Jev w UiPath - gdzie model decyzyjny wygrywa z agentem LLM, a gdzie zawodzi

Jev w UiPath najlepiej sprawdza się jako warstwa decyzji między ekstrakcją danych a akcją. W naszym pomiarze na czterech zadaniach z projektów UiPath model decyzyjny Jev klasyfikował maile co najmniej tak trafnie jak agent LLM i około siedmiu razy szybciej. Zatwierdził jednak trzy zawyżone faktury, bo nie liczy. Z tego wynika prosta zasada: ekstrakcja w IXP albo LLM, obliczenia w kodzie, decyzja w Jevie, akcja nieodwracalna u człowieka. Poniżej pokazujemy, co zbudował już rynek, jak mierzyliśmy i gdzie wpiąć Jeva w UiPath Maestro, UiPath AI Trust Layer i UiPath Delegate.

Czym jest Jev i dlaczego społeczność UiPath o nim mówi?

Jev to model decyzyjny firmy TypeSafe AI, który zamiast tekstu zwraca wybór i pewność. Dostaje opis sytuacji i pytania trzech typów: choice (wybór z listy), score (ocena na skali) i noul (tak albo nie z prawdopodobieństwem). Odpowiedź to decyzja i liczba, nie akapit do interpretacji. Dla automatyzacji to ważna różnica: wynik trafia prosto do zmiennej procesu i do bramki decyzyjnej.

Model wyszedł publicznie 15 września 2026 roku, a wątek o premierze na Hacker News zebrał 1 982 punkty i 520 komentarzy. Na GitHubie zapytanie „jev typesafe” zwraca dziś 2 919 repozytoriów, prawie wszystkie założone po 16 września. Na forum UiPath nie ma jeszcze ani jednego wątku o Jevie, choć deweloperzy UiPath budują z nim od pierwszego tygodnia. O samym modelu, kalibracji pewności i porównaniu z lokalną Layą pisałem w zeszłym tygodniu we wpisie „Obawiam się, że nie wiem, Jacku”. Tu zajmujemy się praktyką w projektach UiPath.

Co już zbudowano z Jevem na UiPath?

Natywnej integracji nie ma: Jev nie jest komponentem UiPath, tylko modelem zewnętrznym wywoływanym przez API. Społeczność pokazała jednak pięć działających wzorców, żaden oficjalny ani po stronie UiPath, ani TypeSafe.

• Coded agent do segregacji alertów AML (repozytorium 1aifanatic/jev-uipath-coded-agent). LLM przez UiPath LLM Gateway czyta i uzasadnia, a Jev decyduje w jednym wywołaniu. Autor raportuje trafność równą LLM przy czasie 398 ms wobec 6 160 ms.
• Porównanie w UiPath Maestro Flow (1aifanatic/uipath-maestroflow-jev). Ten sam proces klasyfikuje spory kartowe dwa razy: przez Jeva wywołanego po HTTP i przez UiPath Autonomous Agent, z porównaniem czasu i kosztu. Autor zastrzega, że jego teza nie brzmi „mały model wygrywa”, tylko że model decyzyjny i agent generatywny wykonują różne zadania.
• Usługa decyzyjna jako UiPath Functions (Tokol/DecisionServiceJev). Jedna funkcja w Pythonie, którą woła agent, proces Maestro albo zadanie Orchestratora. Autor streszcza podział ról zdaniem „Jev makes the judgment. UiPath decides the action” i wprost wyłącza z zakresu komponentu obliczanie wartości deterministycznych - dokładnie to, na czym Jev poległ w naszym teście.
• Własny guardrail w UiPath AI Trust Layer (jms-dcksn/uipath-jev-guardrail-connector). Konektor Integration Service rejestruje Jeva jako guardrail typu LLM as Judge i ocenia polityki zapisane zwykłym językiem.
• Detektor danych osobowych w coded agencie (jms-dcksn/jev-pii-guardrail). Tu uwaga: wersja z repozytorium wysyła surowe dane osobowe do API, niczego nie maskuje i przy awarii przepuszcza ruch. Autor sam zaznacza, że to nie jest kod produkcyjny.

Obok tego TypeSafe publikuje oficjalne SDK dla Pythona i JavaScriptu oraz specyfikację OpenAPI. Oficjalnego serwera MCP nie ma, są za to serwery społecznościowe. Ten szczegół wróci przy UiPath Delegate.

Jak mierzyliśmy?

Zamiast opinii zrobiliśmy pomiar na czterech zadaniach, które znamy z własnych projektów UiPath i z presales: klasyfikacja maili, kontrola akcji agenta, kwalifikacja szans sprzedażowych i weryfikacja rozliczeń marketingowych w sieci handlowej. Wszystkie dane są syntetyczne, bo API Jeva działa w USA, a zerowa retencja danych jest dostępna tylko w planie Enterprise. Wykonaliśmy 238 wywołań modelu jev-1.13.0, a cały pomiar kosztował poniżej 0,01 USD. Punktem odniesienia jest agent z naszego PoC klasyfikatora maili, działający na Claude Sonnet 4.5 przez UiPath LLM Gateway, na tym samym zbiorze 60 maili, w dwóch przebiegach z 28 września 2026 roku. Czas agenta to samo wywołanie modelu przez UiPath LLM Gateway z Warszawy, bez zapisów do bazy. Wyniki kwalifikacji presales pomijamy, bo przypadki okazały się zbyt podręcznikowe, żeby cokolwiek udowodnić.

Gdzie Jev wygrał?

Klasyfikacja i routing. Jev przypisał poprawną kategorię 48 z 50 maili (96%), a agent LLM w dwóch przebiegach 46 i 45 maili (92 i 90%). Mediana czasu odpowiedzi Jeva wyniosła 0,42 s, a mediana wywołania agenta 3,06 s. Różnica trafności to dwa, trzy maile na danych syntetycznych, więc uczciwie piszemy: co najmniej tak trafny i około siedmiu razy szybszy. Instrukcje po polsku i po angielsku dały tę samą trafność.

Detekcja prompt injection. Osobne pytanie „czy mail próbuje sterować systemem AI” wykryło 9 z 10 ataków bez ani jednego fałszywego alarmu na 50 zwykłych mailach. Wśród wykrytych były ataki w base64, w komentarzu HTML i fałszywa odpowiedź asystenta wklejona w treść. Nie wykrył prośby o ujawnienie promptu systemowego, bo nie zawiera ona polecenia dla modelu. Sama obrona wyszła u obu modeli tak samo: żaden z siedmiu rozstrzygalnych ataków nie wymusił zmiany kategorii, przy czym u agenta LLM jeden atak zatrzymał filtr treści UiPath LLM Gateway, a nie decyzja modelu.

Kontrola akcji agenta. Na 20 akcjach proponowanych przez agenta Jev miał zdecydować: wykonać, zapytać człowieka albo zablokować. Trafił w 19 przypadkach i żadna ryzykowna akcja nie przeszła automatycznie. Jedyny błąd dotyczył zmiany rachunku dostawcy na podstawie dopisku w fakturze PDF: zamiast blokady Jev skierował akcję do zatwierdzenia, przy pewności 0,45. Błąd wypadł po bezpiecznej stronie.

Gdzie Jev zawiódł?

W weryfikacji rozliczeń Jev miał sprawdzić, czy kwota na fakturze zgadza się z umową, i zdecydować: zatwierdzić, poprosić o dokumenty albo odrzucić. Poprawnie rozstrzygnął 9 z 12 przypadków, a trzy zawyżone faktury zatwierdził przy pewności 0,71, 0,75 i 0,91. Przykład: umowa na trzy posty po 4 000 PLN, faktura na 14 000 PLN. Należne jest 12 000 PLN, ale żeby to wiedzieć, trzeba pomnożyć, a Jev nie liczy.

Ten sam zestaw uruchomiliśmy drugi raz. Kwotę należną policzył kod, a Jev dostał wynik porównania jako fakt. Wynik: 12 z 12 poprawnych decyzji, zero błędnych zatwierdzeń, pewność od 0,82 do 1,00. Model decyzyjny nie jest kalkulatorem. Jev nie generuje tekstu, więc nie zmyśla treści, ale w decyzji może się pomylić, i to przy wysokiej pewności.

Jak wygląda proces od A do Z?

Z pomiaru wynika podział ról, który przenosimy na każdy proces. Dokument albo mail trafia do ekstrakcji w UiPath IXP albo w LLM. Kod liczy kwoty i sprawdza reguły. Jev dostaje gotowe fakty i zwraca decyzję razem z poziomem pewności. Wysoka pewność prowadzi do akcji automatycznej, niska albo każda operacja nieodwracalna trafia do człowieka w UiPath Action Center.

Pomiar dał też dwie lekcje o formułowaniu pytań. Pierwsza: kryteria trzeba wpisać wprost. Pytanie „czy akcja jest nieodwracalna” dało tylko 75% trafności, bo korekta faktury czy nadanie uprawnień technicznie da się cofnąć. To samo rozstrzygnięcie w pytaniu z listą kategorii akcji wymagających zatwierdzenia dało 19 z 20. Druga: wysoka pewność nie gwarantuje trafności. Newsletter partnera trafił do spamu przy pewności 0,99. Dlatego próg przekazania do człowieka ustawiamy po rozkładzie pewności na zbiorze testowym danego zadania, a nie arbitralnie.

Gdzie wpiąć Jeva w UiPath?

• UiPath Maestro. API workflow albo coded function wywołuje Jeva przed bramką decyzyjną, a wynik i pewność trafiają do zmiennych procesu. API workflow z aktywnością HTTP może być zadaniem w Maestro i od 18 września kosztuje stałe 0,05 Platform Unit za wykonanie.
• UiPath AI Trust Layer. Jev jako własny guardrail (bring your own guardrail) ocenia proste polityki poniżej sekundy. To tańsza alternatywa dla wbudowanego LLM as Judge, który od 7 września jest w Preview i zużywa jednostki przy każdej ocenie.
• Coded agents. LLM czyta i uzasadnia, Jev decyduje. Ten podział stosuje demo AML i nasz pomiar go potwierdza.

Czy UiPath Delegate może korzystać z Jeva?

Tak, architektonicznie jest to możliwe, choć tej ścieżki jeszcze nie testowaliśmy. UiPath Delegate, agent działający na komputerze pracownika, jest ogólnie dostępny od 22 września 2026 roku. Według dokumentacji łączy się z narzędziami na dwa sposoby: przez konektory Integration Service i przez serwery MCP, a dla własnego API dokumentacja wskazuje właśnie serwer MCP.

Najkrótsza droga prowadzi przez Orchestrator. Swagger MCP Server (funkcja w Preview) zamienia dokument OpenAPI w narzędzia MCP, a TypeSafe publikuje OpenAPI dla swojego API. Jev może więc stać się narzędziem Delegate z kluczem trzymanym w zasobie Orchestratora. Drugą drogą jest UiPath MCP Server wystawiający API workflow, który woła Jeva po HTTP.

Dlaczego to ma sens właśnie przy Delegate? Delegate działa uprawnieniami człowieka, a Automation Ops ustawia dla każdego narzędzia i każdej operacji jedną z trzech polityk: Allow, Ask albo Block. Domyślnie odczyt działa automatycznie, a zapis pyta. Jev przed operacją zapisu daje szybki, tani punkt kontrolny: czy ta akcja mieści się w roli, czy prośba pochodzi z dokumentu, a nie od użytkownika. Wymaga to tych samych warunków co każda integracja z Jevem, bo dane wychodzą poza UiPath do USA. O samym Delegate pisaliśmy przy premierze wersji zapoznawczej, dziś produkt ma już status GA.

Co musi być spełnione przed danymi klienta?

• Umowa powierzenia i zerowa retencja danych w planie Enterprise albo ścieżka przez Cloudflare Workers AI z deklarowaną zerową retencją. Do tego czasu wyłącznie dane publiczne i syntetyczne.
• Nowa domena ruchu wychodzącego api.typesafe.ai zapisana w projekcie technicznym, bo ruch omija UiPath AI Trust Layer.
• Kalibracja progów na zbiorze testowym danego zadania i przypięta wersja modelu.
• Człowiek w pętli przy każdej akcji nieodwracalnej, niezależnie od pewności. Pewność modelu nie jest nadzorem człowieka w rozumieniu art. 14 AI Act.
• Przegląd bezpieczeństwa kodu konektorów społeczności przed użyciem.

Te punkty sprawdzamy w ramach przeglądu bezpieczeństwa AI, a o bramkach z człowiekiem w pętli pisaliśmy przy HITL gate w UiPath Maestro i AI Trust Layer.

Najczęstsze pytania

Czy Jev jest częścią UiPath? Nie. Jev to model zewnętrzny firmy TypeSafe AI wywoływany z UiPath przez API. Wszystkie znane nam integracje to projekty społeczności.

Czy Jev działa po polsku? Producent podaje angielski jako język podstawowy. W naszym teście instrukcje po polsku i po angielsku dały tę samą trafność kategorii, 96%, ale próba była mała.

Ile kosztuje wywołanie Jeva? Według cennika TypeSafe 0,042 USD za milion tokenów wejściowych, a odpowiedź jest bezpłatna. Nasze 238 wywołań kosztowało poniżej 0,01 USD.

Czy UiPath Delegate może używać Jeva? Tak, przez serwer MCP, na przykład Swagger MCP Server zbudowany ze specyfikacji OpenAPI TypeSafe. Tej konfiguracji jeszcze nie testowaliśmy.

Czy Jev zastąpi LLM w agencie UiPath? Nie. Zastępuje LLM w decyzji z zamkniętej listy. Czytanie dokumentów, ekstrakcję i uzasadnienia dalej robi LLM albo IXP, a obliczenia kod.

Od czego zacząć w Waszym procesie?

Przejrzyjcie decyzje w jednym procesie i podzielcie je na dwie grupy: wybór z listy i decyzje, które wymagają policzenia czegoś. Pierwsza grupa to kandydaci do Jeva, druga zostaje w kodzie. Jeżeli chcecie przejść przez to na Waszym procesie w UiPath Maestro, razem z oceną ryzyka i warunkami danych, porozmawiajmy.

Aktualizacja 28.09.2026: porównanie z agentem LLM opiera się na powtórce z tego samego dnia. Pierwsza wersja wpisu porównywała Jeva z przebiegiem z maja, w którym czas agenta obejmował także zapisy do bazy, dlatego podawała różnicę około dziesięciu razy.

Źródła

• Pomiar SNOK, model jev-1.13.0, 238 wywołań, dane syntetyczne, 26.09.2026.
• Pomiar SNOK, agent PoC na Claude Sonnet 4.5 przez UiPath LLM Gateway, 2 przebiegi po 60 maili, dane syntetyczne, 28.09.2026.
• TypeSafe AI, dokumentacja modeli i cennik - https://docs.typesafe.ai/models (dostęp 26.09.2026).
• TypeSafe AI, specyfikacja OpenAPI - https://api.typesafe.ai/openapi.json (dostęp 26.09.2026).
• Hacker News, „Introducing System One Models and Jev”, 15.09.2026 - https://news.ycombinator.com/item?id=49717558 (dostęp 26.09.2026).
• GitHub: 1aifanatic/jev-uipath-coded-agent, 1aifanatic/uipath-maestroflow-jev, Tokol/DecisionServiceJev, jms-dcksn/uipath-jev-guardrail-connector, jms-dcksn/jev-pii-guardrail - README (dostęp 26.09.2026).
• UiPath, Delegate release notes, wrzesień 2026 - https://docs.uipath.com/delegate/standalone/latest/release-notes/september-2026 (dostęp 26.09.2026).
• UiPath, Delegate user guide: Work with external data and applications, Centralized configuration - https://docs.uipath.com/delegate/standalone/latest/user-guide/work-with-external-data-and-applications (dostęp 26.09.2026).
• UiPath, Orchestrator: MCP Server types - https://docs.uipath.com/orchestrator/automation-cloud/latest/user-guide/mcp-server-types (dostęp 26.09.2026).
• UiPath, About API workflows - https://docs.uipath.com/studio-web/automation-cloud/latest/user-guide/about-api-workflows (dostęp 26.09.2026).