knowledge-base/raw/youtube/2026-09-19_nate-herk-jev-12-use-cases.md

type	source_url	retrieved	channel	author_url	duration_sec	has_transcript	tags
youtube	https://www.youtube.com/watch?v=ymgH8jS6Wb8	2026-09-19	Nate Herk | AI Automation	https://www.youtube.com/@nateherk		false	jev typesafe-ai nate-herk praxistest email-triage kommentar-routing evals golden-dataset kosten rezeption

Nate Herk: „I Tested Jev on 12 Real Use Cases. My Honest Thoughts." (19.09.2026)

Metadaten (lokal verifiziert, Abruf 19.09.2026 ~21:25 UTC)

• Titel: „I Tested Jev on 12 Real Use Cases. My Honest Thoughts." (YouTube-oEmbed)
• Kanal: Nate Herk | AI Automation (@nateherk)
• Video-ID: ymgH8jS6Wb8
• Aufrufe beim Abruf: 13.549
• Länge: ~16:08 (Angabe aus dem Bot-Briefing; auf der Watch-Seite kein lengthSeconds-Feld auslesbar)
• Veröffentlicht: 19.09.2026 (Tagesangabe aus dem Begleitkontext; kein publishDate im Seitencode)
• Geteilt von: Pit Weber, OME Topic „JEV", 19.09.2026 21:24 UTC
• Kein Transkript: 0 × captionTracks; yt-dlp scheitert erneut am Bot-Check („Sign in to confirm you're not a bot", auch mit --js-runtimes node)

Beschreibung (wörtlich, aus der strukturierten Videobeschreibung)

Jev is an AI model built to make fast, low-cost decisions instead of writing or chatting.

In this video, I test it across 12 real use cases, compare its speed and cost with traditional models, and show live builds including an X feed classifier and a real-time paper-trading prototype. You'll see where Jev fits, where it does not, and how to evaluate it before adding it to a production automation.

Kapitelmarken der Beschreibung:

0:00  12 Jev Use Cases
0:41  What Jev Is
2:40  Speed, Cost & Limits
5:28  Email Classification Benchmark
8:33  Comments, Communities & Automations
10:00 X Feed Chrome Extension
10:57 Meetings & Video Clips
12:50 Evals & More Use Cases
14:13 Real-Time Trading & Handoffs
15:45 Final Thoughts

Sponsor/Partner in der Beschreibung: Glaido (Sprach-zu-Text, Affiliate-Code), Hostinger (VPS, Rabattcode) — werbliche Einbettung vorhanden, aber nicht als „paid promotion" ausgewiesen.

Zahlen aus dem Video (über das Bot-Briefing von Herman, nicht am Video verifiziert)

⚠️ Diese Werte stammen aus der Zusammenfassung von HermanButlerBot im OME-Topic, nicht aus eigener Videoauswertung (kein Transkript erreichbar). Die Beschreibung stützt nur die Themen (E-Mail-Klassifikations-Benchmark, X-Feed-Classifier, Paper-Trading-Prototyp, „wie man vor dem Produktiveinsatz evaluiert").

Test	laut Briefing
1.000 E-Mails, 7 Entscheidungsregeln	zuerst ~70 s / 9 Cent, nach Parallelisierung ~6 s / 9 Cent
Vergleich im Video: LLM-Workflow für dasselbe	~5 min / 62 Cent
1.000 E-Mails, eine Ja/Nein-Regel	~4 s / 5 Cent
1.000 YouTube-Kommentare	~5 s / 5 Cent
Jev-Dashboard	knapp 20.000 Requests für 85 Cent

Eigene Rechnung (19.09.2026)

Grundlage: dokumentierter Preis $0,042/MTok Input, dokumentierte Rate Limits 250.000 Token/s · 1.200 Requests/Minute (raw/other/2026-09-18_typesafe-docs-jev-spezifikation.md).

a) Die Kostenwerte sind intern konsistent und passen zum Preismodell.

Angabe	Ableitung aus dem Preis	Token pro Einheit
9 Cent (1.000 Mails, 7 Regeln)	2,14 Mio. Token	~2.143 Token pro Mail
5 Cent (1.000 Mails, 1 Regel)	1,19 Mio. Token	~1.190 Token pro Mail
5 Cent (1.000 Kommentare)	1,19 Mio. Token	~1.190 Token pro Kommentar
85 Cent (20.000 Requests)	20,24 Mio. Token	~1.012 Token pro Request

Die Differenz zwischen der 7-Regel- und der 1-Regel-Variante (≈950 Token) entspricht rund 160 Token pro zusätzlicher Frage — plausible Größenordnung für kurze Frageformulierungen. Die 1.012 Token pro Request aus dem Dashboard liegen zwischen den beiden Mail-Werten und sind mit beiden vereinbar.

b) Die Laufzeiten liegen dagegen an oder über den dokumentierten Rate Limits.

Lauf	Token (aus dem Preis)	nötige Rate	dokumentiertes Limit
6 s für 2,14 Mio. Token	2,14 Mio.	~357.000 Token/s	250.000 Token/s → 1,43× darüber
4 s für 1,19 Mio. Token	1,19 Mio.	~298.000 Token/s	→ 1,19× darüber
5 s für 1,19 Mio. Token	1,19 Mio.	~238.000 Token/s	✅ innerhalb
70 s für 2,14 Mio. Token (erster Lauf)	2,14 Mio.	~30.600 Token/s	✅ weit innerhalb

Zusätzlich die Request-Seite: Bei einem Aufruf pro Mail wären 1.000 Requests in 6 s rechnerisch 10.000 Requests/Minute — das Achtfache des dokumentierten Limits von 1.200. Möglich ist das nur, wenn mehrere Mails pro Aufruf gebündelt werden (die 64k/32k-Kontextgrenzen erlauben bei ~2.100 Token pro Mail etwa 14 Mails pro Request), oder wenn für den Lauf ein höheres Kontingent galt. Die Zeitangaben des Videos sind damit nicht als Widerspruch geführt, sondern als offene Frage: entweder sind die Doku-Limits konservativ, oder es wurde ein erhöhtes Kontingent genutzt, oder die Stoppuhr ist optimistisch.

Weitere Angaben aus dem Briefing (nicht am Video verifiziert)

• Anwendungen: E-Mail-/Support-Triage (Rechnung, Scam, Dringlichkeit, zuständiges Team, Sponsor-Fit); Kommentar-/Community-Routing (Antwort nötig, Kaufinteresse, Ideen, Sentiment, Churn-Risiko); X-Chrome-Erweiterung („Breaking", „Golden Nugget", „AI Slop"); Vorfilter für Clips, CRM-Einträge, Meeting-Transkripte, Verträge, Leads; Prototyp Paper-Trading.
• Grenzen laut Video: Jev ersetzt kein LLM — es schreibt nicht, fasst nicht frei zusammen, erkennt keine offenen/unbekannten Muster; es braucht vorab definierte Fragen, Kategorien und Skalen. Für Browser-Steuerung muss es an ein Modell oder Werkzeug übergeben, das tatsächlich handelt.
• Empfehlung des Autors: Evals mit Golden Dataset gegen stärkere LLMs — Genauigkeit, Kosten und Latenz je Workflow messen, bevor Jev in eine Produktionsautomatisierung wandert.

Offene Punkte

• ⚠️ Kein Transkript, alle Zahlen über das Bot-Briefing — nicht am Video verifiziert.
• ⚠️ Die Genauigkeit der Klassifikation (Trefferquote) wird im Briefing nicht als Zahl genannt; das Video vergleicht laut Beschreibung Geschwindigkeit und Kosten, nicht Korrektheit.
• ⚠️ Werblicher Kontext (Glaido, Hostinger) in der Beschreibung; ob Aussagen zur Leistung davon berührt sind, ist nicht erkennbar.
• Offen: ob die 6-Sekunden-Angabe Wandzeit oder reine Modellzeit misst.