Son birkaç yıldır yapay zekâ denildiğinde aklımıza neredeyse hep aynı sistem geliyor:
Bir prompt gönderiyoruz, model düşünüyor ve bize metin üretiyor.
ChatGPT, Claude, Gemini, DeepSeek ve diğer büyük dil modellerinin büyük bölümü temelde bu mantıkla çalışıyor.
Ancak yazılım geliştirirken her zaman metne ihtiyacımız yok.
Bazen tek istediğimiz şey şu:
“Ne yapmalıyım?”
Ve tam olarak burada JEV devreye giriyor.
TypeSafe AI tarafından 15 Eylül 2026 tarihinde duyurulan JEV, şirketin System One Model adını verdiği yeni model sınıfının ilk örneği. JEV'in amacı sizinle sohbet etmek veya uzun metinler yazmak değil. Ona sisteminizin mevcut durumunu ve karar vermesini istediğiniz soruları gönderiyorsunuz; JEV size doğrudan programınızın kullanabileceği yapılandırılmış kararlar döndürüyor.
Öncelikle: JEV bir ChatGPT alternatifi değil
Bence JEV hakkında yapılan en büyük hata burada başlıyor.
JEV'e:
Bana İstanbul hakkında güzel bir yazı yaz.
demenin çok fazla anlamı yok.
Çünkü model zaten bunun için tasarlanmamış.
Bunun yerine şöyle bir durum düşünelim:
Bir kullanıcının mesajı geldi:
Siparişim üç gündür gelmedi. Eğer bugün ulaşmazsa siparişimi iptal edeceğim.
Normalde bunu bir LLM'e gönderip şöyle diyebilirdik:
Bu mesajın hangi departmana gitmesi gerektiğini,
kullanıcının sinirli olup olmadığını ve konunun acil olup olmadığını JSON olarak döndür.
LLM daha sonra JSON üretir.
Biz JSON'u parse ederiz.
Format doğru mu kontrol ederiz.
Eksik alan var mı kontrol ederiz.
Model açıklama yazmış mı kontrol ederiz.
JSON bozulmuş mu kontrol ederiz.
JEV'de ise modelden metin üretmesini istemiyoruz.
Ona doğrudan:
Hangi departman?
Müşteri ne kadar sinirli?
Konu acil mi?
sorularını veriyoruz.
Ve cevap alanlarını önceden belirliyoruz.
TypeSafe'in yaklaşımındaki temel fikir tam olarak bu:
“Strings yerine decisions.”
Yani metin yerine karar.
TypeSafe'in resmî dokümantasyonuna göre JEV, bir state ve önceden tanımlanmış soruları alıp programın doğrudan kullanabileceği typed sonuçlar ve olasılık dağılımları üretiyor.
JEV'in üç temel karar tipi
JEV'in şu anki API'si temelde üç primitive üzerine kurulmuş durumda: Choice, Score ve Noul.
Choice
Choice, seçeneklerden birisini seçmesi gereken durumlar için kullanılıyor.
Örneğin:
Bu mesaj hangi departmana gönderilmeli?
- satış
- teknik destek
- ödeme
JEV yalnızca:
teknik destek
demiyor.
Aynı zamanda seçeneklerin olasılıklarını da döndürebiliyor.
Örneğin sisteminiz kabaca şöyle bir sonuç görebilir:
{
"technical": 0.87,
"billing": 0.09,
"sales": 0.04
}
Böylece yazılımınız yalnızca kararın ne olduğunu değil, modelin karar konusunda ne kadar emin olduğunu da değerlendirebiliyor.
Score
Score ise bir şeyi belirlediğiniz ölçeğe göre değerlendirmek için kullanılıyor.
Örneğin müşteri mesajının öfke seviyesini:
0 = sakin
1 = rahatsız
2 = sinirli
3 = çok sinirli
şeklinde tanımlayabilirsiniz.
JEV burada bir puan ve seviyelerin olasılık dağılımını döndürebiliyor.
Noul
Noul ise daha ilginç.
Temel olarak bir ifadenin “evet olma ihtimalini” 0 ile 1 arasında döndürüyor.
Örneğin:
Kullanıcı siparişini iptal etmek istiyor mu?
JEV:
0.93
gibi bir sonuç döndürebilir.
Programınız da şöyle davranabilir:
0.90 üzerindeyse iptal akışını aç.
0.60 - 0.90 arasındaysa ek kontrol yap.
0.60 altındaysa normal konuşmaya devam et.
Bence JEV'in asıl gücü de burada ortaya çıkıyor.
Yapay zekânın verdiği cevap doğrudan sisteminizdeki if/else mantığının bir parçasına dönüşüyor.
JEV API gerçekte nasıl görünüyor?
TypeSafe şu anda modeli POST /v1/systemone endpoint'i üzerinden sunuyor. Resmî dokümantasyonda jev-latest model alias'ı kullanılıyor.
Örneğin sosyal medya otomasyonu geliştirdiğimizi düşünelim.
JEV'e kabaca şöyle bir istek gönderebiliriz:
{
"state": "Kullanıcı: Bunu bana DM'den yollar mısın? Çok acil lazım.",
"model": "jev-latest",
"questions": {
"intent": {
"type": "choice",
"instructions": "Kullanıcının temel amacını belirle",
"criteria": {
"conversation": "Normal sohbet",
"content_request": "İçerik istiyor",
"support": "Destek istiyor",
"other": "Diğer"
}
},
"urgent": {
"type": "noul",
"instructions": "Kullanıcının isteği acil mi?"
}
}
}
JEV burada uzun uzun cevap üretmek yerine bize kararları döndürüyor.
Sonrasında normal kodumuz:
JEV
↓
intent = content_request
urgent = 0.94
↓
Router
↓
Gerekli servis
↓
LLM / Vision / TTS / normal kod
şeklinde devam edebilir.
Ve bence JEV'in gerçek kullanım alanı tam olarak burası.
JEV + LLM birlikte kullanıldığında işler değişiyor
JEV'in LLM'leri tamamen ortadan kaldıracağını düşünmüyorum.
Tam tersine, JEV'in en mantıklı kullanım şekli LLM'in önüne veya yanına konumlandırılması.
Örneğin bir AI Agent sistemimiz olduğunu düşünelim.
Kullanıcı:
Dün sana attığım fotoğraftaki ayakkabıyı nereden alabilirim?
diye mesaj gönderiyor.
Bütün işlemi doğrudan büyük bir modele göndermek yerine önce bir karar katmanı kullanılabilir:
Mesaj görsel analizi gerektiriyor mu?
İnternet araştırması gerekiyor mu?
Eski konuşmalara bakılması gerekiyor mu?
Normal metin modeli yeterli mi?
Kullanıcıya sesli cevap verilmeli mi?
JEV bunların tamamı için hızlı kararlar üretir.
Ardından kod yalnızca gerekli modelleri çalıştırır.
Yani:
Kullanıcı
↓
JEV
↓
Karar / Router
↓
┌─────────┬─────────┬────────┬─────────┐
Vision LLM Search TTS
└─────────┴─────────┴────────┴─────────┘
Bunun iki önemli avantajı var.
Birincisi gereksiz yere büyük modelleri çalıştırmıyorsunuz.
İkincisi ise bütün sistemin kontrolünü tek bir yapay zekâ modeline bırakmıyorsunuz.
TypeSafe de JEV'i uzun ve açık uçlu görevlerden ziyade classification, routing, scoring, verification ve branching gibi yazılım içerisindeki küçük fakat sürekli tekrar eden kararlar için konumlandırıyor.
Peki neden bu kadar hızlı?
Burada JEV ile klasik LLM arasındaki temel mimari fikirlerden birisine geliyoruz.
GPT veya Claude gibi modeller metni autoregressive şekilde üretir.
Basitleştirecek olursak:
token → token → token → token → token
Her yeni token bir önceki tokenlara bağlıdır.
Uzun cevap = daha fazla üretim = daha fazla zaman ve maliyet.
JEV ise metin yazmaya çalışmıyor.
Çıktı alanı zaten belli.
Örneğin:
A
B
C
D
seçeneklerinden hangisinin doğru olduğuna ilişkin olasılıkları hesaplıyor.
TypeSafe, System One modellerinde bunun için yeni bir mimari, paralel sampler ve Reinforcement Learning for Calibrated Decisions — RLCD adını verdikleri bir eğitim yöntemi geliştirdiklerini söylüyor. Ancak burada önemli bir detay var: şirket mimarinin tüm teknik ayrıntılarını, model büyüklüğünü ve eğitim verisini henüz yayımlamış değil. Dolayısıyla JEV'in içeride tam olarak nasıl çalıştığı konusunda kamuya açık bilgiler hâlâ sınırlı.
RLCD nedir?
Chat modellerinde yıllardır RLHF — Reinforcement Learning from Human Feedback kavramını görüyoruz.
Basitleştirirsek modelin verdiği cevapları insanlar değerlendiriyor ve model zamanla insanların tercih ettiği türde cevaplar üretmeyi öğreniyor.
TypeSafe ise farklı bir hedef belirliyor.
Modelin güzel bir paragraf yazmasını değil, kalibre edilmiş bir karar vermesini istiyor.
Bu nedenle kendi yöntemlerine:
Reinforcement Learning for Calibrated Decisions
yani RLCD adını vermişler.
Buradaki “calibrated” kelimesi önemli.
Bir sistem:
%90 eminim
diyorsa, benzer koşullarda gerçekten yaklaşık bu güven seviyesine karşılık gelen bir doğruluk göstermesi amaçlanıyor.
Böylece yazılım geliştiricisi:
confidence > 0.95
ise otomatik işlem yaptırabilirken düşük güven durumlarında kararı başka bir modele veya insana gönderebilir.
JEV ne kadar hızlı?
İşte en çok konuşulan konu burası.
TypeSafe'in yayınladığı verilere göre JEV'in uçtan uca cevap süreleri bazı System One görevlerinde yaklaşık 70–500 ms aralığında olabiliyor.
Şirket ana sayfasında kendi workflow testleri için:
193.6 kat daha hızlı
ve
444.6 kat daha ucuz
sonuçlar yayımlıyor. Örnekte TypeSafe tarafının işlemi yaklaşık 0.114 saniyede ve $0.000081 maliyetle tamamladığı, karşılaştırılan LLM workflow'larının ortalamasının ise 8.566 saniye ve $0.013880 olduğu belirtiliyor.
Ama burada çok önemli bir detay var.
Bu rakamlar TypeSafe'in kendi benchmarkları.
Hatta şirket kendisi de 193.6x ve 444.6x rakamlarının gerçek dünyadaki kazanımların yüksek tarafında olmasını beklediklerini ve testlerin kendi model yetenek ekibi tarafından hazırlandığı için belirli bir bias bulunabileceğini açıkça belirtiyor.
Bu yüzden:
“JEV her durumda LLM'den 193 kat hızlıdır.”
demek yanlış olur.
Daha doğru ifade:
“JEV'in tasarlandığı dar ve yapılandırılmış karar görevlerinde çok ciddi hız ve maliyet avantajı bulunabiliyor.”
olacaktır.
Maliyeti ne kadar?
3 Ekim 2026 itibarıyla TypeSafe'in yayımladığı fiyat:
1 milyon input token için $0.042.
Bu da:
100 milyon token ≈ $4.20
1 milyar token ≈ $42
anlamına geliyor.
TypeSafe output tarafını ise ayrıca ücretlendirmiyor; çünkü JEV klasik LLM'ler gibi uzun token dizileri üretmiyor.
Bu fiyat özellikle milyonlarca küçük karar veren sistemlerde JEV'i ilginç hâle getiriyor.
Bir chatbot için fark küçük görünebilir.
Ama saniyede yüzlerce sınıflandırma yapan bir altyapı düşünün.
Orada olay değişiyor.
Bağımsız testlerde durum nasıl?
Şirket benchmarkları güzel ama benim asıl merak ettiğim şey bağımsız testlerdi.
29 Eylül 2026'da yayımlanan bağımsız bir çalışma JEV 1.13.0'ı 37 farklı veri setinde ve toplam 346.009 istekte test etti.
Üstelik tüm deneyin API maliyeti 10 doların altında kaldı.
Araştırmada JEV; sınıflandırma, natural language inference, reading comprehension, moderasyon, routing, legal analysis ve rubric scoring gibi çok farklı görevlerde test edildi.
Çalışmada JEV'in IMDb, SST-2, HellaSwag ve ARC gibi bazı veri kümelerinde %95–99 doğruluk seviyelerine ulaştığı bildiriliyor.
Aynı çalışmada JEV, karşılaştırılan Qwen3.8-27B modelinin önüne 37 veri setinin 27'sinde geçti ve Gemma-4-E4B'yi 37 veri setinin tamamında geçti.
Ancak bu sonuçları da “JEV bütün LLM'lerden daha akıllı” şeklinde okumamak gerekiyor. Test özellikle JEV'in tasarlandığı structured decision formatına odaklanıyor ve karşılaştırılan modeller de belirli bir değerlendirme yöntemiyle kullanılıyor.
Araştırmanın daha ilginç sonuçlarından biri ise kalibrasyon tarafı.
Choice cevaplarının olasılıkları iyi kalibrasyon gösterirken binary yani Noul tarzındaki bazı görevlerde doğrudan 0.5 karar eşiğinin ideal olmadığı görülmüş. Bazı görevlerde threshold'un eğitim verisi kullanılarak ayarlanması performansı ciddi biçimde artırmış.
Yani JEV bize olasılık veriyor diye:
0.51 = kesin evet
0.49 = kesin hayır
gibi düşünmemek gerekiyor.
Eşikleri kendi sisteminiz için test etmeniz gerekiyor.
Klasik makine öğrenmesini de çöpe atmamak gerekiyor
Bir başka bağımsız test JEV'i Logistic Regression, SVM, Random Forest, XGBoost, CatBoost gibi klasik makine öğrenmesi yöntemleriyle karşılaştırdı.
Burada sonuçlar oldukça güzel bir gerçeği gösteriyor:
Her problem JEV problemi değil.
Örneğin IMDb sentiment analizinde JEV zero-shot olarak %96.3 balanced accuracy elde ederken testteki en iyi klasik model %88.4 seviyesinde kaldı.
Ancak Bank Marketing gibi tabular görevlerde JEV %53.4 seviyesindeyken SVM %71.8'e ulaştı.
Online Shoppers veri setinde de benzer şekilde klasik modeller ciddi avantaj gösterdi.
Yani elimizde etiketli ve düzgün yapılandırılmış veri varsa klasik ML hâlâ son derece güçlü.
JEV özellikle doğal dil içerisinden hızlı semantic kararlar çıkarmak gerektiğinde çok daha ilginç hâle geliyor.
“JEV halüsinasyon yapmıyor” konusu
Burada biraz dikkatli olmak gerekiyor.
TypeSafe JEV için “zero hallucinations” ifadesini kullanıyor.
Teknik açıdan bunun dayandığı fikir anlaşılır.
JEV'den:
A / B / C
seçeneklerinden birisini seçmesini istiyorsanız model gidip:
Ben D seçeneğini seçiyorum çünkü...
yazamıyor.
Çünkü “D” diye bir çıktı tipi yok.
Bu yüzden klasik LLM'lerde gördüğümüz bozuk JSON, olmayan enum değeri veya tamamen beklenmeyen serbest metin gibi type hallucination problemleri ortadan kalkıyor. TypeSafe özellikle schema eşleşmesinin model tasarımı gereği garanti edildiğini söylüyor.
Ancak bu:
“JEV yanlış karar veremez.”
demek değil.
Model gayet:
A = %95
B = %5
diyip gerçekte doğru cevap B iken A'yı seçebilir.
Yani:
format olarak yanlış cevap üretmemek
ile
gerçek dünyada yanlış karar vermemek
aynı şey değil.
Bence JEV hakkında yazarken bu ayrımı özellikle belirtmek gerekiyor.
Pokémon Red deneyi neden ilginç?
JEV çıktıktan yalnızca birkaç gün sonra geliştiriciler modeli oyunlarda da denemeye başladı.
Andrew Boyd'un geliştirdiği bir sistemde JEV, Pokémon Red'i oynayarak 23 Eylül 2026'da Elite Four'u ve Champion'ı yenip Hall of Fame'e girmeyi başardı.
Ancak olay ilk bakışta göründüğü kadar basit değildi.
JEV ekranı görmüyordu.
Sistem oyundaki mevcut durumu okuyup JEV'e geçerli seçenekleri sunuyordu ve JEV bu seçenekler arasından karar veriyordu.
Daha da önemlisi Claude Opus 5, JEV'in oyun loglarını takip ederek model takıldığında seçeneklerin ve bağlamın değiştirilmesine yardımcı olan bir çeşit coach olarak kullanıldı.
İnsanlardan gelen bazı öneriler de sisteme dahil edildi.
Bence bu deney JEV'in ne olduğunu anlamak için mükemmel bir örnek.
JEV tek başına her şeyi yapan süper zekâ değil.
Ama:
Kod
+
JEV
+
LLM
+
Doğru context
birleştiğinde oldukça ilginç agent sistemleri oluşturulabiliyor.
JEV ismi nereden geliyor?
TypeSafe burada da güzel bir gönderme yapmış.
System One adı Daniel Kahneman'ın Thinking, Fast and Slow kitabındaki System 1 kavramından geliyor.
System 1 hızlı ve sezgisel karar mekanizmasını temsil ediyor.
JEV ismi ise ekonomist William Stanley Jevons'tan geliyor.
Buradaki gönderme muhtemelen en çok Jevons Paradox ile anlam kazanıyor.
Basitleştirirsek Jevons Paradoksu şunu söyler:
Bir kaynağı kullanmak daha verimli ve ucuz hâle geldiğinde toplam kullanım her zaman düşmeyebilir; tam tersine artabilir.
TypeSafe de yapay zekâ için benzer bir gelecek öngörüyor.
Eğer “zekâ” kullanmanın maliyetini 10 kat, 100 kat veya 1000 kat düşürebilirsek insanlar daha az yapay zekâ kullanmayacak.
Bugün maliyetinden veya hızından dolayı yapay zekâ koymadığımız milyonlarca yere yapay zekâ koymaya başlayacağız.
Şirket de JEV isminin William Stanley Jevons'tan geldiğini ve zekâ maliyeti düştükçe yeni kullanım alanlarının ortaya çıkacağını düşündüklerini açıkça belirtiyor.
Peki JEV gerçekten geleceğin başlangıcı mı?
Bunu söylemek için henüz erken.
JEV 15 Eylül 2026'da yayınlandı.
Yani bu yazıyı yazdığım sırada modelin kamuya açık geçmişi yalnızca birkaç haftalık.
Üstelik JEV'in model ağırlıkları açık kaynak değil.
Modelin parametre sayısı açıklanmış değil.
Tam mimarisi yayımlanmış değil.
Eğitim verisi yayımlanmış değil.
RLCD'nin ayrıntılı teknik makalesi de şu anda kamuya açık değil.
Bu yüzden bugün elimizde çok ilginç sonuçlar olmasına rağmen uzun vadeli değerlendirme yapmak için daha fazla bağımsız test görmemiz gerekiyor.
Ancak ortaya atılan fikir bence JEV'in kendisinden bile daha önemli:
Her yapay zekâ görevi metin üretme problemi olmak zorunda değil.
Belki de yıllardır:
Prompt → LLM → JSON → Parse → Validate → Code
şeklinde çözdüğümüz birçok problem aslında:
State → Decision Model → Probability → Code
olmalıydı.
Ve JEV tam olarak bu soruyu yeniden gündeme getiriyor.
Sonuç
Ben JEV'i bir LLM katili olarak görmüyorum.
Daha çok LLM'lerin etrafındaki mimariyi değiştirebilecek yeni bir parça olarak görüyorum.
LLM:
Ne söylemeliyim?
sorusunu çözebilir.
JEV:
Şimdi ne yapmalıyım?
sorusunu çözebilir.
Kod ise:
Bu kararı nasıl uygulamalıyım?
kısmını halledebilir.
Bence önümüzdeki dönemde güçlü AI sistemlerinin mimarisi tek bir dev modele her şeyi yaptırmaktan ziyade buna benzeyebilir:
┌── Vision
│
Kullanıcı → JEV → Router ── LLM
│
├── Search
│
├── TTS
│
└── Normal Kod
Her modelin iyi olduğu işi yaptığı sistemler.
JEV bugün bu mimarinin yalnızca yeni bir parçası olabilir.
Ama birkaç haftada oluşturduğu ilgiye bakılırsa “AI neden her küçük karar için uzun uzun konuşmak zorunda?” sorusu önümüzdeki dönemde çok daha fazla tartışılacak gibi görünüyor.
Araştırma tarihi: 3 Ekim 2026.
Yorumlar 00
Yorumlar onaylandıktan sonra yayınlanır. E-posta adresin hiçbir yerde gösterilmez.