Qué es Jev

Jev es lo que TypeSafe llama un "Modelo de Sistema Uno": un modelo de IA creado para tomar decisiones rápidas y estructuradas que el software puede usar directamente. El nombre hace referencia a la idea del psicólogo Daniel Kahneman de que pensamos en dos modos: Sistema 1, rápido e intuitivo (la respuesta que te viene a la mente), y Sistema 2, lento y deliberado (razonamiento paso a paso). Los modelos de lenguaje que conocemos son Sistema 2. Jev es Sistema 1.

En la práctica: en lugar de generar texto palabra por palabra, Jev elige entre opciones que definas de antemano. Le decís "las respuestas posibles son facturación, soporte técnico o ventas", le pasás el mensaje y te devuelve una de las tres. También puede dar una puntuación (de 1 a 5), un sí/no o una probabilidad. Nada más.

Fue fundado por Diogo Almeida, un exinvestigador de OpenAI que trabajó en las técnicas de entrenamiento detrás de ChatGPT. Que alguien que ayudó a crear el chatbot más famoso del mundo esté ahora lanzando un modelo que no habla es, en sí mismo, parte de la historia.

Por qué "no puede alucinar" (con una salvedad importante)

Esto es lo que entusiasma a la gente: como Jev solo puede elegir entre las opciones que definiste, es imposible que invente una respuesta fuera de esa lista. Si las opciones son A, B o C, una opción D inventada nunca va a aparecer.

TypeSafe llama a esto ser "de tipos seguros" (type-safe) por diseño, y elimina la alucinación en el sentido de inventar valores que no existen. Además de eso, cada respuesta viene con una probabilidad y un nivel de confianza.

Ahora, la salvedad honesta, porque acá es donde los titulares suelen exagerar: no inventar una opción no significa tener siempre razón. Jev puede elegir la opción incorrecta de la lista, y hacerlo con alta confianza. La calibración no es lo mismo que la precisión. Sigue siendo un modelo que puede equivocarse; lo que cambia es que sus errores se mantienen dentro de un marco controlado y medible en lugar de en un texto libre que es difícil de auditar.

Rápido y barato: los números, sin exageraciones

Esta es la otra razón del revuelo. TypeSafe reporta tiempos de respuesta de entre 70 y 500 milisegundos, y un costo de entrada de US$ 0,042 por millón de tokens, con la salida gratuita. La empresa afirma que, frente a un modelo de primer nivel, Jev puede ser hasta 193 veces más rápido y 445 veces más barato. Tomá esas cifras por lo que son —el titular de una empresa: en pruebas de terceros los beneficios fueron más modestos pero igualmente enormes (un ingeniero de Vercel citado por TechCrunch reportó entre 5 y 18 veces más velocidad, con mejor precisión).

Para ponerlo en perspectiva, sirve comparar el precio por millón de tokens con los modelos de lenguaje que se usan para estas tareas hoy en día:

Una salvedad para leer bien la tabla: no es una comparación de igual a igual. Un modelo de lenguaje genera texto y razona; Jev solo decide. No reemplaza al LLM en todo, pero en tareas donde decidir es suficiente, la diferencia de costo está en otra escala. Solo a esos precios resulta viable clasificar millones de reseñas, mensajes o registros, algo que sería prohibitivamente caro con un modelo grande.

Para qué sirve realmente

Jev brilla en decisiones repetitivas y de gran volumen donde conocés las respuestas posibles de antemano:

• Clasificar: detectar la intención de un mensaje, el tipo de documento o a qué departamento debe ir una consulta.

• Detectar: señales de fraude, violaciones de políticas, contenido que requiere revisión.

• Puntuar: la gravedad de un caso, el sentimiento de una reseña, la calidad o relevancia en una escala.

• Derivar: elegir el equipo, el flujo de trabajo o incluso qué otro modelo de IA debería manejar una solicitud.

La prueba mental que sugiere TypeSafe es simple: si podés plantear la tarea como "dado este contexto, decime X", donde X es una opción, una puntuación o una probabilidad, Jev probablemente sirva.

Cómo combinarlo con otros modelos

Esta es la parte que más nos importa desde la perspectiva del diseño de sistemas: Jev no viene a reemplazar a los modelos de lenguaje, viene a trabajar con ellos. La arquitectura más sensata lo utiliza como una capa de decisión rápida al frente de todo:

Código → Jev decide → si la confianza es alta, se automatiza; si es baja, se envía a revisión humana; si el caso es ambiguo o complejo, se escala a un modelo de razonamiento que sí piense paso a paso.

Jev hace la evaluación rápida y barata "por instinto"; el LLM se reserva para lo que realmente lo necesita: escribir la respuesta, razonar en un caso difícil, explicar. Incluso puede actuar como un despachador: Jev analiza la solicitud y decide qué modelo más grande y potente debería manejarla. Es la misma lógica que no usar un camión para ir al almacén de la esquina.

Qué no hace: límites que vale la pena conocer

Ninguna herramienta hace todo, y forzar una solo añade riesgo. Jev no genera texto, código ni nada creativo: si necesitás una respuesta redactada, ese es un trabajo para un LLM o una persona. No razona en múltiples etapas ni busca información por su cuenta: funciona únicamente con el estado que le das. Las preguntas dentro de una sola solicitud se responden de manera independiente, por lo que si una decisión depende de otra, tenés que encadenarlas. Y no sirve para juicios vagos y multifactoriales como "¿qué tan bueno es este candidato?", porque esos no tienen un conjunto acotado de respuestas. Como cualquier modelo, también puede ser sensible a ataques adversarios o tomar una frase de manera literal en lugar de por su intención.

Seguridad y gobernanza: la parte que no está en el titular

Que un modelo sea rápido y barato no lo hace seguro por sí solo. La buena noticia es que Jev viene con herramientas para gobernarlo bien.

La más importante es automatizar según la confianza: establecer umbrales para que solo las decisiones de alta confianza se ejecuten solas, y las dudosas se escalen a una persona o a un modelo de razonamiento. Las acciones de mayor riesgo deberían exigir pruebas más sólidas. Como cada pregunta se evalúa por separado, los sistemas se vuelven más fáciles de auditar y probar: podés ver qué decidió y por qué. Y a diferencia del antiguo enfoque de coincidencia de palabras clave, un "if semántico" comprende el significado, lo que lo hace más robusto frente a trucos. Una cosa más: según TypeSafe, el modelo no se entrena con datos de los clientes y no infiere nada más allá del estado que le das.

Nada de esto es automático. Los umbrales, los puntos de derivación y los permisos son decisiones de diseño. La tecnología los habilita; alguien tiene que implementarlos.

Preguntas frecuentes

• ¿Qué es Jev? Es el primer modelo de TypeSafe AI, un "Modelo de Sistema Uno" que no genera texto: toma decisiones estructuradas (clasificar, detectar, puntuar, derivar) eligiendo entre opciones predefinidas, con una probabilidad y un nivel de confianza en cada respuesta.

• ¿Por qué se dice que Jev no alucina? Porque solo puede elegir dentro de las opciones que definas, por lo que no puede inventar una respuesta fuera de esa lista. La salvedad importante: igual puede elegir la opción incorrecta. No inventar no garantiza tener razón.

• ¿Es más barato que ChatGPT o Claude? Para tareas de decisión, drásticamente más barato: Jev cobra US$ 0,042 por millón de tokens de entrada y la salida es gratuita, frente a varios dólares por millón en los modelos grandes. Pero no es una comparación de igual a igual: los LLM también generan texto y razonan; Jev solo decide.

• ¿Reemplaza a los modelos de lenguaje? No. La jugada inteligente es combinarlos: Jev como una capa de decisión rápida y barata al frente, y un LLM (o una persona) para escribir, razonar en casos complejos o explicar. Jev incluso puede decidir qué modelo más potente maneja cada solicitud.

• ¿Para qué NO sirve Jev? Generar texto o código, razonar en múltiples etapas, buscar información por su cuenta o evaluar preguntas vagas y multifactoriales sin un conjunto acotado de respuestas.

Jev confirma algo que sostenemos en cada sistema que construimos: usar bien la IA no se trata de elegir siempre el modelo que más sabe, sino de saber para qué se lo estás pidiendo. La parte más valiosa de un agente casi nunca es la que escribe con elegancia. Es la que toma la decisión correcta, miles de veces al día, rápido, barato y sin descarrilarse.

Que uno de los creadores de ChatGPT diga esto en voz alta cambia la conversación. Pero la verdadera ventaja no viene de comprar el modelo del momento. Aparece cuando alguien diseña el sistema a su alrededor: qué decide la IA por su cuenta, qué se escala a un humano, bajo qué reglas y con qué supervisión. Esa parte no viene preestablecida. Es la parte que tenés que pensar.