In poco più di una settimana, TypeSafe AI è passata dall’annuncio di un finanziamento da 40 milioni di dollari a colloqui che, secondo indiscrezioni, potrebbero riguardare un nuovo round da un miliardo o più. Al centro dell’interesse c’è Jev, un modello di intelligenza artificiale che aiuta le applicazioni a classificare informazioni, valutare situazioni e scegliere il passaggio successivo di un processo.
Il seed da 40 milioni è stato annunciato il 15 settembre 2026. Il round da un miliardo, invece, è una trattativa riferita dalla stampa e non un finanziamento concluso. La distanza fra le due cifre racconta l’attenzione suscitata da un prodotto progettato per un impiego preciso dell’AI: prendere molte decisioni brevi, rapidamente e a un costo abbastanza basso da ripeterle su larga scala.
Diogo Almeida, l’ex OpenAI alla guida di TypeSafe
Nata nel 2024 a San Francisco, TypeSafe AI è stata fondata da Diogo Almeida, Erik Gafni e Sasha Sheng. Almeida, oggi amministratore delegato, ha lavorato in OpenAI alle tecniche di addestramento che hanno contribuito allo sviluppo di InstructGPT e ChatGPT; in precedenza era stato in Google Brain. Sheng, direttrice operativa, arriva dalla ricerca di Meta/FAIR, mentre Gafni è il direttore tecnico e ha esperienza nella costruzione di sistemi di AI destinati alla produzione.
La presentazione di Jev ha chiuso circa due anni di lavoro riservato. Nello stesso giorno la società ha annunciato il finanziamento guidato da DCVC. Il percorso di Almeida spiega parte dell’attenzione iniziale, ma la proposta di TypeSafe nasce da un problema quotidiano per chi sviluppa applicazioni: ottenere dal modello una risposta che il codice possa usare subito, senza trasformare ogni scelta in una conversazione da interpretare.
L’AI entra nel motore del software
“We’re building prod, not God”: il manifesto di TypeSafe mette al centro l’AI che funziona nelle applicazioni reali. Le prime automobili avevano un motore, ma conservavano la forma delle carrozze, compreso l’alloggiamento per la frusta. Anche i modelli di AI più capaci entrano oggi in molti prodotti nella forma familiare di assistenti con cui conversare.
Dentro un programma, l’intelligenza serve spesso a decidere. Una richiesta va assegnata al reparto giusto, un’anomalia valutata per gravità, l’azione di un agente autorizzata o inviata a una persona. Sono passaggi piccoli, ripetuti migliaia di volte e inseriti fra operazioni governate dal codice. Jev nasce per occupare quei passaggi, restituendo scelte e probabilità che l’applicazione può usare direttamente.
Una decisione diventa più utile quando è facile richiamarla e combinarla con altre funzioni. Integrare le risposte di un modello in un processo affidabile richiede spesso soluzioni costruite per la singola applicazione, come accadeva con i dati prima che SQL offrisse un modo comune per interrogarli. Ogni componente deve poter essere esaminato, messo alla prova e vincolato da regole: se una sua risposta influenza molti passaggi successivi, l’affidabilità diventa parte della struttura del software.
Modelli efficienti rendono sostenibile ripetere queste operazioni su larga scala; decisioni affidabili permettono di automatizzarle; componenti stabili danno ad altri sviluppatori la possibilità di costruire funzioni più complesse. Jev è il primo tassello: interpreta una situazione e restituisce una risposta strutturata, mentre il programma mantiene il controllo di ciò che accade dopo.
Come Jev trasforma le domande in scelte
Jev inaugura la famiglia System One, nome ispirato alle decisioni rapide del Sistema 1 descritto dallo psicologo Daniel Kahneman. Lo sviluppatore fornisce al modello uno stato – per esempio il messaggio di un cliente insieme ai dati pertinenti del suo account – e una o più domande definite in anticipo. Il risultato può essere una scelta fra opzioni, un punteggio su una scala oppure la probabilità che una certa affermazione sia vera. Jev valuta tre tipi di domanda., Choice, Score e Noul, descritti nella documentazione di Jev.
Le domande vengono valutate in parallelo sullo stesso stato. Invece di chiedere a un unico modello di decidere tutto con una risposta lunga, un’applicazione può separare i fattori e combinarli nel codice. Per valutare una richiesta di rimborso, per esempio, può chiedere se esista una ricevuta leggibile, classificare il tipo di spesa e applicare poi le regole aziendali all’importo. TypeSafe mostra questo metodo nei suoi flussi di valutazione, che comprendono anche la gestione di incidenti di sicurezza, fatture, assistenza clienti e controlli sull’attività degli agenti AI.
Per le scelte e i punteggi, Jev restituisce anche una misura della confidenza. Il programma può usare una soglia per accettare i casi più chiari e inoltrare gli altri a una persona o a un’altra procedura. È un aspetto distinto dalle probabilità assegnate alle singole risposte: una categoria può avere il valore più alto fra quelle disponibili, mentre l’incertezza complessiva resta sufficiente per richiedere una verifica.
Nella presentazione tecnica del modello, Almeida descrive un’architettura, un sistema per produrre le risposte in parallelo e un metodo di addestramento chiamato Reinforcement Learning for Calibrated Decisions. Jev è specializzato in risultati con una struttura prestabilita: può quindi evitare errori di formato, come restituire una categoria che l’applicazione non prevede. Una risposta nel formato corretto può comunque contenere una valutazione sbagliata, motivo per cui la verifica delle decisioni resta importante nei processi che producono conseguenze concrete.
Perché gli sviluppatori stanno provando Jev
La velocità è una parte centrale della proposta. TypeSafe indica tempi di risposta complessivi nell’ordine di 70–500 millisecondi e un prezzo di 0,042 dollari per milione di token in ingresso. Nei propri test su flussi di lavoro, riferisce risultati fino a 193,6 volte più veloci e 444,6 volte meno costosi rispetto ai modelli linguistici confrontati. La società precisa che queste cifre si collocano nella fascia alta dei vantaggi attesi nelle applicazioni reali.
Conta anche come sono stati costruiti i confronti. Nei test, ogni modello affronta lo stesso flusso di decisioni; le risposte di riferimento derivano dalla media di quelle fornite da due modelli avanzati. TypeSafe pubblica le domande e i flussi usati, ma specifica che sono stati preparati da persone del proprio team. I grandi moltiplicatori di velocità e risparmio descrivono dunque quei compiti e quelle condizioni di prova: un’applicazione con richieste diverse può ottenere vantaggi differenti.
Il debutto ha prodotto un primo segnale d’uso. Su Vercel AI Gateway, Jev ha raggiunto quasi il 13% dei team paganti nelle prime 24 ore, più del doppio dei team raggiunti da qualsiasi precedente lancio di un modello sulla piattaforma. Il dato riguarda quel servizio e il suo primo giorno, ma mostra quanto interesse esista per decisioni rapide da inserire in applicazioni e agenti. TypeSafe ha mostrato le possibilità del modello anche con dimostrazioni meno ordinarie, fra cui un agente che gioca a Doom interpretando uno stato descritto da dati e un gioco di navigazione fra pagine di Wikipedia.
Dopo il seed da 40 milioni, si parla di un round da un miliardo
Il 24 settembre, The Information ha riferito che TypeSafe avrebbe avviato conversazioni con investitori per raccogliere un miliardo di dollari o più. Secondo la testata, alcuni avrebbero proposto di investire a una valutazione di almeno 10 miliardi di dollari. I colloqui sarebbero ancora preliminari e la società ha rifiutato di commentare.
Sempre secondo The Information, che cita PitchBook, il seed da 40 milioni avrebbe attribuito a TypeSafe una valutazione di circa 200 milioni di dollari. La cifra prospettata nei nuovi colloqui sarebbe cinquanta volte più alta nel giro di pochi giorni. Per ora resta una valutazione discussa da potenziali investitori, mentre il finanziamento concluso e annunciato dalla startup è quello da 40 milioni.
