# Jev: Konuşmayan, karar veren yapay zekâ

> TypeSafe AI, Jev ile metin yazmayan ama karar veren bir model tanıttı – milisaniyeler içinde ve ne kadar emin olduğunu da söyleyerek. Arkasında ne var, KOBİ’lerde nerede işe yarar, nerede yaramaz?

Kaynak: [https://www.arytechsolutions.com/tr/blog/jev-ki-entscheidungsmodell](https://www.arytechsolutions.com/tr/blog/jev-ki-entscheidungsmodell)

- Yayınlanma: 2026-09-23
- Güncellenme: 2026-09-23
- Yazar: Ali Ramazan Yıldırım
- Okuma süresi: 9 dk.

Pazartesi sabahı, 08.12. Bir zanaat işletmesinin gelen kutusunda 140 yeni mesaj var: teklif talepleri, şikâyetler, faturalar, bir iş başvurusu, üç bülten. Her biri bir karar istiyor – nereye gidecek, ne kadar acil, kim ilgilenecek? Hiçbiri bir sohbet istemiyor.

Eylül 2026’nın ortasında ortaya çıkan bir model tam da bu boşluğu doldurmak istiyor. Adı Jev; ABD’li girişim TypeSafe AI’dan geliyor ve bugünün yapay zekâ dünyasında alışılmadık bir özelliği var: Sohbet edemiyor. Paragraf yazmıyor, özet çıkarmıyor, kendini açıklamıyor. Önceden tanımlanmış bir soruyu yanıtlıyor – ve bunu ne kadar emin olarak yaptığını söylüyor.

TypeSafe’in arkasında, heise’ın ChatGPT’nin önemli bir temeli olarak tanımladığı 2022 tarihli InstructGPT makalesinin ortak yazarı Diogo Almeida var. Şirket 2024’te kuruldu, heise’a göre 40 milyon dolar tohum yatırımı topladı ve Eylül 2026’dan beri Jev’i barındırılan bir API üzerinden erken erişimde sunuyor. KOBİ’lerde otomasyonun nereye gittiğini anlamak isteyen herkes bu modele yakından bakmalı – merakla, ama gereken mesafeyi de koruyarak.

## İki düşünme biçimi

Model sınıfının adı tesadüf değil. TypeSafe, Jev’e “System One modeli” diyor ve böylece psikolog ve Nobel ödüllü Daniel Kahneman’ın bir imgesini ödünç alıyor. Kahneman “Thinking, Fast and Slow” (2011; Türkçesi “Hızlı ve Yavaş Düşünme”) kitabında iki düşünme biçimini ayırır: Sistem 1 hızlı, otomatik ve zahmetsizdir – öfkeli bir yüzü biz bilinçli olarak bakmadan tanır. Sistem 2 yavaş, yorucu ve bilinçlidir – 17 × 24’ü hesaplar ya da bir sözleşmeyi tartar.

Bu metaforda büyük dil modelleri daha çok Sistem 2’ye benzer: “Sesli düşünür”, yanıtı token token üretir ve bu sırada tartışabilir, metin yazabilir, kod yazabilir. Bu güçlüdür – ama gündelik kararların çoğu için düpedüz fazla büyüktür. Bir e-postanın şikâyet olup olmadığını bilmek isteyen birinin bu konuda bir makaleye ihtiyacı yoktur. Jev, hızlı ve sezgisel yargıyı başlı başına bir ürün olarak inşa etme girişimidir.

## Jev nedir – ve ne değildir

Teknik olarak Jev iki şey alır: bir durum (state) – örneğin bir müşteri talebinin metni, bir destek kaydı ya da bir veri kaydı – ve bununla ilgili bir veya daha fazla soru. Olası yanıtları siz önceden belirlersiniz. Geri dönen şey düz metin değil, yazılımın doğrudan işleyebileceği tipli bir sonuçtur. Dokümantasyon üç temel biçim tanımlar:

- Noul – 0 ile 1 arasında bir olasılık olarak yanıtlanan evet/hayır önermesi (“Bu mesaj acil mi?”).
- Choice – sabit bir listeden seçim, her seçenek için bir olasılıkla (“Satış, teknik mi, muhasebe mi?”).
- Score – sizin tanımladığınız bir ölçekte derecelendirme (“sakin – sinirli – çok öfkeli”).

Jev her yanıtla birlikte bir güven değeri (confidence) döndürür: olasılık dağılımından türetilen, 0 ile 1 arasında bir sayı. Dağılım tek bir seçenekte yoğunlaşmışsa model emindir; dağınıksa emin değildir. TypeSafe’e göre bu davranış, “Reinforcement Learning for Calibrated Decisions” (RLCD) adlı kendi yöntemleriyle eğitildi. Fikir şu: Yalnızca doğru karar değil, kendi eminliğini dürüstçe tahmin etmek de ödüllendirilir.

> Bir duruma ait tüm sorular paralel ve birbirinden bağımsız olarak değerlendirilir. LangChain’e göre bu yüzden fazladan bir soru yanıt süresini neredeyse hiç değiştirmez – bir e-posta hakkında on değerlendirme, bir değerlendirmeden pek uzun sürmez.

Jev’in ne olmadığı da en az bu kadar önemli: Bir sohbet botu değil, metin üreticisi değil, bir dil modelinin yerine geçen bir şey değil. Kendi dokümantasyonu bunu açıkça söylüyor – model metin üretmek için eğitilmedi ve buna zorlandığında kötü sonuç veriyor.

## Rakamlar – ve onları kimin ölçtüğü

- **70–500 ms** — İstek başına yanıt süresi (üreticiye göre, kullanıma bağlı)
- **0,042 $** — 1 milyon girdi token’ı başına (çıktı ücretsiz)
- **32.000** — token bağlam penceresi (model sürümü jev-1.13.0)
- **3** — yanıt tipi (Noul, Choice, Score)

TypeSafe kendi sitesinde üstünlük iddialarıyla tanıtım yapıyor: Jev’in System One görevlerinde bir dil modelinden 193,6 kat daha hızlı ve 444,6 kat daha ucuz olduğu, 8,566 yerine 0,114 saniyede yanıt verdiği söyleniyor. Bu tür rakamlar etkileyicidir – ve ikinci bir bakışı hak eder.

Çünkü bu rakamları üreticinin kendisi ölçtü; heise bunu özellikle vurguluyor. heise’a göre “doğru” yanıtlar için referans, iki büyük dil modelinin, GPT-6 Astra ve Claude Fable 5.1’in yanıtlarının ortalamasıydı. KDnuggets, TypeSafe’in belirttiği yüzde 68’lik doğruluğun da bağımsız olarak doğrulanmış gerçeğe değil, bu tür referans yanıtlara dayandığını ekliyor. Başka bir deyişle: Jev, büyük modelleri ne kadar iyi taklit ettiğine göre ölçüldü – sizin işletmenizde ne sıklıkla haklı çıktığına göre değil.

Bu, rakamları değersiz kılmaz. Dar tanımlı bir görevde uzmanlaşmış bir modelin genel amaçlı bir modelden kat kat hızlı ve ucuz olması makuldür. Ama sizin kararlarınız için yeterince iyi olup olmadığını hiçbir teknik föy söyleyemez. Bunu yalnızca kendi verileriniz söyler.

## Bir karar neye benzer

Jev’in Workers AI platformunda bir model olarak sunulduğu Cloudflare’in dokümantasyonundaki bir örnek, ilkeyi gösteriyor. Bir müşteri şöyle yazıyor: “Yardım edin! Ödemelerim üç gündür başarısız oluyor.” Yazılım bununla ilgili aynı anda üç soru soruyor:

```ts
const response = await env.AI.run("typesafe/jev", {
  state: "Help! My payouts have been failing for 3 days.",
  questions: {
    is_urgent: {
      type: "noul",
      instructions: "Does this convey urgency?",
      criteria: { true: "Explicitly time-sensitive", false: "No urgency expressed" },
    },
    department: {
      type: "choice",
      instructions: "Which team should handle this?",
      criteria: {
        billing: "Payments, invoicing, refunds",
        technical: "Bugs, outages, integrations",
        sales: "Pricing, upgrades, new accounts",
      },
    },
    frustration: {
      type: "score",
      instructions: "How frustrated is the customer?",
      criteria: ["Calm", "Frustrated", "Very angry"],
    },
  },
});

// Response (abridged):
// is_urgent   → noul: 0.95
// department  → choice: "billing", confidence: 0.8
//               probabilities: { billing: 0.87, technical: 0.13, sales: 0 }
// frustration → score: 1.04 ("Frustrated"), confidence: 0.94
```

Sonuç düz yazı değil, bir veri yapısı: yüzde 95 acil, yüzde 87 muhasebe, yüksek güvenle sinirli. Bir program buna anında tepki verebilir – kaydı önceliklendirir, doğru ekibe atar, gerekirse bir yöneticiyi bilgilendirir.

İşin ilginç kısmı güven değerinde. TypeSafe üç bölge öneriyor: 0,9’un üzerinde yazılım otomatik olarak harekete geçebilir. 0,5 ile 0,9 arasında dikkatli olmak gerekir; örneğin bir onay ya da ek bir kontrol. 0,5’in altında hiç harekete geçmemeli, işi bir insana ya da başka bir sisteme devretmelidir. Somut değerlerden daha önemli olan arkasındaki ilkedir: Eşik, bir hatanın yol açacağı zarara göre belirlenir. Bir bülten, bir fesih bildiriminden daha düşük bir güvenle ayıklanabilir.

## KOBİ’lerde nerede işe yarar

Jev, üç koşulun bir araya geldiği yerde gücünü gösterir: Karar sık tekrarlanır, olası yanıtlar önceden sayılabilir ve tek bir hata düzeltilebilir. KOBİ’ler için bundan bazı bariz kullanım alanları çıkar:

- Gelen kutusunu ayıklamak: talep, şikâyet, fatura, başvuru ya da reklam – ve ne kadar acil?
- Talepleri ön elemeden geçirmek: Proje hizmetlerinize uyuyor mu, hangi bütçe sınıfına giriyor?
- Destek kayıtlarını yönlendirmek: teknik, satış ya da muhasebeye, öncelik bilgisiyle.
- Değerlendirmeleri ve geri bildirimleri analiz etmek: duygu, konu, aksiyon ihtiyacı.
- Yapay zekâ asistanları için korkuluklar: Bir dil modeli bir eylemi gerçekleştirmeden önce Jev bunun riskli olup olmadığını denetler – LangChain’in tarif ettiği bir kalıp.

Özellikle son madde, gidişatın nereye olduğunu gösteriyor. Jev, büyük dil modellerinin rakibinden çok suç ortağı. LangChain iş bölümünü şöyle tarif ediyor: açık uçlu düşünme ve yazma için bir dil modeli, aradaki hızlı ve yapılandırılmış kararlar için Jev. Bir müşteri hizmetleri asistanı böylece kimin sorumlu olduğunu ve işin ne kadar acil olduğunu Jev ile belirleyebilir – daha pahalı bir modele ise yalnızca gerçekten gerektiğinde yanıt yazdırabilir.

## Nerede işe yaramaz

TypeSafe zayıflıklar konusunda dikkat çekici derecede açık. Üretici, “model jaggedness” (modelin pürüzlü yetenek profili) başlığı altında Jev 1.13’ün nerede güvenilmez hâle geldiğini kendisi belgeliyor:

- Hesaplama ve sayma – model açıkça “hesap makinesi değil”.
- Tarih ve zaman mantığı – tarihler sıralı büyüklükler olarak değil, metin olarak okunur.
- Çift olumsuzluk ya da çok adımlı çıkarımlar gibi iç içe mantık.
- Doğruluğu düşüren çok sayıda ilgisiz bağlam.
- Araya sokulmuş talimatlarla yargıyı yönlendiren manipüle edilmiş girdiler.
- Talimat ile kriterler arasındaki çelişkiler ve niyet yerine kelimesi kelimesine okuma.

Buna KDnuggets’ın özlü biçimde ortaya koyduğu bir yanlış anlama da ekleniyor. TypeSafe “sıfır halüsinasyon” vaat ediyor – bu ise yalnızca dar bir anlamda doğru: Jev, kendisine verilen seçeneklerin dışında bir yanıt uyduramaz. Ama bu seçeneklerin içinde pekâlâ yanılabilir.

> Şema dışı çıktı sıfır – yanlış karar sıfır değil.

— Abid Ali Awan, KDnuggets, 21 Eylül 2026 (çeviri)

Son olarak şeffaflık: Jev kararlarının gerekçesini vermez ve heise bunu açık bir soru olarak görüyor. İşletmeniz için bunun anlamı şu: Bir müşteri talebinin neden geri plana atıldığını öğrenmek isterse, model bir açıklama sunmaz. Bu açıklamayı sizin süreçleriniz sunmak zorundadır.

> Hiçbir teknik föy kendi ölçümünüzün yerini tutmaz. Jev işletmenizde karar vermeden önce, insanlar tarafından değerlendirilmiş 100 ila 200 gerçek vakayı test edin – ancak o zaman hangi eylem için hangi güven eşiğinin tuttuğunu bilirsiniz.

## Hukuk: Karar verdiren, sorumlu kalır

Karar veren bir model Avrupa’da iki düzenlemeye dokunur. Birincisi GDPR’dır (Almanya’da DSGVO). 22. madde, kişilere hakkında hukuki sonuç doğuran ya da onları benzer şekilde önemli ölçüde etkileyen, yalnızca otomatik işlemeye dayalı bir karara tabi olmama hakkı tanır. Bunun ne kadar geniş olduğunu Avrupa Birliği Adalet Divanı Aralık 2023’teki SCHUFA kararında (C-634/21) gösterdi: Sonuç üzerinde belirleyici rol oynuyorsa, otomatik hesaplanmış bir puan bile böyle bir karar sayılabilir.

Pratikte bunun anlamı şu: Bir e-postayı önceden ayıklamak sorun değil. Bir iş başvurusunu otomatik olarak elemek ya da bir müşteriye yalnızca bir modelin puanına dayanarak koşul tanımamak ise sorundur. Böyle bir kararda bir insan yer almalıdır – sonucu gerçekten inceleyen, yalnızca onaylayıp geçmeyen bir insan.

İkinci düzenleme Avrupa Yapay Zekâ Tüzüğü’dür (AI Act). Tüzük, iş başvurusu sahiplerinin seçilmesi ve kredi değerliliğinin değerlendirilmesi dahil belirli kullanım amaçlarını yüksek riskli sayar. Digital Omnibus olarak bilinen (AB) 2026/1744 sayılı Tüzük ile bu tür bağımsız yüksek riskli sistemlere ilişkin yükümlülükler 2 Aralık 2027’ye ertelendi. Ama ertelemek iptal etmek değildir: Bugün bir işe alım sürecini Jev ile otomatikleştiren, Aralık 2027’den itibaren sıkı gereklilikleri karşılamak zorunda kalacak bir sistem kuruyor demektir.

Geriye dar anlamda veri koruma kalıyor. TypeSafe kullanıcı verileriyle model eğitmeyeceğini taahhüt ediyor ve sıfır veri saklama (Zero Data Retention) sunuyor – ama yalnızca kurumsal müşterilere. API’ye kişisel veri gönderen herkesin bir veri işleme sözleşmesine ihtiyacı var ve verilerin nerede işlendiğini kontrol etmesi gerekiyor. San Francisco merkezli bir sağlayıcıda bu bir formalite değil.

## Karar modelleri için bir karar kuralı

Jev’in işletmenize uyup uymadığını beş soru belirler – bu sırayla:

1. Karar sabit bir kural olarak yazılabilir mi? O zaman kural daha iyidir – deterministik, ücretsiz, izlenebilir.
2. Yanıt uzayı kapalı mı? Olası yanıtları önceden sayamıyorsanız, dil modeli daha iyi bir araçtır.
3. Karar yeterince sık tekrarlanıyor mu? Ayda on vaka otomasyonu haklı çıkarmaz, on bin vaka çıkarır.
4. Bir hata neye mal olur – ve kimi etkiler? İnsanları önemli ölçüde etkiliyorsa, sürece bir insan dahil olmalıdır.
5. Kaliteyi ölçebiliyor musunuz? Kendi test veri setiniz olmadan her güven eşiği tahminden ibarettir.

## Sonuç: sessiz devrim

Jev yeni bir zekâ anlamında bir atılım değil. Sınıflandırma onlarca yıldır var ve KDnuggets devrim söylemine karşı uyarırken haklı. İlginç olan başka bir şey: Şimdiye kadar pahalı, geveze, genel amaçlı modellerin içinde duran bir yetenek ayrıştırılıyor, küçültülüyor ve kendi belirsizliğine dair dürüst bir beyanla donatılıyor. İşletmelere gerçekten ulaşan ilerleme de tam olarak budur.

KOBİ’ler için fırsat, mümkün olduğunca çok şeyi otomatikleştirmekte değil, doğru kararları otomatikleştirmekte yatıyor: sık tekrarlanan, net sınırları olan, düzeltilebilir kararları. Oradan başlayan, titizlikle ölçen ve insanları ilgilendiren yerde insanları bırakan herkes, Jev gibi modellerle sonunda susan – ve sadece karar veren bir araç elde eder.

[İşletmeniz için otomasyonu konuşalım](/#contact)

---

## Kaynakça

1. [AI model “Jev” to make machines decide faster](https://www.heise.de/en/news/AI-model-Jev-to-make-machines-decide-faster-11457071.html) — Tomislav Bezmalinović, heise online, 2026-09-17
2. [Home – TypeSafe AI](https://typesafe.ai/) — TypeSafe AI, 2026
3. [Primitives: Choice, Score, Noul](https://docs.typesafe.ai/primitives) — TypeSafe AI Docs
4. [Confidence](https://docs.typesafe.ai/confidence) — TypeSafe AI Docs
5. [Model jaggedness: jev-1.13](https://docs.typesafe.ai/model-jaggedness/jev-1.13) — TypeSafe AI Docs
6. [Legal](https://docs.typesafe.ai/legal) — TypeSafe AI Docs
7. [Jev (typesafe) – model documentation](https://developers.cloudflare.com/ai/models/typesafe/jev/) — Cloudflare Workers AI Docs
8. [What Is Jev? A Guide to TypeSafe AI’s System One Model](https://www.langchain.com/blog/building-a-harness-with-jev) — Sydney Runkle, Hunter Lovell, LangChain Blog, 2026-09-17
9. [What Everyone Is Getting Wrong About TypeSafe AI’s Jev](https://www.kdnuggets.com/what-everyone-is-getting-wrong-about-typesafe-ais-jev) — Abid Ali Awan, KDnuggets, 2026-09-21
10. [Training language models to follow instructions with human feedback](https://arxiv.org/abs/2203.02155) — Long Ouyang, Jeff Wu, Xu Jiang, Diogo Almeida et al., arXiv:2203.02155, 2022
11. [Thinking, Fast and Slow](https://us.macmillan.com/books/9780374533557/thinkingfastandslow/) — Daniel Kahneman, Farrar, Straus and Giroux, 2011
12. [(AB) 2016/679 sayılı Tüzük (Genel Veri Koruma Tüzüğü), md. 22](https://eur-lex.europa.eu/eli/reg/2016/679/oj/eng) — Avrupa Birliği Resmî Gazetesi, 2016-04-27
13. [C-634/21 sayılı davada karar (SCHUFA Holding – Scoring)](https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:62021CJ0634) — Avrupa Birliği Adalet Divanı, 2023-12-07
14. [(AB) 2024/1689 sayılı Tüzük (Yapay Zekâ Tüzüğü)](https://eur-lex.europa.eu/eli/reg/2024/1689/oj/eng) — Avrupa Birliği Resmî Gazetesi, 2024-06-13
15. [(AB) 2026/1744 sayılı Tüzük (Yapay Zekâ için Dijital Omnibus)](https://eur-lex.europa.eu/eli/reg/2026/1744/oj/eng) — Avrupa Birliği Resmî Gazetesi, 2026-07-24

_Tüm bağlantılara 23 Eylül 2026’da erişildi. Üretici beyanları metinde bu şekilde belirtilmiştir ve bağımsız olarak doğrulanmamıştır._