# Jev w UiPath - gdzie model decyzyjny wygrywa z agentem LLM, a gdzie zawodzi > Jak wpiąć model decyzyjny Jev w UiPath Maestro, AI Trust Layer i Delegate. Pomiar SNOK na czterech zadaniach: gdzie wygrał z LLM, a gdzie zawiódł. - Source: https://snok.ai/pl/aktualnosci/blog/jev-w-uipath-maestro-delegate/ - Author: Jacek Bugajski - Published: 2026-09-28 --- 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”](https://snok.ai/pl/aktualnosci/blog/obawiam-sie-ze-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. ![README projektu uipath-maestroflow-jev: jeden proces UiPath Maestro Flow klasyfikuje spory kartowe przez Jeva i przez agenta UiPath](https://snok.ai/images/blog/jev-uipath-rynek-maestroflow-pl.webp) ![README projektu DecisionServiceJev: usługa decyzyjna Jev w UiPath Functions](https://snok.ai/images/blog/jev-uipath-rynek-decisionservice-pl.webp) 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. ![Mail syntetyczny z atakiem prompt injection i odpowiedź Jeva: próba sterowania 0,99, kategoria spam](https://snok.ai/images/blog/jev-uipath-prompt-injection-pl.webp) **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. ![Akcja agenta zmieniająca rachunek dostawcy i decyzja Jeva: confirm przy pewności 0,45](https://snok.ai/images/blog/jev-uipath-zmiana-rachunku-pl.webp) ## 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. ![Faktura zawyżona o 2 000 PLN: sam model zatwierdza przy pewności 0,71, z kwotą policzoną w kodzie odrzuca przy pewności 1,00](https://snok.ai/images/blog/jev-uipath-faktura-kod-pl.webp) ## 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.
Jev w UiPath od maila do decyzji - animacja na przykładach z naszego pomiaru, dane syntetyczne.
![Proces UiPath od A do Z: wejście, ekstrakcja w IXP albo LLM, obliczenia w kodzie, decyzja Jeva, akcja automatyczna albo Action Center](https://snok.ai/images/blog/jev-uipath-proces-a-z-pl.webp) 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. ![Trzy miejsca na Jeva w UiPath: Maestro, AI Trust Layer i Delegate](https://snok.ai/images/blog/jev-uipath-trzy-miejsca-pl.webp) ## 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. ![Release notes UiPath Delegate z 22.09.2026: Delegate i Cartographer są dostępne ogólnie](https://snok.ai/images/blog/jev-uipath-rynek-delegate-ga-pl.webp) 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](https://snok.ai/pl/aktualnosci/blog/uipath-delegate-public-preview/), 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](https://snok.ai/pl/oferta/automatyzacja-ai/ai-security/), a o bramkach z człowiekiem w pętli pisaliśmy przy [HITL gate w UiPath Maestro i AI Trust Layer](https://snok.ai/pl/aktualnosci/blog/hitl-gate-uipath-maestro-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](https://snok.ai/pl/oferta/automatyzacja-ai/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).