Her E-postaya Dev Model Gerekmez: Jev 0,8 Saniyede %97 Güvenle Nasıl Karar Veriyor

Yıllarca yapay zekayla ilişkimiz prompt ver, metin al döngüsünde kaldı. Doruk Yalçınsoy’un anlattığı kırılma tam burada başlıyor: videoda ‘Cev’ diye duyulan modelin asıl adı Jev — TypeSafe AI’ın 15 Eylül 2026’da erken erişime açtığı System One ailesinin ilk üyesi. Kendi ifadesiyle, hayatımıza ‘talimatla yazan’ modellerden sonra ‘durumu okuyup karar veren ’ bir katman giriyor. Örnekler bilerek gündelik: bir giysiyi anında değiştirme, akan trafik verisiyle direksiyonu düzeltme, e-postalar arasında ayrım. Hepsinin ortak paydası, metin üretmek değil, sınırlı seçenek içinden güvenle ayıklamak .

Bir Metin Üreticisi Değil, Bir Karar Motoru

Jev’i ayıran şey mimari tercihi: Noul (0–1 arası evet/hayır olasılığı), Choice (verilen listeden tek seçim) ve Score (tanımlı skalada puan) olmak üzere üç tip soruyu aynı duruma karşı paralel ve izole değerlendiriyor. Bir istekte yedi soru sormanız süreyi neredeyse artırmıyor, çünkü model metin üretmiyor; doğrudan tip güvenli çıktılar ve kalibre güven değerleri döndürüyor. Altta, TypeSafe’in ‘Reinforcement Learning for Calibrated Decisions’ diye tarif ettiği eğitim yöntemi ve farklı bir örnekleyici/sampler anlatısı var. Pratikte bu, 70–500 milisaniye bandında, çoğu sorguda 100 ms civarında yanıt ve girdi başına milyon token’da 0,042 dolar, çıktı ücretsiz fiyatlaması demek; dokümana göre 32 bin bağlam ve yalnızca metin girişi destekleniyor, erken erişimde bekleme listesiyle dağıtılıyor.

Hız ve maliyet iddiası videoda iki sayıyla somutlaşıyor. 1.000’den fazla e-posta gibi büyük bir yığında ‘4 saniye’ pazarlama cümlesi, Yalçınsoy’un kendi ısınma testlerinde 6–7 saniye olarak ölçülüyor; sorgu başı 300 milisaniye civarı. Aynı yedi soruluk set GPT 5.6 Luna/benzeri büyük bir modele sorulduğunda yaklaşık 5 dakika sürüyor. TypeSafe’in kendi iş akışı kıyasında 193,6 kat hız ve 444,6 kat düşük maliyet rakamları paylaşılıyor; şirket bunun bağımsız bir test olmadığını, referans cevapların GPT-6 Astra ve Fable 5.1 ortalamasıyla oluşturulduğunu açıkça yazıyor. Yine de ‘girdi 500 milyon token ise yaklaşık 21 dolar’ gibi örnek hesaplar ve çıkışın ücretsiz olması, karar katmanını neden ayrı bir motorla çözme fikrini anlaşılır kılıyor.

E-postadan Lead Skorlamaya: Nerede İşe Yarıyor

En net demo, son 50 e-postanın sponsorlukla ilgili mi değil mi ayrımı: toplam 42 saniye , karar başı 800 milisaniye , sonunda evet/hayır dağılımı yüzdesel olarak veriliyor. Buradan genelleme kolay: fatura mı makbuz mu , marka işbirliği mi dolandırıcılık mı, e-posta turu mu; YouTube veya başka bir sosyal ağdaki yorumların ton/duygu ayrımı; toplantı sonrası ‘karar alındı mı, aksiyon maddesi çıktı mı, takip gerekiyor mu’ kontrolü; satış tarafında video klibin tek başına paylaşılabilirliği ve kanca gücüyle viralite kestirimi ; sözleşmede riskli madde, 30 gün üstü ödeme vadesi veya hukuk görüşü ihtiyacı. Videoda özellikle lead tarafı vurgulanıyor — gelen potansiyel müşterinin bütçesi var mı, hedef kitleye uygun mu, aciliyeti ne — üç soruyu ayrı ayrı sormak, tek bir ‘iyi lead mi’ sorusundan daha güvenilir sonuç veriyor.

Yalçınsoy’un günlük kullanım örneği ‘konsol’ diye andığı çok modlu bir abonelik katmanı: Cloud, ChatGPT, Gemini, Grok ve Çinli modellerin tek arayüzden çağrılabildiği, arkada ise modelleri bir arada sunan bir harness yapısı. Anlatıda ‘C seçtikten sonra en düşük token ya da en yüksek kalite’ diye tarif edilen adım, aslında Jev’in yönlendirme (routing) rolü — verilen göreve göre hangi modelin en uygun olduğuna yine Jev karar veriyor. Örnekte ‘GPT1 Live ile ilgili bir blog yazısı’ görevi için GPT 5.6 Terra %100 güvenle seçiliyor ve iş o modelle üretiliyor. Burada kullanılan veri, arena.ee diye anılan ve gerçek insan oylarıyla modelleri sıralayan tablolardan besleniyor; Yalçınsoy Türkçe verinin tabloda eksik olduğunu, kendi gözleminde GPT’nin Türkçe’de güçlü kaldığını not edip tercihini buna göre şekillendiriyor. Araştırma, görsel üretim veya yazıdan videoya gibi kategorilerin her biri için benzer tek soruluk Noul/Choice yönlendirmesi kurulabiliyor.

Kurulum tarafı bilerek hızlı tutulmuş. console.typesafe.ai/playground adresinde bir örneklem (state + sorular) hazırlanıyor; Yalçınsoy örneklemi de bir başka yapay zekâya yazdırdığını söylüyor çünkü ‘nokta atışı’ soru yazmak kritik. Sonra API anahtarı üretiliyor — videoda adı ‘YouTube’ konup kopyalanıyor ve uyarı net: anahtarı kimseyle paylaşma. Ardından Codex (veya VS Code, Hermes, genel konsol) tarafında proje seçilip anahtar proje içine ekleniyor; ideal olan anahtarın proje ortamında saklanması. TypeSafe’in erken erişim paketi 5 dolar kredi ile geliyor, karar başı maliyet videoda yaklaşık 0,001 diye tarif ediliyor; hesabın üçlüsü — müşteri talebi, içerik taslağı, AI görevi — küçük bir test setiyle deneniyor. Önemli bir pratik not da etiketleme: gerçek iş akışında ‘lead puanı’ gibi skorları tek soruda değil, bileşenlere ayırıp kodda birleştirmek daha kalibre sonuç veriyor.

Ve canlı test: ‘Web sitemde ödeme ekranı çalışmıyor, hiçbir müşterimiz sipariş veremiyor, satış kaybediyoruz’ gibi tek cümlelik bir durumda ‘Bu müşteri mesajı acil mi?’ sorusu Noul 0,97 ile evet dönüyor ve yanıt yaklaşık 0,8 saniyede geliyor. Yalçınsoy buradan genel dersi çıkarıyor: her e-postaya, her küçük karara büyük dil modeli çağırmak gerekmiyor . System One diye anılan bu hızlı sezgisel katman (Kahneman’ın System 1 metaforu) hızlı ve tutarlı kararları üstlenirken, üretici büyük modeller yalnızca seçilen yolda metin, planlama veya derin muhakeme gerektiğinde devreye giriyor. Sınırlar da açık: Jev görsel/ses/video girişi desteklemiyor , Japonca dahil bazı dillerde doğruluğu daha düşük olabiliyor, 0,5 civarı Noul belirsizlik demek ve model tek başına sayma/tarih karşılaştırma gibi işlerde tökezleyebiliyor. Yine de e-posta triyajı, lead skorlama, sözleşme ve içerik kontrolü gibi tekrarlı ve eşik tabanlı işlerde küçük karar motoru + büyük üretici ikilisi, bugünün en pratik otomasyon deseni olarak öne çıkıyor.