Jev: el nuevo modelo de IA de TypeSafe no es un LLM
Un nuevo tipo de modelo de inteligencia artificial busca transformar la forma en que el software utiliza la IA. Jev, desarrollado por TypeSafe AI, no es un modelo de lenguaje natural (LLM) clásico ni está diseñado para la conversación. En cambio, el modelo genera decisiones estructuradas, acompañadas de probabilidades y estimaciones de confianza, con el objetivo de lograr una automatización de software más rápida, económica y predecible.
La idea captó rápidamente la atención de los desarrolladores, y la aparición de Jev marca un posible cambio de rumbo en el desarrollo de aplicaciones con inteligencia artificial. La información fue publicada por TechCrunch el 18 de septiembre de 2026 en un artículo dedicado al proyecto TypeSafe y a Diogo Almeida, un investigador que anteriormente trabajó en OpenAI.
¿Qué es Jev y en qué se diferencia de un chatbot de IA?
La mayoría de los modelos de IA más populares están diseñados para generar texto. ChatGPT, Claude, Gemini y otros modelos de lenguaje reciben información de entrada y producen secuencias de texto, lo que los hace extremadamente flexibles para la conversación, la programación, la escritura y el análisis.
Jev aborda el problema de manera diferente.
El modelo desarrollado por TypeSafe AI está diseñado para decisiones estructuradas que el software puede utilizar directamente . En lugar de generar una respuesta textual que luego debe ser interpretada y validada por un programa, Jev devuelve valores de tipo estructurados y probabilidades asociadas a las decisiones. TypeSafe denomina a esta categoría de modelos de IA «Modelos de Sistema Uno».
Este concepto es fundamental para la automatización. Si una aplicación necesita decidir si un mensaje es spam, si una transacción requiere verificación humana o si se debe escalar un incidente de seguridad, no siempre necesita un párrafo generado por IA. Necesita una decisión clara.
¿Por qué TypeSafe creó un modelo de IA que no genera texto?
Según Diogo Almeida, fundador de TypeSafe, el problema radica en la diferencia entre lo que está optimizado para los humanos y lo que resulta útil para las computadoras.
Almeida trabajó anteriormente en OpenAI y está vinculado al desarrollo de métodos como el Aprendizaje por Refuerzo a partir de la Retroalimentación Humana (RLHF), que se utilizan para mejorar el comportamiento de los modelos de lenguaje. En su opinión, los modelos han alcanzado un alto nivel de dominio del lenguaje, pero el lenguaje natural no siempre es la interfaz ideal para el software.
TypeSafe intenta, por lo tanto, construir un modelo de IA destinado principalmente a ser utilizado por otros programas.
La empresa afirma que Jev utiliza una arquitectura innovadora, un mecanismo de muestreo paralelo y un método de entrenamiento denominado Aprendizaje por Refuerzo para Decisiones Calibradas (RLCD) . En lugar de optimizar la generación de las respuestas preferidas de las personas, el objetivo es obtener decisiones estructuradas y probabilidades calibradas.
¿Cómo puede Jev reducir el problema de las alucinaciones provocadas por la IA?
Uno de los argumentos centrales de TypeSafe es que Jev no genera texto. En un modelo LLM tradicional, el modelo podría producir una instrucción incorrecta, código defectuoso o información inventada. El software debe interpretar la respuesta y verificar que siga el formato esperado.
En el caso de Jev, los resultados se definen de antemano. El modelo puede, por ejemplo, seleccionar una de varias opciones o proporcionar una probabilidad para una decisión en particular.
TypeSafe afirma que este enfoque elimina los errores de tipo porque la estructura del resultado se define antes de que el modelo genere la decisión. La empresa también indica que cada resultado va acompañado de una estimación de confianza.
Sin embargo, existe una distinción importante: el hecho de que un modelo produzca resultados estructurados no significa que todas sus decisiones sean automáticamente correctas . Los usuarios deben establecer umbrales para la automatización y cuándo se debe enviar una decisión para su revisión humana.
¿Es Jev más rápido que los modelos de IA tradicionales?
La velocidad es una de las principales promesas de TypeSafe. La compañía afirma que Jev puede responder en aproximadamente 70-500 milisegundos, según la tarea, y que su enfoque puede ser decenas o cientos de veces más rápido en ciertos escenarios de automatización. Estas cifras son afirmaciones de TypeSafe y deben interpretarse en el contexto de las pruebas y flujos de trabajo presentados por la compañía, no como una regla universal para todas las aplicaciones de IA.
TechCrunch informa sobre ejemplos concretos proporcionados por desarrolladores. Un ingeniero de software de Vercel afirmó que, en un clasificador para verificar la seguridad de los pedidos, el cambio de un modelo de OpenAI a Jev resultó en resultados entre 5 y 18 veces más rápidos y una mayor precisión en esa prueba. Otro desarrollador comparó Jev con Gemini para clasificar correos electrónicos comerciales e informó sobre una relación de compromiso entre precisión, costo y disponibilidad de puntuaciones de confianza.
Estos son resultados de pruebas específicas, no de comparativas independientes que demuestren la superioridad general del modelo.
¿Cuánto cuesta Jev?
El bajo coste es otro componente importante de la estrategia de TypeSafe . En la página oficial del producto, la empresa indica un precio de 42 dólares por mil millones de tokens de entrada , mientras que los tokens de salida se ofrecen de forma gratuita. TypeSafe afirma que su arquitectura es mucho más eficiente para tareas de toma de decisiones que los modelos de lenguaje tradicionales.
Para aplicaciones que procesan volúmenes de datos muy grandes, la diferencia de costes puede resultar relevante.
Por ejemplo, un sistema que clasifica millones de documentos, verifica continuamente flujos de datos o supervisa agentes de IA podría requerir millones o miles de millones de evaluaciones. En tales situaciones, cualquier reducción en el costo por operación puede cambiar la viabilidad económica de un producto.
¿Para qué se puede utilizar Jev?
Jev no pretende reemplazar todos los usos de un chatbot. Los casos de uso presentados por TypeSafe se centran en la automatización y la toma de decisiones dentro del software .
Algunos ejemplos son:
- clasificación automática de documentos y mensajes;
- procesamiento de facturas;
- detección y priorización de incidentes de seguridad;
- supervisión de agentes de IA;
- detección de intentos de jailbreak;
- enrutar las solicitudes al modelo de IA apropiado;
- Evaluación de riesgos;
- sistemas de puntuación;
- Los flujos de software deben elegir entre múltiples acciones;
- Aplicaciones en tiempo real donde la latencia es crítica.
TypeSafe también incluye flujos de trabajo para incidentes de seguridad, procesamiento de facturas, servicio al cliente y observabilidad de agentes de IA.
Jev puede trabajar junto con otros modelos LLM.
Una de las ideas interesantes es que Jev no necesariamente tiene que reemplazar a los modelos de lenguaje. El modelo puede usarse como una capa de validación para otros agentes de IA . Por ejemplo, un modelo de lenguaje natural (LLM) puede generar una respuesta o realizar una serie de acciones, y Jev puede analizar el resultado y decidir si debe aceptarse, rechazarse o enviarse a un operador humano.
Esta arquitectura puede resultar relevante dado que las aplicaciones utilizan cada vez más agentes de IA autónomos. En lugar de que cada agente sea evaluado manualmente, un modelo de decisión especializado puede funcionar como un filtro automatizado.
¿Qué significa «Modelo de Sistema Uno»?
El nombre proviene de la distinción popularizada por el psicólogo Daniel Kahneman entre el pensamiento rápido e intuitivo y el pensamiento lento y deliberativo.
TypeSafe utiliza este concepto para describir modelos centrados en decisiones rápidas y estructuradas , a diferencia de los modelos diseñados para el razonamiento extendido y la generación de lenguaje.
Jev es el primer modelo público de esta categoría desarrollado por TypeSafe y actualmente se encuentra en fase de acceso anticipado.
¿Qué se debe tener en cuenta antes de considerar a Jev como una alternativa al LLM?
La pregunta más importante es si los modelos especializados pueden traducir las promesas de eficiencia en resultados consistentes en la producción.
TypeSafe publica sus propias calificaciones y explica la metodología utilizada. La empresa también advierte sobre las limitaciones de dichas calificaciones y argumenta que los puntos de referencia públicos pueden generar incentivos para optimizar artificialmente los resultados.
Por lo tanto, afirmaciones como «193,6 veces más rápido» o «444,6 veces más barato» deben interpretarse como resultados reportados por TypeSafe para flujos de trabajo específicos, no como una característica universal de Jev en cualquier aplicación. El sitio web de la empresa presenta estos valores en el contexto de sus propias pruebas.
Para los desarrolladores, realizar pruebas con sus propios datos y flujos de trabajo sigue siendo fundamental.
¿Por qué es importante este modelo para el futuro de la inteligencia artificial?
Jev ilustra una idea más amplia: el futuro de la IA no tiene por qué consistir exclusivamente en modelos que dialogan con los humanos .
En algunas aplicaciones, el lenguaje natural puede ser una interfaz innecesariamente costosa. Si un programa solo necesita la respuesta «aprobado», «rechazado», «desarrollar» o una distribución de probabilidad, generar un párrafo completo puede ser un paso intermedio innecesario.
El modelo TypeSafe intenta acercar la inteligencia artificial al código y la lógica de las aplicaciones: llegan los datos, el modelo evalúa la situación y el software recibe una decisión estructurada.
Este enfoque podría resultar relevante en la automatización empresarial, la ciberseguridad, el procesamiento de documentos, los agentes de IA y las aplicaciones con estrictos requisitos de latencia.
Por ahora, Jev es un producto en sus inicios y disponible en acceso anticipado. Pero su llegada pone de relieve una tendencia importante en la industria de la IA: no todos los problemas requieren un chatbot, y algunos de los modelos de IA más útiles para el software pueden ser aquellos que no generan texto en absoluto.
Fuentes: typesafe.ai, techcrunch.com
