Jev im Hype: Welche US-Aktien könnten profitieren?

In den letzten Tagen taucht in den Timelines von KI-Entwicklern immer häufiger ein neuer Name auf: Jev.

Manche nutzen ihn, um Paper zu klassifizieren, andere, um Tools für Agenten auszuwählen, und wieder andere binden ihn in Drohnensimulatoren ein, damit Drohnen entscheiden, wie sie Hindernissen ausweichen. Plattformen wie OpenRouter und Cloudflare haben das neue Modell ebenfalls integriert, und rund um Jev erscheinen laufend Anwendungsdemos.

Wenn JEV KI-Entscheidungen schneller und günstiger macht, welche US-Unternehmen könnten davon profitieren?

Bevor wir die Investmentlogik verstehen, müssen wir klären, was Jev überhaupt ist.

Multiple-Choice-Aufgaben lösen

Jev ist ein Entscheidungsmodell, das TypeSafe AI am 15. September vorgestellt hat. Das Unternehmen ordnet es der Kategorie „System One“ zu – also „System 1“ – und greift damit das Konzept des schnellen Urteilens aus dem verhaltensökonomischen Grundlagenwerk „Schnelles Denken, langsames Denken“ auf. Es kann Textbeschreibungen verstehen und gibt hauptsächlich Optionen, Bewertungen und Wahrscheinlichkeiten aus, die von Software weiterverarbeitet werden.

Ein Beispiel: Ein Onlineshop erhält die Nachricht: „Ich habe gestern eine Tasse gekauft, mir wurde anscheinend doppelt abgebucht. Können Sie das prüfen?“

Das System muss mehrere Teilfragen klären: Gehört der Fall zum Kundendienst oder zur Finanzabteilung? Fragt der Kunde nach einer Rechnungsprüfung oder einer Rückerstattung? Zeigen vorhandene Aufzeichnungen eine doppelte Abbuchung?

Entwickler können die Optionen vorab festlegen und Jev jeweils einzeln antworten lassen. Anschließend gleicht das Programm Bestell- und Zahlungsdaten ab und leitet den passenden Bearbeitungsprozess ein. Muss dem Kunden eine Erklärung gegeben werden, übernimmt das ein Modell, das gut im Formulieren ist.

Das ist die grundlegende Nutzung von Jev: Situation vorgeben, Fragen definieren, Entscheidungen treffen lassen.

Allgemeine große Sprachmodelle können diese Aufgaben ebenfalls erledigen. Der Reiz von Jev liegt darin, dass es speziell auf Klassifikation, Bewertung und Auswahl optimiert ist und so Zeit und Kosten für kleine Einzelentscheidungen reduziert. Es liefert Ergebnisse direkt an das Programm und spart sich das Erzeugen einer Erklärung.

Weiter gedacht: Sie erhalten täglich Tausende Branchenmeldungen, aber nur einige Dutzend sind wirklich eine genaue Lektüre wert. Man kann Jev zunächst beurteilen lassen, ob eine Meldung ein für Sie relevantes Unternehmen betrifft und ob sie neue Informationen enthält, und anschließend ein allgemeines Modell die gefilterten Inhalte zusammenfassen lassen. So verarbeitet das allgemeine Modell nur die Teile, die eine vertiefte Lektüre verdienen, während die vielen einfachen Beurteilungen beim günstigeren Jev liegen.

Ähnliche Ansätze gibt es bereits in Bereichen wie Browser-Automatisierung, Suche und Gaming. Das Jev-Special von Beating hat diese Projekte nach Anwendungszweck sortiert, beschreibt, welche Beurteilungen Jev darin übernimmt, und verlinkt Quellcode sowie einige Demo-Zugänge. Anhand konkreter Beispiele lässt sich besser nachvollziehen, wo diese Fähigkeit zum „Lösen von Multiple-Choice-Aufgaben“ einsetzbar ist.

Kosten auf ein Minimum gedrückt

Laut den von TypeSafe veröffentlichten Preisen kostet Jev 0,042 US-Dollar pro eine Million Input-Token, der Output ist kostenlos.

Die Bedeutung sinkender Kosten liegt darin, dass Arbeiten, die bisher nur stichprobenartig möglich waren, nun vollständig geprüft werden können. Kundenservice-Aufzeichnungen lassen sich einzeln klassifizieren, abgerufene Daten einzeln auf Relevanz prüfen, und Agenten können vor jedem Tool-Aufruf eine zusätzliche Filterung durchführen.

Beispielsweise konnte ein Nachrichtenanalyse-Programm bisher täglich nur die populärsten Artikel an die KI übergeben. Jetzt kann es zunächst alle Artikel prüfen und anschließend nach Unternehmen, Produkten, Aufträgen und Personalveränderungen klassifizieren. Auch Informationen, die wenig Aufmerksamkeit erregen, aber direkt mit einem wichtigen Unternehmen zusammenhängen, können so gefunden werden.

Der Name Jev geht auf den Ökonomen Jevons zurück, dessen bekannteste Leistung die Formulierung des „Jevons-Paradoxons“ ist. Die Entwickler hoffen, dass Software Entscheidungen häufiger trifft, wenn sie günstiger werden. Überall dort, wo sich ein separater Aufruf eines großen Modells bisher nicht lohnte, lässt sich die Kostenrechnung neu aufstellen.

Jev und physische Geräte

Der Entwickler Roman Slack hat ein Drohnenprojekt umgesetzt: Im Physiksimulator MuJoCo verfolgt eine Quadrocopter-Drohne ein Ziel und fliegt dabei durch Säulen, Träger und bewegliche Hindernisse.

Das Programm bereitet zunächst die von der Kamera erfassten Tiefen- und Segmentierungsdaten auf und teilt Jev mit, ob der Weg voraus blockiert ist, auf welcher Seite Platz ist und wie hoch die Hindernisse sind. Jev wählt dann aus Aktionen wie Kurs halten, links ausweichen, rechts ausweichen, steigen oder bremsen.

Wenn etwa ein Träger den gesamten Durchgang blockiert und weder links noch rechts ein Ausweichen möglich ist, oberhalb aber Platz bleibt, kann Jev das Steigen wählen. Das Steuerungsprogramm übersetzt diese Wahl anschließend in Bewegungsbefehle für die Drohne.

Während des Flugs übernimmt jedes Modul seine eigene Aufgabe. Jev beurteilt, wohin es gehen soll, das Steuerungsprogramm sorgt für Stabilität, passt den Motorschub an und übernimmt die Notfall-Hindernisvermeidung. Die Kamera liefert Umgebungsinformationen, das Entscheidungsmodell wählt die Aktion, und der Controller setzt sie um.

Dieselbe Arbeitsteilung lässt sich auch am Beispiel eines Roboterarms verstehen, der eine Tasse greift. Die Kamera erkennt die Position der Tasse, Sensoren messen Abstand und Krafteinwirkung, der Controller reguliert die Fingerbewegungen, und das Entscheidungsmodell beurteilt, welche Tasse zuerst gegriffen wird und was nach einem Hindernis zu tun ist.

Wenn solche Beurteilungen günstig und leicht integrierbar werden, sinken potenziell die Kosten für die Entwicklung automatisierter Geräte. Geräte, die bisher wegen zu hoher Softwarekosten und zu kleiner Einsatzszenarien unwirtschaftlich waren, erhalten neuen kommerziellen Spielraum.

Damit rückt Jev in die Nähe einiger Unternehmen. Mehr Geräte in Fabriken, Lagern und Haushalten bedeuten mehr Bedarf an Sensorik, Stromversorgung, Rechenleistung und Bewegungssteuerung.

Welche Werte profitieren könnten

Aus dieser Perspektive sind vor allem die Bauteile interessant, die Geräte von der Umgebungswahrnehmung bis zur Aktionsausführung benötigen. Unabhängig davon, welches Modell die Software wählt, muss ein Roboter wissen, wo er sich befindet und was um ihn herum ist, und er muss elektrische Energie in präzise Bewegungen umsetzen.

Texas Instruments (TXN) – Ausstattung für Wahrnehmung und Ausführung

Analogchips verarbeiten kontinuierlich veränderliche Signale wie Spannung und Strom und übernehmen zugleich Aufgaben der Stromversorgung und Ansteuerung. Das Robotik-Portfolio von TXN umfasst Signalerfassung, Motorsteuerung, Stromversorgung und eingebettete Verarbeitung.

Wenn ein Roboter beschließt, den Arm zu heben, braucht es genau diese Bauteile, um den Strom zum Motor zu leiten und die Kraft zu steuern. Führt günstigere Automatisierung zu mehr Robotern, Roboterarmen und intelligenten Geräten, kann TXN mehr passende Chips an diese Geräte verkaufen.

Analog Devices (ADI) – für präzisere Wahrnehmung und Bewegung

Die Robotik-Lösungen von ADI umfassen Inertialsensorik, Kameraanbindung, industrielle Kommunikation und Schnittstellen zur Bewegungssteuerung. Wenn ein Lagerroboter in einen schlecht beleuchteten Gang fährt, muss er mithilfe von Inertialdaten seine eigene Bewegung beurteilen. Arbeiten mehrere Kameras und Sensoren gleichzeitig, müssen die Daten zudem synchron an den Prozessor übertragen werden.

Je komplexer die Aufgaben eines Geräts, desto höher die Anforderungen an Wahrnehmungsgenauigkeit, Verbindungsstabilität und Bewegungssteuerung. Die These für ADI lautet, dass das Unternehmen diese Ausstattung in einer wachsenden Zahl autonomer Geräte bereitstellt.

STMicroelectronics (STM) – für KI auf stromsparenden Geräten

Edge-KI bedeutet, dass Geräte einen Teil der Daten lokal verarbeiten. Der Mikrocontroller STM32N6 von STM integriert bereits einen Beschleuniger für neuronale Netze und richtet sich an kosten- und stromverbrauchssensible Anwendungen in den Bereichen Bild und Ton.

Beispielsweise kann eine kleine Kameravorrichtung Objekte lokal erkennen, und ein Industrieaggregat kann anhand von Geräuschen beurteilen, ob der Betrieb anomal ist. Die Diskussion um Jev lenkt die Aufmerksamkeit der Anleger auf genau solche Anwendungen: Viele einfache, repetitive Intelligenzaufgaben könnten in günstigere und kleinere Geräte wandern. STM liefert die dafür nötige Rechenleistung.

onsemi (ON) – für Bildverarbeitung und Leistungsbauteile

Zu den Produkten, die ON für Roboter anbietet, gehören Bildsensoren, Tiefensensoren sowie Leistungstransistoren und Motortreiber-Chips. Die ersten beiden erfassen Bild- und Abstandsdaten, die beiden anderen steuern den für Motoren benötigten Strom.

Am Beispiel eines Lager-Transportroboters: Der Bildsensor in der Kamera erfasst das Bild des Regals voraus, der Tiefensensor misst den Abstand zu Hindernissen, und der Motortreiber-Chip steuert zusammen mit dem Leistungstransistor den Strom, der die Räder antreibt. Kommen mehr Roboter und intelligente Kamerasysteme zum Einsatz, steigt potenziell die Nachfrage nach diesen Sensoren und Chips.

Neben diesen vier Unternehmen gehören drei weitere auf die Beobachtungsliste.

NXP Semiconductors (NXPI)

Relevante Geschäftsfelder: i.MX-Prozessoren, Mikrocontroller, Verbindungs- und Steuerungsprodukte

These: liefert Rechen-, Kommunikations- und Steuerungsfähigkeiten für mehr Roboter und Industrieausrüstung

Qualcomm (QCOM)

Relevante Geschäftsfelder: die Dragonwing-Plattform für Roboter, Drohnen und On-Device-KI

These: bedient die Nachfrage nach lokaler Verarbeitung von Bild, Rechenleistung und Konnektivität in Geräten

Cloudflare (NET)

Relevante Geschäftsfelder: bietet Zugang und Aufruf des Drittanbieter-Modells Jev

These: Wenn Entwickler Jev für Kundenservice-Routing, Datenfilterung und Agenten-Orchestrierung nutzen, müssen sie Anwendungen bereitstellen, Daten anbinden und Aufrufe verwalten. Cloudflares Chance besteht darin, diese Anwendungen auf der eigenen Plattform laufen zu lassen.

Noch in einer frühen Phase

Jev hat derzeit noch offene Fragen, darunter die Genauigkeit der Beurteilungen, das Design der Fragestellungen und die Frage, ob der Dienst einen langfristigen Geschäftsbetrieb tragen kann.

Erstens ist die Bewerbung von Jev als „halluzinationsfrei“ leicht missverständlich. Die Vorgabe, nur zwischen A, B und C zu wählen, verhindert zwar, dass das Modell ein dem Programm unbekanntes D zurückgibt – falsch wählen kann es trotzdem. Um beim Kundenservice-Beispiel zu bleiben: Dass das Programm problemlos „an die Finanzabteilung“ auslesen kann, heißt noch nicht, dass das Ticket tatsächlich von der Finanzabteilung bearbeitet werden sollte.

Ein Entwickler hat Jev mit acht Aufgabentypen und 16.000 Beurteilungen getestet. Er würdigt die Geschwindigkeits- und Kostenvorteile von Jev, stellt aber fest, dass Fragestellungen und Optionen weiter angepasst werden müssen, um reale Fälle abzudecken. Zudem möchte er warten, bis der Anbieter mehr Betriebserfahrung gesammelt hat und Alternativen am Markt verfügbar sind, bevor er Jev in Produktionssysteme einbindet.

Wie viele Aufgaben Jev übernehmen kann, ist derzeit noch unklar. Ein Trend zeichnet sich jedoch bereits ab: viele repetitive Beurteilungen an JEV auslagern und komplexe Aufgaben den allgemeinen Modellen überlassen.

Wenn die Kosten für Entwicklung und Einsatz von Automatisierung sinken, könnten Analogchips, Edge-KI und autonome Geräte ihren eigenen „ChatGPT-Moment“ erleben.