 1 quand toute la probabilité est sur une seule option, moins quand elle se répartit. Une réponse « business » à 55 % contre 45 % pour « informationnelle » a une confiance faible, même si « business » l'emporte. C'est un bon repère pour décider quand relire, à condition de fixer tes seuils en testant sur tes propres données.

Même réponse, confiance très différente. Les chiffres sont des exemples.

Chapitre 3, 1 min

Combien coûte Jev ?

La version actuelle s'appelle Jev 1.13. Son tarif, sur l'API de TypeSafe comme sur OpenRouter :

• 0,042 $ par million de tokens en entrée ;
• 0 $ pour les tokens de sortie.

Pour te donner un ordre d'idée, l'exemple Choice de la documentation (un message court et une question à 3 options) consomme 328 tokens en entrée. À ce rythme, passer les 92 439 requêtes distinctes de mon export Search Console coûterait environ 1,27 $. C'est un calcul fait avec le tarif officiel, pas une facture : la taille de tes instructions change le total. Chaque réponse indique les tokens consommés (reponse.usage.input_tokens en Python), alors mesure sur un échantillon avant de lancer tout ton fichier.

Les autres limites de Jev 1.13, d'après la documentation :

• 64 000 tokens par requête, dont 32 000 au plus pour l'état et la question la plus longue ;
• 1 200 requêtes par minute et 250 000 tokens par seconde, des limites que TypeSafe ajuste selon la demande, sans prévenir ;
• du texte uniquement : pas d'image, pas d'audio, pas de vidéo.

TypeSafe annonce des réponses en 70 à 500 millisecondes, et jusqu'à 193,6 fois plus de vitesse et 444,6 fois moins de coût que des LLM sur ses propres évaluations. Ce sont les chiffres de l'éditeur, repris par Vercel : ils valent pour ses tâches de test, pas forcément pour les tiennes.

Chapitre 4, 1 min

Comment essayer Jev

Tu as quatre portes d'entrée :

1. La console de TypeSafe, avec un playground pour tester sans code et la création de ta clé d'API. Jev y est en accès anticipé.
2. OpenRouter, en bêta, sous les noms typesafe/jev-latest et typesafe/jev-1.13, avec tes crédits OpenRouter.
3. Vercel AI Gateway, où Jev est arrivé le 16 septembre 2026 sous le nom typesafe-ai/jev. Il y est gratuit jusqu'au 25 septembre 2026, et depuis le 21 septembre la passerelle accepte aussi le SDK de TypeSafe.
4. Netlify AI Gateway, depuis le 17 septembre 2026 : tes Functions Netlify appellent Jev avec le SDK de TypeSafe, sans clé d'API à gérer.

En Python, avec le SDK officiel, un premier appel tient en quelques lignes :

pip install typesafe-sdk

from typesafe_sdk import Noul, TypeSafeClient

# Le client lit ta clé dans la variable d'environnement TYPESAFE_API_KEY
with TypeSafeClient() as client:
    reponse = client.system_one(
        state="Bonjour, ma commande n'est jamais arrivée et je voudrais être remboursé.",
        questions={
            "remboursement": Noul(instructions="Le client demande-t-il un remboursement ?"),
        },
    )
    print(reponse.answers["remboursement"].noul)  # probabilité que la réponse soit oui

Côté no-code, un nœud HTTP Request de n8n suffit : l'API répond sur https://api.typesafe.ai/v1/systemone, avec ta clé dans l'en-tête Authorization.

Le plus simple reste de confier le travail à ton agent de code. TypeSafe publie un skill qui lui apprend l'API, les trois types de questions et les bonnes pratiques. Dans Claude Code, deux commandes suffisent :

claude plugin marketplace add typesafe-ai/skills
claude plugin install typesafe@typesafe-ai

Pour Codex, Cursor ou un autre agent, la commande est npx skills add typesafe-ai/skills --skill typesafe-ai. Si les skills sont nouveaux pour toi, commence par mon guide des Skills Claude.

Chapitre 5, 1 min

Trier mes requêtes Search Console

Avec l'API de la Search Console, j'ai récupéré 92 439 requêtes distinctes, de juin 2025 au 19 septembre 2026. Je voulais savoir lesquelles viennent de vrais clients potentiels de la boutique, pour concentrer le travail SEO sur elles.

Jev n'a pas vu ces 92 439 requêtes, et c'est voulu. J'ai mis de côté les cas évidents : les références de pièces d'origine (OEM) et les requêtes qui associent déjà clairement une pièce et la marque. Jev n'a reçu que ce qui restait ambigu, en deux temps :

1. Un test sur 50 requêtes, tirées d'un premier export de la Search Console. Je les avais annotées à la main avant de les soumettre à Jev.
2. 884 requêtes ambiguës avec au moins 1 000 impressions chacune.

Pour chaque requête, une seule question : la personne qui tape ça est-elle un client plausible de la boutique ? Jev renvoie une probabilité, et le code décide avec trois seuils. À 0,80 et plus, je garde. De 0,21 à 0,79, je relis. À 0,20 et moins, j'écarte.

Mon filtre Search Console : les cas évidents se règlent sans IA, Jev tranche les cas ambigus, et je relis ce qui reste.

Extrait du test sur 50 requêtes annotées à la main, avec jev-1.13.0. La probabilité est celle d'un « oui, client plausible ».

Les requêtes produit passent haut la main, et les requêtes sans rapport tombent tout en bas. Le milieu du tableau est ambigu pour un humain aussi : une requête de marque seule comme « mercedes » peut venir d'un client de la boutique comme d'un futur acheteur de voiture, et des mots comme « occasion » ou « devis » changent l'intention.

Sur les 884 requêtes ambiguës, le résultat est le suivant : 591 à garder, 291 à relire, 2 à écarter. Ce n'est pas le prix qui limite : même à 1 000 tokens par requête, ces 884 appels coûtent moins de 4 centimes de dollar. Ce qui prend du temps, c'est la relecture, puisqu'un tiers des requêtes demande un œil humain.

Voici l'idée en Python, simplifiée :

from typesafe_sdk import Noul, TypeSafeClient

BOUTIQUE = "Boutique en ligne d'accessoires et de pièces d'origine Mercedes : coffres de toit, roues, tapis de sol, filtres, batteries..."

def decider(probabilite):
    if probabilite >= 0.80:
        return "garder"
    if probabilite <= 0.20:
        return "écarter"
    return "relire"

with TypeSafeClient() as client:
    reponse = client.system_one(
        state={"requete": "coffre de toit mercedes occasion", "boutique": BOUTIQUE},
        questions={
            "client_plausible": Noul(
                instructions="La personne qui tape `requete` dans Google est-elle un client plausible de `boutique` ?",
            ),
        },
    )
    probabilite = reponse.answers["client_plausible"].noul
    print(probabilite, decider(probabilite))

Sur la même boutique, j'ai aussi demandé à Jev quelle page du site devrait répondre à chaque requête, puis j'ai comparé avec la page que Google affiche vraiment. Jev désigne la même page que Google dans 153 cas sur 241. Même quand il est d'accord, sa probabilité médiane n'est que de 0,45 : je n'ai donc rien changé automatiquement.

Chapitre 6, 1 min

Choisir mes liens internes

Deuxième chantier : le maillage interne, c'est-à-dire les liens entre les pages de la boutique. Des articles du blog vers les catégories de produits, et des catégories vers les catalogues par modèle, sans lien forcé. Pas de netlinking externe ici : tous les liens restent à l'intérieur du site.

C'est une question différente de celle du filtre des requêtes. Pour chaque page source, Jev reçoit les pages candidates une par une et répond à une question oui ou non, du type « un lien vers cette page aiderait-il le lecteur ? ».

Extrait de mon maillage interne : une question oui ou non par page candidate, avec jev-1.13.0.

Les liens absurdes sont refusés sans hésitation : 0,02 et 0,03 pour envoyer vers les tapis de sol un lecteur venu lire un article sur CarPlay ou sur les porte-vélos. Un article hors sujet, comme celui sur les Worlds 2023 de League of Legends, ne reçoit aucun lien forcé. Et bon signe : les deux liens que j'avais déjà posés à la main obtiennent 0,87 et 0,84, tout en haut de l'échelle.

Pour les catégories, j'ai ajouté un contrôle qui ne relève pas de Jev : le stock disponible, ou un modèle absent du menu du site. Jev juge si le lien a du sens, le reste de la décision m'appartient.

Pour juger un lien, Jev a besoin du titre et du texte de chaque page. Si tu n'as pas accès à la base de ton site, un crawler comme Website Content Crawler d'Apify récupère le texte de toutes tes pages. Je compare les options dans mon comparatif des outils de scraping. N'envoie à Jev que le titre et le texte principal : la documentation prévient que le contenu sans rapport avec la question fait baisser sa précision.

from typesafe_sdk import Noul, TypeSafeClient

with TypeSafeClient() as client:
    reponse = client.system_one(
        state={
            "page_source": {"titre": "Impact aérodynamique d'un coffre de toit", "texte": "..."},
            "page_cible": {"titre": "Coffres de toit", "description": "..."},
        },
        questions={
            "lien_utile": Noul(
                instructions="Un lien de `page_source` vers `page_cible` aiderait-il le lecteur de `page_source` ?",
            ),
        },
    )
    if reponse.answers["lien_utile"].noul >= 0.70:
        print("Lien candidat, à vérifier avant de l'ajouter")

Chapitre 7, 1 min

D'autres usages de Jev

Dès que ton code doit prendre une petite décision sur du texte, Jev est une option. La documentation de TypeSafe et les démos qui circulent depuis sa sortie montrent notamment :

• le tri des e-mails et des tickets de support : service concerné, urgence, besoin d'une réponse ;
• la qualification des leads entrants : besoin clair, budget annoncé, sérieux de la demande ;
• l'e-commerce : vérifier les fiches produits, analyser les avis clients, repérer les faux avis ;
• le marketing : vérifier qu'une pub et sa page d'arrivée parlent bien de la même chose ;
• la modération avec tes propres règles ;
• le tri de résultats de recherche : noter chaque passage avant de l'envoyer au LLM qui rédige la réponse ;
• le choix d'un outil ou d'un skill : un des exemples de la documentation choisit le bon skill parmi 182 ;
• des garde-fous autour d'un LLM : filtrer ce qui entre et ce qui sort, comme une donnée confidentielle, et repérer une citation inventée.

Chapitre 8, 1 min

Les limites de Jev

TypeSafe publie lui-même la liste des faiblesses connues de Jev 1.13. Les plus utiles à connaître :

• Il n'est pas une calculatrice. Il fait mal les calculs et compte mal les lettres, les mots ou les éléments d'une liste.
• Il lit les dates comme du texte. Comparer deux dates ou calculer un délai n'est pas fiable.
• Il prend ta question au pied de la lettre. Il répond à ce que tu as écrit, pas à ce que tu voulais dire. Les doubles négations et les formulations indirectes le piègent.
• Il est sensible à la formulation. Deux façons proches de poser la même question peuvent donner des réponses différentes, et des options qui contredisent tes instructions le perdent.
• Trop de contexte inutile le perturbe. Plus l'état contient d'informations sans rapport avec la question, plus il se trompe.
• Il fait confiance aux données. Un texte écrit pour le manipuler peut orienter sa réponse.
• L'anglais reste sa langue principale. D'autres langues sont prises en charge, mais pas toutes aussi bien : vérifie ses réponses sur tes données en français.
• Il ne génère pas de texte. Pour rédiger, garde un LLM.

Chapitre 9, 1 min

Jev ou un LLM classique ?

Les deux se complètent. Jev prend les milliers de petites décisions répétitives, et le LLM garde ce qui demande d'écrire ou de réfléchir, y compris les cas où Jev hésite.

Chapitre 10, 1 min

Questions fréquentes

C'est quoi Jev ?

Jev est un modèle d'IA de TypeSafe, sorti mi-septembre 2026. Il ne génère pas de texte : il répond à des questions fermées (un choix, une note, un oui ou non) avec des probabilités, pour que ton code puisse décider tout seul.

Jev est-il gratuit ?

Non, mais il coûte très peu : 0,042 $ par million de tokens en entrée, et la sortie est gratuite. Vercel l'a rendu gratuit sur son AI Gateway jusqu'au 25 septembre 2026.

Jev comprend-il le français ?

Oui, mais l'anglais reste sa langue principale. TypeSafe prévient que les autres langues ne sont pas toutes aussi bien prises en charge : vérifie ses réponses sur un échantillon de tes données avant de lui confier tout un fichier.

Jev utilise-t-il mes données pour s'entraîner ?

Non, d'après TypeSafe : Jev n'est pas entraîné sur les requêtes ni sur les réponses de ses clients. Les entreprises peuvent aussi demander qu'aucune donnée ne soit conservée.

Peut-on discuter avec Jev comme avec ChatGPT ?

Non. Jev ne rédige pas de réponse. Il choisit parmi les options que tu lui donnes et indique à quel point il en est sûr. Pour discuter ou rédiger, garde un LLM comme GPT-6 ou Fable 5.1.

Comment utiliser Jev avec Claude Code ?

Installe le skill de TypeSafe avec claude plugin marketplace add typesafe-ai/skills puis claude plugin install typesafe@typesafe-ai. Claude connaît alors l'API de Jev et peut l'intégrer à ton projet.

Jev peut-il classer des mots-clés par intention de recherche ?

Oui. Une question Choice avec tes catégories (par exemple informationnelle, business et autre) classe chaque requête, avec une probabilité par catégorie. Pour ma boutique, j'ai préféré une question oui ou non plus directe : la requête vient-elle d'un client plausible ?

Jev peut-il aider pour le maillage interne ?

Oui. Pose une question oui ou non par couple de pages : un lien de la page A vers la page B aiderait-il le lecteur ? Garde ensuite les couples au-dessus d'un seuil fixé sur tes propres résultats. Chez moi, la coupure était à 0,70 pour les articles.

Chapitre 11, 1 min

Pour finir

Jev ne remplace pas ton LLM : il le décharge. Tout ce que ton code décide en boucle sur du texte (trier, classer, noter) devient rapide et presque gratuit, à condition de poser des questions nettes et de laisser les cas douteux à un humain.

Sur ma boutique, Jev n'a vu qu'une petite partie de mes 92 439 requêtes : 50 pour le test, puis 884 cas ambigus. Et c'est très bien comme ça. Les cas évidents se règlent sans lui, Jev tranche les cas ambigus, et je relis ce qui reste.

Mon conseil : prends une tâche répétitive que tu fais aujourd'hui à la main ou avec un LLM, pose-la en une question fermée, et compare les réponses de Jev avec les tiennes sur une cinquantaine de cas avant de lui faire confiance. C'est ce que j'ai fait avec mes 50 requêtes annotées.

À très vite,

Guillaume 👋

Le lien Apify de cet article est affilié : si tu t'abonnes via ce lien, je touche une commission, sans surcoût pour toi. Les liens vers TypeSafe, OpenRouter, Vercel et Netlify ne sont pas affiliés.