KM4BI

Qu’est-ce que Jev ? L’IA qui ne peut pas répondre (et pourquoi c’est une bonne chose)

Une nouvelle brique logicielle pour convertir des entrées complexes en choix structurés, rapidement et à faible coût.

Publié le

Jev part d’une contrainte radicale : le modèle peut lire ce qu’on lui soumet, mais il ne peut pas répondre librement. Les options sont définies à l’avance et sa tâche consiste à choisir entre elles. Cette limitation n’est pas un défaut dans le cadre présenté ; elle délimite précisément son utilité.

Entre règles et génération

Le code traditionnel excelle lorsqu’une condition peut être écrite sans ambiguïté : signaler une facture en retard ou un montant au-dessus d’un seuil. Les difficultés commencent lorsqu’il faut interpréter un e-mail, reconnaître un risque de départ ou évaluer la valeur d’une opportunité. Un LLM sait traiter ce langage, mais produire du texte est superflu si le système attend seulement une catégorie, un score ou une autorisation.

Jev occupe cet espace intermédiaire. Le jugement reste probabiliste, tandis que la sortie est fortement structurée. La vidéo appelle cette zone « semi-déterministe » : le logiciel fixe les résultats possibles et les actions associées, puis le classificateur relie le langage à l’un de ces chemins.

Quatre formes d’intégration

Dans un flux de support, Jev peut catégoriser un ticket, estimer son urgence et signaler un risque client avant que le code ne l’achemine. À l’échelle d’un corpus, il peut faire émerger les éléments auxquels consacrer de l’attention, comme la sélection de 100 questions d’immunologie parmi 10 000 candidates citée dans la vidéo.

Il peut aussi piloter la boucle externe d’un workflow : choisir entre un outil, un LLM, un modèle de raisonnement ou une intervention humaine. Enfin, il peut intégrer le jugement à l’interface elle-même. L’exemple du tableur montre une colonne « urgence » classée ligne par ligne, puis combinée à des dates, des montants ou d’autres évaluations.

L’économie change le périmètre

Les ordres de grandeur rapportés expliquent l’intérêt : un pipeline de documents fiscaux aurait obtenu un coût 34× inférieur et une exécution 6× plus rapide ; plus de 20 000 e-mails, messages Slack et transcriptions auraient été triés en 7 minutes pour 1 $. La tarification donnée est de 4,2 cents par million de tokens d’entrée et zéro coût de sortie.

La conséquence envisagée dépasse l’optimisation d’un processus existant. Quand une décision linguistique devient très peu coûteuse, elle peut être répétée sur chaque interaction ou à chaque étape sensible d’un agent. Cette expansion de l’usage est reliée dans la vidéo au paradoxe de Jevons.

Tester avant de généraliser

Jev fait encore des erreurs et doit être évalué sur chaque problème concret. Le bon point de départ est une tâche où beaucoup d’information entre, mais où peu de réponses sont admises. Il faut ensuite comparer qualité, vitesse et coût avec les règles, un classificateur spécialisé, un LLM ou le traitement humain. Pour la rédaction, l’invention et le raisonnement ouvert, le rôle reste celui des modèles génératifs ; Jev sert plutôt à décider où les mobiliser.

Source