Markdown-Ausgabe

AI-translated from English; not yet reviewed by a fluent editor.

# Jev-Demos zeigen, wo KI-Entscheidungen in alltägliche Software passen

> Acht Jev-Demos zeigen, wie eine strukturierte KI-Entscheidung in einer bestehenden App Inhalte ordnen, auswählen oder filtern kann. Wir verfolgen, welche Aufgaben weiterhin die umgebende Software übernimmt und was noch nicht getestet wurde.

By BIG CHANGE Editorial

Published: 2026-09-24T22:47:28.571Z
Updated: 2026-09-24T22:47:28.571Z
Canonical: https://bigchange.ai/blog/jev-demos-ai-decisions-everyday-software

![Charcoal illustration of a desktop monitor showing a generic web article with one passage highlighted in orange.](https://bigchange.ai/api/media/file/jev-find-in-page-hero-v1.png)
AI-generated conceptual illustration by BIG CHANGE.

Acht Beispiele aus dem [Septembervideo von Matthew Berman](https://www.youtube.com/watch?v=jGD_UR4wMJc) bringen TypeSafe AIs Modell Jev in vertraute Aufgaben: eine Webseite aufräumen, eine Passage finden, einen Posteingang sortieren und Elemente einer Benutzeroberfläche auswählen. Die Demonstrationen stammen von unterschiedlichen Entwicklern. Gemeinsam ist ihnen, dass sie dem Modell eine eng umrissene Beurteilung überlassen, während die Anwendung Eingaben zusammenstellt und das Ergebnis umsetzt.

Jeder Clip wird aufschlussreicher, wenn man die Entscheidung von der Arbeit trennt, die im Code oder von einem anderen Modell erledigt wird. Ebenso wichtig wie der Modellaufruf ist der mögliche Fehler, den Nutzer bemerken würden. Es sind Demonstrationen und frühe Werkzeuge; BIG CHANGE hat weder ihre Genauigkeit noch ihre Zuverlässigkeit im Alltag unabhängig geprüft.

## Die große Veränderung

- **Was sich geändert hat:** Entwickler integrieren ein strukturiertes KI-Urteil in bestehende Abläufe – von einer Browser-Verknüpfung bis zur Posteingangsansicht. Jev gibt eine Auswahl, Bewertung oder Wahrscheinlichkeit zurück; die Anwendung stellt die möglichen Inhalte bereit und setzt die Antwort um.
- **Warum das wichtig ist:** Eine hilfreiche Entscheidung lässt sich genau beim Lesen, Suchen oder Sortieren treffen, ohne die gesamte Aufgabe einer Chat-Oberfläche zu übertragen. Zugleich tragen die Anwendungsanbieter Verantwortung für falsche Rangfolgen, ausgeblendete Inhalte und unbeabsichtigte Handlungen.
- **Worauf zu achten ist:** Als Nächstes braucht es aufgabenspezifische Belege: Wählen diese Werkzeuge die richtige Passage aus? Bleiben wichtige Bedienelemente der Seite erhalten? Werden wichtige E-Mails gut eingeordnet? Wie gehen sie im Alltag mit unsicheren Fällen um? Eine schnelle Demonstration beantwortet diese Fragen nicht.

## Ein Seitenbereiniger zeigt die Arbeitsteilung

[Kitze’ Browser-Erweiterung Unclutter](https://x.com/thekitze/status/2100595129874817340) ist das deutlichste Beispiel. In der [Projekt-README](https://github.com/kitze/unclutter) heißt es, dass die Erweiterung mögliche Seitenelemente extrahiert und Jev fragt, welche davon entbehrlich sind. Der Browsercode blendet diese Elemente anschließend mit umkehrbaren Regeln aus, speichert die Regeln anhand einer Seitenvorlage und wendet sie erneut an, ohne das Modell nochmals aufzurufen. Nutzer können die Erweiterung pausieren, ein Element sichtbar lassen oder eine Seite neu analysieren. Cookie-Hinweise lassen sich ausblenden, aber die Erweiterung klickt nicht für den Nutzer auf „Akzeptieren“ oder „Ablehnen“.

Das ist eine wichtige Grenze. Jev kann ein Element als störend einstufen; es kontrolliert weder den Browser noch trifft es Einwilligungsentscheidungen oder bestimmt, wie lange eine Regel gilt. Eine praktische Evaluation müsste prüfen, ob Navigation, Barrierefreiheitsfunktionen, Bezahlschranken-Hinweise und echte Einwilligungsoptionen nach dem Bereinigen weiter nutzbar sind. Das Projekt stellt Quelltext-Builds und eine Konfiguration mit eigenem API-Schlüssel bereit. Die README enthält jedoch keine unabhängige Feldstudie zu solchen Fehlern.

Der [Webseiten-Detektor „Made with Jev“](https://madewithjev.com/free-tools/ai-slop-detector), gezeigt bei [3:29 in Bermans Video](https://www.youtube.com/watch?v=jGD_UR4wMJc&t=209s), verwendet eine andere Verarbeitungskette. Laut eigener Beschreibung misst ein Browser die gerenderten Stile, DeepSeek V4 Flash beschreibt Screenshots, Jev bewertet Gestaltung und Texte anhand einer Liste typischer Merkmale, und DeepSeek verfasst das kurze Urteil. Die Website zeigt für anthropic.com einen „Slop“-Wert von 26 Prozent an. Das ist der Stilwert des Werkzeugs nach seiner eigenen Bewertungsrubrik. Es belegt nicht, wie viel der Anthropic-Website mit KI geschrieben wurde, auch wenn Berman dies im Video vermutet.

## Informationen zu ordnen ist eine andere Art von Entscheidung

[Jonathan Unikowskis Posteingangs-Demo](https://x.com/jnnnthnn/status/2101399331115077760) schlägt vor, die umgekehrt chronologische Reihenfolge durch eine laufend aktualisierte Wichtigkeitsrangfolge zu ersetzen. In seinem Beitrag heißt es, die Funktion komme zu Avec. Er dokumentiert weder einen eingeführten Posteingang noch eine Definition von Wichtigkeit oder eine unabhängige Messung übersehener dringender Nachrichten. Die Anwendung müsste weiterhin E-Mails abrufen, die Reihenfolge anzeigen und entscheiden, ob etwas archiviert, markiert oder versendet wird. Jevs demonstrierte Rolle besteht in der Priorisierung.

[Shubham Sabooos Needle-Erweiterung](https://x.com/Saboo_Shubham_/status/2101576462042366114) macht die Unterscheidung deutlicher. Saboo zufolge bewertet Jev Textpassagen einer Seite anhand der Suchanfrage und die Erweiterung hebt passende Textstellen direkt auf der Seite hervor. In seiner [ausführlicheren Erklärung](https://www.linkedin.com/posts/shubhamsaboo_introducing-a-new-way-to-find-f-withtypesafe-activity-7507513455138979841-CY8S) heißt es, Needle formuliere keine Antwort: Der hervorgehobene Satz steht bereits auf der Seite. Dadurch kann eine Suchfunktion nach anderen Inhalten suchen; dennoch kann die Markierung falsch sein. Für Tests braucht man Suchanfragen mit bekannten richtigen Passagen, auch auf Seiten mit ähnlichen, aber widersprüchlichen Aussagen.

[Burhan Usmans Beitrag zum Ausschneiden von Videoclips](https://x.com/BurhanUsman/status/2101641842441732297) berichtet, dass er thematisch passende Clips in einem mehr als 90 Minuten langen Video gefunden habe. Im [Videosegment bei 8:34](https://www.youtube.com/watch?v=jGD_UR4wMJc&t=514s) vermutet Berman, dass das System wahrscheinlich ein Transkript verwendet; das ist seine Schlussfolgerung und keine bestätigte Beschreibung der Verarbeitungskette. Der Beitrag nennt Jevs genaue Eingaben und Ausgaben nicht. Eine Clip-Anwendung muss weiterhin das Ausgangsmaterial beschaffen, Zeitgrenzen bestimmen und herunterladbare Clips erstellen. Die Angaben zu Zeit und Kosten stammen von einem Entwickler; ein veröffentlichter Genauigkeitstest oder eine Aufschlüsselung des gesamten Ablaufs fehlt.

## Was die Zusammensetzung einer Benutzeroberfläche der Anwendung überlässt

[Chris Tates json-render-Experiment](https://x.com/ctatedev/status/2101022101750571357) setzt eine Benutzeroberfläche aus von der Anwendung vorgegebenen Optionen zusammen. Die [Jev-Dokumentation des Projekts](https://github.com/vercel-labs/json-render/blob/main/apps/web/lib/jev/README.md) ist ungewöhnlich eindeutig: Jev wählt Komponenten und Positionen im Layout; Code setzt die Spezifikation zusammen und validiert sie; der Renderer zeigt sie an. Die Geschäftsdaten im Playground sind synthetisch, und Aktionshandler werden erst durch eine Interaktion des Nutzers ausgeführt. Die Demonstration zeigt somit eine Möglichkeit, eine begrenzte Benutzeroberfläche zusammenzustellen – nicht, dass ein Modell unabhängig eine Website schreibt und veröffentlicht.

Die beiden kreativen Beispiele betreffen Entscheidungen mit geringeren Folgen. [Matt DesLauriers’ Farbexperiment](https://x.com/mattdesl/status/2100899669802963060) ordnet Textvorgaben in einer visuellen Demo Farbpaletten zu. [Stefans Emoji-Experiment](https://x.com/heystefan_/status/2101369117496521042), gezeigt bei [9:52](https://www.youtube.com/watch?v=jGD_UR4wMJc&t=592s), ordnet Emojis zu eingegebenem Text. In beiden Fällen zeigt eine App auswählbares Bildmaterial. Die Beiträge veranschaulichen Interaktionsideen; sie belegen nicht, dass die Auswahl zu einer Marke passt, Kontrastanforderungen erfüllt oder in verschiedenen Sprachen und Kontexten funktioniert.

TypeSafes [Dokumentation](https://docs.typesafe.ai/introduction) erklärt, warum diese Beispiele eine gemeinsame Struktur haben. Jev bewertet typisierte Fragen der Kategorien Choice, Score und Ja/Nein anhand eines bereitgestellten Zustands. Choice und Score geben Wahrscheinlichkeitsverteilungen und einen Konfidenzwert zurück, die Software in eigenen Regeln verwenden kann. Das Unternehmen [empfiehlt, Schwellenwerte für die konkrete Aufgabe zu testen](https://docs.typesafe.ai/confidence); ein Konfidenzwert ist kein unabhängiges Genauigkeitsergebnis.

Die Beispiele liefern gute Argumente für ein Entwurfsmuster: Software kann genau dann eine kleine, gezielte Frage stellen, wenn eine feste Regel zu starr wäre. Ob ein bestimmtes Werkzeug im Alltag sinnvoll ist, hängt von seinen Fehlern, den dadurch offengelegten oder ausgeblendeten Inhalten und den Möglichkeiten ab, die Folgen rückgängig zu machen. Das sind Eigenschaften des gesamten Arbeitsablaufs, nicht allein der Modellentscheidung.

## Sources

- [Matthew Berman: „Acht Jev-Anwendungsfälle, die sich wie Schummeln anfühlen“](https://www.youtube.com/watch?v=jGD_UR4wMJc) — Das 10:38 Minuten lange Video versammelt acht Demonstrationen verschiedener Entwickler. Wir haben die vollständigen englischen automatischen Untertitel und die Kapitelübersicht geprüft. Der Zapier-Abschnitt von 5:17 bis 6:31 ist gesponsert. Das Video ist keine unabhängige Produktprüfung.
- [TypeSafe AI: „Vorstellung der System-One-Modelle und von Jev“](https://typesafe.ai/blog/introducing-system-one-models-and-jev) — Offizielle Ankündigung des frühen Zugangs und Erläuterung strukturierter Modellentscheidungen. Leistungsangaben beruhen auf Unternehmenstests mit genannten Einschränkungen; dieser Artikel verwendet sie nicht als Benchmark für die acht Demonstrationen.
- [TypeSafe AI: Dokumentation zu Introduction und Confidence](https://docs.typesafe.ai/introduction) — Dokumentiert Jevs Eingabezustand und die Fragetypen Choice, Score und Noul. Die zugehörige Confidence-Seite erläutert, dass die Konfidenz bei Choice und Score aus den Antwortverteilungen abgeleitet wird und Handlungsschwellen für die jeweilige Aufgabe getestet werden müssen.
- [TypeSafe AI: Confidence](https://docs.typesafe.ai/confidence) — Erläutert den Unterschied zwischen Antwortwahrscheinlichkeiten, daraus abgeleiteter Konfidenz und aufgabenspezifischen Handlungsschwellen. Belegt keine Genauigkeit einer der in diesem Artikel gezeigten Demos.
- [Made with Jev: KI-Slop-Detektor](https://madewithjev.com/free-tools/ai-slop-detector) — Der Anbieter beschreibt Messungen im Browser, Beobachtungen zu Screenshots durch DeepSeek, Jevs Bewertungen und ein separates Urteil von DeepSeek. Das Beispiel mit 26 Prozent für anthropic.com ist ein Wert nach der Stilrubrik der Website und kein Nachweis für KI-Autorenschaft.
- [Kitze: Ankündigung und Quellcode von Unclutter](https://github.com/kitze/unclutter) — Die README des ursprünglichen Entwicklers beschreibt die Klassifizierung möglicher Seitenelemente durch Jev, umkehrbare lokale Ausblendungsregeln, deren Wiederverwendung anhand von Vorlagen und Bedienelemente für Nutzer. Der ursprüngliche Beitrag vom 17. September ist https://x.com/thekitze/status/2100595129874817340. Eine unabhängige Evaluation im Live-Einsatz wurde nicht gefunden.
- [Jonathan Unikowski: Jev priorisiert den Posteingang](https://x.com/jnnnthnn/status/2101399331115077760) — Der Entwickler zeigt eine laufende Rangfolge nach Wichtigkeit und sagt, die Funktion komme zu Avec. Das belegt eine Demonstration und eine geplante Veröffentlichung, aber weder einen eingeführten Posteingang noch eine gemessene Priorisierungsgenauigkeit.
- [Shubham Saboo: Semantische Seitensuche mit Needle](https://x.com/Saboo_Shubham_/status/2101576462042366114) — Der Entwickler stellt eine quelloffene Chrome-Erweiterung vor. In seinem ausführlicheren LinkedIn-Beitrag heißt es, Jev bewerte vorhandene Textpassagen einer Seite und die Erweiterung hebe sie hervor, ohne eine Ersatzantwort zu erzeugen. Eine unabhängige Evaluation des Abrufs fehlt.
- [Chris Tate: json-render- und Jev-Experiment](https://github.com/vercel-labs/json-render/blob/main/apps/web/lib/jev/README.md) — Laut Projektdokumentation wählt Jev aus von der App vorgegebenen Oberflächenelementen; der Code setzt die Spezifikation zusammen und validiert sie, anschließend stellt der Renderer sie dar. Der ursprüngliche Demo-Beitrag vom 18. September ist https://x.com/ctatedev/status/2101022101750571357. Die Daten im Playground sind synthetisch.
- [Burhan Usman: Demo zum thematischen Ausschneiden von Videoclips](https://x.com/BurhanUsman/status/2101641842441732297) — Der Entwickler berichtet, ein mehr als 90 Minuten langes Video nach Themen in Clips aufgeteilt zu haben. Der Beitrag legt weder die vollständige Verarbeitungskette noch geprüfte Zeitgrenzen oder die Clip-Genauigkeit offen. Bermans Erklärung auf Grundlage eines Transkripts ist eine Vermutung aus seinem Video.
- [Matt DesLauriers: Jev-Farbexperiment](https://x.com/mattdesl/status/2100899669802963060) — Das ursprüngliche visuelle Experiment ordnet Textvorgaben Farbpaletten zu. Es belegt eine kreative Demonstration, nicht deren Eignung für Produktdesign oder die Einhaltung von Barrierefreiheitsanforderungen.
- [Stefan: Jev-Emoji-Experiment](https://x.com/heystefan_/status/2101369117496521042) — Der ursprüngliche Beitrag und Bermans Segment bei 9:52 zeigen die Auswahl von Emojis anhand eingegebenen Textes. Eine Evaluation der Benutzerfreundlichkeit oder der Nutzung in verschiedenen Sprachen liegt nicht vor.