Modèle System One : ce que le Système 1 et le Système 2 disent de l’IA

Qu’est-ce qu’un modèle System One ?

Un modèle System One lit un état et renvoie des décisions typées avec des probabilités. C’est la définition de TypeSafe. Il comprend le langage naturel comme un LLM, mais il ne rédige rien.

• En entrée : un state, en texte ou en JSON, et des questions typées.
• En sortie : un choix, un score ou une probabilité par question.
• Pour chaque choix et chaque score : une confiance entre 0 et 1.

Le terme ne vient pas de la recherche. C’est un nom de TypeSafe, introduit avec Jev en septembre 2026. Jev est le premier modèle de cette classe, et le seul que TypeSafe propose aujourd’hui.

Système 1 et Système 2 : d’où vient le nom ?

Le nom vient de Daniel Kahneman. Dans Système 1 / Système 2 : Les deux vitesses de la pensée, il décrit deux modes de pensée.

• Le Système 1 est rapide, automatique et sans effort. Il lit une émotion sur un visage en un coup d’œil.
• Le Système 2 est lent, délibéré et coûteux. Il pose une multiplication ou vérifie un raisonnement.

TypeSafe transpose l’idée. Un modèle System One rend des jugements rapides et ciblés. Un LLM qui raisonne pas à pas tient le rôle du Système 2. La documentation décrit une bonne question comme un jugement qu’un expert bien informé rendrait en une seconde.

Où l’analogie trompe

L’analogie aide à placer chaque outil. Elle n’explique pas comment Jev fonctionne.

• Chez Kahneman, le Système 1 est la source des biais. Il saute aux conclusions. TypeSafe le reconnaît et affirme que ses modèles peuvent être plus fiables. C’est une promesse, pas encore une preuve publique.
• Les deux systèmes sont une métaphore. Kahneman lui-même les présente comme des personnages de fiction, pas comme deux organes du cerveau.
• Jev n’a pas d’intuition. C’est un réseau entraîné à produire des probabilités. « Rapide » décrit son coût de calcul, pas une forme de pensée.
• Un LLM ne délibère pas comme un humain. Sa lenteur vient surtout de la génération token par token.

Token par token ou en une passe : quelle différence ?

Un LLM génère sa réponse un token à la fois, chaque token dépendant des précédents. On parle de génération autorégressive. Pour écrire un JSON de décision, il enchaîne des dizaines d’étapes. Un modèle qui raisonne en ajoute des centaines, parfois des milliers.

Jev procède autrement, selon l’annonce de TypeSafe. Il lit le state une fois. Il évalue toutes les questions en parallèle. Il renvoie toutes les réponses en une seule requête. Certains commentateurs le décrivent comme un modèle non autorégressif, par exemple MindStudio.

• TypeSafe parle d’une nouvelle architecture et d’un échantillonneur parallèle.
• Il n’a publié ni article technique, ni poids, ni détail d’architecture, comme le relève Wikipédia.
• Les questions sont indépendantes. La réponse à l’une ne sert pas de contexte à l’autre.

Pourquoi cela change la latence et le coût

Sans génération, le coût se concentre sur la lecture de l’entrée. D’où le modèle de prix de Jev : on paie les tokens d’entrée, la sortie est gratuite.

• Latence : TypeSafe annonce 70 à 500 ms de bout en bout, mesurés depuis la côte Ouest des États-Unis.
• Questions multiples : en ajouter change à peine le temps de réponse, selon la documentation.
• Prix : 0,042 $ par million de tokens d’entrée. TypeSafe situe les LLM entre 0,20 $ et 10 $ le million de tokens d’entrée, avec une sortie environ cinq fois plus chère.
• Multiplicateurs : les chiffres de 193,6 fois plus rapide et 444,6 fois moins cher viennent des workflows de TypeSafe. L’éditeur les place lui-même dans le haut de la fourchette.

Lors de notre test, un ticket en français avec 3 questions a pris 494 ms de bout en bout, relais compris, pour 499 tokens d’entrée. Le service est hébergé sur la côte Ouest des États-Unis, et le réseau compte.

Une nuance, pour être juste. Un LLM bien réglé peut aussi classer en un seul token de sortie. L’écart se creuse surtout avec le JSON, les questions multiples et le raisonnement.

Que veut dire « probabilités calibrées » ?

Un modèle est calibré quand ses probabilités correspondent aux fréquences observées. Sur tous les cas où il annonce 0,8, il doit avoir raison environ 8 fois sur 10.

C’est l’objectif de la méthode d’entraînement de TypeSafe, le RLCD. Les probabilités y sont optimisées contre les résultats, et non contre la préférence d’évaluateurs humains. Selon TypeSafe, l’entraînement par préférence peut au contraire récompenser les réponses trop sûres d’elles.

• La calibration se mesure sur un groupe. Elle ne garantit rien sur une réponse isolée.
• Calibré ne veut pas dire précis. Un modèle peut être bien calibré et souvent incertain.
• Elle ne se transporte pas. Une calibration mesurée en anglais ne prouve rien en français.
• Les questions ne sont pas cohérentes entre elles. Dans un exemple de TypeSafe, « est-ce un remboursement ? » donne 0,72 et la question inverse donne 0,47. La somme fait 1,19.

Pour la vérifier vous-même, groupez quelques centaines de cas par tranche de probabilité annoncée. Dans chaque tranche, comparez la probabilité moyenne au taux de bonnes réponses. Si les deux suivent, vous pouvez fixer un seuil.

État non structuré en entrée, décision typée en sortie

TypeSafe résume Jev comme un appel de fonction : « unstructured state in, typed probabilistic decisions out », selon son annonce.

• L’état est ce que vous feriez lire à un expert : un message, une commande, une politique.
• Les questions fixent d’avance l’espace des réponses : des options, des niveaux ou un vrai ou faux.
• La sortie respecte toujours ce schéma. Pas de JSON à réparer, pas d’option inventée.

{
  "model": "jev-1.13.0",
  "state": {
    "message": "I was charged twice for order A-104.",
    "order": {
      "id": "A-104",
      "captured_charges": 2
    },
    "policy": "Duplicate charges are refunded."
  },
  "questions": {
    "refund_requested": {
      "type": "noul",
      "instructions": "The customer asks for a refund"
    },
    "team": {
      "type": "choice",
      "instructions": "Which team should handle this?",
      "criteria": {
        "billing": "Payments and refunds",
        "technical": "Bugs",
        "sales": "Pricing"
      }
    }
  }
}

Le schéma protège la forme, pas le fond. Jev peut choisir la mauvaise option avec assurance. C’est la confiance, mesurée sur vos cas, qui dit quand le suivre.

Quand un modèle System One convient-il ?

Quand la réponse tient dans une liste fermée et que la décision revient des milliers de fois.

• Le routage de tickets, d’e-mails ou d’intentions.
• La notation sur une grille : urgence, risque, qualité.
• La vérification d’une affirmation avant une action.
• Le tri de passages RAG et les garde-fous autour d’un LLM.
• Les décisions en temps réel, où chaque seconde compte.

Quand faut-il encore un LLM ?

Dès qu’il faut produire du texte ou raisonner en plusieurs étapes. C’est le terrain du Système 2.

• Rédiger une réponse, un résumé ou du code.
• Extraire une valeur libre, comme un nom inconnu d’avance.
• Enchaîner des déductions ou des questions à plusieurs sauts.
• Traiter les cas que personne n’a prévus dans la liste d’options.

Les calculs, les dates et les comptages ne vont ni à l’un ni à l’autre. Ils vont dans le code, comme TypeSafe le recommande pour Jev.

Comment combiner un LLM et Jev dans un agent ?

Le LLM raisonne et rédige. Jev tranche aux embranchements. Votre code garde la main entre les deux.

1. Jev classe la demande entrante : règle fixe, LLM spécialisé ou humain. TypeSafe appelle ce schéma l’intent routing.
2. Au-dessus du seuil de confiance, le code suit Jev. En dessous, le LLM reprend la main.
3. Le LLM mène la partie ouverte : recherche, raisonnement, rédaction.
4. Jev contrôle la sortie avant l’envoi, comme dans le guide des garde-fous de TypeSafe.
5. Chaque décision est journalisée avec la version du modèle et sa confiance.

Ce découpage coûte peu à essayer. Notre guide n8n l’applique à des tickets, et la démo montre les réponses de Jev en direct. Pour le modèle lui-même, lisez qu’est-ce que Jev.

Jev et TypeSafe sont des marques de TypeSafe AI, Inc. Cet article est indépendant et n’est pas affilié à TypeSafe AI.