TypeSafes Jev signalerer en opdeling mellem "chat"-AI og "beslutnings"-AI

TypeSafes Jev signalerer en opdeling mellem "chat"-AI og "beslutnings"-AI

ChatGPT-medopfinder Diogo Almeida er kommet ud af to års stealth-tilstand med Jev, en "beslutningsmodel" fra hans startup TypeSafe AI, støttet af omkring 40 millioner dollars i seed-finansiering ledet af DCVC [4][5]. I modsætning til en konventionel LLM fører Jev ikke samtaler — den returnerer strukturerede valg, scorer eller ja/nej-svar med konfidensniveauer, og den er bygget til at gøre dette hurtigt: der er tale om påstande om 20-200 gange så høj hastighed og 40-400 gange lavere omkostninger sammenlignet med topmoderne LLM'er, med en latenstid ned til 70 ms [4][5][6].

Budskabet er rettet direkte mod produktions-AI-agenter, der skal rute, klassificere eller træffe tusindvis af mikrobeslutninger uden at bruge budgetter til topmodeller på hvert eneste kald. Kommentarer omkring lanceringen fremstiller Jev som infrastruktur for pålidelighed i stor skala — det knap så glamourøse, men afgørende lag, der holder agentbaserede systemer hurtige og økonomisk overkommelige, når de forlader demo-stadiet [6].

Det er en nyttig påmindelse om, at ikke alle AI-problemer kræver en chatbot. Nogle gange har man bare brug for et hurtigt, billigt og sikkert "ja".

Deels Akai-platform skubber agentbaseret automatisering ind i back office-driften

Deel har lanceret Akai, en AI-agentplatform til driftsopgaver, som er vokset ud af virksomhedens egne interne automatiseringsindsatser [7][8]. Akai observerer, hvordan arbejdsgange faktisk udføres, og bygger og videreudvikler derefter automatisk automatiseringer på tværs af systemer — tale, dokumenter, betalinger — hvor mennesker først træder til, når agenterne løber ind i en forhindring [7][9].

De interne tal er overskriften: Deel oplyser, at deres egen implementering håndterer 100.000+ sager automatisk om måneden, sparer 91.000+ timer månedligt og kører 10.000+ aktive agenter på tværs af økonomi, betalinger og drift [8]. Priserne starter på 125 dollars om måneden pr. agent plus token-forbrug, og tidlige rygter fra erhvervslivet peger på, at tusindvis af agenter allerede bidrager betydeligt til den årlige tilbagevendende omsætning uden en tilsvarende vækst i medarbejderantallet [9].

Akai er endnu et datapunkt i det bredere skifte fra "AI hjælper dig med at skrive hurtigere" til "AI udfører bare selve driftsarbejdet" — en tendens, det er værd at holde øje med for alle, hvis job indebærer gentaget koordinering på tværs af systemer.

Hvad det betyder for dine møder

Dagens historier peger alle i retning af det samme underliggende skifte: AI bevæger sig fra at være en passiv assistent til at blive aktiv infrastruktur, der opfanger, beslutter og handler — og møder befinder sig lige midt i den kæde. Granolas fremgang viser, at transskriptionskvalitet alene ikke længere er et differentieringspunkt; det, der betyder noget, er, hvad et AI-system gør med den transskription bagefter — fremhæver beslutninger, opbygger kontekst og gør det muligt at søge i det uger senere [1][2].

Jev og Akai peger begge på, hvor det "bagefter" er på vej hen. En beslutningsmodel som Jev kunne sagtens tænkes at ligge i forlængelse af et mødetransskript og omdanne diskussion til hurtige, strukturerede handlingspunkter eller rutebeslutninger uden at skulle vente på en fuld tur-retur med en LLM [4][5]. Og Akais model med at observere arbejdsgange for automatisk at bygge automatiseringer er et forvarsel om, hvad mødeintelligens-platforme skal kunne gøre næste gang: ikke bare huske, hvad der blev sagt, men udløse det, der skal ske som følge af det [7][8].

For teams, der opbygger en personlig eller organisatorisk videnbase ud fra møder, er lektien klar — indfangning af data er kun en grundforudsætning, men den reelle værdi ligger i det lag, der omdanner den indfangede samtale til søgbar, handlingsorienteret viden på tværs af hele din mødehistorik. De værktøjer, der vinder opmærksomhed lige nu, er ikke dem med den bedste mikrofon; det er dem, der gør gårsdagens samtale nyttig i dag.

Vigtigste pointe: Mødet bliver til input, ikke output — og de platforme, der vinder, bliver dem, der automatisk omdanner samtale til struktureret, hentbar og handlingsorienteret viden.

Sources

1. https://docs.granola.ai/help-center/taking-notes/transcription
2. https://www.granola.ai/blog/granola-google-meet-integration-recording-transcription
3. https://techcrunch.com/2025/05/14/ai-note-taking-app-granola-raises-43m-at-250m-valuation-launches-collaborative-features/
4. https://aisocratic.org/news/chatgpt-co-inventor-diogo-almeida-launches-jev-a-decision-model-he-says-is-20200x-faster-than-frontier-llms
5. https://lukeocodes.dev/jev-system-one-model
6. https://www.therundown.ai/news/typesafe-jev-ai-decisions-software
7. https://www.akai.run/
8. https://www.deel.com/blog/akai-by-deel/
9. https://ecommercenews.uk/story/deel-launches-akai-to-automate-back-office-workflows