Stiamo già testando il nuovo modello decisionale di TypeSafe sulle valutazioni presenti in ogni conversazione Maven, tra cui classificazione dei ticket, Intelligent Fields e controlli di qualità. Nei nostri primi test è risultato circa 12 volte più veloce del nostro approccio attuale nelle attività di classificazione, e non ha rallentato man mano che aggiungevamo classificazioni alla stessa richiesta.
Una richiesta del cliente contiene più di una decisione
Immagina un cliente che scrive: “La nostra bolletta è raddoppiata, metà del mio team non riesce ad accedere e ho bisogno che sia risolto prima del rinnovo di domani.”
Risolvere questa richiesta richiede diversi tipi di lavoro: l'agente deve riconoscere i problemi di fatturazione e di accesso, capire l'urgenza, controllare l'account del cliente e seguire le policy appropriate. Se deve intervenire una persona, la conversazione deve arrivare al team giusto con un contesto sufficiente per proseguire.
Parte di questo lavoro richiede ragionamento e spiegazione. Parte richiede una semplice ricerca. Parte si riduce a un giudizio mirato: quali problemi sono presenti, quanto sono urgenti o se il cliente ha chiesto di parlare con una persona.
È in quest'ultima categoria che Jev diventa interessante.
Abbiamo iniziato a sottoporre Jev allo stesso rigore di valutazione che abbiamo creato per i modelli vocali appena è uscito dall'early access, perché un'affermazione del genere va verificata su come si comporta il workflow reale di un cliente, non solo su un benchmark del fornitore.
Jev è simile a un classificatore, ma con una differenza: gli fornisci contesto e domande delimitate, e lui restituisce scelte, punteggi o probabilità. Il nuovo modello di TypeSafe AI è progettato per restituire decisioni strutturate che il software può usare direttamente. Per una piattaforma enterprise come Maven, è un'opportunità per migliorare le tante valutazioni che stanno tra la richiesta di un cliente e la sua risoluzione.
Cosa fa Jev di diverso rispetto a un LLM
TypeSafe definisce Jev un modello “System One”. Lo sviluppatore fornisce contesto, domande e risposte possibili. Jev restituisce scelte, punteggi e probabilità. Più domande indipendenti sullo stesso contesto possono essere valutate in parallelo. Non genera testo libero come un LLM.
Per la richiesta di prima, un sistema potrebbe chiedere se contiene un problema di fatturazione, se l'accesso è bloccato e se il cliente ha indicato una scadenza. Ogni risposta diventa un input per il passaggio successivo del workflow.
Gli LLM tradizionali possono già produrre output vincolati a uno schema. La proposta di Jev è un modello costruito appositamente per questo lavoro, con generazione parallela degli output e un addestramento che TypeSafe chiama Reinforcement Learning for Calibrated Decisions. L'obiettivo è rendere l'incertezza utile al software, insieme a latenza e costi inferiori.
Anche i primi utenti hanno segnalato notevoli miglioramenti di velocità su attività specifiche. Nei nostri test, Jev ha risposto circa 12 volte più velocemente del nostro approccio attuale. Si tratta di prototipazione iniziale, non di un benchmark, e non è in produzione per i nostri clienti. Altri riportano numeri simili sulle proprie attività: Guillermo Rauch di Vercel ha misurato una velocità fino a 18 volte superiore al 95° percentile nella revisione di sicurezza dei comandi eseguita dal suo agente, con un'accuratezza maggiore rispetto al revisore GPT-5.6-Luna che ha sostituito.
Intelligent Fields è il contesto naturale per valutarlo
Maven ha rilasciato Intelligent Fields nella primavera 2026. I team definiscono cosa vogliono capire di una conversazione, come area di prodotto, sentiment, intenzione di rimborso o segnale di escalation, e i campi risultanti alimentano reportistica, routing e configurazione degli agenti.
Ciò che lo rende valido oggi è quanto poco ti chiede. Scrivi in linguaggio naturale una definizione di ciò che vuoi sapere e Maven valuta ogni conversazione rispetto a quella. Nessun set di addestramento etichettato, nessun modello da mantenere per ogni etichetta, nessun analista che tagga i ticket a mano una settimana dopo. Ogni valore torna con un punteggio di confidenza e la relativa motivazione, disponibili tramite API e nelle viste di analytics: così una persona può verificare perché una conversazione è stata segnalata come rischio di churn invece di fidarsi ciecamente dell'etichetta.
Ogni campo è una valutazione a sé, per scelta progettuale. È questa separazione che permette a ogni valore di arrivare con il proprio punteggio di confidenza e la propria motivazione, anziché con un unico verdetto complessivo sulla conversazione che nessuno può verificare.
Un modello decisionale come Jev si adatta perfettamente a questa struttura. Le domande indipendenti sullo stesso contesto vengono valutate in parallelo, quindi un insieme di valutazioni dei campi può essere raggruppato in un'unica richiesta e tornare comunque sotto forma di risposte separate, ciascuna con il proprio punteggio. La forma dell'output non cambia. Cambia quante domande possono essere elaborate contemporaneamente.
Quindi non ci aspettiamo che Intelligent Fields funzioni in modo diverso con Jev. Ci aspettiamo invece di guadagnare in efficienza e ridurre i costi.
| Domanda su una conversazione | Come la gestisce un modello decisionale | Cosa rende possibile |
|---|---|---|
| Quale area di prodotto riguarda? | Sceglie tra categorie definite | Classificare la domanda e selezionare le indicazioni pertinenti |
| Quanto è grave il problema segnalato? | Assegna un punteggio in base a criteri espliciti | Dare priorità al lavoro in base all'impatto reale |
| Il cliente ha chiesto di parlare con una persona? | Stima se l'affermazione è vera | Supportare la gestione delle escalation |
| Quali problemi compaiono in questa richiesta? | Valuta separatamente ogni possibile problema | Mantenere più intenti nella stessa conversazione |
Sono possibili corrispondenze da valutare. Jev dovrebbe preservare il significato di ogni campo e il comportamento di qualsiasi workflow che ne dipende. Conta anche il suo output più ristretto: riepiloghi aperti e spiegazioni scritte richiederebbero comunque un modello generativo o un'altra fonte.
L'opportunità è particolarmente rilevante quando un team vuole ottenere più dettagli da ogni interazione. Un costo per valutazione più basso potrebbe rendere praticabile il monitoraggio di ulteriori problemi di prodotto, motivi di disdetta e segnali di escalation, senza che ogni nuovo campo diventi un'altra costosa chiamata al modello.
Non mettiamo modelli di una settimana davanti ai clienti enterprise
Tutto ciò che hai letto finora è sperimentazione e riflessione progettuale. Jev non è attivo in alcun workflow dei clienti, e un modello rilasciato pochi giorni fa non ci si avvicinerà finché non avrà superato lo stesso rigore di valutazione che applichiamo a qualsiasi nuovo modello. Puoi vedere come abbiamo testato GPT-Live-1 e altri modelli vocali. Misuriamo la qualità delle decisioni rispetto al nostro approccio attuale su casi rappresentativi, compresi quelli ambigui e quelli in cui manca il contesto decisivo, e poi confrontiamo latenza, costo per risultato accettato ed esito per il cliente prima che qualcosa tocchi il routing in produzione.
Una scelta più ampia di modelli per il lavoro enterprise
Jev amplia le opzioni per costruire un agente AI enterprise. Conversazione, ragionamento, classificazione e verifica possono avere ciascuno requisiti di modello diversi.
Per Maven, l'opportunità è valutare Jev dove potrebbe rendere più efficienti funzionalità come Intelligent Fields, preservando il contesto e i controlli necessari per risolvere la richiesta del cliente.
Portaci un workflow in cui decisioni ripetute rallentano l'esperienza: un ticket che continua a cambiare coda, un campo costoso da valutare o un controllo di qualità che arriva troppo tardi. È lì che un nuovo modello può guadagnarsi il suo posto.
Possiamo farlo rapidamente perché Charters, Segments e Intelligent Fields definiscono già le decisioni che contano. Inserire sotto di essi un livello di valutazione più veloce è una modifica di configurazione che possiamo testare in pochi giorni, non una ricostruzione che richiede trimestri.
Mettilo alla prova sulle tue conversazioni.
Richiedi una demo personalizzata gratuita.
