Giriş
Son bir haftadır yapay zeka gündeminde tuhaf bir isim dolaşıyor: JEV yapay zeka modeli. İlk bakışta ChatGPT, Claude ya da Gemini gibi bir sohbet botu sanabilirsiniz — ama değil. JEV’in en çarpıcı özelliği, aslında hiç konuşmaması. Peki konuşmayan bir yapay zeka neden bir haftada 40 milyon izlenmeyi geçti, kurucusuna 10 milyar dolarlık yatırım teklifleri getirdi ve otomasyonla uğraşan herkesin radarına girdi? Bu yazıda JEV’in ne olduğunu, neden bu kadar hızlı popülerleştiğini ve kendi otomasyon iş akışlarınız için gerçekten bir şey ifade edip etmediğini sade bir dille anlatıyorum.
🧩 JEV Tam Olarak Nedir?
JEV, eski bir OpenAI araştırmacısı olan Diogo Almeida’nın kurduğu TypeSafe AI girişiminin geliştirdiği bir yapay zeka modeli. Ama büyük dil modellerinden (LLM) temelde farklı bir işi var: JEV cümle kurmuyor, metin yazmıyor, sohbet etmiyor. Onun yerine yazılımların doğrudan kullanabileceği yapılandırılmış kararlar üretiyor.
Somutlaştıralım. Bir müşteri “Param iki kez çekildi, bugün çözülmesini istiyorum” diye yazdığında, klasik bir LLM size şöyle bir cümle üretir: *”Bu talep faturalandırma ekibine, yüksek öncelikli olarak yönlendirilmeli.”* Kulağa faydalı geliyor, ama bir yazılımın bu cümleyi kullanabilmesi için önce onu ayrıştırması, hangi kelimenin kategori hangisinin aciliyet olduğunu anlaması gerekiyor.
JEV bu aradaki adımı tamamen atlıyor. Programcı önceden hangi kararların söz konusu olabileceğini tanımlıyor, JEV de doğrudan sonucu hesaplıyor — üç temel soru tipiyle:
- Choice (Seçim): Talep hangi ekibe gitmeli? (Satış / Destek / Faturalandırma)
- Score (Puan): Bu işlemin risk seviyesi nedir? (0-100 arası)
- Noul (Olasılık): Müşteri gerçekten bir iptal mi istiyor? (%0-100 olasılık)
Yani JEV’in cevabı bir paragraf değil, doğrudan işlenebilir bir sayı veya etiket.
⚡ Neden Bu Kadar Hızlı ve Ucuz?
ChatGPT veya Claude gibi modeller metni “otoregresif” üretir — yani her kelimeyi bir öncekine bakarak, adım adım oluşturur. JEV uzun metin üretmediği için bu adım adım sürece hiç ihtiyaç duymuyor; TypeSafe’in “System One Model” dediği yaklaşımla, olası sonuçları eşzamanlı hesaplıyor.
Sonuç, iddiaya göre çarpıcı: TypeSafe’in kendi testlerinde bazı görevlerde 40-200 kat hız farkı ölçülmüş; bir demoda JEV bir işlemi 0,114 saniyede bitirirken, karşılaştırılan bir OpenAI modeli aynı işi 8,5 saniyede tamamlamış. Maliyet tarafında da fark büyük: JEV, 1 milyon girdi token’ı başına yaklaşık 4 cent’e çalışıyor, çıktılar ise ücretsiz. (Not: Bu rakamlar şirketin kendi ölçümleri — bağımsız doğrulaması henüz yok, bu yüzden ihtiyatla değerlendirmek gerek.)
🔧 Otomasyon Açısından Neden Önemli?
Burası bu yazının asıl meselesi. JEV, ChatGPT’nin yerine geçmeye çalışan bir ürün değil — n8n gibi iş akışı araçlarını da içine alan bir AI ajanı mimarisinin karar katmanı olmayı hedefliyor. Bir AI ajanı çalışırken sürekli küçük kararlar vermek zorunda kalır: “Hangi aracı çağırmalıyım?”, “Bu işlem güvenli mi?”, “Tekrar denemeli miyim?”, “Bu işi daha güçlü bir modele mi göndermeliyim?” Bu soruların hiçbiri uzun bir açıklama gerektirmiyor — çoğu bir seçim, bir puan veya bir evet/hayır.
Bugün pek çok otomasyon kurulumunda bu küçük kararlar da pahalı, yavaş bir LLM’e sorduruluyor — sanki bir cümlelik cevap için koca bir makale yazdırıyormuşsunuz gibi. JEV’in önerdiği model şu: küçük, sık tekrarlanan kararları ucuz ve hızlı bir modele devret; sadece gerçekten yazılı içerik (bir e-posta taslağı, bir açıklama metni) gerektiğinde büyük modeli devreye sok.
Pratikte üç somut kullanım alanı öne çıkıyor:
- Model yönlendirme (routing): Basit sınıflandırma işlerini JEV gibi ucuz bir modele, karmaşık görevleri büyük modele göndermek — her işlem için en pahalı modeli çağırmaktan kaçınmak.
- Bağlam sıkıştırma: Bir ajana verilecek onlarca doküman parçasından hangisinin gerçekten ilgili olduğunu ucuza puanlamak, sadece önemli olanı pahalı modele göndermek. Bir örnekte bu işlem 2-3 saniyeden ~200 milisaniyeye inmiş.
- Ajan denetimi: Bir AI ajanının yaptığı işlemleri, şüpheli davranış veya güvenlik ihlali açısından ucuz bir “gözetmen” modelle sürekli kontrol etmek — büyük bir LLM’i bu iş için sürekli çalıştırmak maliyeti hızla artırırdı.
🤔 Peki Bu Sizin İçin Ne Anlama Geliyor?
Açık konuşmak gerekirse: JEV henüz çok yeni (piyasaya çıkalı iki haftayı geçmedi) ve iddia edilen performans rakamlarının çoğu şirketin kendi testlerine dayanıyor. Bugünden kendi otomasyon iş akışınıza JEV’i entegre etmeye kalkmak için erken.
Ama JEV’in işaret ettiği eğilim bugünden faydalı: otomasyon kurarken her adımı aynı büyük, pahalı modele yaptırmak yerine, “bu adım gerçekten yazılı bir cevap mı gerektiriyor, yoksa bir seçim/puan mı?” sorusunu sormak. Kendi n8n iş akışlarınızda ya da bir ajan kurgusunda basit sınıflandırma/yönlendirme adımlarını daha küçük, daha ucuz bir modele (veya basit bir kural motoruna) devretmek, hem hızı hem maliyeti gözle görülür şekilde iyileştirebilir — context engineering yazımızda değindiğimiz “gereksiz bilgiyi modele göndermeme” mantığının bir başka biçimi aslında.
Kısacası: JEV’i bugün kurup kullanmanıza gerek yok, ama “her karar için en büyük modeli mi çağırıyorum?” sorusunu kendi otomasyon projelerinize sormanın tam zamanı.
Sonuç
JEV, yapay zekanın tek yönünün “daha akıcı konuşmak” olmadığını hatırlatan iyi bir örnek. Bazı işler için asıl ihtiyaç duyulan şey bir paragraf değil, hızlı ve ucuz bir karar. Otomasyon dünyası bu ayrımı fark ettikçe, önümüzdeki dönemde büyük dil modelleriyle birlikte çalışan bu tür “küçük, uzman” modelleri daha sık göreceğiz.
Ahmet Aksoy
