Откуда название
Даниэль Канеман в книге «Думай медленно… решай быстро» описал две системы мышления: «Система 1» работает быстро и интуитивно, «Система 2» — медленно и обдуманно. В AI-терминах «Системе 2» соответствуют рассуждающие модели, которые строят длинную цепочку рассуждений перед ответом. System One модель — противоположный полюс: быстрое узкое суждение, которое программа получает за доли секунды и использует без разбора текста.
Термин ввела компания TypeSafe AI из Сан-Франциско. 25 сентября 2026 года она открыла ранний доступ к первой модели этого класса — Jev. На сентябрь 2026 года других моделей под этим названием нет, поэтому понятие пока описывает подход одной компании.
Чем отличается от LLM
LLM обучена генерировать текст для человека. System One модель тоже понимает естественный язык, но отвечает в формате, с которым сразу работает код.
| LLM | System One модель | |
|---|---|---|
| Что на выходе | Текст: ответ, код, объяснение | Вариант из заданного набора, оценка по шкале или вероятность «да» |
| Как задаётся формат | Инструкцией в промпте, модель может отступить | Схемой вопроса, выйти за неё модель не может |
| Уверенность | Обычно не сообщается или завышена | Вероятность по каждому варианту и отдельная оценка уверенности |
| Для кого ответ | Для человека | Для программы, которая решает, что делать дальше |
В Jev три типа вопросов. Choice выбирает один вариант из списка, например «оплата, доставка или возврат». Score ставит оценку по описанной шкале, например «насколько раздражён покупатель». Noul отвечает на вопрос «да/нет» вероятностью: «просит ли покупатель вернуть деньги».
Калиброванная уверенность
Калибровка означает, что вероятность совпадает с реальной частотой: среди ответов с уверенностью 90% правильных должно быть около 90%. Это свойство группы ответов, а не гарантия для отдельного решения. Практическая польза в том, что уверенность становится второй осью решения: сам ответ говорит, что делать, а уверенность — делать ли это автоматически или передать случай оператору либо более сильной модели. Так выстраивается схема с человеком в контуре только там, где модель сомневается.
Важно: типизированный выход снимает часть рисков галлюцинаций — модель не придумает несуществующую категорию. Но ошибиться с выбором она по-прежнему может.
Задачи для e-commerce
TypeSafe AI в документации предлагает такие сценарии для маркетплейсов и поддержки. Их стоит рассматривать как класс задач, а не как проверенные кейсы:
- классификация и нормализация карточек товаров от разных продавцов;
- извлечение атрибутов из названий и описаний;
- поиск запрещённых товаров, признаков подделки и накрученных отзывов;
- распознавание намерения обращения и маршрутизация: в автоматический сценарий, к оператору или к LLM;
- оценка фрагментов каталога перед тем, как они попадут в ответ шопинг-ассистента.
Как оценить перед внедрением
- Соберите эталонный набор из реальных обращений или карточек с правильными ответами — это та же логика, что оценка LLM.
- Сравните точность, задержку и стоимость с текущим решением: правилами, классическим классификатором или LLM.
- Проверьте калибровку на своих данных: какой процент ошибок среди ответов с высокой уверенностью.
- Для русскоязычного контента тестируйте отдельно: у Jev, по данным компании, лучше всего работает английский.
- Цифры о скорости и цене на сентябрь 2026 года — замеры самого вендора, независимых сравнений пока нет.