Jasons Jev

Ces dernières semaines, Jev a eu son petit hype cycle dans la bulle AI.

La promesse : un modèle qui répond à des questions précises, super vite et à faible coût.

Grâce à mes vastes connaissances en tech, je me suis vite demandé :

Spoiler : oui, ça existe depuis un bout. Avec Jev, tu peux décrire en langage naturel ce que tu veux classer ou évaluer, sans entraîner ton propre modèle pour chaque tâche.

Mais j’avais surtout envie de comprendre ce qu’une startup tech pouvait en faire. Dans son produit + ses opérations. Où est-ce que ces petites décisions rapides peuvent vraiment aider à accomplir une tâche ou à mieux servir un client?

J'ai lu, regardé quelques vidéos. Pis j'ai fini par en parler avec Marc Sirois, AI Enablement Lead chez gaiia, qui a taponné avec Jev. Il m’a partagé ses essais, ses réserves et quelques exemples pour rendre tout ça plus concret.

Un mini robot pour questions précises

Okay, LLM vs Jev, rapido.

Ton LLM, c'est un genre de savant qui fait le tour de la question. Il coûte cher mais il pense pas à moitié. System two—il prend le temps de réfléchir.

Exemple, tu demandes à un assistant AI basé sur un gros LLM de préparer une réponse à un client outré. Il peut lire toute la séquence de courriels, repérer les infos critiques, utiliser les outils auxquels tu lui as donné accès et composer une réponse claire, nuancée, bien tournée.

Jev, lui, c’est le mini robot à qui tu confies un petit jugement, super vite et à faible coût. System one—il répond instantanément, style intuition. Tu y demandes juste :

On parle un peu de system 1 vs 2 dans cet épisode avec Raphael de Maxa

Son résultat peut aider ton système à décider s’il faut prioriser ce client dans le support. Mais TU définis les règles qui relient ce jugement à l’action suivante.

Ces petits Jev-jugements portent sur le sens d’une demande, le ton d’un message, la pertinence d’une réponse, etc. Pour additionner une facture ou comparer deux dates connues, ton code classique peut déjà gérer ça en masse.

LLMs et Jev peuvent travailler ensemble. Exemple, Jev peut servir de contrôleur routier : ton système utilise ses jugements pour choisir quoi faire directement et quand appeler un LLM.

Marc m’a partagé une démo d’Allie Laabs qui montre ce partage du travail dans une maison virtuelle turbo-domotisée. Une commande écrite pour démarrer la cafetière déclenche l’action prévue. Mais une question générale sur le baseball est dirigée vers un LLM pour qu’il rédige la réponse.

Okay, voyons ce que tu envoies à Jev et ce qu’il te renvoie.

Une demande, plusieurs questions

Ton LLM, tu lui donnes le fil de courriels et ta demande : « Prépare une réponse pour ce client. » En sortie, tu reçois un texte rédigé, ton brouillon de courriel. Text in, text out.

Jev, tu lui donnes le contexte et des questions ciblées, avec tes options ou tes critères (le state). En sortie, tu reçois des valeurs structurées : un choix, une probabilité ou un score. Ton système peut utiliser ces valeurs dans ses règles. Text in, judgments out.

Marc m’a donné cet exemple inventé d’un client chez un fournisseur Internet :

Ton application peut rassembler ce message, l’historique disponible et les infos utiles du dossier dans le state, et passer ça à Jev. Dans ce paquet-là, les questions précisent ce que tu veux évaluer.

Tu peux poser trois types de questions à Jev :

• Noul : « Le client semble-t-il frustré? » Une question oui/non, dont Jev renvoie la probabilité du oui.

• Choice : « Ça concerne la facturation, une panne, une annulation ou autre chose? » Il choisit parmi les options prévues et donne leurs probabilités.

• Score : « Quel est le niveau d’urgence, de 0 à 4? » Tu décris chaque niveau, puis Jev évalue la demande sur cette échelle. Le score peut être décimal.

Plusieurs questions peuvent partir dans une même requête. Elles sont évaluées en parallèle, indépendamment : une question ne voit pas la réponse d’une autre.

Tu peux croiser ces réponses avec des données que ton application connaît déjà, comme le nombre de contacts précédents.

Une règle pourrait être : si le sujet est une panne, que la probabilité de frustration dépasse 90% et que l’historique confirme plusieurs contacts, on transfère à un humain.

Le 90% sert ici à illustrer la règle; c’est un seuil à tester sur des exemples représentatifs. Un modèle très certain peut encore se tromper.

Réagir plus vite, vérifier plus souvent

Dans le scénario de Marc, tu peux imaginer refaire ces petits jugements à chaque nouveau message d’un abonné. Pis mettons que ton client c'est un ISP avec des dizaines de milliers de clients... la vitesse et le coût d'exécution prennent de l’importance.

Via ses essais, Marc a vu des réponses à une trentaine de questions posées en parallèle rentrer en ~200ms . Et 100 décisions simples pour moins d’une cenne. FYI, au moment d'écrire ça, Jev roule juste dans un environnement de test chez gaiia—pas en prod.

Sinon dans tes opérations, pense aux potentiels petits tris ou contrôles qui reviennent dans le travail de ta team. Tu pourrais, par exemple :

• Trier les pièces jointes d’une boîte courriel partagée. Quand des centaines de documents arrivent, le même petit tri se répète : « C’est une facture, un contrat, une proposition ou autre chose? » Ton système transmet leur texte à Jev, puis utilise la catégorie pour les label et les acheminer au bon endroit.

• Vérifier des demandes de remboursement. Ton équipe reçoit régulièrement les mêmes types de demandes, avec une politique définie. Jev évalue systématiquement si le motif décrit correspond aux raisons acceptées. Ton système combine ce jugement avec les vérifications sur le montant et les délais pour orienter la demande vers traitement ou révision.

• Assister les ventes et le produit pendant un appel client. À mesure que l’appel est transcrit, Jev peut repérer une objection au prix ou une demande de fonctionnalité. Selon le signal détecté, ton système affiche une fiche argumentaire au vendeur ou transmet le passage pertinent, avec le contexte produit, à un agent de code qui commence une maquette pendant la discussion. Flyé! Si quelqu'un roule un processus dans le genre, hit me up pour une démo.

Le coût et la vitesse prennent leur sens quand tu répètes le jugement : sur tout un lot de documents, à chaque demande reçue ou à chaque nouvelle prise de parole. Basically, as-tu assez de volume, ou assez besoin de vitesse, pour Jev?

Où commencer

Pas-tant-pro-tip : regarde les petits jugements que ton LLM répète déjà dans ton produit ou tes opérations.

Et reste alerte aux moments où tu attends longtemps après ton LLM pour un retour qui t'apparaît basic. Peut-être que y'a un potentiel cas d'utilisation pour Jev derrière.

Check aussi quels petits jugements un humain fait à répétition dans tes ops.

En fait, tu pourrais juste domper cet édito dans Claude/Codex avec du contexte sur ton produit et tes ops, puis lui demander où essayer Jev.

Ah, pis tu as aussi le choix du fournisseur. Le marché bouge vite : OpenAI a lancé Decisions API en beta le 6 octobre, trois semaines après Jev, avec des formats de réponses semblables.

Selon ton entreprise, ajouter une nouvelle techno en prod peut demander des vérifications de sécurité, des certifications ou des autorisations liées aux données clients. Chez gaiia, OpenAI fait déjà partie de leurs fournisseurs approuvés, donc bagosser avec Decisions en prod se ferait plus facilement.

Puis finalement, teste sur des exemples réels : est-ce que Jev fait assez bien la job, et est-ce que ton processus gagne en coût ou en vitesse?

Quand j’ai demandé à Marc si c’était compliqué à intégrer, il m’a dit avoir trouvé ça très facile pour quelqu’un qui développe déjà avec des LLMs. IMO, la courbe d’apprentissage est plus conceptuelle que technique : apprendre à repérer où ces petits jugements peuvent être utiles, puis à les formuler + insérer.

Shoutout à Marc d'avoir pris le temps de me jaser 🙇‍♂️

—

Quelque chose à ajouter? Good. Laisse un commentaire ou réponds à ce courriel direct.

Cheers,

Frank 💜

Dernier événement live en 2026 🚨

Blueslice. Mnubo. Deux exits pour Fred Bastien, deux fois à des acheteurs étrangers.

Aujourd'hui, Fred est de l'autre bord de la table. Avec Amiral Ventures, il investit dans des startups d'ici avec une idée en tête : que le prochain gros coup reste dirigé à partir du Québec.

Le 4 novembre, je le reçois pour un pod live. Au menu :

• Les VCs d'ici sont-ils capables de mener une ronde aujourd'hui?

• Si Mnubo repartait à zéro, qu'est-ce qui serait devenu facile à copier avec les nouveaux outils disponibles?

• Avec le AI qui bouge aussi vite, il mettrait son cash où?

• Pourquoi Amiral a misé sur Galaxia, une startup qui vise l'espace.

📅 Mercredi 4 novembre, 19 h à 22 h
📍 Le Monastère, 1439, rue Sainte-Catherine Ouest, Montréal
🎟️ 45 $, places limitées

Énorme high-five à Finalta Capital pour le support direct de tout cet event. Et à Québec Tech pour le sponsoring du cocktail/networking.

Un gros merci à nos partenaires certifiés, qui rendent aussi ces soirées-là possibles : Le Chiffre 🧾, Leviat Legal 👨‍⚖️, Baseline 🤖, Unicorne 🌩️ et Finalta Capital 💰

Le pire NPS de toutes les industries 📡

C'est celui des télécoms. gaiia bâtit la plateforme que d'autres compagnies de télécom utilisent avec la mission d'améliorer l'industrie.

Antoine Lord (product manager) et Hugh Langis (product designer) sont des OG d'oxio, la compagnie québécoise d'où gaiia est née. Ce qui les tient engagés : leur amour du produit pis du craft, dans une industrie qui en a besoin.

Dans cette capsule, ils parlent de ce que le AI a changé dans leur travail, jusqu'à réaliser seul des projets qui demandaient une équipe auparavant.

L'équipe compte 7 designers et en vise 9 ou 10 d'ici la fin de l'année… gaiia embauche en ce moment, c’est le temps!

Du AI en solo aux agents en équipe 🤖

Tester l'AI chacun de son bord, c'est une chose. La faire travailler pour toute l'entreprise, c'en est une autre.

C'est là que Forra entre en jeu. La plateforme de Mirego sert à créer des agents pis des outils d'AI connectés aux systèmes de ton entreprise, avec ses règles d'accès :

• Brancher les agents sur les outils pis les données de l'équipe

• Garder le contrôle sur qui a accès à quoi, pis sur ce que les agents ont le droit de faire

• Partir d'un cas concret plutôt que d'une grosse transformation

Mirego, c'est l'agence québécoise derrière les apps de Bell, de la SAQ, de Loto-Québec pis de Cineplex. Pis notre partenaire spotlight d'octobre 💜

Rejoins les SaaSpals 👇

Merci tellement à tous nos SaaSpals. Votre support nous motive BIG TIME.

Partenaires certifiés SaaSpasse 💜

HUGE merci à tous nos partenaires certifiés pour cette année :

• Le Chiffre 🧾

• Leviat 👨‍⚖️

• Baseline 🤖

• Unicorne 🌩️

• Finalta Capital 💰

Podcast

Voici le dernier épisode du pod :

→ Ep.191 - Des drones dans le Bootstrap Club (construction, AI & données terrain)

Pas encore abonné au pod? Let’s go :

• Spotify

• Apple Podcasts

• YouTube

Okay bobye!