Ein Entscheidungsmodell hat in seiner eigenen Dokumentation ein Ergebnis veröffentlicht, das die meisten Anbieter verschweigen würden. Frag Jev, ob ein Kunde, der schreibt «Mir wurde zweimal für die gleiche Bestellung belastet», eine Rückerstattung möchte. Frag dann, ob er das nicht möchte. Die beiden Wahrscheinlichkeiten kommen mit 0.72 und 0.47 (72% und 47%) zurück, addieren sich also zu 1.19. Das ist ein Overshoot von 19% bei einem Paar, das sich logischerweise auf 100% addieren sollte. TypeSafe, das Team hinter Jev, dokumentierte dies selbst. Das learnjev.com-Tutorial über die drei Primitive, zuletzt überprüft am 18. September 2026, nennt es «das Wichtigste auf dieser Seite». Ich gehe noch weiter: Es ist das Nützlichste, das eine Bauleitung vor ihrem nächsten Mängelgang über KI lernen kann.

Ein Jahr in die LLM-in-CAD-Welle hinein zeigen Büros ein konsistentes Muster. Das Chat-Fenster, das Wände zeichnen versprach, wurde gezeigt. Die enge Frage, die eine Zahl zurückgibt, wurde eingeführt. Jede Bauleitung führt bereits ein probabilistisches Modell durch; es heisst Freitagnachmittag.

Drei Formen von Antworten

MarkTechPost veröffentlichte einen Programmier-Leitfaden am 23. September 2026. Er beschreibt Jev als ein «System-One»-Modell, das für typisierte Entscheidungen und kalibrierte Sicherheit gebaut ist: schnelle Urteile, keine Essays. Jev antwortet in genau drei Formen:

• Noul antwortet auf «Ist das wahr?» Es gibt eine Wahrscheinlichkeit zwischen 0 und 1 zurück und hat kein Konfidenzfeld. TypeSafe hat nie gesagt, wofür das Wort steht; behandle es als einen Eigennamen.
• Choice antwortet auf «Welche dieser Optionen?» Es gibt die beste Option, die vollständige Wahrscheinlichkeitsverteilung und einen Konfidenzwert zurück, über bis zu 255 Optionen.
• Score antwortet auf «Welche Stufe?» Es braucht 2 bis 10 geordnete Stufen, die unterste zuerst, und gibt eine wahrscheinlichkeitsgewichtete Position plus eine Legende zurück. Drei Stufen ergeben einen Bereich von 0 bis 2, also sitzt ein Score von 1.6 zwischen der zweiten und dritten Stufe.

Das Machine Learning hat einen Namen für die Lücke zwischen einer angegebenen Wahrscheinlichkeit und wie oft sie zutrifft: Kalibrierung. Ein Paper der Cornell University von Chuan Guo, Geoff Pleiss, Yu Sun und Kilian Weinberger, «On Calibration of Modern Neural Networks» (ICML 2017, arXiv:1706.04599), zeigte, dass moderne neuronale Netzwerke dazu neigen, Übervertrauen zu zeigen. Es zeigte auch, dass ein einfacher Nachkalibrierungsschritt, Temperature Scaling, einen grossen Teil dieser Lücke schliesst. Jev gibt dir die ganze Verteilung, nicht nur die beste Option, also kannst du diese Kontrolle selbst durchführen. Der Kompromiss liegt auf der Hand: Die drei Primitive stimmen nicht überein, also ist die Wahl einer davon eine Richtliniententscheidung, kein reines Formatierungsdetail. Nimm das Ticket «Mir gefällt die Passform nicht. Was sind meine Möglichkeiten?» Ein Noul setzte die Rückerstattungswahrscheinlichkeit auf 0.22 (22%). Ein Ja/Nein-Choice zur gleichen Frage gab «Ja» nur 0.01 (1%) und «Nein» 0.99, mit einer Konfidenz von 0.97.

TypeSafe liest dies korrekterweise generös: Die beiden Primitive stellen unterschiedliche Fragen. Sein Skill-Vorschlag-Rezeptbuch nutzt ein Choice zur Wahl des Skills und Nouls zur Entscheidung, ob überhaupt ein Skill vorgeschlagen wird. Die gleiche Aufteilung funktioniert auf der Baustelle. «Welches Gewerk hat diesen Mangel?» ist ein Choice. «Sollte heute Nacht jemand angerufen werden?» ist ein Noul.

←HEUTE: Ein 2026-Entscheidungsmodell veröffentlicht in seinen Dokumenten, dass zwei gegensätzliche Fragen mit 72% und 47% bewerten.
→3012: Jeder Mangel-Datensatz in Zürich-3012 trägt seine volle Verteilung, Jahrzehnte später als einfacher JSON lesbar.
Drehpunkt: Eine typisierte Antwort mit ihren Wahrscheinlichkeiten kann später überprüft werden. Eine Antwort in Prosa ist eine Meinung, die mit dem Chat-Fenster verschwindet.

Das Werkzeug: Jev ist TypeSafes reines Entscheidungsmodell. Du rufst es über seine HTTP API oder das TypeSafe Python SDK auf. Es lohnt sich für einen Nachmittag, weil es eine unordentliche Baustellen-Notiz in drei maschinenlesbare Antworten verwandelt, an denen sich dein Skript verzweigt. Das ist der Teil der KI, der zwischen einer Archicad-Mängelliste und dem Bauleitung-Telefon passt. Das Modell ist erst wenige Tage alt und verändert sich noch immer. Die learnjev-Seite kennzeichnet Satz für Satz, welche Aussagen TypeSafes eigene sind und welche unabhängig überprüft wurden. Die Menschen, die es geschrieben haben, sind hier die stillen Helden, und ein guter Baustellenbericht braucht die gleiche Sorgfalt.

Einrichtung: Dies nutzt Python 3.11 und den reinen HTTP-Weg, also versteckt sich nichts zwischen dir und der Antwort. Kopiere Endpunkt, Auth-Header und Request-Format aus TypeSafes HTTP API-Referenz. Die Schlüsselnamen unten folgen der learnjev-Anleitung, also überprüfe sie anhand der Referenz, bevor du der ersten Antwort vertraust.

# Python 3.11+ (Linux, macOS, WSL; Git Bash funktioniert auch)
python -m venv .venv && . .venv/bin/activate   # Git Bash: .venv/Scripts/activate
pip install requests
export JEV_URL="<Endpunkt aus TypeSafes HTTP API-Referenz>"
export JEV_KEY="<dein Schlüssel>"
cat > triage.py <<'EOF'
import os, sys, json, requests
# Request-Schlüssel folgen learnjev's Anleitung; bestätige sie in der API-Referenz
body = {"state": sys.argv[1],
        "questions": {"fire": {"type": "noul",
            "instructions": "Betrifft diese Notiz ein Brandschutzelement?"}}}
r = requests.post(os.environ["JEV_URL"], json=body,
    headers={"Authorization": "Bearer " + os.environ["JEV_KEY"]})
print(json.dumps(r.json(), indent=2))
EOF
python triage.py "Brandschutztür EG-03: Türschliesser fehlt, Rahmenspalte 8 mm"

Erste Schritte:

1. Führe das oben stehende Noul auf einer echten Notiz aus deinem letzten Mängelgang durch. Lese den noul-Wert als Wahrscheinlichkeit, nicht als Urteil. 0.55 ist eine Münze mit einer Ansicht, nicht ja.
2. Füge ein Choice namens trade mit diesem Wörterbuch hinzu: {"Rohbau": null, "Fassade": null, "HLKS": "Heizung, Lüftung, Klima, Sanitär", "Elektro": null, "Innenausbau": null}. Eine Beschreibung kann null sein, wenn der Name für sich spricht. Gib die vollständige Gewerkeliste statt nur weniger, weil jede Option nur wenige Token kostet.
3. Füge ein Score namens severity mit drei Stufen hinzu, unterste zuerst: ["Kosmetisch, auf Mängelliste notieren", "Funktional, vor Abnahme reparieren", "Sicherheit oder Brandschutz, sofort eskalieren"]. Das Ergebnis landet zwischen 0 und 2.
4. Halte alle drei Fragen in einer Anfrage. Jede sieht die gleiche Notiz, läuft unabhängig und parallel, und wird unter ihrem eigenen Schlüssel zurückgegeben.

TypeSafes Faustregel gehört über den Monitor: bevorzuge den Typ, dessen Antwort dein Code direkt nutzen kann. Ein Choice lässt sich auf Code-Verzweigungen abbilden, ein Score auf Schwellwerte, ein Noul auf ein if. Learnjev warnt auch vor einer Falle: ein Noul als Spektrum einsetzen, zum Beispiel «wie ernst ist das?» als Ja/Nein-Wahrscheinlichkeit. Schweregrad ist geordnet, also braucht es ein Score.

Atelier: Visualisiere ein Büro auf dem Weg zu einer SIA 118:2013 Abnahme mit einigen hundert offenen Mängeln. Das Schlüsselelement ist nicht eine KI, die die Mängelliste schreibt. Es ist ein Skript, das die Liste sortiert, ihre Wahrscheinlichkeiten zeigt und kennzeichnet, wenn es sich unsicher ist; der Schritt-für-Schritt-Leitfaden auf jev-tutorial.org baut genau diesen Mensch-Review-Schwellwert auf. Montag-Schachzug: Führe 20 abgeschlossene Mängel aus deinem letzten Projekt durch das Gewerk-Choice und das Schweregrad-Score. Notiere dann den Schwellwert (zum Beispiel Schweregrad über 1.5), ab dem ein Mensch die Notiz immer liest.

Hack: Berechne die Schweregrad-Position selbst aus den zurückgegebenen Wahrscheinlichkeiten neu, damit das Team sieht, warum eine Notiz bei 1.6 gelandet ist, statt eine Zahl einfach zu glauben. Ein Score ist ein wahrscheinlichkeitsgewichteter Durchschnitt der Stufenindizes, also kannst du ihn in Rhino 8s Script-Komponente (Python 3) neben dem Modell überprüfen, ohne die API erneut zu rufen. Die gleichen wenigen Zeilen messen auch, wie weit TypeSafes veröffentlichtes Paar entgegengesetzter Nouls von der Summe 1 abweicht.

p = [0.10, 0.20, 0.70]                        # Beispiel Score-Wahrscheinlichkeiten, unterste zuerst
pos = sum(i * pi for i, pi in enumerate(p))   # 0*0.10 + 1*0.20 + 2*0.70 = 1.6
drift = (0.72 + 0.47) - 1.0                   # TypeSafes veröffentlichtes Noul-Paar: 0.19
review = pos > 1.5 or abs(drift) > 0.1       # zum Menschen senden, wenn eines zutrifft

Rückblickend aus den späten 2070ern: Die Mangel-Datensätze, die überdauerten, waren die in Klartext. Jev gibt JSON zurück, also speichere die ganze Verteilung mit jedem Mangel, nicht nur das beste Label. Lege es ins BCF-Topic oder in eine CSV neben die IFC. Modelle ändern sich schnell; die learnjev-Seite zitiert bereits TypeSafes jev-1.13 Zackigkeitsnoten. Wenn sich die Version ändert, sollte wer das Projekt übernimmt immer noch sehen, was das Modell entschied und wie sicher es war. Falls deine Mängelliste in Archicad lebt, ist die PAZ Grasshopper↔Archicad-Bibliothek die natürliche Brücke zum Zurückschreiben des Score als Eigenschaft auf das Bauteil. So bleibt der Schweregrad am Bauteil, nicht in einer Tabelle.

Die Fragen sind nur die Hälfte einer Anfrage. Learnjevs nächstes Kapitel argumentiert, dass der State, den du sendest, mehr Einfluss auf die Genauigkeit hat als fast alles andere: die Notiz, der Raum, die Element-ID. Baustellen-Notizen sind üblicherweise genau da am dünnsten. Nimm 20 abgeschlossene Mängel, stell jedem ein Noul, ein Choice und ein Score, und behalte jede Wahrscheinlichkeit. Die Notizen, bei denen die drei nicht übereinstimmen, sind die, die ein Mensch lesen muss.

Learn-it:

• learnjev.com — Die drei Primitive: die Seite, auf der dieses Tutorial basiert, mit jeder Aussage gekennzeichnet als TypeSafes eigene oder unabhängig geprüft.
• Jev Tutorial — Schritt für Schritt: SDK-Einrichtung, ein erster Aufruf, Konfidenz-Schwellen und Mensch-Review.
• MarkTechPost — Ein Programmier-Leitfaden für TypeSafe AI Jev: typisierte Entscheidungen, kalibrierte Konfidenz und spekulative Auffächerung.
• PAZ-Notiz: PAZ Academy unterrichtet Rhino 8-Programmierung und lehrt Grasshopper 2 seit dem Alpha. Der Hack oben läuft direkt in einer Rhino 8 Script-Komponente. PAZ ist auch ein Rhino-Reseller, wenn dein Büro einen Sitz braucht.