IA · 19 settembre 2026 · 4 min di lettura
Basta chiacchiere: l'inventore di RLHF lancia Jev, il Transformer che rinuncia al testo per guidare il codice
In sintesi: Diogo Almeida, tra gli inventori della tecnica RLHF che ha reso celebre ChatGPT, ha presentato Jev attraverso la sua startup TypeSafe AI. Il nuovo modello basato su architettura Transformer rompe con il paradigma dei Large Language Model: rifiuta la generazione di testo libero e restituisce decisioni probabilistiche calibrate su schemi predefiniti. Questa scelta elimina strutturalmente le allucinazioni, abbatte la latenza e riduce i costi di computazione a una frazione rispetto ai modelli tradizionali, attirando immediatamente l'interesse del mondo dello sviluppo software.
di Team Mocchi's
L'illusione della conversazione nell'automazione software
Per quattro anni l'intera industria tecnologica ha inseguito l'idea che la conversazione naturale fosse l'interfaccia universale verso l'intelligenza computazionale. Tuttavia, chiunque abbia integrato Large Language Model (LLM) in architetture software critiche si è scontrato con lo stesso paradosso: i computer non ragionano in prosa, ma per strutture dati rigide, tipi ed esecuzioni deterministiche. A formalizzare questa rottura non è un critico esterno, ma uno dei padri fondatori dell'era generativa.
Diogo Almeida, ex ricercatore di OpenAI che ha contribuito alla nascita di ChatGPT e ha firmato le ricerche sull'apprendimento per rinforzo da feedback umano (RLHF), ha svelato l'architettura Jev tramite la sua startup TypeSafe AI. Come ricostruisce TechCrunch, l'esperienza diretta con la manipolazione del linguaggio umano ha convinto Almeida dei limiti insiti negli LLM quando vengono applicati ai compiti di ingegneria: addestrare reti neurali a simulare il fraseggio umano produce sistemi espressivi, ma fragili e costosi da orchestrare nei workflow informatici.
Un Transformer senza parole né allucinazioni
Jev poggia su un impianto concettuale tanto semplice quanto radicale: è un modello basato su Transformer, ma non è un modello linguistico. Non compone frasi, non tenta di spiegare il proprio operato e non genera testo libero. Al contrario, l'algoritmo riceve input strutturati e restituisce distribuzioni di probabilità su uno spettro di decisioni rigorosamente circoscritte dallo sviluppatore a monte della chiamata.
Questo vincolo architetturale modifica alla radice il problema delle allucinazioni. Se l'output consentito è confinato all'interno di uno schema tipizzato — una serie finita di rami decisionali, etichette o parametri di instradamento —, il modello non può deviare né inventare costrutti inesistenti. Calcola la confidenza matematica per ciascuna opzione ammessa, offrendo al codice a valle una "decisione calibrata" immediatamente integrabile in logiche condizionali, parser e middleware.
L'economia di scala: token conteggiati a miliardi
L'eliminazione della generazione sintattica token-per-token modifica profondamente anche la sostenibilità economica delle pipeline computazionali. Nei modelli autoregressivi tradizionali, gran parte del tempo di calcolo e della spesa API è assorbita dalla decodifica sequenziale di ogni singola parola d'uscita.
Con Jev, TypeSafe AI introduce un modello economico inedito: i token di output sono gratuiti, poiché il sistema restituisce soltanto vettori di probabilità numerica. Sul fronte dell'ingestione dei dati, i costi non vengono più parametrizzati sui canonici milioni di token, ma calcolati sull'ordine dei miliardi. Questo crollo dei costi infrastrutturali, unito a una latenza che scende a frazioni trascurabili di secondo, consente di impiegare l'intelligenza artificiale come elemento microscopico e continuativo dei compilatori, dei routing agentici e dei controlli di coerenza logica, senza timore di saturare i budget cloud.
La reazione della comunità tecnica
La risposta dell'ecosistema di sviluppo è stata immediata e caotica. Nelle ore successive al debutto, l'infrastruttura API di TypeSafe AI ha registrato un sovraccarico dovuto alla concentrazione di richieste, testimoniando una domanda latente da tempo insoddisfatta. Realtà orientate alla costruzione di architetture per agenti, tra cui team ingegneristici di Vercel, hanno accolto con favore l'approccio, evidenziando come l'uso di modelli conversazionali per compiti di instradamento e classificazione rappresentasse finora un compromesso fragile e sovradimensionato.
Separare la capacità analitica dei Transformer dalla teatralità del linguaggio apre un mercato che non punta a sostituire il dialogo uomo-macchina, ma a rendere il software autonomo più rigoroso, economico e verificabile.
Il punto di Mocchi's
Nel nostro lavoro quotidiano di sviluppo di piattaforme custom e pipeline intelligenti, constatiamo da tempo come costringere un'applicazione a dialogare in linguaggio naturale per estrarre decisioni binarie sia un'inefficienza ingegneristica rilevante. Per le aziende italiane che progettano backend robusti o flussi agentici, l'approccio di TypeSafe AI rappresenta un cambio di prospettiva fondamentale: smettere di pagare la verbosità dei modelli quando serve solo determinismo. Riteniamo che il futuro dell'automazione software non risieda in agenti che chiacchierano tra loro in prosa, ma in modelli compatti, tipizzati e matematicamente vincolati alla logica di business.