Cette IA ne sait pas
écrire une phrase.

Qu'est-ce que Jev, exactement ?

Jev est un modèle d'intelligence artificielle qui ne sait pas écrire. Pas une phrase, pas un mot. Il a été présenté le 15 septembre 2026 par TypeSafe AI, une société fondée par Diogo Almeida, passé par Google Brain puis par OpenAI.

Son fonctionnement tient en trois lignes. Tu lui envoies des données structurées et une liste de réponses possibles. Il te renvoie une réponse de cette liste, accompagnée d'une probabilité de confiance. Le tout en 70 à 500 millisecondes.

C'est un questionnaire à choix multiples, à l'échelle industrielle. Fraude ou pas fraude. Facturation ou technique. Urgent ou pas urgent. Le modèle ne discute pas, il tranche.

Ce n'est pas un concurrent de ChatGPT. C'est un outil qui fait un autre métier, et qu'on a fini par confondre avec lui.

Pourquoi une IA qui n'écrit rien peut-elle être utile ?

Parce que la plupart des tâches qu'on confie aujourd'hui à un modèle de langage ne demandent pas d'écrire. Elles demandent de décider.

Quand tu demandes à ChatGPT de te dire si un mail entrant est une demande de devis ou une question technique, tu ne lui demandes pas de rédiger. Tu lui demandes de choisir entre deux cases. Il va le faire, et bien. Mais il va générer du texte pour y arriver, le facturer au mot, et te rendre une réponse en prose que ton logiciel devra ensuite interpréter.

C'est livrer une lettre en semi-remorque. Ça marche. C'est juste hors de proportion.

Jev fait la démonstration par l'absurde : un modèle incapable d'aligner deux mots, et qui fait mieux le travail de tri que celui qui écrit des romans. Parce que trier n'a jamais été un travail d'écriture.

Quelles tâches chez toi relèvent de la décision ?

C'est la seule question de cet article qui te concerne vraiment. Voici les signes qui ne trompent pas. Une tâche est une tâche de décision quand elle a un nombre fermé d'issues possibles, qu'elle revient souvent, et que la bonne réponse se lit dans les données, pas dans ton jugement.

Dans une TPE, ces tâches sont presque toujours les mêmes :

• Orienter un mail entrant vers la bonne suite : devis, service après-vente, facture, spam
• Qualifier une demande : dans ma zone ou hors zone, dans mon métier ou pas, budget crédible ou pas
• Vérifier qu'un dossier est complet avant de le transmettre
• Décider si une facture impayée part en relance automatique ou remonte à toi
• Repérer, dans une liste de prospects, ceux qui méritent un appel cette semaine

Aucune de ces tâches ne demande d'écrire. Toutes demandent de choisir. Et toutes se font aujourd'hui à la main, le soir, quand le reste est fini.

À l'inverse, rédiger une réponse client, produire un devis argumenté ou écrire un article restent des tâches de rédaction. Là, un modèle de langage est le bon outil, et le sujet devient de savoir ce que les gens cherchent vraiment pour lui donner la bonne matière.

Qu'est-ce qu'une probabilité calibrée, et pourquoi ça change tout ?

C'est la vraie nouveauté du sujet, et c'est passé inaperçu derrière les chiffres de prix.

Quand tu demandes à un modèle de langage « ce prospect est-il qualifié, oui ou non », il répond. Avec assurance. Toujours. Et tu n'as aucun moyen fiable de savoir s'il en est sûr à 95 % ou à 51 %.

Une probabilité calibrée te donne ce chiffre, et il veut dire quelque chose. Tu peux alors poser un seuil : au-dessus de 0,8 la machine agit toute seule, en dessous de 0,3 elle écarte, et entre les deux elle te montre le dossier. Tu automatises la certitude et tu gardes le doute pour toi.

C'est la différence entre une automatisation sur laquelle tu dors tranquille et une automatisation que tu dois relire tous les matins. Et la relecture, c'est exactement le temps que tu croyais avoir gagné.

Faut-il s'y mettre maintenant ?

Non. Et voilà pourquoi, sans arrondir.

Les chiffres qui circulent cette semaine, 193 fois plus rapide et 444 fois moins cher, sont annoncés par l'éditeur. Aucune vérification indépendante à ce jour. Le tarif communiqué est de 0,042 dollar le million de tokens en entrée, avec une sortie gratuite. C'est peut-être exact. Personne ne l'a mesuré.

Le modèle est en preview sur liste d'attente. Il n'est pas open source, seuls les kits de développement sont publiés. Il tourne uniquement sur des serveurs américains, ce qui n'est pas un détail dès que des données clients passent dedans. Sa fenêtre de contexte est de 32 000 tokens, et sa précision se dégrade dès qu'on l'encombre d'informations sans rapport.

Quant au « zéro hallucination » qu'on lit partout, il mérite son astérisque. Jev ne peut pas sortir du cadre de réponses qu'on lui a fixé. Il peut très bien se tromper à l'intérieur. Supprimer l'invention n'est pas supprimer l'erreur, et confondre les deux coûte cher.

Sur le prix, d'ailleurs, ce n'est pas la première fois cette année. J'écrivais déjà en septembre que la guerre des prix de l'IA change ce qu'une TPE peut se permettre. La nouveauté de Jev n'est pas son tarif. C'est sa forme.

Ce qu'il faut en retenir aujourd'hui

Pas « essaie Jev ». Tu ne peux pas, et rien ne presse.

Prends plutôt une semaine pour noter chaque tâche que tu refais à l'identique. Au bout de sept jours, regarde ta liste et pose-toi la seule question qui compte pour chaque ligne : est-ce que j'écris quelque chose, ou est-ce que je choisis entre des cases ?

Les lignes où tu choisis sont celles que tu peux automatiser, souvent pour quelques euros par mois, avec les outils qui existent déjà. Les lignes où tu écris demandent autre chose, et elles valent souvent d'être gardées.

Ce qui a changé ce mois-ci, ce n'est pas qu'une IA soit devenue moins chère. C'est qu'on commence à admettre qu'un seul outil ne fait pas tous les métiers. La même leçon que sur la recherche, où il a fallu apprendre à lire ses propres chiffres plutôt qu'à croire une moyenne.

Ressources utiles

• Futura Sciences, la présentation du modèle et de ses limites : futura-sciences.com
• IT for Business, les cas d'usage et les réserves : itforbusiness.fr
• Selectra, la reprise et les chiffres annoncés : selectra.info