Jev: LLM yang Tidak Menulis Teks, Hanya Menjawab

Bayangkan kamu membangun routing tiket untuk aplikasi dukungan pelanggan. Setiap tiket hanya butuh satu keputusan: tim billing, technical, atau account. Kamu memanggil sebuah LLM, lalu menunggu. Model itu menulis paragraf penjelasan untuk mengeluarkan satu kata: billing. Kamu pun menulis kode ekstra mem-parse jawaban itu sambil berharap tak ada halusinasi (jawaban yang dikarang).

Kelemahan ini muncul karena LLM dirancang menghasilkan teks bagi manusia. Padahal keputusan di dalam perangkat lunak umumnya jawaban pendek yang dibaca kode. TypeSafe, lab AI milik mantan peneliti OpenAI Diogo Almeida, meluncurkan Jev pada 15 September 2026. Produk ini membuka kategori System One model lewat early access. Figure 1 diambil dari blog peluncurannya.

Apa Itu Jev, Model System One Pertama?

Jev adalah model AI pertama dalam kelas System One model. Nama itu dipinjam dari konsep Kahneman dalam Thinking, Fast and Slow. System 1 berpikir cepat dan intuitif, sedangkan System 2 lambat dan deliberatif. LLM percakapan menyerupai System 2 karena menyusun argumen bertahap. Jev menyerupai System 1 karena hanya membuat keputusan cepat. Kamu mengirim state (kumpulan data konteks) plus pertanyaan bertipe, lalu kode menerima structured output.

TypeSafe membatasi bentuk pertanyaan lewat tiga primitive:

• Choice: memilih satu opsi dari daftarmu, lengkap probabilitas tiap opsi.
• Score: memberi angka menurut rubrik kamu, misalnya tingkat urgensi.
• Noul: menjawab benar atau salah dengan angka keyakinan 0 sampai 1.

Cara Kerja: State Masuk, Jawaban Bertipe Keluar

Cara kerjanya terlihat pada Figure 2. Satu request berisi state (teks, JSON, atau array teks) plus beberapa pertanyaan sekaligus. Jev mengevaluasi semuanya paralel terhadap state yang sama. Menambah pertanyaan pun hampir tidak mengubah response time. Jawaban keluar sebagai nilai bertipe, sebagian tipe menyertakan confidence (ukuran keyakinan model). Kode kamu tinggal bercabang dan route berdasarkan angka itu.

Supaya angka itu berarti, TypeSafe melatih Jev dengan RLCD (Reinforcement Learning for Calibrated Decisions). RLCD mengoptimalkan model pada kalibrasi keputusan, sementara RLHF mengoptimalkan pada preferensi manusia. Hasilnya, keyakinan tinggi cenderung tepat, keyakinan rendah menandakan keraguan. Dokumentasinya menyebut kalibrasi diukur per kelompok prediksi, bukan jaminan jawaban individual. Karena itu kode memakai confidence untuk memutuskan kapan bertindak sendiri atau eskalasi ke manusia.

Jev dan Coding Agent: Komplementer

Bagi pengguna coding agent seperti Claude Code, posisi Jev perlu dipahami sejak awal. Jev tidak menghasilkan teks, tidak menulis kode, dan tidak memanggil tool. Dokumentasi TypeSafe pun menyebutnya pelengkap LLM agen koding. Polanya: agen koding tetap menulis program, lalu program itu memanggil Jev saat butuh keputusan terstruktur. LLM menangani dialog dan penalaran panjang, Jev menangani penilaian cepat yang dipanggil berulang.

Contoh Penggunaan di Dunia Nyata

Dokumentasi TypeSafe mencantumkan beberapa skenario. Pertama, routing: kode meneruskan tiket sesuai pilihan Jev. Kedua, guardrail (penjaga keamanan): sistem memeriksa apakah prompt pengguna mengandung percobaan jailbreak. Ketiga, scoring: aplikasi menilai urgensi keluhan menurut rubrik, lalu bercabang dari angkanya. Terakhir, real-time: demo game Doom TypeSafe mengirim sekitar sepuluh keputusan per detik.

Perbandingan LLM Percakapan dan System One

Perbedaannya dirangkum berikut:

Aspek	LLM percakapan (System Two)	System One model (Jev)
Output	Teks bebas, harus di-parse	Nilai bertipe: choice, score, noul, probabilitas
Latensi	3 sampai 329 detik	70 ms sampai 500 ms
Biaya	Output lima kali lebih mahal dari input	Input 0,042 dolar per juta token; output gratis
Cara dipanggil	Prompt percakapan, mengalir bertahap	Satu request: state dan typed questions
Peran di pipeline	Otak agen: menulis, memanggil tool	Fungsi keputusan di dalam kode
Kalibrasi	Cenderung overconfident	Dikalibrasi lewat RLCD; confidence menyertai jawaban
Contoh tugas	Draf email, refactoring	Klasifikasi tiket, deteksi jailbreak, penilaian urgensi

Kelebihan dan Keterbatasan

Keunggulan Jev ada pada kecepatan dan biaya. TypeSafe mengklaim Jev 40 kali sampai 200 kali lebih cepat untuk kueri System One. Biayanya pun rendah: input 0,042 dolar per juta token, output gratis. Tanpa generasi string, vendor ini menyatakan Jev tidak bisa halusinasi dan bebas type error. Klaim ini berani, dan TypeSafe mengakui sebagian besarnya dari evaluasi internal.

Keterbatasannya juga nyata. Jev baru masuk early access, belum banyak diuji pihak luar. Input-nya terbatas pada teks, JSON, dan array teks; gambar, audio, dan video belum didukung. Jawaban pendeknya berarti kamu tetap butuh LLM biasa untuk penalaran panjang. Pertanyaan berbobot sebaiknya dipecah dulu menjadi beberapa pertanyaan kecil.

Kesimpulan

System One model membuka pintu baru bagi automation: kecerdasan yang hidup di kode. Jev menunjukkan bahwa keputusan kecil yang berulang bisa dititipkan ke model cepat, murah, dan terkalibrasi. LLM percakapan tetap dibutuhkan untuk penalaran panjang dan dialog manusia. Keduanya saling melengkapi dalam satu pipeline. Kalau kamu membangun aplikasi berbasis AI, hitung berapa panggilan LLM yang hanya butuh jawaban satu kata, lalu pertimbangkan System One model.

Penulis: Emmanuel Daniel Widhiarto, S.Kom – FDP Scholar

Referensi

TypeSafe. (2026). Introducing System One Models & Jev. https://typesafe.ai/blog/introducing-system-one-models-and-jev

TypeSafe. (2026). System One. https://docs.typesafe.ai/concepts/system-one

TypeSafe. (2026). Jev with coding agents. https://docs.typesafe.ai/introduction/coding-agents

Penguin Random House. (2011). Thinking, Fast and Slow. https://www.penguinrandomhouse.com/books/89308/thinking-fast-and-slow-by-daniel-kahneman/