TypeSafe holt 870 Mio. Dollar für Jev, Bewertung 7,5 Mrd.

TypeSafe Inc. hat eine Finanzierungsrunde über 870 Millionen Dollar abgeschlossen, die das Unternehmen mit 7,5 Milliarden Dollar bewertet. Das Start-up steht hinter Jev, einem KI-Modell, das strukturierte Antworten statt Freitext liefert.

Angeführt wurde die Runde von Andreessen Horowitz. Außerdem beteiligten sich Sequoia Capital, DCVC und mehrere Business Angels, deren Namen nicht genannt wurden. Die Runde kommt weniger als einen Monat nach dem Start von Jev. Nach Angaben von TypeSafe setzt bereits rund ein Drittel der Fortune-500-Unternehmen das Modell ein.

Das Problem, das Jev lösen soll

Die meisten Unternehmensanwendungen nutzen große Sprachmodelle auf die gleiche Weise. Die Anwendung schickt dem Modell eine Aufgabenbeschreibung, und das Modell schickt eine Antwort zurück. Diese Antwort ist meist Text in natürlicher Sprache, mit dem Software nicht direkt arbeiten kann.

Bevor die Anwendung mit dem Ergebnis etwas anfangen kann, muss sie den Text in ein strukturiertes, einheitliches Format umwandeln. Dafür müssen Entwickler zusätzlichen Code schreiben und pflegen.

Jev lässt diese Umwandlung weg. Schickt eine Anwendung eine Aufgabe, liefert das Modell von Anfang an strukturierte Ausgaben. Nachträglich muss also nichts umformatiert oder verdichtet werden.

Drei Arten von Antworten, mehr nicht

Jev beherrscht bewusst nur ein enges Spektrum an Anfragen. Eine Anwendung kann das Modell um eine von drei Dingen bitten:

1. Mit Ja oder Nein antworten. Das Modell liefert das Gegenstück zu einem binären Urteil.
2. Aus einer Liste auswählen. Die Anwendung gibt die Optionen vor, und Jev wählt eine davon aus.
3. Einen Wert berechnen. Was dieser Wert misst, legen die Entwickler fest.

Die Bewertungsfunktion ist die flexibelste der drei. TypeSafe nennt zwei Beispiele: Cybersicherheitswarnungen nach Schweregrad einstufen und abschätzen, wie dringend ein Support-Ticket ist.

Weil die Ausgabe so kurz und vorhersehbar ist, brauchen Anwendungen weniger Code für die Datenaufbereitung. Laut TypeSafe hilft das Softwareteams, Projekte schneller abzuschließen. Eine kleinere Codebasis bietet zudem weniger Stellen, an denen sich Fehler verstecken können.

Konfidenzwerte als Schutz vor Halluzinationen

TypeSafe ergänzt eine zweite Funktion für mehr Verlässlichkeit. Wenn Jev aus einer Liste auswählt oder einen Wert berechnet, gibt das Modell zusätzlich eine Zahl zurück, die zeigt, wie sicher es sich ist, dass die Antwort stimmt.

Anwendungen können diese Zahl nutzen, um den Schaden durch Halluzinationen zu begrenzen. Ein System könnte etwa Antworten mit geringer Konfidenz anders behandeln als solche mit hoher Konfidenz, statt jeder Ausgabe gleichermaßen zu vertrauen.

Neue Trainingsmethode, neue Architektur

TypeSafe zufolge wurde Jev mit einem Ansatz trainiert, den das Unternehmen "Reinforcement Learning for Calibrated Decisions" nennt. Es handelt sich um eine Variante des bestärkenden Lernens, das beim Training von Sprachmodellen bereits weit verbreitet ist. Außerdem hat das Unternehmen für Jev eine neue Modellarchitektur entwickelt.

Diesen Entscheidungen schreibt das Start-up die Geschwindigkeit von Jev zu. TypeSafe gibt an, dass das Modell Anfragen in weniger als 700 Millisekunden bearbeitet. Damit wäre es bis zu 200-mal schneller als manche Spitzenmodelle. Zudem sei Jev bis zu 100-mal kosteneffizienter. Das sind Angaben des Unternehmens selbst, unabhängig überprüft wurden sie nicht.

Wohin das Geld fließt

Jev ist das erste Modell einer geplanten Reihe namens System One. Mit dem frischen Kapital will TypeSafe diese Reihe um weitere Modelle ergänzen. Außerdem sollen sogenannte "Enterprise-Funktionen" folgen, die großen Organisationen den Einsatz der Modelle erleichtern. Was diese Funktionen umfassen, hat das Unternehmen nicht verraten.

Unsere Einschätzung

Die Idee hinter TypeSafe: Bei vielen Aufgaben in Unternehmen kommt es weniger auf ein Modell an, das gut formuliert, als auf eines, das ein sauberes, verwertbares Urteil liefert. Ein großer Teil der Geschäftsautomatisierung läuft auf Sortierarbeit hinaus: Ist diese Warnung ernst, in welche Warteschlange gehört dieses Ticket, entspricht dieses Dokument einer Regel? Genau für solche Arbeit ist Jev gebaut.

Der Zeitpunkt deutet darauf hin, dass die Idee an Boden gewinnt. OpenAI hat sich mit seiner Decisions API zuletzt in eine ähnliche Richtung bewegt, und Cloudflare hat schnelle Entscheidungsmodelle für Agenten vorgestellt. Das sind erste Anzeichen dafür, dass "Entscheidungsmodelle" zu einer eigenen Produktkategorie werden könnten, getrennt von Chatbots für alle Zwecke. Kommt es so, konkurriert TypeSafe mit deutlich größeren Plattformen, die ähnliche Funktionen kaum teurer mit anbieten können.

Auch die Bewertung passt in ein größeres Muster. Investoren zahlen für KI-Start-ups sehr früh hohe Preise, oft zu Rekordsummen, bevor es eine nennenswerte Erfolgsbilanz gibt. Ein Preis von 7,5 Milliarden Dollar weniger als einen Monat nach dem Start spiegelt das wider.

Drei Punkte sollte man im Blick behalten:

• Unabhängige Benchmarks. Halten die Angaben zu Geschwindigkeit und Kosten auch außerhalb der eigenen Tests von TypeSafe?
• Kalibrierung in der Praxis. Sagen die Konfidenzwerte von Jev tatsächlich voraus, wann das Modell danebenliegt?
• Nächste Modelle. Kann der Rest von System One auf der frühen Verbreitung aufbauen, sobald die großen Anbieter reagieren?