Modele decyzyjne AI to nowa kategoria narzędzi, o której zrobiło się głośno po prezentacji modelu Jev od firmy TypeSafe AI. Zamiast generować tekst, Jev przyjmuje dane wejściowe i zwraca liczby zmiennoprzecinkowe: oceny pewności, rozkłady prawdopodobieństwa i punktacje. Twórcy opisują to hasłem „nieustrukturyzowany stan na wejściu, otypowane decyzje na wyjściu”. Firma nazywa Jev modelem „System One”, nawiązując do szybkiego, intuicyjnego myślenia.
Model odpowiada na trzy typy pytań. Pytania tak/nie zwracają wynik pewności od 0 do 1. Pytania wyboru dają rozkład prawdopodobieństwa między opcjami. Pytania oceniające zwracają wartość na skali liczbowej. Najważniejsza różnica wobec typowego dużego modelu językowego jest taka, że na wyjściu nie ma zdania wyjaśniającego, jest sama liczba. Cennik również odstaje od rynku: 0,042 USD za milion tokenów wejściowych, przy darmowym wyjściu. To mniej niż GPT-5 Nano (0,05 USD za milion), a naliczanie tylko za wejście czyni model tanim przy masowej klasyfikacji.
Gdzie modele decyzyjne AI mają sens
Naturalne zastosowania to zadania, w których i tak potrzebna jest liczba, a nie akapit tekstu. TypeSafe wymienia wykrywanie spamu, etykietowanie i priorytetyzację treści oraz reranking, czyli tanie ocenianie stu kandydatów względem zapytania w wyszukiwarce. W takich scenariuszach klasyczny model językowy bywa przesadą, bo płacimy za generowanie tekstu, którego i tak nie wykorzystujemy. Model zwracający sam wynik upraszcza integrację i obniża koszt inferencji.
Co to znaczy dla polskich firm
Dla zespołów, które przetwarzają duże wolumeny zgłoszeń, wiadomości czy dokumentów, tani model decyzyjny AI może realnie obniżyć koszt automatycznej klasyfikacji. Jest jednak druga strona. Simon Willison zwraca uwagę na nieprzejrzystość: na wyjściu dostajemy wyłącznie liczbę, bez uzasadnienia. To utrudnia audyt i wychwycenie stronniczości modelu. Przy klasyfikowaniu treści dotyczących osób dochodzą obowiązki wynikające z RODO: podstawa przetwarzania, prawo do wyjaśnienia decyzji oraz człowiek w pętli tam, gdzie wynik ma skutki dla ludzi. Zanim taki model trafi na produkcję, warto przetestować go na własnych danych i zaplanować regularne sprawdzanie uprzedzeń.
Źródło: Simon Willison — „Jev introduces a new shape of LLM” (EN), 21 września 2026.
