Vérifiez la visibilité de votre entreprise dans AI
Gratuit, sans carte de crédit.
La plupart des gens utilisent l'AI pour écrire, expliquer ou résumer quelque chose. Jev de TypeSafe AI est destiné à une autre tâche : prendre des décisions précises basées sur les informations fournies. Pour les équipes travaillant sur la visibilité en AI, cela ouvre un domaine d'application intéressant - de l'organisation des questions des clients à l'analyse des réponses et à l'évaluation du contenu.
Qu'est-ce que Jev ?
Jev est un modèle AI de l'entreprise TypeSafe, conçu pour fournir des décisions structurées que les logiciels peuvent utiliser directement.
Vous lui fournissez des informations à évaluer, définissez des questions et des types de réponses acceptables. Le modèle retourne un choix, une évaluation ou une probabilité au lieu d'un texte libre. C'est ainsi que son fonctionnement est décrit par la documentation TypeSafe.
Imaginez l'analyse de cent réponses AI concernant votre secteur. Vous devez déterminer si la marque a été seulement mentionnée ou réellement recommandée. Vous pouvez demander au modèle génératif de décrire chaque réponse, mais ensuite, il faut encore traduire ces descriptions en données comparables.
L'approche Jev consiste à définir les catégories à l'avance. Le résultat peut ensuite être intégré dans un tableau, un rapport ou une étape d'analyse suivante.
Pourquoi TypeSafe l'appelle-t-il le modèle System One ?
TypeSafe a présenté Jev le 15 septembre 2026 comme le premier modèle public de la catégorie System One développée par l'entreprise. Le nom fait référence à la distinction entre un jugement rapide et intuitif et un raisonnement plus lent et plus élaboré.
Selon le fabricant, Jev a été conçu pour l'automatisation, en utilisant une méthode d'entraînement appelée Reinforcement Learning for Calibrated Decisions, ou RLCD. L'entreprise décrit également la détermination parallèle des résultats plutôt que la génération séquentielle de texte.L'annonce TypeSafe
En pratique, il s'agit de questions bien définies : à quelle catégorie appartient ce cas, comment l'évaluer selon les critères fournis et si les informations fournies soutiennent une affirmation spécifique.
Comment fonctionne Jev ? données, questions et résultats
Le travail avec le modèle commence par la fourniture d'un contexte, appelé dans la documentation state. Cela peut être par exemple la réponse de l'assistant AI, un extrait d'article ou une question du client.
À ce contexte, vous ajoutez des questions. Jev prend en charge trois types principaux :
| Type | À quoi ça sert | Exemple d'application dans le travail sur le contenu |
|---|---|---|
| Choix | Choix d'une des options spécifiées | Assignation de la question au sujet : prix, mise en œuvre, comparaison ou support |
| Score | Évaluation selon des niveaux décrits et ordonnés | Évaluation dans quelle mesure le fragment répond à la question |
| Noul | Évaluation de la probabilité de véracité de l'affirmation | Vérification si le texte fourni contient une condition relative au prix |
Plusieurs questions peuvent être combinées en un seul appel. Chacune est évaluée indépendamment dans le même contexte. Introduction à Jev
Le travail le plus important se fait donc avant le lancement du modèle : il faut déterminer ce que nous voulons mesurer précisément.
Qu'est-ce que Jev a à voir avec GEO et AEO ?
GEO concerne le travail sur la visibilité de la marque et de son contenu dans les réponses de l'AI générative. AEO se concentre sur la préparation des informations afin qu'elles répondent bien aux questions des utilisateurs et puissent être utilisées par les systèmes de réponse.
Dans les deux domaines, il y a beaucoup d'analyses répétitives :
- Quelles questions posent les clients potentiels ?
- La réponse de l'AI recommande-t-elle l'entreprise ou se contente-t-elle de mentionner son nom ?
- L'article résout-il réellement le problème du titre ?
- Quelles parties nécessitent une vérification par un éditeur ?
Jev peut être un élément d'un outil effectuant de telles tâches. Son résultat n'est cependant pas une mesure de la probabilité d'être cité dans ChatGPT ou Google.
Les applications suivantes sont des propositions éditoriales de Semly basées sur le fonctionnement du modèle. Elles ne représentent pas les résultats de nos tests ni l'intégration prête de Jev avec Semly.
1. Organisation des questions des clients
La liste des requêtes provenant des moteurs de recherche, des conversations de vente et du service client devient rapidement difficile à parcourir. Certaines questions concernent le même problème, même si elles sont formulées différemment.
Jev peut être utilisé pour attribuer des questions à des catégories prédéfinies.
Pour une entreprise gérant un site sur WordPress, cette répartition pourrait ressembler à ceci :
| Question | Catégorie proposée |
|---|---|
| Combien coûte la gestion mensuelle du site ? | Prix |
| Qu'est-ce qui est inclus dans l'abonnement ? | Portée du service |
| Comment transférer le site vers une nouvelle agence ? | Début de la collaboration |
| Un abonnement est-il meilleur qu'un paiement à l'heure ? | Comparaison des options |
C'est une illustration de la manière attendue de classification, et non le résultat d'un appel de modèle.
Une liste ordonnée aide à voir quelles besoins sont déjà couverts par le site, et lesquels nécessitent du nouveau matériel. Cependant, les catégories doivent être vérifiées sur de réelles questions - surtout celles qui correspondent à plus d'un groupe.
2. Distinguer la mention de la recommandation dans la réponse de l'AI
La simple apparition du nom de l'entreprise ne dit pas grand-chose sur la manière dont elle est présentée.
Comparez deux phrases :
L'entreprise X opère sur ce marché aux côtés de plusieurs autres fournisseurs.
Pour l'utilisation décrite, il vaut la peine de considérer l'entreprise X en raison de l'étendue du service.
Le premier est une mention. Le second contient une recommandation et une justification.
Dans le processus analytique proposé, Jev pourrait classer les réponses enregistrées selon des catégories clairement décrites. Il est également important de vérifier la présence de la marque, la recommandation et le lien fourni par l'assistant vers la source. Ce sont des informations différentes.
Le modèle doit recevoir du matériel à analyser. Si vous évaluez des citations, transmettez également la liste des sources. Sur la base d'un texte sans liens, il est impossible de déterminer de manière fiable quelles adresses l'assistant a indiquées.
3. Évaluation de la pertinence du contenu par rapport à la question
Un article peut avoir un titre approprié et ne pas fournir de réponse utile.
Supposons que vous analysiez le guide « Combien coûte la maintenance d'un site WordPress ? ». L'affirmation générale « le prix dépend de nombreux facteurs » n'explique pas au lecteur ce qui compose le coût.
Pour l'évaluation, trois niveaux descriptifs peuvent être préparés :
- le texte ne répond pas à la question
- le texte indique les éléments de coût, mais n'explique pas les hypothèses
- le texte décrit les éléments de coût et les conditions nécessaires à leur interprétation
Ceci est un exemple de tâche pour le type Score. La documentation recommande de décrire des situations concrètes et d'évaluer une dimension à la fois. Il est donc utile d'analyser séparément la complétude des réponses, la conformité à l'offre et la présence d'exemples.Documentation Score
L'évaluation obtenue peut aider à organiser le travail éditorial. Elle ne doit pas être appelée « résultat de classement Google » ni « probabilité de citation par l'AI ».
4. Sélection des matériaux nécessitant vérification
Avec un plus grand nombre de publications, il est utile d'indiquer préalablement les passages nécessitant attention.
On peut concevoir des questions pour vérifier si le texte contient :
- une promesse de résultat spécifique
- le prix ou le délai de réalisation
- une comparaison avec la concurrence
- une affirmation sur les résultats du client
Une telle analyse aide à diriger le matériel vers la personne appropriée. Elle ne remplace pas la vérification des faits.
Si nous voulons évaluer la conformité de l'article avec l'offre, nous avons également besoin de l'offre actuelle. Le modèle ne doit pas deviner si l'entreprise réalise effectivement le service dans les 24 heures.
Jev se trompe-t-il ?
Dans la communication TypeSafe, on parle de "zéro hallucinations". Il est important de comprendre son étendue : le fabricant l'associe à la conformité des résultats avec des types et un schéma de réponse spécifiques. Un format correct ne signifie pas automatiquement un jugement correct.Explication du fabricant
Le modèle peut choisir l'une des catégories autorisées, tout en attribuant un cas à une catégorie incorrecte.
Pour Choice et Score, Jev renvoie une distribution de probabilités et un indicateur confidence. La documentation explique que cet indicateur découle de la distribution des réponses. Il ne faut pas interpréter une valeur de 0,9 comme une garantie automatique de 90 % de précision. Noul n'a pas de champ séparé confidence. Documentation de la confiance des réponses
Dans les applications GEO, cela signifie la nécessité de comparer les résultats avec une évaluation manuelle des échantillons avant de les utiliser dans des rapports.
Comment commencer à utiliser Jev ?
TypeSafe propose un Playground, où après connexion, vous pouvez entrer des données et définir des questions. Pour connecter le modèle à votre propre outil, utilisez l'API ; le fabricant décrit également l'utilisation du SDK.Instructions pour commencer
Le premier test doit être limité à une seule tâche. Par exemple :
- Rassemblez 50 réponses AI enregistrées concernant un secteur
- Étiquetez manuellement celles qui contiennent une recommandation de la marque indiquée
- Enregistrez les critères qui distinguent une recommandation d'une mention ordinaire
- Effectuez une classification en utilisant Jev
- Comparez les résultats et analysez les divergences
- Après avoir amélioré les critères, effectuez un nouveau test sur de nouveaux exemples
Le nombre 50 est une proposition pour un petit pilote, et non un standard de validation. Ce test permet d'évaluer la pertinence de l'idée avant de construire une intégration plus grande.
Le propriétaire d'un site WordPress n'a pas besoin de mettre en œuvre Jev immédiatement. C'est avant tout un outil pour ceux qui construisent des processus et des logiciels. Il peut fonctionner en arrière-plan d'un système analysant le contenu, mais n'est pas une solution prête à l'emploi pour gérer un blog.
Que dire des promesses de rapidité et de coût réduit ?
TypeSafe publie des comparaisons montrant un grand avantage de Jev dans certaines tâches d'automatisation. Cependant, l'entreprise souligne que les résultats les plus impressionnants peuvent correspondre à la fourchette supérieure des bénéfices réalisables en pratique.Description des tests et des limitations
Pour l'équipe marketing, un test pertinent est son propre processus : le coût d'analyse d'un certain nombre de réponses, le temps d'exécution et le nombre de cas nécessitant des corrections.
Une classification rapide a de la valeur lorsqu'elle est suffisamment précise pour la tâche que nous souhaitons lui confier.
Questions fréquentes sur Jev et GEO
Jev écrira-t-il un article de blog ?
Jev est destiné aux décisions structurées, et non à l'écriture de texte libre. Dans le processus éditorial, il peut servir d'outil d'évaluation ou de classification des matériaux.
Peut-on positionner un site dans Jev ?
Le produit décrit par TypeSafe n'est pas un moteur de recherche présentant aux utilisateurs un classement des pages. Une utilisation sensée dans GEO est de soutenir l'analyse, et non de chercher à se positionner « dans Jev ».
Une haute évaluation d'un article dans Jev signifie-t-elle que ChatGPT le citera ?
Non. L'évaluation concerne des critères définis et des données fournies. Ce n'est pas une prévision de la décision d'un autre système AI.
Les applications décrites sont-elles des fonctions de Semly ?
Les scénarios présentés sont des propositions d'utilisation de Jev. L'article ne constitue pas une annonce ni une confirmation de l'intégration du modèle avec Semly.
Du nouveau modèle à une tâche spécifique
L'application la plus intéressante de Jev dans GEO et AEO commence par une question bien posée. Pouvons-nous distinguer de manière cohérente une mention d'une recommandation ? Identifier les textes qui ne répondent pas à la question ? Organiser des centaines de demandes de clients ?
Si oui, on peut vérifier si Jev facilitera ce travail. Si les critères ne sont pas clairs, il vaut mieux d'abord peaufiner la méthode d'évaluation.
Et si vous souhaitez commencer par votre propre entreprise, vérifiez comment elle apparaît dans les réponses AI.
Générez un rapport de visibilité gratuit de votre entreprise dans AI →
État des informations : 24 septembre 2026. La description du fonctionnement de Jev est basée sur des documents TypeSafe. Les exemples d'applications dans GEO et AEO sont des propositions rédactionnelles, et non des résultats de tests du modèle.
Partager :
