生成式 AI 很擅長回答、摘要、寫作與規劃，但企業流程中的許多關鍵步驟並不需要一段漂亮文字，而是需要一個可以被程式直接使用的判斷：這張工單應該分到哪一組？這筆交易的風險分數是多少？這次操作能否自動執行？信心不足時，是否要轉給人工？
2026 年 9 月，TypeSafe AI 的 JEV 透過 Vercel AI Gateway 上線。Vercel 把它描述為一個機率決策模型：輸入結構化狀態，先宣告有限的答案空間，再取得 Choice、Score 或 Boolean 型別的結果與機率。它不是要取代能寫長文、推理或呼叫各種工具的通用大模型，而是把代理流程中的「決定下一步」縮成更明確、更容易驗證的元件。
JEV 最值得關注的地方，不是又多了一個模型名稱，而是它代表一種架構改變：讓大模型負責理解與生成，讓決策模型負責有限選項與信心，再由企業程式、政策和人工審批決定真正採取什麼動作。對正在建立 AIOS 的組織而言，這正好補上模型能力與營運控制之間的一層。
圖：JEV 的價值不在生成更多內容，而在把輸入訊號轉成型別明確、帶機率、可設門檻的決策結果。
一、JEV 是什麼：把「請判斷」改成有邊界的問題
Vercel 的 JEV 說明將它稱為「System One」模型。使用者提供目前狀態與預先定義的問題，模型回傳有限、型別化的答案，而不是自由格式文字。這種設計適合高頻、邊界清楚的判斷，例如分類、評分、風險旗標與路由。
三種常見輸出可以這樣理解：
| 輸出型別 | 例子 | 程式可以怎麼使用 | 主要風險 |
|---|---|---|---|
| Choice | billing／technical／sales |
直接路由到指定佇列 | 選項定義不完整，迫使模型選錯類別 |
| Score | 0–100 的優先分數 | 排序、分層或觸發不同 SLA | 分數未校準，門檻在不同資料上失真 |
| Boolean | 是否允許自動處理 | 通過、攔截或轉人工 | 把機率判斷誤當成確定事實 |
這和一般聊天模型最大的差異，是「答案空間在呼叫前就被定義」。🔗 大型語言模型的基本原理可以幫助理解生成模型如何產生文字；JEV 類型的決策模型則把任務縮小成可由程式消費的選項。型別不會保證答案正確，但能避免解析自由文字、拼字漂移或欄位缺失，讓後續控制更可靠。
二、為什麼 AI 代理需要獨立的決策層
一個企業代理通常同時做四件事：理解輸入、取得資料、決定下一步、執行工具。若全部交給同一個通用模型，提示詞就同時承擔語意理解、政策、路由和輸出格式。流程變長後，很難分辨錯誤究竟來自資料、推理、格式，還是工具權限。
JEV 的架構價值是把「決定下一步」拆成獨立元件。🔗 AI 代理開發處理的是代理如何規劃與執行；🔗 MCP 與 AI 代理處理工具如何標準化接入。決策層則回答：在目前狀態下，哪個動作符合門檻，是否需要人工，以及這個判斷有多大不確定性。
一個更可控的流程可以是：
- 通用 LLM 將郵件、通話或文件整理成結構化狀態；
- RAG 或業務系統補上客戶、合約和歷史事件；
- JEV 同時評估路由、優先級、風險與是否可自動執行；
- 程式依機率門檻、角色權限和政策決定動作；
- 高風險或低信心案例交給人工；
- 結果回寫成可觀測、可再評估的紀錄。
這種分工也讓 🔗 RAG 2.0 的資料品質與決策品質可以分別觀察：檢索錯了就改善資料路徑，門檻錯了就重新校準，不必把所有問題都埋在一段長提示中。
三、速度與成本數字要怎麼看：供應商結果不是普遍保證
Vercel 上線公告引用 TypeSafe AI 的工作流程評估，稱 JEV 在特定測試中最高可比通用 LLM 快 193.6 倍、便宜 444.6 倍。這是供應商回報的結果，並不是所有資料、地區、供應商或企業工作負載的普遍保證。
9 月 18 日的 Vercel 採用報告又指出，JEV 上線 24 小時內被近 13% 的付費團隊使用，並在該平台的模型份額中快速超過部分通用模型。這是 Vercel AI Gateway 內的採用資料，不能解讀成全球市場占有率；但它說明開發者確實有大量「不需要生成長文、只需要快速決定」的工作。
企業評估時，應把行銷數字轉成自己的四組指標：
| 指標 | 要測什麼 | 不應只看什麼 |
|---|---|---|
| 品質 | 各類別 precision／recall、校準誤差、人工推翻率 | 單一平均準確率 |
| 延遲 | P50、P95、P99 與佇列時間 | 最快的一次回應 |
| 成本 | 每千次判斷、重試、人工審核與錯誤成本 | 模型標示單價 |
| 營運 | 自動完成率、轉人工率、事件率、回復時間 | 呼叫成功率 |
如果錯誤決策的代價很高，即使推論便宜 400 倍，也不代表應該自動放行。真正重要的是在可接受風險下，每一件完成工作的總成本。
四、機率不是答案：門檻、校準與拒答才是控制核心
JEV 回傳機率，使系統可以用門檻控制，而不是把模型第一名答案當成事實。例如客服路由的最高類別機率是 0.61，而第二名是 0.37，系統可以把它送人工；若最高為 0.96 且歷史校準穩定，才自動分派。
但模型說 0.9，不代表在現實中一定有 90% 正確率。團隊需要以自己的資料做校準：把預測信心分桶，觀察每一桶的實際正確率，並按語言、產品、客戶類型與時間拆分。若某一語言的 0.9 只有 70% 正確，門檻就不能與其他語言共用。
建議把決策分成三區：
- 自動區：信心高、動作可逆、影響低，程式可以直接執行；
- 人工區：信心不足、類別接近、資料缺漏或影響中高，交由指定角色確認；
- 拒絕區：輸入不符合範圍、偵測到異常或政策明確禁止，停止而非勉強選一個答案。
這也是 JEV 與規則引擎的互補關係。硬性法規、金額上限和角色權限應由確定性規則執行；語意模糊、優先排序與風險傾向可以交給機率模型。最後動作由規則、模型與人工共同決定。
五、JEV 與通用 LLM 怎麼分工
Vercel 的 JEV 與 GPT-6 Astra 比較給出一個有用的邊界：JEV 適合答案已被定義、需要原生機率的聚焦決策；通用模型適合內容生成、開放式推理和更廣的工具工作。這不是誰取代誰，而是把不同任務放到合適模型。
| 任務 | 優先選 JEV | 優先選通用 LLM | 組合方式 |
|---|---|---|---|
| 工單分類 | 類別固定、量大、需要信心 | 類別未知、需要先理解新問題 | LLM 摘要，JEV 路由 |
| 風險分級 | 輸出為固定級別或分數 | 需要撰寫完整調查說明 | JEV 分級，LLM 生成理由草稿 |
| 工具操作 | 判斷是否允許、是否轉人工 | 規劃多步操作與參數 | LLM 規劃，JEV 判定門檻，程式執行 |
| 客戶回覆 | 選擇回覆策略或語氣 | 產生個人化內容 | JEV 選策略，LLM 撰寫，人工抽查 |
🔗 WAIC 2026 的代理、機器人與晶片觀察顯示，產業焦點正從「模型能說什麼」移到「代理能完成什麼」。決策層讓系統可以在使用大型模型之前先路由，也可以在工具真正執行前做風險閘門，避免每一步都使用最昂貴、最開放的模型。
六、放進 AIOS：決策模型需要共同控制面
JEV 本身只回答有限問題，並不管理企業的身分、資料、GPU、政策、版本或稽核。若每個團隊自行設定問題與門檻，企業仍會得到一批互不相容的決策端點。
AIOS 應為決策模型提供六種共同能力：
- 模型與問題登錄：記錄模型版本、問題 schema、選項、用途與負責人；
- 資料契約：檢查輸入欄位、來源、敏感度與缺漏；
- 門檻政策：依租戶、角色、風險和地區決定自動、人工或拒絕；
- 路由與容量：將工作分配到合適模型與資源，必要時降級；
- 可觀測性：保存機率、選項、版本、延遲、人工推翻與最終結果；
- 持續評估：偵測資料漂移、信心偏移、類別失衡與政策失效。
底層資源仍然重要。🔗 GPU、NPU、TPU 與 LPU 的差異說明不同加速器的工作特性；🔗 有效管理 GPU則處理共享、隔離和利用率。AIOS 的工作是把這些資源訊號連到模型、決策與任務結果，而不是只看到硬體忙碌。
依 NIST AI Risk Management Framework 的 Govern、Map、Measure、Manage 思路，JEV 的每個用途都應有業務邊界、影響等級、衡量方法和例外處理。機率輸出只有進入這套控制面，才會變成可治理的企業決策。
七、三個適合先做、三個不該先做的場景
適合先做
工單與內容路由：選項固定、錯誤可逆、容易累積人工標註，適合測試 Choice 與信心門檻。
告警優先排序：用 Score 排出需要先處理的事件，但仍由既有規則保留強制告警。
低風險自動化閘門：例如決定是否自動補資料、啟動重試或請求人工確認，動作可以回復並有完整日誌。
不該先做
不可逆的高額財務決策：資料、法規與公平性要求高，不應只依單一機率輸出執行。
員工懲處、醫療或法律結論：影響重大且需要可解釋的專業判斷，模型最多只能提供輔助訊號。
答案空間仍在快速變化的任務：若團隊連有哪些類別都不知道，先用通用模型和人工探索，再定義 JEV 的有限問題。
八、90 天導入：先證明一個決策閉環
第 1–30 天：定義問題與失敗成本
選一個高量、低風險、可逆的決策，寫清楚 Choice／Score／Boolean、資料來源、正確答案、拒絕條件與責任人。抽取歷史資料時要保留語言、產品和客戶分布，避免只用最乾淨的樣本。
第 31–60 天：影子模式與校準
讓 JEV 產生結果但不真正執行，與人工決定比較。觀察 precision、recall、校準、延遲、成本和各群體差異，建立自動區、人工區和拒絕區。保留通用 LLM 或現有規則作為對照。
第 61–90 天：只開放可逆動作
先自動執行低風險、可回復的案例，持續記錄人工推翻和最終結果。設定模型或資料異常時的停止開關，並每週重新看門檻，而不是把上線當作評估終點。
JEV 所代表的方向很清楚：企業 AI 不應把每一個步驟都變成自由文字生成。當問題可以被限定，型別化答案、原生機率與外部政策能讓代理更快、更便宜，也更容易控制。但速度與型別都不是治理本身；只有在 AIOS 裡把問題、資料、門檻、權限、人工和稽核接起來，JEV 才會從一個新模型變成可營運的決策控制層。
