We testen het nieuwe beslismodel van TypeSafe nu al op de afwegingen die in elk Maven-gesprek zitten, waaronder ticketclassificatie, Intelligent Fields en kwaliteitscontroles. In onze eigen eerste tests was het bij classificatiewerk ongeveer 12 keer sneller dan onze huidige aanpak, en het werd niet trager naarmate we meer classificaties aan hetzelfde verzoek toevoegden.
Een klantverzoek bevat meer dan 1 beslissing
Neem een klant die schrijft: “Onze factuur is verdubbeld, de helft van mijn team kan niet inloggen en dit moet opgelost zijn voor de verlenging morgen.”
Om dat verzoek af te handelen is verschillend soort werk nodig: de agent moet de factuur- en toegangsproblemen herkennen, de urgentie begrijpen, het account van de klant controleren en het juiste beleid volgen. Als er een mens moet ingrijpen, moet het gesprek bij het juiste team terechtkomen met genoeg context om verder te kunnen.
Een deel van dat werk vraagt om redeneren en uitleg. Een deel vraagt om een directe opzoeking. En een deel komt neer op een gerichte afweging: welke problemen spelen er, hoe urgent zijn ze, of heeft de klant om een mens gevraagd.
Bij die laatste categorie wordt Jev interessant.
Zodra Jev uit early access kwam, hebben we het door dezelfde evaluatiediscipline gehaald die we voor voice-modellen hebben opgezet. Een claim als deze wil je namelijk toetsen aan hoe de werkelijke workflow van een klant zich gedraagt, niet alleen aan een benchmark van de leverancier.
Jev is een soort classifier, met een twist: je geeft het context en afgebakende vragen, en het geeft keuzes, scores of kansen terug. Het nieuwe model van TypeSafe AI is ontworpen om gestructureerde beslissingen terug te geven die software direct kan gebruiken. Voor een enterprise-platform als Maven biedt dat de kans om de vele afwegingen te verbeteren die tussen het verzoek van een klant en de oplossing ervan zitten.
Wat Jev anders doet dan een LLM
TypeSafe noemt Jev een “System One”-model. Een developer levert de context, de vragen en de mogelijke antwoorden aan. Jev geeft keuzes, scores en kansen terug. Meerdere onafhankelijke vragen over dezelfde context kunnen parallel worden geëvalueerd. Het genereert geen vrije tekst zoals een LLM.
Bij het verzoek hierboven kan een systeem vragen of er sprake is van een factuurprobleem, of de toegang geblokkeerd is en of de klant een deadline heeft genoemd. Elk antwoord wordt input voor de volgende stap in de workflow.
Gangbare LLM's kunnen al output leveren die aan een schema voldoet. Jev is echter een model dat specifiek voor dit werk is gebouwd, met parallelle outputgeneratie en een training die TypeSafe Reinforcement Learning for Calibrated Decisions noemt. Het doel is om onzekerheid bruikbaar te maken voor software, naast een lagere latency en lagere kosten.
Vroege gebruikers melden ook flinke snelheidswinst bij specifieke taken. In onze eigen tests was Jev ongeveer 12 keer sneller dan onze huidige aanpak. Dat is vroege prototyping, geen benchmark, en het draait niet in productie voor onze klanten. Anderen melden vergelijkbare cijfers voor hun eigen taken: Guillermo Rauch van Vercel mat tot 18 keer hogere snelheid op het 95e percentiel bij de veiligheidscontrole van commando's die zijn agent uitvoert, met een hogere nauwkeurigheid dan de GPT-5.6-Luna-reviewer die het verving.
Intelligent Fields zijn een logische plek om het te evalueren
Maven lanceerde Intelligent Fields in het voorjaar van 2026. Teams bepalen wat ze over een gesprek willen weten, zoals productgebied, sentiment, terugbetalingsintentie of escalatiesignaal, en de resulterende velden voeden rapportages, routing en agentconfiguratie.
Wat dat vandaag al sterk maakt, is hoe weinig het van je vraagt. Je schrijft in gewone taal op wat je wilt weten en Maven toetst elk gesprek daaraan. Geen gelabelde trainingsset, geen model per label om te onderhouden, geen analist die een week later handmatig tickets tagt. Elke waarde komt terug met een confidence score en de onderbouwing erachter, beschikbaar via de API en de analyseweergaven. Zo kan een mens controleren waarom een gesprek als churnrisico is gemarkeerd, in plaats van het label blind te vertrouwen.
Elk veld is bewust een aparte evaluatie. Door die scheiding krijgt elke waarde een eigen confidence score en een eigen onderbouwing, in plaats van 1 samengevoegd oordeel over het gesprek dat niemand kan controleren.
Een beslismodel als Jev sluit naadloos aan op die structuur. Onafhankelijke vragen over dezelfde context worden parallel geëvalueerd, dus een reeks veldevaluaties kan in 1 verzoek worden gebundeld en toch terugkomen als afzonderlijke antwoorden met elk een eigen score. De vorm van de output verandert niet. Wat verandert, is hoeveel vragen er tegelijk kunnen lopen.
We verwachten dus niet dat Intelligent Fields met Jev anders gaan werken. We verwachten wel efficiënter te worden en kosten te besparen.
| Vraag over een gesprek | Hoe een beslismodel ermee omgaat | Wat het mogelijk maakt |
|---|---|---|
| Over welk productgebied gaat dit? | Kiezen uit vastgestelde categorieën | Vraag classificeren en relevante richtlijnen selecteren |
| Hoe ernstig is het gemelde probleem? | Scoren aan de hand van een expliciete rubric | Werk prioriteren op werkelijke impact |
| Heeft de klant om een mens gevraagd? | Inschatten of de uitspraak klopt | Input voor escalatieafhandeling |
| Welke problemen komen in dit verzoek voor? | Elk mogelijk probleem apart evalueren | Meerdere intenties in 1 gesprek behouden |
Dit zijn mogelijke koppelingen die we nog moeten evalueren. Jev zou de betekenis van elk veld moeten behouden, net als het gedrag van elke workflow die ervan afhangt. Ook de beperktere output speelt mee: open samenvattingen en geschreven toelichtingen vragen nog steeds om een generatief model of een andere bron.
De kans is vooral relevant als een team meer detail uit elke interactie wil halen. Lagere kosten per evaluatie kunnen het haalbaar maken om extra productproblemen, opzegredenen en escalatiesignalen te volgen, zonder dat elk nieuw veld weer een dure modelaanroep wordt.
We zetten geen modellen van een week oud voor enterprise-klanten
Alles hierboven is testen en ontwerpdenken. Jev draait in geen enkele klantworkflow, en een model dat een paar dagen geleden is uitgebracht, komt daar niet in de buurt totdat het dezelfde evaluatiediscipline heeft doorlopen die we op elk nieuw model toepassen. Je kunt zien hoe we GPT-Live-1 en andere voice-modellen hebben getest. We meten de kwaliteit van beslissingen ten opzichte van onze huidige aanpak op representatieve cases, inclusief de dubbelzinnige en die waarin de doorslaggevende context ontbreekt. Daarna vergelijken we latency, kosten per geaccepteerd resultaat en klantuitkomst voordat er iets aan de live routing komt.
Meer keuze in modellen voor enterprise-werk
Jev verruimt de opties om een enterprise AI-agent te bouwen. Gesprekken, redeneren, classificatie en verificatie kunnen elk andere eisen aan een model stellen.
Voor Maven ligt de kans in het evalueren van Jev op plekken waar het features als Intelligent Fields efficiënter kan maken, met behoud van de context en controles die nodig zijn om het verzoek van de klant op te lossen.
Breng Maven een workflow waarin herhaalde beslissingen de ervaring vertragen: een ticket dat steeds van wachtrij wisselt, een veld dat duur is om te evalueren of een kwaliteitscontrole die te laat plaatsvindt. Daar kan een nieuw model zijn plek verdienen.
Dat kan snel, omdat Charters, Segments en Intelligent Fields al vastleggen welke beslissingen hier belangrijk zijn. Een snellere beslislaag eronder inzetten is een configuratiewijziging die we in dagen kunnen testen, geen herbouw die kwartalen duurt.
Zie het op je eigen gesprekken.
Vraag een gratis demo op maat aan.
