TypeSafe AI henter 870 millioner dollar i Series A med en verdivurdering på 7,5 milliarder dollar for å levere flere AI-modeller

TypeSafe AI kunngjorde 9. oktober 2026 at den har hentet en Series A på 870 millioner dollar med en verdivurdering på 7,5 milliarder dollar, ledet av Andreessen Horowitz med deltakelse fra Sequoia Capital, eksisterende investor DCVC og engelinvestorer. Andreessen Horowitz general partner Martin Casado blir med i selskapets styre.

Rundebetingelser og investorer

Andreessen Horowitz bekreftet at de leder investeringen i et innlegg datert 9. oktober 2026 og med forfattere Jennifer Li, Sarah Wang, Martin Casado, Marc Andreessen og Ben Horowitz. Li og Casado er general partners med fokus på selskapets infrastrukturinvesteringer, Wang er general partner i vekstteamet, og Andreessen og Horowitz er selskapets medgründere og general partners.

TypeSafes egen kunngjøring er et kort innlegg rettet mot utviklere, bedrifter og potensielle rekrutter; selskapet oppga dollarbeløpet, verdivurderingen og Casados styreposisjon i en fotnote til innlegget.

System One-modellen bak runden

TypeSafe lanserte Jev i tidlig tilgang 15. september 2026, etter to år i stealth, og sa at de tar utviklere av ventelisten. I lanseringsinnlegget beskrev grunnlegger Diogo Almeida Jev som den første inngangen i en ny modellklasse selskapet kaller System One, designet for rask, strukturert beslutningstaking i programvare.

Ifølge TypeSafe-dokumentasjonen tar Jev typede spørsmål og evaluerer dem mot en levert tilstand, og returnerer strukturerte resultater uten å generere eller parse tekst. Resultatene kommer som typede verdier med sannsynlighetsfordelinger, slik at kode kan forgreine, sortere og rute dem direkte. Selskapet tilbyr tre primitiver: Choice velger ett alternativ fra en gitt liste; Score vurderer tilstanden mot en rubrikk; og Noul returnerer et 0–1 svar på om en gitt påstand er sann. Choice og Score returnerer også konfidensverdier, og alle tre spørsmålstyper kan kombineres i ett API‑kall, hvor hver evalueres uavhengig og samtidig mot samme tilstand.

Almeida skrev at TypeSafe bygde en ny stack som er helt fokusert på automatisering: en ny modellarkitektur, en parallell sampler og en treningsmetode selskapet kaller Reinforcement Learning for Calibrated Decisions (RLCD). Han sa at Jev oppnår lik intelligens som eksisterende store språkmodeller på System One-oppgaver, samtidig som den kjører to størrelsesordener raskere, med ende‑til‑ende responstider på 70 til 500 millisekunder, et område innlegget hevder kan være 40 til 200 ganger raskere enn frontmodeller med sammenlignbar intelligens for System One‑formede spørringer. Fordi utdataene er type‑sikre strukturerte verdier definert på forhånd, skrev Almeida at modellen aldri gjør typefeil og ikke kan hallusinere.

Den publiserte prisen er $0.042 per million inndata‑tokens, med utdata‑tokens gratis. Selskapet oppgir at tallene 193.6‑ganger raskere og 444.6‑ganger billigere på hjemmesiden deres stammer fra deres arbeidsflytevalueringer, og advarer om at disse tallene ligger i den øvre delen av virkelige gevinster. Det bemerkes også at evalueringsarbeidsflytene ble bygget av medlemmer av modell‑kapabilitetsteamet, og at det kan forekomme noe skjevhet.

Almeida skrev at han i OpenAI bidro til å utvikle instruksjons‑følgende metoder for språkmodeller, arbeid han sa ble forskningen bak ChatGPT. Navnet System One refererer til Daniel Kahnemans bok Thinking, Fast and Slow og dens kontrast mellom rask, intuitiv System 1‑tenkning og langsommere, bevisst System 2‑resonnement. Jev er oppkalt etter William Stanley Jevons; selskapet sa at de forventer at maskinintelligens vil følge kullens vei, der effektiviseringsgevinster i dampmaskiner førte til økt etterspørsel.

Rapportert adopsjon og tidlig utrulling

TypeSafe oppga i sin kunngjøring at en tredjedel av Fortune 500 bruker Jev, og at de allerede har spart kunder millioner av dollar i produksjon. Andreessen Horowitz‑innlegget gir et annet tall, og sier at 25 % av Fortune 500‑bedrifter har integrert Jev. Selskapet beskrev Jev som den raskest voksende modellen de har sett, og oppga at den nådde 1 billion tokens generert innen tre dager etter lansering, og at tusenvis av brukstilfeller dukket opp i løpet av den første uken, blant dem generativ UI, interaktiv spilling og dataanalyse. De karakteriserte Jev som omtrent 1/100 til 1/500 av kostnaden for frontmodeller, samtidig som den er 100 ganger raskere for klassifiseringsoppgaver med tilsvarende nøyaktighet, og sender modellbeslutninger direkte inn i kode som typede verdier i stedet for tekst som programvaren må parse.

I en casestudie fra 7. oktober 2026 rapporterte TypeSafe at Jack & Jill, en jobbmarkedsplass der KI-agenter matcher kandidater med rekrutteringsteam, erstattet Gemini 3.1 Flash Lite i 100 % av kallene i et sentralt trinn i kandidatmatchingen innen 10 dager etter den første testen. Ifølge casestudien reduserte endringen screeningskostnadene med 88 %, fra 0,755 dollar til 0,092 dollar per 1 000 kandidater, og halverte median screeningtid fra 20,3 sekunder til 10,3 sekunder. Samtidig beholdt den 94,6 % av kandidatene som rekrutteringslederne senere ba om å møte, mot en referanseverdi på 93,9 %; studien påpeker at denne kvalitetsforskjellen ikke var statistisk signifikant. Rangeringskvaliteten målt som AUC var 0,933 for Jev mot 0,924 for Gemini. TypeSafe rapporterte årlige besparelser på 265 000 dollar for Jack & Jill ved dagens volum, med forventede besparelser på 500 000 dollar de neste tolv månedene gitt forventet vekst. Selskapet opplyste at bruken av Jev er utvidet til mer enn 15 arbeidsflyter, inkludert passende stillinger som vises til kandidater ved registrering, og en profilsjekk der tiden falt fra omtrent 3,6 sekunder til omtrent 0,2 sekunder.

Oppgitte planer

TypeSafe sa at de har til hensikt å videreutvikle Jevs kapasiteter, levere flere maskin‑native modeller, tilby infrastruktur for å bygge smart programvare, og legge til de bedriftsfunksjonene kundene har etterspurt. Kunngjøringen oppfordrer også potensielle rekrutter til å bli med, med lenke til selskapets karriereside.