TypeSafe AI Inc., une startup fondée par un ancien chercheur de l'OpenAI Group PBC qui a contribué au développement de ChatGPT, a émergé hier avec un financement de démarrage de 40 millions de dollars et un modèle conçu pour intégrer l'intelligence artificielle directement dans les applications logicielles.
La société basée à San Francisco affirme que son premier modèle, appelé Jev, diffère des grands modèles de langage conventionnels en produisant des décisions structurées plutôt que du texte conversationnel. L'objectif est de fournir aux développeurs un composant d'IA plus rapide et plus prévisible pour les tâches qui nécessitent du jugement mais ne peuvent pas être gérées facilement avec des règles conventionnelles.
La société de capital-risque de technologie profonde DCVC Management Co. LLC a mené le tour. Forbes a rapporté que la société valorisait TypeSafe à 200 millions de dollars, citant une personne proche du dossier. La société a été fondée en 2024 par le directeur général Diogo Almeida, qui a auparavant travaillé sur l'apprentissage par renforcement à partir des commentaires humains, InstructGPT, ChatGPT et GPT-4 chez OpenAI. Les cofondateurs Erik Gafni et Sasha Sheng possèdent également une vaste expérience en IA.
La thèse de TypeSafe est que les qualités qui rendent les modèles d'IA efficaces pour communiquer avec les gens peuvent jouer contre eux lorsqu'ils sont intégrés dans un logiciel de production. Les grands modèles de langage peuvent générer des informations plausibles mais incorrectes, varier leurs méthodes entre les requêtes et présenter des réponses incertaines avec confiance. Les applications qui dépendent de résultats cohérents nécessitent donc souvent un examen humain.
« Nous avons optimisé pour les humains, et nous sommes surhumains pour plaire aux humains », a déclaré Almeida à Forbes, faisant référence aux modèles d'IA générative populaires.
Sortie prête pour la machine
Jev accepte à la place des questions structurées et renvoie des réponses saisies que d'autres logiciels peuvent traiter. Ces réponses peuvent prendre la forme de probabilités oui/non, de sélections dans une liste définie ou de scores sur une échelle spécifiée. Chaque décision comprend des probabilités et une mesure de confiance, permettant aux développeurs de définir des seuils à partir desquels une demande doit être traitée automatiquement, rechercher plus d'informations ou renvoyer une décision à une personne.
Dans le domaine de la souscription d'assurance, par exemple, Jev pourrait examiner les preuves disponibles sur une propriété et estimer la probabilité qu'elle prenne feu. Un développeur pourrait laisser un flux de travail automatisé se poursuivre lorsque la confiance est élevée, tout en acheminant un cas ambigu vers un souscripteur.
TypeSafe appelle Jev un « modèle System One » formé avec une méthode qu'il appelle apprentissage par renforcement pour des décisions calibrées. L’approche vise à transformer l’IA en une primitive logicielle composable pouvant être combinée avec du code déterministe. Selon l'entreprise, des centaines de décisions peuvent être générées en parallèle à partir d'une seule invite et assemblées en flux de travail plus vastes.
La société affirme que Jev utilise le traitement parallèle pour fournir des résultats en moins de 100 millisecondes, ce qui le rend jusqu'à 100 fois plus rapide et moins coûteux que les autres modèles frontières. Son site Web indique un coût de 39 cents pour 1 000 flux de travail, contre 3,31 $ pour Gpt-5.6 Luna d'OpenAI et 19,49 R pour Claude Haiku 4.5 d'Anthropic PBC. TypeSafe a rapporté que ses propres tests ont révélé que Jev était près de 194 fois plus rapide et environ 445 fois moins cher que les modèles de langage utilisés à des fins de comparaison. Ces chiffres n'ont pas été vérifiés de manière indépendante et varient selon la charge de travail, l'emplacement du réseau et la méthode de comparaison.
La production limitée de Jev ne garantit pas des décisions correctes, mais la société a déclaré que son utilisation d'évaluations de probabilité minimise le risque d'hallucinations, dans lesquelles les modèles présentent la mauvaise réponse avec un niveau de confiance élevé. Les développeurs doivent tester dans quelle mesure les scores de confiance de Jev correspondent à la précision réelle de leurs propres données.
TypeSafe AI a déclaré que sa plus grande opportunité réside dans les processus commerciaux à volume élevé tels que la classification des demandes de service, l'évaluation des factures, le tri des alertes de sécurité et l'examen des résultats des agents IA. Dans de tels cas, un modèle de décision spécialisé pourrait servir de couche de contrôle tandis qu’un modèle de langage gère des tâches telles que la rédaction de texte.
James Hardiman, associé général de DCVC, a déclaré que TypeSafe relevait « l'un des plus grands défis restants en matière d'IA » en rendant les modèles suffisamment fiables pour être intégrés dans des produits à grande échelle.
Jev est actuellement disponible via une liste d'attente à accès anticipé.
