Son iki yılda yapay zeka denince akla hep aynı şey geliyordu: bir soru yazarsınız, model size paragraf paragraf cevap üretir. Eylül 2026'da çıkan Jev bu kalıbı bilerek bozuyor. Tek bir kelime bile yazmıyor; onun yerine "bu e-posta bir iade talebi mi?" gibi bir soruya, yüzde kaç ihtimalle evet olduğunu söylüyor. Kısa sürede geliştiricilerin en çok konuştuğu modellerden biri haline geldi. Peki Jev tam olarak ne, nasıl çalışıyor ve otomasyon akışlarında nerede işe yarıyor?

Jev Nedir?

Jev, San Francisco merkezli TypeSafe AI'ın ilk herkese açık modeli. Şirket 2024'te kuruldu; kurucularından CEO Diogo Almeida daha önce OpenAI'da InstructGPT, ChatGPT ve GPT-4 üzerinde çalışmış biri. Model yaklaşık iki yıl gizli geliştirildikten sonra 15 Eylül 2026'da sınırlı erken erişimle duyuruldu. Adını, verimlilik arttıkça kullanımın da arttığını anlatan Jevons paradoksundan alıyor. TypeSafe, Jev'i "System One" modellerinin ilki olarak tanımlıyor; bu ifade, psikolojideki hızlı ve sezgisel düşünme biçimine (Sistem 1) gönderme yapıyor.

Teknik olarak Jev, metin üreten (generative) bir model değil, ayırt edici (discriminative) bir model. Yani görevi yeni içerik yazmak değil, verilen bir girdiyi sınıflandırmak ya da puanlamak. Çıktısı insanlardan çok yazılımlar için tasarlanmış: her zaman beklenen tipte, makine tarafından doğrudan okunabilir bir değer.

Jev Nasıl Çalışır?

Jev'e iki şey gönderilir: bir durum (state) ve bir veya birden fazla tipli soru. Durum; bir destek talebinin metni, bir ürün kaydının JSON hali ya da bir metin listesi olabilir. Sorular ise üç ana tipte tanımlanıyor: noul (doğru/yanlış, 0 ile 1 arası olasılık döner), choice (sıralı olmayan seçenekler arasından biri; 255 seçeneğe kadar) ve score (2 ile 10 basamak arası sıralı bir ölçek). Görsel üzerinde konum bulmak için deneysel bir "box" tipi de bulunuyor.

Model her soru için bir olasılık dağılımı döndürüyor; API buna ek olarak seçilen değeri ve dağılımın ne kadar net olduğunu gösteren bir güven (confidence) puanı ekliyor. Örneğin "Bu destek talebi hangi ekibe gitmeli: faturalama, teknik, diğer?" sorusuna Jev "faturalama, %91" gibi bir cevap verir. Kategorileri modeli yeniden eğitmeden, istek anında tanımlayabiliyorsunuz (zero-shot). Aynı istekteki sorular paralel cevaplanıyor ve birbirine bağlı olamıyor; bir sorunun cevabı diğerini etkileyecekse ayrı istekler gerekiyor.

Jev ile ChatGPT veya Claude Arasındaki Fark Ne?

Bir LLM'e "bu e-posta iade talebi mi?" diye sorduğunuzda cevabı kelime kelime üretir; bazen "Evet", bazen "Evet, çünkü..." diye başlayan bir paragraf, bazen beklenmedik bir format gelir. Otomasyon akışında bu çıktıyı ayrıştırmak, doğrulamak ve hata durumlarını yakalamak ayrı bir iş yükü demek. Jev'de bu sorun yok: cevap her zaman tanımladığınız tipte geliyor ve yanında bir olasılık var. Böylece "olasılık %80'in üzerindeyse otomatik işle, altındaysa insana gönder" gibi eşik kuralları kurmak kolaylaşıyor.

Bedeli de net: Jev açıklama yapamaz, metin yazamaz, kod üretemez. Bir müşteriye cevap taslağı hazırlamak ya da bir raporu özetlemek hâlâ LLM'in işi. Bu yüzden ikisini rakip değil, tamamlayıcı düşünmek daha doğru: Jev hızlıca "ne yapılmalı" kararını veriyor, gerekirse LLM sonra devreye girip içeriği üretiyor.

Ne Kadar Hızlı ve Ne Kadar Ucuz?

TypeSafe'in açıkladığı rakamlara göre Jev uçtan uca 70–500 milisaniyede cevap veriyor; çoğu istek 100 ms civarında. Fiyat, milyon girdi token'ı başına 0,042 dolar ve çıktı token'ları ücretsiz. Şirket ayrıca kendi testlerinde öncü LLM'lere göre 40–200 kat daha hızlı ve 40–400 kat daha ucuz olduğunu iddia ediyor. Bu son karşılaştırmanın TypeSafe'in kendi kurduğu iş akışlarıyla ölçüldüğünü ve şirketin bile gerçek dünya görevlerine göre yanlı olabileceğini kabul ettiğini not etmek gerekiyor.

Tek istekte yaklaşık 64 bin token sınırı var; durum ile en uzun soru birlikte yaklaşık 32 bin token'ı geçemiyor. Görsel girdi ve uzun bağlam desteği şimdilik deneysel başlıklar arkasında.

Neden Bu Kadar Hızlı Yayıldı?

TechCrunch'ın 16 Ekim 2026 tarihli haberine göre, Vercel'in AI Gateway verileri Jev'in yayınlandıktan sonraki iki hafta içinde ücretli Vercel ekiplerinin %35'i tarafından kullanıldığını gösteriyor. Bu oran, listede ikinci sıradaki Claude Sonnet 5.5'in neredeyse iki katı ve Vercel'e göre bir modelin ilk iki haftasında gördüğü en hızlı benimsenme. Vercel'in kendisi de ilk kullanıcılar arasında: zararlı komutları sınıflandırmak için daha önce kullandığı bir LLM'i Jev ile değiştirmiş. Bu verinin yalnızca Vercel'in gateway'inden geçen trafiği kapsadığını, OpenAI ve Anthropic'in kendi API'lerinden yapılan kullanımı eksik sayabileceğini de hesaba katmak gerekiyor.

Finansman tarafında TypeSafe, lansmanla birlikte 40 milyon dolarlık bir tohum yatırımı duyurdu; 9 Ekim 2026'da ise 7,5 milyar dolar değerleme üzerinden 870 milyon dolarlık A serisi yatırım aldığını açıkladı. En güncel sürüm, 14 Ekim'de duyurulan jev-1.14.0; TypeSafe'e göre en büyük iyileştirme çok dilli destekte.

İş Süreçlerinde ve Otomasyonda Nerede Kullanılabilir?

Jev'in güçlü olduğu alan, yüksek hacimde tekrar eden ve cevabı önceden belli seçeneklerden biri olan kararlar. Örneğin bir n8n veya Make akışında gelen her müşteri mesajını "satış, destek, şikâyet, spam" olarak etiketlemek; web formundan gelen başvuruların sıcak bir satış fırsatı olup olmadığını puanlamak; e-ticarette ürün yorumlarını olumlu/olumsuz ve konu bazında sınıflandırmak; ya da pahalı bir LLM'e gitmeden önce isteğin gerçekten LLM gerektirip gerektirmediğine karar vermek (model yönlendirme). Geliştirici kaynaklarında ayrıca CV ön elemesi, arama sonuçlarını yeniden sıralama ve bir kodlama ajanının çalıştıracağı komutun güvenli olup olmadığını kontrol etme gibi örnekler geçiyor.

Bu senaryoların ortak noktası, bugün çoğu zaman bir LLM'e "sadece şu kelimelerden birini yaz" diye talimat verilerek çözülmesi. Jev, bu tür adımlarda hem gecikmeyi hem maliyeti düşürebilecek, hem de çıktıyı daha öngörülebilir hale getirebilecek bir alternatif. Erişim; TypeSafe'in REST API'si, Node.js ve Python SDK'ları ile Vercel AI Gateway üzerinden sağlanıyor.

Sınırları ve Dikkat Edilmesi Gerekenler

Jev her işi yapan bir model değil. Geliştirici kaynaklarına göre aritmetik, sayma, tarih karşılaştırma ve ince renk ayrımı gibi görevlerde güvenilir değil; bunlar kodla yapılmalı. Soruları kelimesi kelimesine okuduğu için talimatın nasıl yazıldığı sonucu doğrudan etkiliyor. Ürettiği puanlar bir ölçüm değil; eşik belirlemek veya sıralama yapmak için kullanılmalı. TypeSafe modelin mimarisini, ağırlıklarını ya da teknik bir makalesini yayınlamadı; model yalnızca sentetik veriyle eğitildiğini açıklıyor. Yani kapalı bir sistem ve iç işleyişi dışarıdan doğrulanamıyor.

Sürüm takibi de önemli: SDK'nın varsayılan olarak kullandığı "jev-latest" etiketi zaman içinde yeni sürümlere kaydırılıyor. Eşik değerlerini kendi verinizle ayarladıktan sonra sabit bir sürüm numarası kullanmak, bir güncellemeyle sonuçların sessizce değişmesini önler. Son olarak, Türkçe performansına dair bağımsız ve kamuya açık bir test henüz görmedik; Türkçe metinlerde kullanmadan önce kendi örnek verinizle denemek gerekiyor.