Ein Modell das mit einem Typ antwortet statt mit Prosa ist andere Infrastruktur als ein Chatbot. TypeSafe AI veröffentlichte Jev am 18. September 2026, und die Zahl die Entwickler zweimal hinschauen liess kam von Tom’s Hardware, die die Aussage der Firma berichten: 193× schneller und 445× billiger als ein frontier LLM auf derselben Entscheidung. MarkTechPost setzt den Input-Preis auf $0.042 pro Million Tokens — und wichtiger noch: Jev gibt einen typisierten Wert mit kalibrierter Wahrscheinlichkeit zurück, nicht Prosa die man parsen muss.

Das Manifest ist direkt über das Ziel: «Wir bauen prod, nicht Gott» — argumentierend dass der Engpass nicht beim rohen Verstand liegt sondern darin dass man heutige Intelligenz schwer nutzen kann. The Rundown AI berichtet dass Diogo Almeida, Mitarbeiter der ursprünglichen ChatGPT-Arbeit, die Firma gründete, und deutet die Wette offen — dass billige, schnelle, zuverlässige Urteile zum Standard-Teil von Software werden wie eine Datenbankabfrage.

Betrachte das als Systemdiagramm und die Gestalt ist vertraut. Ein LLM-Aufruf heute ist eine Komponente mit unbegrenztem Output-Typ, variabler Latenz und keinem Fehlerbalken. Du kannst das nicht fünf Schichten tief in einer Pipeline vergraben. Die Analogie im Manifest — «Intelligenz ist wie Datenbanken vor SQL: mächtig, aber jeder Einsatz ist bespoke» — ist die ehrliche Beschreibung warum das KI-Skript jedes Büros ein One-off ist. Eine typisierte, kalibrierte Rückgabe ändert den Vertrag: du bekommst einen Wert zum Verzweigen und ein Vertrauen das du selbst begrenzen kannst. Das Manifest nennt die Herkunft offen: neuro-symbolische KI, neurale Wahrnehmung gepaart mit symbolischer Logik, «frech zusammengefasst als intelligente if-Statements».

←HEUTE: Ein KI-Aufruf in deinem Grasshopper- oder Archicad-Skript gibt Text zurück, darum liest ein Mensch jedes Ergebnis. →3012: Semantisches Urteil ist eine Primitive mit deklariertem Rückgabetyp, tausendmal pro Modell-Prüfung aufgerufen, unbewacht. Wendepunkt: Automatisierung kommt nicht wenn das Modell smarter wird — sie kommt wenn seine Ausgabe aufgehört hat, eine Überraschung zu sein.

Die unsichtbaren Menschen hier sind nicht die Modell-Forscher. Sie sind die, die die Kalibrierungs-Infrastruktur und das Typschema schrieben — die unrühmlichen Rohre die eine Wahrscheinlichkeit in etwas verwandeln das ein Build-Skript vertrauen kann. Das Manifest erwähnt sie in einer Zeile: «auf solider, von Menschen die verdammt viel geben gebauter Infrastruktur» — und das ist der ganze Grund warum jemand das in eine Abhängigkeitskette packen würde.

Der Trade-off ist real und wert festzuhalten: kalibriertes Vertrauen sagt dir wie oft das Modell im Durchschnitt richtig liegt, nicht ob es bei diesem Wandtyp richtig liegt. Auf einem Projekt wo ein fehlklassifiziertes feuerbewertetes Bauelement ein Bauleitung-Problem ist, ist 0.93 Vertrauen ein Routing-Signal, nicht eine Freigabe.

Atelier: Für ein Zürcher Büro das IFC-Exporte durch openBIM-Prüfungen verarbeitet ist die nützliche Einsicht: semantisches Urteil kann jetzt innerhalb der Validierungsschleife sitzen statt daneben — ein Triage-Schritt der tausende von IFC-Entities in «sauber / braucht einen Menschen / ablehnen» sortiert bevor jemand das Modell öffnet. buildingSMART International’s IDS schreiben bereits maschinenprüfbare Anforderungen gegen ein Schema dessen Genealogie von IFC 1.0 (Juni 1996) durch ISO-16739-konformes IFC2x3 bis zu IFC4.3 Add2 (2023) reicht; was IDS nicht prüfen kann ist die unscharfe Hälfte — ist dieser Raumname wirklich ein Technikraum, passt diese Element-Beschreibung zu deren IfcClass. Diese Woche: nimm den IFC-Export von letzter Woche, hole die 200 Entity-Beschreibungen die dein IDS-Check als mehrdeutig markiert hat, und führe sie durch einen typed-classification-Aufruf mit Vertrauens-Schwellwert 0.9 — alles darunter geht an den BIM-Koordinator, alles darüber direkt in den Bericht. Miss welcher Anteil du wirklich lesen musstest.

Hack: Sortiere die mehrdeutigen Entities deines Modells nach wie viel menschliche Prüfung sie brauchen. Durchlaufe das IFC mit IfcOpenShell, behalte nur Elemente deren Beschreibung nicht bereits einen Standard-Raumtyp trägt, und gib diese Liste — nicht die ganze Datei — an den nächsten Classification-Aufruf den du bindest. Der Filter ist der Part der dir Geld spart; bei $0.042 pro Million Input-Tokens ist der Modellaufruf billig, die Review-Zeit nicht.

import ifcopenshell
model = ifcopenshell.open("export_kw38.ifc")
spaces = model.by_type("IfcSpace")
known = {"Technikraum", "Treppenhaus", "Buero", "Lager"}
print([(s.GlobalId, s.LongName) for s in spaces if s.LongName not in known])

Die Lektionen der Abhängigkeit von der anderen Seite: eine Primitive die du fünf Schichten tief vergraben kannst ist auch eine Primitive die du vergessen kannst dass du von ihr abhängst. TypeSafe’s Manifest sagt Vertrauen wird verdient indem man Leuten erlaubt «zu inspizieren, zu testen, und stückweise zu begrenzen». Halte sie daran fest bevor dieser Aufruf in deinen nächtlichen Export-Job sitzt — zeichne auf welcher Graph abhängiger Systeme bricht wenn dieser Aufruf um 03:00 nichts zurückgibt, und schreib den Fallback auf. Dieser Graph ist diese Woche billig zu zeichnen und teuer am Morgen wenn es zählt zu rekonstruieren.

Hole einen markierten Export, lauf eine typisierte Klassifizierung gegen einen Schwellwert den du selbst setzt, und zähle die Reviews die sie dir sparte. Diese Zahl, nicht die 193×, ist die Zahl die entscheidet ob das in deine Pipeline gehört.

Quelle: typesafe.ai