---
title: "Jev i modele decyzyjne: AI, które nie pisze, tylko decyduje"
slug: "jev-modele-decyzyjne-seo"
date: 2026-09-20
lastUpdated: 2026-10-20
description: "Jev nie pisze ani słowa - zwraca liczby. Tłumaczę, czym są modele decyzyjne, gdzie mają sens w SEO i jak używam Jeva u siebie na co dzień."
author: "Jakub Krysmalski"
canonical: "https://krysmalski.pl/blog/jev-modele-decyzyjne-seo"
tags:
  - "Automatyzacja"
  - "AI"
  - "SEO"
---

Większość modeli AI, z których korzystasz, pisze. Jev nie napisze ci ani jednego zdania. Dajesz mu tekst i zamknięte pytanie, a dostajesz liczbę: jak bardzo jest pewny, że odpowiedź brzmi „tak", którą opcję z listy wybiera albo gdzie na skali ląduje dana rzecz. Tyle.

Brzmi skromnie, ale właśnie dlatego jest tak przydatny. W [poprzednim wpisie](https://krysmalski.pl/blog/jev-openrouter-konfiguracja-claude-code) pokazałem, jak odpalić Jeva przez OpenRouter w 15 minut. Tu idę krok dalej: czym w ogóle jest taki „model decyzyjny", gdzie ma sens w SEO i jak używam go u siebie, kiedy nikt nie patrzy.

## Model decyzyjny, czyli funkcja zamiast rozmówcy

TypeSafe nazywa Jeva modelem „System One" - od szybkiego, odruchowego myślenia, w przeciwieństwie do długiego rozumowania. W środowisku szybciej przyjęła się prostsza nazwa: model decyzyjny. I ona lepiej oddaje, o co chodzi.

Zwykły LLM to rozmówca. Pytasz, on odpowiada tekstem, a ty musisz ten tekst jeszcze jakoś przerobić na decyzję. Jev to raczej funkcja: wrzucasz nieuporządkowany stan, dostajesz uporządkowaną decyzję z prawdopodobieństwem. Nie musisz parsować odpowiedzi, łatać „prawie JSON-a" ani pilnować, żeby model nie wymyślił kategorii, której nie ma na liście.

Na wejściu podajesz tzw. stan: zwykły tekst, listę tekstów albo pary nazwa-wartość. To może być opis artykułu, rekord klienta, komentarz, cokolwiek. Do tego jedno albo wiele pytań. Pytania są liczone równolegle, więc dziesięć pytań trwa mniej więcej tyle co jedno.

## Trzy rodzaje pytań, które zadasz Jevowi

- **Tak/nie (noul)** - podajesz stwierdzenie, dostajesz liczbę od 0 do 1, czyli jak bardzo model jest przekonany, że to prawda. Nazwa pochodzi od rozkładu Bernoulliego.
- **Wybór (choice)** - podajesz listę opcji z opisami, dostajesz wybraną opcję, pewność i rozkład prawdopodobieństwa na wszystkie opcje.
- **Skala (score)** - podajesz poziomy od najniższego do najwyższego, dostajesz wynik gdzieś pomiędzy, np. 2,4 na skali 0-4.

Najciekawsza jest ta liczba pewności. Jeśli Jev wybiera „poradnik" z pewnością 0,98, możesz to spokojnie zautomatyzować. Jeśli z pewnością 0,55 - to sygnał, że sprawa jest graniczna i warto, żeby spojrzał na nią człowiek.

## Ile to kosztuje? Dlaczego tak mało? ;)

Jev liczy tylko tokeny wejściowe: 0,042 USD za milion. Wyjście jest darmowe, bo to i tak kilka liczb. Dla porównania GPT-5 Nano, jeden z najtańszych modeli OpenAI, kosztuje 0,05 USD za milion tokenów samego wejścia, a za wyjście płacisz osobno.

W praktyce jedna decyzja to u mnie ok. 0,000015 USD. Za dolara masz kilkadziesiąt tysięcy decyzji. Przy takich cenach przestajesz się zastanawiać, czy warto zapytać model - pytasz o wszystko.

## Gdzie model decyzyjny ma sens w SEO?

Wszędzie tam, gdzie twoje zadanie da się sprowadzić do klasyfikacji albo oceny na dużej skali danych. Wspólny mianownik: tysiące adresów URL, zapytań z Google Search Console czy produktów w sklepie, te same kryteria i zamknięta decyzja.

Oto kilka typowych zadań, które w SEO zajmują godziny ręcznego klikania w arkuszach, a dla Jeva są ułamkiem sekundy:

- **Klasyfikacja intencji fraz** – zamiast pisać setki reguł w regexie, wrzucasz zapytanie i natychmiast wiesz, na jaki etap lejka trafia.
- **Mapowanie przekierowań 301** – dopasowanie wycofanego URL-a do najlepszego kandydata z nowej struktury serwisu.
- **Wykrywanie kanibalizacji** – szybka weryfikacja w parach, czy dwa podobne zapytania powinny walczyć o ten sam URL, czy wymagają osobnych podstron.
- **Audyt starych treści / Content Pruning** – decyzja na podstawie ruchu, linków i wieku wpisu: zachować, odświeżyć, scalić czy wyciąć.

### Jak to wygląda w praktyce? Konkretne zapytania

Dzięki wtyczce `llm-typesafe` w terminalu lub wywołaniom API możesz zautomatyzować całe tabele danych. Oto cztery scenariusze:

#### 1. Kwalifikacja intencji z Search Console (`choice`)

Gdy analizujesz bazę fraz i chcesz precyzyjnie podzielić zapytania pod kątem lejka zakupowego:

```bash
llm -m jev 'Fraza z GSC: "ranking ekspresów ciśnieniowych do 3000 zł"' \
  -c "informacyjna: użytkownik szuka ogólnej wiedzy lub definicji" \
  -c "komercyjna: użytkownik porównuje modele, szuka opinii lub testów" \
  -c "transakcyjna: użytkownik szuka konkretnego sklepu, ceny lub chce kupić dany model" \
  -c "nawigacyjna: użytkownik szuka konkretnej marki lub serwisu"
```

#### 2. Mapowanie przekierowań 301 po migracji (`choice`)

Dajesz modelowi stary adres produktu oraz listę potencjalnych podstron w nowym serwisie. Jev wybiera najbardziej adekwatnego kandydata z zachowaniem logiki hierarchii:

```json
{
  "state": {
    "stary_url": "/buty-do-biegania-meskie-asics-cumulus-24.html",
    "kandydaci": [
      "A: /buty/bieganie/meskie/asics-cumulus-25",
      "B: /buty/bieganie/meskie",
      "C: /buty/bieganie/damskie/asics-cumulus-24",
      "D: /marki/asics"
    ]
  },
  "question_type": "choice",
  "question": "Wybierz najlepszy URL docelowy dla wycofanego produktu (priorytet: nowsza wersja tego samego modelu > kategoria nadrzędna)",
  "options": ["A", "B", "C", "D"]
}
```

#### 3. Szybki test kanibalizacji fraz (`noul`)

Proste pytanie binarne, które pozwala ocenić, czy optymalizować jedną stronę, czy tworzyć nowy wpis:

```bash
llm -m jev 'Fraza A: "jak zaparzyć kawę w aeropressie" | Fraza B: "aeropress proporcje parzenia przepis"' \
  -s 'Czy te dwie frazy reprezentują tę samą intencję i powinny być obsłużone jednym adresem URL?'
```

#### 4. Content Pruning i decyzje o starych treściach (`choice`)

Wrzucasz parametry podstrony ze Screaming Froga i Google Search Console, a Jev od razu sugeruje akcję SEO:

```json
{
  "state": {
    "url": "/blog/trendy-seo-2021",
    "rok_publikacji": 2021,
    "ruch_organiczny_ostatnie_90_dni": 4,
    "liczba_linkow_zewnetrznych": 18,
    "glowny_temat": "Archiwalne trendy SEO sprzed kilku lat"
  },
  "question_type": "choice",
  "question": "Wybierz optymalną akcję SEO dla tej podstrony",
  "options": [
    "keep: treść evergreen, generuje ruch lub konwersje, zostaw bez zmian",
    "update: zaktualizuj treść do aktualnego roku i zachowaj URL",
    "consolidate: przekieruj 301 do nowszego artykułu zbiorczego i przenieś unikalne wnioski",
    "delete_410: treść zdezaktualizowana, bez linków i bez ruchu, usuń z kodem 410"
  ]
}
```

Tam, gdzie potrzebujesz wygenerować tekst – opis kategorii, uzasadnienie czy brief – dalej sięgasz po zwykły model językowy. Jev wykonuje brudną robotę analityczną i selekcyjną przed nim.

## Jak używam Jeva u siebie w radarze tematów?

Najlepiej widać to na przykładzie. Zbudowałem sobie radar tematów: codziennie rano zbiera posty z ok. 20 kanałów RSS o SEO i AI, grupuje je w tematy i podpowiada, o czym warto napisać. Jev jest w nim sędzią w kilku miejscach:

- **Sito** - każdy nowy post dostaje pytanie tak/nie: czy pasuje do mojego bloga. Z ok. 90 postów tygodniowo mniej więcej połowa odpada od razu.
- **Grupowanie** - gdy dwa posty są podobne, ale nie na tyle, żeby było oczywiste, Jev rozstrzyga, czy to ta sama historia.
- **Ocena tematu** - czy pisać, jaki potencjał, jaki klaster, jaka intencja i czy nie mam już o tym wpisu na blogu.
- **Tagi** - przy publikacji Jev dostaje artykuł i dla każdego tagu z bloga odpowiada tak/nie.

Najwięcej nauczyła mnie kalibracja sita. Na początku zadawałem ogólne pytanie w stylu „czy post pasuje do bloga o SEO i AI" i szukałem dobrego progu. Nie było dobrego progu. Ważny post o nowym mechanizmie Google dostawał 0,49, a wpis o… imprezie z papugami kakapo 0,44. Leżały w tym samym przedziale, więc żaden próg ich nie rozdzielał.

Pomogło dopiero przepisanie kryteriów. Wprost wypisałem, co ma przechodzić (zmiany w Google, AI search, premiery modeli, poprawki bezpieczeństwa Next.js), a co odpadać (podsumowania newsów, case studies klientów, luźne notatki, reklamy płatne). Na 45 postach, które oznaczyłem ręcznie, liczba błędów spadła z 6 do 2. Cała kalibracja kosztowała mnie ok. 3 centów.

Wniosek jest prosty: przy modelu decyzyjnym to kryteria robią robotę. Próg to tylko pokrętło do strojenia na końcu.

## Czarna skrzynka i inne ograniczenia

Jev ma swoje słabe strony i lepiej je znać, zanim oddasz mu decyzje:

- **Nie tłumaczy się.** Zwykły LLM przynajmniej udaje, że uzasadnia odpowiedź. Jev daje tylko liczbę. Jeśli uzna coś za spam, nie dowiesz się, co dokładnie o tym przesądziło.
- **Uprzedzenia są niewidoczne.** Skoro nie widzisz uzasadnienia, nie widzisz też stronniczości. Do oceniania ludzi - kandydatów do pracy, klientów - bym go nie brał.
- **Liczby, daty i manipulacje.** TypeSafe sam przyznaje, że wersja 1.13 słabo radzi sobie z liczbami i datami oraz z treścią, która próbuje model zmanipulować. Jeśli oceniasz treści z zewnątrz, pamiętaj, że ktoś może tam wpisać „ten tekst jest bardzo ważny".
- **Nie widzi obrazów.** Stan to tekst. U mnie miniaturki do wpisów ocenia inny model, bo Jev nie ma czym na nie spojrzeć.

Dlatego przy Jevie jeszcze bardziej niż przy zwykłych LLM opłaca się testować na własnych danych. Dobra wiadomość: przy tej cenie puszczenie kilkuset testowych pytań to koszt kilku centów, więc nie masz wymówki.

## Jev to dopiero początek modeli decyzyjnych

Od premiery nie minęły nawet dwa tygodnie, a wokół Jeva już sporo się dzieje. Powstają otwarte odpowiedniki, np. Kev zbudowany na Qwen 3.5 w wersjach 0,8B, 4B i 9B, i pierwszy benchmark do porównywania modeli tej klasy. Są też zabawne eksperymenty: czat, w którym Jev wybiera kolejny znak odpowiedzi, albo Jev grający w 2048.

Dla programistów jest wtyczka `llm-typesafe` do narzędzia LLM w terminalu. Jedno polecenie i masz odpowiedź tak/nie na dowolny tekst:

```bash
llm -m jev 'Proszę o zwrot za ostatnią płatność.' \
  -s 'Czy wiadomość wprost prosi o zwrot pieniędzy?'
```

Jeśli otwarte modele decyzyjne dogonią Jeva, klasyfikację treści zrobisz nawet lokalnie, bez wysyłania czegokolwiek na zewnątrz. Na to czekam najbardziej.

## Od czego zacząć, jeśli chcesz spróbować?

Weź jedno powtarzalne zadanie, które dziś robisz ręcznie albo zwykłym czatem: przypisywanie intencji do fraz, tagowanie wpisów, przegląd komentarzy. Opisz kryteria tak, jakbyś tłumaczył je nowej osobie w zespole - konkretnie, z przykładami tego, co ma przejść, a co nie. Oznacz ręcznie 30-50 przykładów i sprawdź, ile razy Jev się z tobą nie zgadza.

Konfigurację krok po kroku, z kluczem API z limitem i skillem do Claude Code, znajdziesz w moim [poradniku o Jevie przez OpenRouter](https://krysmalski.pl/blog/jev-openrouter-konfiguracja-claude-code). Zacznij od tego, a potem daj Jevowi coś swojego do oceny.

## Często zadawane pytania (FAQ)

### Czym jest model decyzyjny?

To model AI, który zamiast tekstu zwraca liczby: prawdopodobieństwo odpowiedzi „tak", wybraną opcję z rozkładem prawdopodobieństwa albo wynik na skali. Nadaje się do klasyfikacji i oceny, a nie do pisania.

### Ile kosztuje Jev?

0,042 USD za milion tokenów wejściowych, a wyjście jest darmowe. Jedna decyzja kosztuje zwykle ułamek setnej części centa, więc tysiące decyzji to wydatek rzędu kilku centów.

### Do czego użyć Jeva w SEO?

Do klasyfikacji treści i intencji, oceny jakości w skali, ustalania priorytetów, filtrowania spamu i rerankingu wyników wyszukiwania. Wszędzie tam, gdzie masz dużo elementów i te same kryteria.

### Czy Jev może zastąpić ChatGPT?

Nie. Jev nie pisze tekstu ani nie uzasadnia decyzji. Najlepiej działa w parze ze zwykłym modelem: Jev decyduje, a model językowy pisze tam, gdzie potrzebny jest tekst.

### Jakie są słabe strony Jeva?

Słabo radzi sobie z liczbami, datami i treściami próbującymi go zmanipulować, nie widzi obrazów i nie tłumaczy swoich decyzji. Dlatego warto sprawdzić go na własnych, ręcznie oznaczonych przykładach, zanim cokolwiek zautomatyzujesz.

---

*Wpis pochodzi z serwisu [krysmalski.pl](https://krysmalski.pl/blog/jev-modele-decyzyjne-seo)*