TypeSafe Jev: KI-Urteile in der Archäologie

Seit einigen Wochen gibt es eine neue Art von KI-Modell, die kein Text schreibt. Man schickt ihr einen Zustand und typisierte Fragen, und sie antwortet mit Wahrscheinlichkeiten, die Code direkt verarbeiten kann. TypeSafe nennt das ein System-One-Modell, das erste heißt Jev. Wir setzen es seit September 2026 in unserer archäologischen Erkennungskette ein, dort, wo bisher ein Sprachmodell Text produzierte, den wir anschließend mühsam zurück in Daten verwandeln mussten.

Dieser Artikel ist ein Erfahrungsbericht, kein Werbetext. Er erklärt, was Jev anders macht, warum das für blinde Urteile über Bodendenkmäler passt, und zeigt drei Anwendungen mit den echten Fragen und Antworten aus unserem Code.

Was ein System-One-Modell anders macht

Ein Sprachmodell wie GPT oder Claude erzeugt Text, Token für Token. Will man damit klassifizieren, schreibt man einen Prompt („Antworte nur mit einer der folgenden Kategorien …“), hofft auf Gehorsam und parst die Antwort. Die berühmte „Konfidenz“, die das Modell dabei nennt, ist erzählt, nicht gemessen.

Jev arbeitet anders. Der Aufruf besteht aus zwei Teilen: einem State (die Fakten, als String, Objekt oder Array) und einer Menge benannter Fragen. Das Modell liest den State einmal und beantwortet alle Fragen parallel.

Jede Frage hat einen von drei Typen:

Die Antwort ist JSON mit genau diesen Feldern. Es gibt nichts zu parsen, nichts zu bereinigen, keine Erklärung, die das Modell dazuschreibt. Und die Wahrscheinlichkeiten sind kalibriert: TypeSafe trainiert Jev mit einem eigenen Verfahren, das der Hersteller RLCD nennt, Reinforcement Learning for Calibrated Decisions. Das Ziel ist, dass von allen Antworten mit Wahrscheinlichkeit 0,8 etwa 80 Prozent zutreffen. Das gilt über Gruppen von Vorhersagen, nicht für die einzelne Antwort. Eine ehrliche Einschränkung, und genau die Art von Aussage, mit der man arbeiten kann.

Warum das für Archäologie passt

In unserem LiDAR-Workflow urteilt ein Modell an genau zwei Stellen: als blinder Gutachter, der für jedes Objekt die beste gewöhnliche Erklärung nennen muss, und in einem zweiten Durchgang, in dem Wissen aus Registern und Karten dazukommt. Beide Stellen haben dieselben Anforderungen.

Erstens: Die Antwort muss eine Entscheidung sein, keine Geschichte. „Erklärt als modern“, „erklärt als historisch“ oder „bleibt offen“. Ein Text, der alle drei abwägt, hilft der nachfolgenden Sortierung nicht.

Zweitens: Wir brauchen Wahrscheinlichkeiten, die wir gegen ein Nullmodell und gegen Köder messen können. Eine erzählte Konfidenz „ich bin mir zu 85 % sicher“ ist dafür unbrauchbar, weil sie nichts mit der Trefferquote zu tun hat.

Drittens: Das Modell darf nicht wissen, wo es hinschaut. Ein Sprachmodell, dem man Namen und Koordinaten vorenthält, holt sie sich gern aus dem Kontext zurück. Ein Modell, das nur typisierte Fragen über einen kontrollierten State beantwortet, kann nur mit dem arbeiten, was im State steht.

Jev erfüllt alle drei Punkte durch seine Bauweise, nicht durch Prompt-Disziplin. Das war der Grund, es auszuprobieren.

Beispiel 1: 20.000 Denkmäler nach Geländeform sortieren

Historic England veröffentlicht die National Heritage List for England, darunter rund 20.000 geschützte Bodendenkmäler mit Bezeichnung und Fläche, frei nutzbar unter Open Government Licence. Für unsere Erkennungskette interessiert nicht die Epoche eines Denkmals, sondern: Welche Form hinterlässt es im Geländemodell? Nur das verbindet ein Register mit dem, was ein Laserscan messen kann.

Das ist eine klassische Klassifikationsaufgabe mit einem Haken: Die Bezeichnungen sind Freitext („Bowl barrow 300m north of …“, „Vault under Head Post Office“), und es gibt kein Trainingsset. Mit Jev sieht die Frage so aus:

{
  "model": "jev-latest",
  "state": { "bezeichnung": "Mound S of Woodbrook", "flaeche_ha": 0.21 },
  "questions": {
    "reliefklasse": {
      "type": "choice",
      "instructions": "Ein geschütztes Bodendenkmal ist durch seine Bezeichnung beschrieben. Welche Form hinterlässt es im Geländemodell?",
      "criteria": {
        "rund_erhaben": "Runde oder ovale Aufwölbung: Grabhügel, Cairn, Motte, Tumulus",
        "linear_erhaben": "Langgestreckter Wall, Damm, Deich oder Erdwerk",
        "linear_vertieft": "Langgestreckter Graben, Hohlweg, Kanal oder Einschnitt",
        "flaeche_umschlossen": "Umschlossene Fläche: Wallburg, Camp, Enclosure, Wassergraben-Anlage",
        "baulich": "Aufgehendes oder verstürztes Bauwerk: Burg, Kloster, Gebäudereste",
        "flaechig_strukturiert": "Flächenhaftes Muster ohne Großform: Feldsystem, Hüttenkreise, Pingenfeld",
        "kein_gelaenderelief": "Hinterlässt keine messbare Geländeform: Brücke, Meilenstein, Wrack, Einzelobjekt"
      }
    },
    "im_dgm_messbar": {
      "type": "noul",
      "instructions": "Würde dieses Denkmal in einem Geländemodell mit 1 m Rasterweite eine messbare Form hinterlassen?",
      "criteria": {
        "true": "Groß und hoch genug, um sich im Höhenbild abzuzeichnen",
        "false": "Zu klein, zu flach oder rein baulich ohne Geländespur"
      }
    },
    "mehrere_objekte": {
      "type": "noul",
      "instructions": "Bezeichnet der Eintrag mehrere Einzelobjekte statt eines einzelnen?"
    }
  }
}

Drei Fragen, ein Aufruf. Die Antwort:

{
  "model": "jev-1.13.0",
  "answers": {
    "reliefklasse": {
      "type": "choice",
      "choice": "rund_erhaben",
      "confidence": 1.0,
      "probabilities": { "rund_erhaben": 1.0, "baulich": 0.0, "flaeche_umschlossen": 0.0, "...": 0.0 }
    },
    "im_dgm_messbar": { "type": "noul", "noul": 0.71 },
    "mehrere_objekte": { "type": "noul", "noul": 0.07 }
  },
  "usage": { "input_tokens": 762, "output_tokens": 145 }
}

Ein Hügel ist rund und erhaben, wahrscheinlich messbar, ein Einzelobjekt. Das Interessante ist nicht dieser Fall, sondern die Ränder. „Vault under Head Post Office“ bekommt kein_gelaenderelief mit 0,48 gegen baulich mit 0,32, Konfidenz 0,39, Messbarkeit 0,19. Das Modell sagt: unsicher zwischen zwei Klassen, aber ziemlich sicher nicht im Gelände sichtbar. Genau das würde ein Mensch auch sagen.

Und „Two bowl barrows, one 220 m east of …“ bekommt rund_erhaben mit 0,99 und mehrere_objekte mit 0,98. Über alle 400 Einträge des Referenzlaufs sieht die Verteilung so aus:

Alle 400 Einträge wurden ohne Fehler beantwortet, 200 davon gelten dem Modell als „im Geländemodell messbar“. Die 400 Einträge kosteten 1,3 Cent. Hochgerechnet auf alle 20.001 Denkmäler sind das rund 64 Cent für eine Reliefklassifikation, für die man sonst Wochen Handarbeit oder ein eigenes Trainingsset bräuchte. Das ist keine Leistungsbehauptung über Archäologie. Es ist eine Aussage darüber, was eine typisierte Frage an ein Register kostet.

Beispiel 2: Ortsfreiheit, geprüft statt versprochen

Die Grundlage jeder Zusammenarbeit mit einem Denkmalamt ist Fundstellenschutz. Ein Modell, das Kandidaten beurteilt, darf niemals Koordinaten, Flurnamen oder Gitterwerte sehen. Das lässt sich behaupten. Wir wollten es beweisen.

In unserer Kette gibt es genau eine Stelle, die mit Jev spricht. Jeder Aufruf läuft vorher durch eine Prüfung, die den State gegen Muster und gegen eine Schlüssel-Whitelist hält. Trifft etwas, wird der Aufruf nicht gesendet, sondern wirft eine Ausnahme.

Gekürzt sieht der Kern so aus:

class Ortsbezug(Exception):
    """Der Aufruf enthält einen Ortsbezug und wurde nicht gesendet."""
 
MUSTER = [
  ("schluesselwort", re.compile(
     r"(?i)\b(koordinat\w*|easting|northing|latitude|longitude|"
     r"rechtswert|hochwert|epsg|utm|gitter\w*|flurst\w*|flurname|"
     r"gewann|adresse|ortsname|toponym|parish|geometry|bbox)\b")),
  ("gitterreferenz", re.compile(r"\b[A-Z]{2}\s?\d{4}(?:\s?\d{4})?\b")),
  ("himmelsrichtung_von", re.compile(r"(?i)\b(north|south|east|west|nord|süd|ost)\w*\s+(of|von)\b")),
  ("ortspraeposition", re.compile(r"(?i)\b(near|bei|nahe)\s+[A-ZÄÖÜ]")),
]
 
def frage(state, questions, erlaubte_schluessel=None, ausnahme=None):
    nutzlast = {"model": "jev-latest", "state": state, "questions": questions}
    pruefe(nutzlast, erlaubte_schluessel, ausnahme)   # wirft Ortsbezug
    return senden(nutzlast)

Zahlen in der Größenordnung eines UTM-Ost- oder Nordwerts werden ebenfalls abgefangen, weil sie in einem Formbefund nie eine Messung sind. Die Whitelist ist die stärkere Verteidigungslinie: Sie fängt auch Ortsnamen, die kein Muster kennt. Ausnahmen gibt es nur mit schriftlicher Begründung im Aufruf. Der NHLE-Lauf aus Beispiel 1 ist so eine Ausnahme, weil die Bezeichnungen öffentlicher Bestand sind. Im Betrieb mit Kundendaten gibt es diese Ausnahme nicht.

Das hat mit Jev im engeren Sinn nichts zu tun. Aber es zeigt, warum ein Modell mit kontrolliertem State so viel einfacher abzusichern ist als ein Chat-Prompt: Der State ist ein JSON-Objekt, das man vollständig prüfen kann, bevor es das Haus verlässt.

Beispiel 3: Erzählte Konfidenz gegen gemessene

Vor Jev hat ein Vision-Modell unsere Reliefkarten beschrieben und jedem Befund einen Typ und eine „Konfidenz“ gegeben, als Zahl im Text. Wir wollten wissen, was diese Zahl wert ist.

Dafür haben wir jeden Befund ein zweites Mal klassifizieren lassen, blind: nur die Beschreibung, die Größe und die Lage im Bild, ohne den Typ, den das Vision-Modell vergeben hatte. Jev bekam drei Fragen: Welcher Typ? Ist die Struktur menschgemacht? Und, die wichtigste: Enthält die Beschreibung überhaupt genug konkrete Merkmale, um den Typ zu stützen?

"beschreibung_traegt": {
  "type": "noul",
  "instructions": "Enthält die Beschreibung genug konkrete Merkmale, um den Befundtyp zu stützen?",
  "criteria": {
    "true": "Konkrete Maße, Geometrie oder Lagebezug werden genannt",
    "false": "Die Beschreibung bleibt vage oder interpretierend ohne belegende Merkmale"
  }
}

Diese dritte Frage ist der eigentliche Gewinn. Sie macht aus einem Urteil über die Landschaft ein Urteil über die Qualität der Evidenz. Ein Befund mit hoher erzählter Konfidenz und niedrigem beschreibung_traegt ist ein Modell, das sich etwas ausgedacht hat. Genau solche Fälle wollen wir sehen, bevor jemand ins Gelände fährt.

Was wir gelernt haben

Die Kein-Treffer-Option ist Pflicht. Unsere erste Auswertung ohne Jev ist genau daran gescheitert: Moderne Agrarterrassen wurden in eine der vorhandenen Kategorien gepresst, weil keine passte. Jede Choice-Frage bekommt bei uns eine ausdrückliche Option für „nichts davon“, und wo es sinnvoll ist, eine separate Noul-Frage, ob überhaupt etwas da ist.

Konfidenz ist Verteilungsschärfe, nicht Wahrheit. Die Konfidenz ist eine Kennzahl für die Form der Wahrscheinlichkeitsverteilung. Eine Choice-Konfidenz von 0,4 bedeutet, dass keine Option klar gewinnt. Das kann ein echtes Zwischending sein („Castle Twts“: 0,50 umschlossene Fläche, 0,42 baulich) oder eine unscharfe Frage. Beides ist nützlich, aber verschieden. Wir schauen uns solche Fälle an, statt sie per Schwellwert zu verwerfen.

Kriterien müssen für sich stehen. Jede Option braucht eine Beschreibung, die ohne die anderen verständlich ist. „Langgestreckter Graben, Hohlweg, Kanal oder Einschnitt“ funktioniert. „Wie oben, aber vertieft“ nicht.

Zahlen sind Kontext, keine Anweisung. Die Fläche in Hektar im State hilft dem Modell, „Vault“ und „Camp“ zu trennen. Aber jede Zahl, die wie eine Koordinate aussieht, muss draußen bleiben, siehe Beispiel 2. Und TypeSafe sagt selbst, dass Jev mit numerischen Darstellungen schlechter umgeht als mit sprachlichen. Beim nächsten Lauf bekommt das Modell statt „0,21 ha“ eine benannte Größenklasse.

Jev liest wörtlich. Der Hersteller führt eine öffentliche Liste der bekannten Schwächen von jev-1.13: Das Modell beantwortet die Frage, die dasteht, nicht die gemeinte; es rechnet und zählt nicht zuverlässig; es verliert bei großem State voller irrelevanter Details; widersprüchliche Kriterien verwirren es. Alles davon ist Arbeit, die in den Code oder in präzisere Kriterien gehört, nicht ins Modell.

Die Regel: Jev ist Implementierung, nicht Fundament

Die wichtigste Architekturentscheidung war, Jev nicht tragend zu machen. Die Urteilsschicht unserer Kette ist eine eigene Schnittstelle mit einem Standardpfad, der ohne externes Modell auskommt. Jev ist eine Implementierung davon, austauschbar, und jede Antwort wird mit State, Fragen und Modellversion protokolliert.

Dafür gibt es zwei Gründe. Der erste ist banal: Das Modell ist am 10. September 2026 freigegeben worden, das Unternehmen dahinter ist wenige Wochen alt. Der zweite ist der eigentliche: Der Standardpfad ist zugleich der Maßstab, an dem sich zeigt, ob Jev seinen Platz verdient. Ein Modell, das man nicht abschalten kann, kann man auch nicht messen.

Für den Betrieb mit einem Landesamt fehlen uns noch die formalen Zusagen: Zero Data Retention, EU-Datenresidenz, Auftragsverarbeitung nach Art. 28 DSGVO. TypeSafe erklärt, Jev werde nicht mit Kundenanfragen trainiert und nicht mit Kundendaten feinjustiert; Zero Data Retention gibt es für Enterprise-Kunden, eine Auftragsverarbeitungsvereinbarung ist dokumentiert. Ohne diese Punkte gibt es kein Angebot an eine Behörde, mit oder ohne Jev.

Für wen sich das lohnt

Die Archäologie ist unser Testfall, aber das Muster ist allgemein. Überall, wo Code bisher Bedeutung raten musste, mit Regex, Keyword-Listen, Schwellwerten oder einem Prompt mit anschließendem Parsen, kann ein typisiertes Urteil den Schritt ersetzen: Ticket-Routing, Dokumentklassifikation, Relevanz-Ranking, Prüfung von Feldern gegen ihre Belege, Priorisierung. Berechnungen, Gesetzeswerte und Textgenerierung bleiben Code beziehungsweise Sprachmodell. Die Entscheidung dazwischen bekommt ein eigenes Werkzeug.

Häufige Fragen

Ist Jev ein LLM?

Nicht im üblichen Sinn. Jev baut wie ein LLM auf einem vortrainierten Sprachmodell auf und versteht natürliche Sprache im State. Aber es ist nicht darauf trainiert, Text zu erzeugen, sondern typisierte Fragen mit kalibrierten Wahrscheinlichkeiten zu beantworten. TypeSafe nennt diese Klasse System-One-Modelle, nach Daniel Kahnemans Begriff für das schnelle, intuitive Urteilen.

Kann Jev Bilder auswerten?

Derzeit nicht. Jev nimmt nur Text entgegen. In unserer Kette beschreibt deshalb ein Vision-Modell die Reliefkarten, und Jev urteilt über die Beschreibung, beziehungsweise künftig über Geometriezahlen und Ähnlichkeitsbefunde eines lokalen Encoders.

Was kostet ein Aufruf?

Abgerechnet werden nur Input-Tokens, 0,042 US-Dollar pro Million, Output-Tokens sind kostenlos (Stand September 2026). Unser Referenzlauf lag bei rund 760 Input-Tokens pro Denkmal mit drei Fragen und kostete 1,3 Cent für 400 Einträge. Preisstabilität ist eine der Fragen, die wir vor einem Behördenprojekt klären.

Funktioniert das auf Deutsch?

Englisch ist laut TypeSafe die primäre Trainingssprache, dort ist die Genauigkeit am besten. Andere Sprachen werden verarbeitet, aber nicht gleich gut; der Hersteller rät, auf eigenen Inhalten zu testen und die Konfidenz genau zu beobachten. Unsere Fragen und Kriterien sind deutsch, die NHLE-Bezeichnungen englisch. Der Referenzlauf lief damit ohne Auffälligkeiten, aber ob deutsche Kriterien messbar schlechter abschneiden als englische, haben wir noch nicht geprüft.

Ersetzt das die Fachleute?

Nein, und das ist der Punkt. Jev sortiert Register und Kandidaten in einer Menge, die ein Mensch nicht durchhält, und begründet jede Sortierung mit Wahrscheinlichkeiten, die sich prüfen lassen. Was ein Objekt tatsächlich ist, entscheiden Archäologinnen und Archäologen. Mehr dazu im Beitrag zum CAA-Vortrag „Context Before Pixels“.