Jev im Einsatz: Wo Entscheidungsmodelle schon heute mitentscheiden

Vom Experiment zur Infrastruktur in vier Wochen

Jev ist ein KI-Modell, das keinen Text schreibt, sondern Entscheidungen trifft. Man gibt ihm eine Ausgangslage und eine Frage mit festen Antwortmöglichkeiten, und es antwortet mit einer Auswahl und der Angabe, wie sicher es sich ist. Wie das genau funktioniert, erklären wir in unserem Artikel „Was ist Jev?“. Hier geht es darum, wie schnell und wofür es inzwischen eingesetzt wird.

Die Geschwindigkeit ist ungewöhnlich. TypeSafe AI hat Jev am 15. September 2026 vorgestellt. Am 9. Oktober meldete das Start-up eine Finanzierungsrunde über 870 Millionen US-Dollar bei einer Bewertung von 7,5 Milliarden, angeführt von Andreessen Horowitz. Laut TechCrunch begründet TypeSafe das mit der Behauptung, ein Drittel der Fortune-500-Unternehmen nutze Jev bereits. Andreessen Horowitz selbst spricht laut The New Stack von 25 Prozent. Namen nennt TypeSafe nicht, öffentlich belegt sind nur wenige Fälle.

Besser messbar ist die Nutzung über OpenRouter, eine Plattform, über die Entwickler viele KI-Modelle mit einem einzigen Zugang ansprechen. Dort kam Jev in der Woche bis zum 14. Oktober auf rund 1,08 Milliarden Anfragen. Auf Platz zwei folgt Perplexitys Decider mit 43,2 Millionen. In der Woche ab dem 5. Oktober entfielen laut OpenRouter 92,4 Prozent aller Entscheidungsanfragen auf TypeSafe. Diese Zahlen zeigen allerdings nur, was über OpenRouter läuft. Direkte Verträge mit TypeSafe oder selbst betriebene Modelle tauchen dort nicht auf.

Workday: Ein KI-Assistent, der seine Bildschirme selbst zusammenstellt

Das bisher bekannteste Beispiel kommt vom Softwarehersteller Workday, dessen Programme für Personal, Finanzen und IT in vielen großen Unternehmen laufen. Am 13. Oktober machte Workday seinen KI-Assistenten Sana zur neuen Startseite. Laut The New Stack baut Sana jede Ansicht live zusammen, während man tippt, und Jev entscheidet dabei, welche Bausteine erscheinen.

Fragt man etwa nach der Gehaltsabrechnung, zeigt Sana eine Karte, auf der der Betrag erst nach einem Klick sichtbar wird. Bei einem Urlaubsantrag erscheint ein Kalender zur Datumswahl, den Rest des Formulars füllt Sana aus. Statt eine Oberfläche Wort für Wort von einem Sprachmodell erzeugen zu lassen, wählt Jev aus fertigen Bausteinen aus Workdays Designsystem. Sana-Gründer Joel Hellermark sagte dazu sinngemäß, ein Klassifizierungsmodell, das nur aus vorhandenen Bausteinen auswählt, sei praktisch sofort fertig, während das Erzeugen ganzer Oberflächen langsam sei.

Das zeigt einen wichtigen Vorteil solcher Modelle: Sie können nur aus erlaubten Möglichkeiten wählen. Der Entwickler Andrew King formulierte es so, dass eine Form, die niemand vorgesehen hat, gar nicht auf dem Bildschirm erscheinen kann. In seinen Tests mit Beispieldaten sank die Ladezeit eines automatisch erzeugten Dashboards von 29 auf 3,8 Sekunden. Was Jev mit weniger als 50 Prozent Sicherheit beantwortet, gibt er an ein klassisches Sprachmodell weiter.

Workday hat TypeSafe inzwischen als Unterauftragsverarbeiter gelistet, und zwar für alle Produktlinien, nicht nur für Sana. Laut TypeSafe läuft Jev nur über die eigene Schnittstelle und verarbeitet Daten in den USA. Unternehmenskunden können vereinbaren, dass keine Daten gespeichert werden.

Jack & Jill: Bewerber vorsortieren für einen Bruchteil der Kosten

Die einzige Fallstudie, die TypeSafe bisher veröffentlicht hat, stammt von Jack & Jill. Das Start-up vermittelt Bewerber und Unternehmen über zwei KI-Agenten: Jack berät Fachkräfte, Jill die suchenden Firmen. Für jede offene Stelle zieht das System täglich rund 6.000 Kandidaten aus der Datenbank. Ein günstiges Sprachmodell, Gemini 3.1 Flash Lite von Google, wählte daraus bisher die 2.000 vielversprechendsten aus.

Diesen Schritt hat Jack & Jill laut TypeSafe innerhalb von zehn Tagen vollständig auf Jev umgestellt. Die Kosten pro 1.000 bewerteter Kandidaten sanken von 75,5 auf 9,2 US-Cent, also um 88 Prozent. Die Bewertung aller Kandidaten für eine Stelle dauerte im Mittel 10,3 statt 20,3 Sekunden. Die Qualität blieb gleich: Jev behielt 94,6 Prozent der Kandidaten auf der Liste, die Personaler später tatsächlich kennenlernen wollten, Gemini 93,9 Prozent. Der Unterschied ist laut Fallstudie statistisch nicht bedeutsam.

Die Ersparnis schätzt Jack & Jill auf 265.000 US-Dollar im Jahr beim heutigen Umfang und auf 500.000 US-Dollar mit dem erwarteten Wachstum. Inzwischen nutzt das Start-up Jev laut TypeSafe in mehr als 15 Abläufen, etwa um neuen Bewerbern direkt nach der Anmeldung passende Stellen zu zeigen.

Wichtig zur Einordnung: Das ist eine Fallstudie des Herstellers, mit einem Test auf 150 echten Stellen. Sie zeigt, was möglich ist, nicht was im Durchschnitt passiert. Und sie wirft eine Frage auf, die über Technik hinausgeht: Hier entscheidet eine KI mit, welche Menschen überhaupt bei einem Arbeitgeber auftauchen.

Die typischen Einsatzfelder: viele kleine Entscheidungen

Die meisten Anwendungen haben eines gemeinsam: Es geht um sehr viele kleine, wiederkehrende Entscheidungen, für die ein großes Sprachmodell zu langsam und zu teuer wäre. TypeSafe und Fachmedien nennen vor allem diese Felder.

Anfragen sortieren: Welches Team ist für ein Support-Ticket zuständig? Ist eine Kundennachricht dringend? Ist ein Interessent ein ernsthafter Verkaufskontakt? Solche Fragen haben feste Antworten und kommen in großer Zahl.

Risiken bewerten: Wirkt eine Zahlung betrügerisch? Wie ernst ist eine Sicherheitswarnung? Hier hilft, dass Jev zu jeder Antwort eine Wahrscheinlichkeit nennt. Unternehmen können festlegen, dass nur sehr sichere Fälle automatisch bearbeitet werden und der Rest bei einem Menschen landet.

KI-Agenten überwachen: Darf ein Agent eine bestimmte Aktion ausführen? Ist sein nächster Schritt sinnvoll? Entscheidungsmodelle prüfen das in Sekundenbruchteilen, bevor etwas passiert. Auch das Bewerten der Antworten anderer KI-Modelle gehört dazu.

Oberflächen und Inhalte steuern: Wie bei Workday wählt das Modell passende Bausteine aus. Bastler nutzen es laut einem Test von MindStudio auch für eine Browser-Erweiterung, die Posts auf X schon beim Laden als Eilmeldung, Fundstück oder KI-Ramsch markiert.

Tempo ist dabei das entscheidende Argument. Bei einem Test auf dem Blog von OpenRouter mit Bankanfragen antwortete Jev im Mittel nach 175 Millisekunden und lag bei 81 Prozent Treffern. Claude Opus 5 traf 84,4 Prozent, brauchte aber 2,3 Sekunden und kostete etwa 22-mal so viel.

Grenzen, offene Fragen und was das für dich heißt

Jev hat dokumentierte Schwächen. Laut TypeSafes eigener Dokumentation tut es sich schwer mit Zählen, Rechnen und Datumsangaben, bevorzugt tendenziell die zuerst genannte Antwortmöglichkeit und behandelt eingeschleuste Anweisungen in Daten nicht automatisch als feindlich. Für Entscheidungen über Menschen, Geld oder Sicherheit heißt das: Unternehmen sollten genau messen, wie oft das Modell danebenliegt und was ein Fehler kostet.

Offen ist auch, wie belastbar die Verbreitungszahlen sind. Die Fortune-500-Angabe stammt allein vom Hersteller und seinem Geldgeber, die beiden Zahlen weichen voneinander ab. Unabhängig belegt sind bisher vor allem die Nutzung über OpenRouter, Workday als prominenter Kunde und einige Entwicklertests.

Für dich als Nutzer in Deutschland gilt: Du wirst Jev kaum direkt bedienen. Es steckt in Software, die dein Arbeitgeber oder ein Dienst nutzt, etwa in einem Personalportal oder einem Kundenservice. Bemerkbar macht es sich höchstens dadurch, dass Anwendungen schneller reagieren. Weil Jev laut TypeSafe Daten in den USA verarbeitet, müssen europäische Unternehmen das in ihrer Datenschutzprüfung berücksichtigen. Wer Wert darauf legt, kann inzwischen auf offene Konkurrenzmodelle ausweichen, die sich auf eigenen Servern betreiben lassen. Welche das sind, zeigen wir in unserem Überblick über die neuen Entscheidungsmodelle.

Unsere Einordnung: Die Wucht der Verbreitung ist echt, aber sie zeigt sich weniger in einzelnen spektakulären Anwendungen als in Milliarden unsichtbarer Mini-Entscheidungen. Gerade deshalb lohnt der Blick darauf, wer kontrolliert, was diese Modelle entscheiden dürfen.