Jeev: il modello AI che non genera testo (e rivoluziona tutto)

L'AI non ti ruberà il lavoro. Ma qualcuno che sa usare l'AI nel modo giusto, sì. E se ti dicessi che è appena uscito un modello che costa 44 volte meno di GPT-4 e va 193 volte più veloce, ma non è un chatbot e non produce testo?

Quando ho scoperto Jeev, pensavo fosse l'ennesimo LLM più rapido. Poi ho capito che non genera token. Non ci parli. Non è nemmeno un Large Language Model. È un sistema intelligente che prende decisioni , e sta cambiando il modo in cui penso agli agenti AI.

Cos'è Jeev e perché dovresti interessartene

Jeev è ciò che chiamano un System One Model : una funzione intelligente che riceve in input uno stato (testo non strutturato) e istruzioni in linguaggio naturale, e restituisce tre tipi di output:

• Un valore booleano (sì/no)
• Uno score numerico (es. da 1 a 10)
• Una scelta tra opzioni predefinite

Niente JSON generato token per token. Niente attesa di 5 secondi mentre il modello "pensa". Jeev risponde istantaneamente, perché non genera testo : prende decisioni.

L'architettura è nata da un team che include Diogo Almeida, ex ricercatore OpenAI e co-inventore del Reinforcement Learning with Human Feedback (RLHF), la tecnica che ha permesso il passaggio da GPT a ChatGPT. Hanno lavorato in stealth per due anni, senza dire nulla a nessuno, poi sono usciti pubblicamente pochi giorni fa.

Come funziona Jeev nel mondo reale

Immagina di dover scremare decine di curriculum. Con un LLM tradizionale, passi ogni CV a GPT o Claude, gli chiedi di estrarre anni di esperienza, un punteggio di aderenza alla posizione e il settore di provenienza. Il modello genera un JSON, token dopo token: 4-5 secondi per CV.

Con Jeev? Passi il curriculum come stato , aggiungi le istruzioni ("estrai anni di esperienza, score di fit, settore"), e in 300 millisecondi hai tutte le risposte. Non una alla volta: tutte insieme, in parallelo.

Ho testato personalmente questa differenza nel playground. GPT-4o impiega oltre 4 secondi per produrre lo stesso risultato che Jeev restituisce in mezzo secondo. E il costo? Quasi nullo, perché non ci sono token di output da pagare.

Un altro caso che mi ha colpito: hanno usato Jeev per giocare a Doom. A un videogioco, in tempo reale. Con un LLM classico è impossibile, troppo lento. Jeev elabora 30 fotogrammi al secondo, prende decisioni istantanee (spara/non spara, destra/sinistra) basandosi su uno stato JSON che descrive munizioni, posizione, nemici. È una via di mezzo tra l'intelligenza di un LLM e la velocità di un modello addestrato su un task specifico.

Perché Jeev cambia il modo di costruire agenti AI

Quando costruisco workflow con Make o n8n, o quando orchestro agenti con LangGraph o CrewAI, una parte enorme del tempo di esecuzione va in scelte intermedie : quale tool chiamare? Questo prompt è malevolo o sicuro? Quale categoria assegnare a questa email? Quale MCP server attivare?

Ogni decisione richiede un'inferenza LLM: prompt in input, JSON in output, 3-5 secondi di attesa, token bruciati. Moltiplica per decine o centinaia di decisioni in un flusso complesso, e capisci perché gli agenti possono diventare lenti e costosi.

Jeev risolve questo collo di bottiglia. Metti Jeev davanti al tuo agente come classificatore intelligente : filtra i prompt malevoli, sceglie il tool giusto, valuta la priorità di una richiesta, tutto in una frazione di secondo. Non serve addestrare un modello custom per ogni task. Scrivi le istruzioni in linguaggio naturale, e Jeev capisce.

Nei miei esperimenti con Claude Code, ho iniziato a immaginare scenari in cui Claude usa Jeev come strumento: l'LLM prepara lo stato e le istruzioni, Jeev prende la decisione rapidamente, e il workflow continua senza rallentamenti. È come avere un assistente velocissimo che sgrava il cervellone dai compiti ripetitivi.

Dove Jeev si inserisce nell'ecosistema AI

Prima di Jeev, avevamo due estremi. Da una parte, i modelli encoder come BERT o RoBERTa: veloci, ma da addestrare su dataset specifici per ogni task (classificare email, estrarre entità, ecc.). Dall'altra, i Large Language Model: generici, potentissimi, ma lenti e costosi quando devi fare milioni di classificazioni.

Jeev sta nel mezzo: la genericità dell'LLM (comprende testo e istruzioni senza addestramento specifico) con la velocità di un modello specializzato (output fisso, niente generazione token). Puoi dargli qualsiasi task di classificazione, assegnamento di score o scelta binaria, e funziona subito.

Sul piano pratico, questo significa che posso classificare decine di migliaia di documenti, email, post, recensioni senza aspettare giorni di batch processing o bruciare budget in chiamate API. Per progetti come quello che seguo nel settore brevetti (milioni di documenti da analizzare ogni settimana), la differenza è radicale.

Le insidie: Jeev non è perfetto

Una cosa mi ha fatto storcere il naso: il claim "zero allucinazioni". Jeev è un modello statistico. Se gli chiedi l'età di una persona senza dargli informazioni, ti restituisce una probabilità distribuita su opzioni che non conosce. Ho provato: gli ho chiesto quanti anni ho, senza contesto. Mi ha risposto con il 76% di confidenza che rientro nella fascia 31-100 anni. Sbagliato.

Non è un'allucinazione nel senso classico (inventare fatti nel testo generato), ma è comunque un errore: il modello assegna probabilità alte a scelte sbagliate quando non ha abbastanza informazioni. La soluzione? Aggiungere sempre un'opzione "non lo so" tra le scelte. Quando l'ho fatto, Jeev ha risposto "non lo so" al 90%. Molto meglio.

Il modello è calibrato per restituire probabilità realistiche, ma non è infallibile. Va usato con criterio, specialmente in contesti ad alto rischio (es. banking, healthcare), dove puoi impostare soglie di confidenza per filtrare le decisioni incerte.

Come funziona sotto il cofano (e come ricrearlo)

Jeev non ha ancora un paper ufficiale, ma la community open source si è mossa in fretta. Progetti come Semif (ex Open Jeev) hanno ricreato l'architettura partendo da modelli open come Qwen 2.5 (4B parametri) o MiniCPM (2B).

L'idea di base: prendi un decoder-only model (tipo GPT), taglia i layer finali che generano probabilità sui token del vocabolario, e aggiungi una testa custom che produce output fissi (booleano, score, scelta). L'input viene diviso in tre canali: stato, istruzioni, opzioni. L'output è limitato a un massimo di 255 task in parallelo.

Poi lo addestri in due fasi. Prima, Supervised Fine-Tuning (SFT) su 10-50k esempi sintetici (classificazione email, screening CV, ecc.). Seconda fase: Reinforcement Learning con "calibrated rewards", per allineare le probabilità del modello alla realtà. Se Jeev dice "90% opzione A", deve avere ragione 9 volte su 10.

Il risultato è un modello che gira su una RTX 3090 a casa tua, costa zero in cloud, e fa il lavoro di un LLM su task strutturati in una frazione del tempo.

Ora, una domanda che vale la pena tenere aperta: stiamo costruendo strumenti che ci rendono più capaci, o stiamo solo accelerando il momento in cui non serviremo più? Jeev prende decisioni più velocemente di noi. Tra qualche anno, saremo ancora noi a dargli le istruzioni?

Se stai iniziando a esplorare agenti AI o automazioni complesse, il mio consiglio è di guardare Jeev come un mattoncino da integrare, non come un sostituto degli LLM. Prova a usarlo tramite OpenRouter (costa 0,04€ per milione di token in input, zero in output) e sperimenta con task reali: classificazione email, scoring di lead, filtro di contenuti. Parti da lì, e scoprirai casi d'uso che nemmeno immaginavi.