Три недели назад этого стартапа не было в заголовках новостей, а сегодня он стоит дороже большинства публичных технологических компаний. Модель Jev за первую неделю работы вышла на $100 млн годовой выручки, сама TypeSafe привлекла $870 млн от a16z и Sequoia при оценке в $7.5 млрд. Такую скорость раньше демонстрировали разве что гиганты вроде OpenAI на пике хайпа ChatGPT.
Дело в самой идее. Jev — не чат-бот, который генерирует текст. Это «decision model»: она отвечает не предложениями, а структурированными данными — вероятностью того, что утверждение верно, выбором из заданного списка вариантов или оценкой по шкале. Всё за один проход, без лишних слов и без необходимости парсить текст на стороне разработчика. Звучит скромно, но именно так работает большинство реальных задач внутри AI-агентов: не сочинить абзац, а быстро решить — да или нет, A или B, на сколько баллов из десяти.
Дальше начинается самое интересное. В течение одного дня свои decision-модели выкатили OpenAI (Decisions API на GPT-6 Luna, с заявленным ускорением в 10 раз), Microsoft (ориентирована на LLM-судей и научные гипотезы), Perplexity (pplx-decider с точностью 94.5% и ценой $0.017 за тысячу решений) и Cloudflare (clef-flash — уже дешевле и вдвое быстрее оригинального Jev). LangChain отчитался, что маршрутизация задач через дешёвые decision-модели сократила медианную стоимость выполнения задач на 64%. Apple и CMU тем временем опубликовали научную работу о похожем подходе внутри агентных систем, показав падение задержки на 90% при сохранении качества.
История Jev — повод и для восторга, и для скепсиса. Рынок за сутки доказал, что способен масштабировать удачную инженерную идею быстрее, чем кто-либо успевает запатентовать подход. Но такая скорость копирования ставит вопрос: что остаётся от конкурентного преимущества TypeSafe, если через день любой конкурент выпускает аналог дешевле и быстрее? Ответ, похоже, в том, что сама категория decision models теперь существует благодаря TypeSafe — а быть создателем рынка часто ценнее, чем быть лидером в нём.
Во что углубиться:
- Decision models vs generative models: в чём архитектурная разница и почему типизированный ответ дешевле генерировать
- Кто такие a16z и Sequoia: история фондов, которые чаще всего угадывают следующий AI-единорог
- AI agent routing: как маршрутизация задач между моделями разной стоимости снижает расходы компаний