Du willst Kundenanfragen, E-Mails oder Tickets automatisch sortieren lassen, traust dem Sprachmodell aber nicht über den Weg? Verständlich, denn ein LLM sagt dir nicht, wann es sich unsicher ist. Jev von TypeSafe AI schreibt keinen einzigen Satz. Es wählt aus Antworten, die du vorgibst, und liefert zu jeder Entscheidung eine Wahrscheinlichkeit und eine Confidence mit. In diesem Snip zeige ich dir, wie das Modell funktioniert, teste es im Playground und baue einen n8n-Workflow, der Anfragen nach Confidence sortiert: sicher geht automatisch raus, unsicher landet beim Menschen.
Ergebnis: Nach diesem Snip hast du einen Jev-Account mit API-Key und einen n8n-Workflow, der Kundenanfragen in Kategorien einsortiert und je nach Confidence automatisch weiterleitet, zur Prüfung markiert oder an einen Mitarbeiter übergibt.
- Ruf die Website von TypeSafe AI auf, registriere dich und hinterlege unter „Billing“ eine Kreditkarte. Für den Test musst du einmalig mindestens 5 $ Guthaben aufladen.
- Öffne den Playground und schau dir rechts unter „Lessons“ die Beispiele an. Dort siehst du die drei Fragetypen: Ja/Nein (Noul), Auswahl (Choice) und Bewertung (Score).
- Stell eine erste Ja/Nein-Frage: Trag unter „State“ einen Text ein, zum Beispiel eine Kundennachricht zur ausgefallenen Heizung, und formuliere als Instruction „Die Nachricht beschreibt einen Notfall, der noch heute einen Einsatz erfordert“. Klick auf „Run“ und lies die Wahrscheinlichkeit ab.
- Ergänze Kriterien, wann die Antwort true und wann false ist. So gibst du Jev mehr Orientierung und die Einordnung wird deutlich klarer.
- Probier den Typ Score aus: Gib ein Kundenreview als State ein, frag nach der Zufriedenheit und definiere eine Skala mit Kriterien wie „unzufrieden“, „gemischt“ und „sehr zufrieden“.
- Teste den Typ Choice: Gib mehrere Optionen vor, zum Beispiel Elektro, Sanitär, Dach und Maler, und lass Jev entscheiden, welches Gewerk zuerst zum Kunden fahren soll. Achte auf die Wahrscheinlichkeit pro Option und die Confidence.
- Erstelle oben in der Konsole über „Create Key“ einen API-Key, gib ihm einen Namen und kopiere ihn dir direkt.
- Leg in n8n einen HTTP-Request-Node an, wähle die Methode POST, trag die Jev-URL (API v1, SystemOne-Endpunkt) ein und lege als Authentication eine neue Credential „Jev API“ mit deinem Key als Token an.
- Schick im Body das JSON mit, das du im Playground getestet hast: Typ Choice, die Instruction „Worum geht es in dieser Kundenanfrage an einen Handwerksbetrieb?“ und Kriterien für Termin, Angebot, Reklamation, Rechnung und Sonstiges. Den State ziehst du aus dem vorherigen Node, etwa einem Formular oder dem E-Mail-Postfach.
- Verzweige danach nach der Confidence: Ab 0,9 wird die Anfrage automatisch dem richtigen Kollegen zugeordnet, darunter bekommt sie das Label „Bitte prüfen“ und unter 0,6 entscheidet ein Mitarbeiter.
- Teste den Workflow mit unterschiedlich klaren Anfragen, zum Beispiel „Können Sie nächste Woche Dienstag zur Wartung kommen?“ und „Habt ihr eigentlich auch Photovoltaik im Programm?“, und prüf, in welchem Zweig sie landen.
- Verstehen, was ein System-One-Modell wie Jev von einem klassischen LLM unterscheidet und wofür sich welches eignet.
- Die drei Fragetypen Noul, Choice und Score im Playground einsetzen und mit Kriterien schärfen.
- Wahrscheinlichkeit und Confidence richtig lesen und daraus Schwellenwerte für einen Workflow ableiten.
- Jev per HTTP Request in n8n anbinden und Anfragen automatisch vorsortieren.
- Die Grenzen einschätzen: keine Begründung, Blackbox, Early Access, schwächeres Deutsch und Datenverarbeitung in den USA.
- Automatische Priorisierung von Supportanfragen nach Dringlichkeit mit konfigurierbaren Antwortoptionen.
- Schnelle Kategorisierung von eingehenden E-Mails in festgelegte Themenbereiche mit Wahrscheinlichkeitsbewertung.
- Bewertung von Kundenfeedback und Reviews mittels vorgegebener Antwortskalen für Sentiment und Zufriedenheit.
- Automatisierte Zuweisung von eingehenden Aufträgen an Fachabteilungen basierend auf Wahrscheinlichkeiten und klaren Antwortoptionen.
- Qualitätskontrolle in Prozessen, wo KI präzise Ja/Nein Entscheidungen mit Vertrauenswerten benötigt und unsichere Fälle zur manuellen Prüfung anbietet.
