Jev de TypeSafe AI: Un modelo que no realiza chat para decisiones tipadas

Jev es el primer modelo de TypeSafe AI, una startup de San Francisco que salió del modo oculto el 15 de septiembre de 2026, con el apoyo de una ronda inicial de 40 millones de dólares liderada por DCVC.

A diferencia de la mayoría de los sistemas de IA que aparecen en las noticias, Jev no es un modelo de lenguaje grande. No puede generar oraciones, crear código ni redactar explicaciones. En su lugar, se le proporciona un resumen del estado actual, como una solicitud de soporte al cliente o un listado de productos, junto con un conjunto de preguntas estructuradas y tipadas. A cambio, entrega respuestas tipadas, cada una acompañada de una distribución de probabilidades y una puntuación de confianza. No hay texto prosaico que interpretar ni estructura JSON que corregir posteriormente.

TypeSafe describe este enfoque como un modelo “System One”, entrenado mediante un método que la empresa denomina Aprendizaje Refuerzado para Decisiones Calibradas, o RLCD. Según la empresa, el tiempo de respuesta varía entre 70 y 500 milisegundos, y el precio es de 0,042 dólares por millón de tokens de entrada, mientras que los tokens de salida no cuestan nada en absoluto.

Ese detalle sobre los precios no es un error. La salida es gratuita simplemente porque prácticamente no hay salida que considerar.

Quién fundó TypeSafe AI

El fundador y CEO de la empresa, Diogo Almeida, trabajó anteriormente como investigador en OpenAI, contribuyendo al aprendizaje refuerzado a partir de retroalimentación humana, InstructGPT, ChatGPT y GPT-4. Se le considera uno de los co creadores de RLHF, la técnica que transformó a los modelos de lenguaje en bruto en asistentes conversacionales utilizables.

Completando el equipo directivo se encuentran Erik Gafni como CTO y Sasha Sheng como COO. TypeSafe fue fundada en 2024 y operó de forma discreta durante casi dos años antes de hacerse pública. Forbes estimó la valoración de la empresa en aproximadamente 200 millones de dólares tras esta ronda de financiación.

Es notable que Almeida ayudara a desarrollar el enfoque que permitió crear modelos capaces de satisfacer las preferencias humanas, pero ahora sostiene que satisfacer a los usuarios nunca fue realmente el mismo desafío que lograr que el software sea fiable. Cuando alguien se opone a lo que lo hizo famoso, suele ser señal de que ha dedicado tiempo considerable a reconsiderar el problema.

El nombre de la empresa hace referencia a William Stanley Jevons, el economista del siglo XIX conocido por el paradojo de Jevons, la observación de que a medida que una tecnología se vuelve más eficiente, su consumo general tiende a aumentar en lugar de disminuir. La apuesta subyacente aquí es sencilla: si se hace que la inteligencia artificial sea lo suficientemente económica, su uso aumentará drásticamente.

El aspecto

Cualquiera que haya implementado funciones de IA para el comercio electrónico probablemente se haya encontrado con el mismo problema recurrente.

Considere los tipos de decisiones que se piden a estos sistemas tomar: ¿Se trata de una consulta de búsqueda sobre una marca o una categoría? ¿Es esta foto del producto adecuada para la página principal? ¿Esta reseña se queja de retrasos en el envío o de la calidad del producto? Se trata de decisiones menores, del tipo que un gerente de categorías competente podría resolver en unos segundos.

Pero la solución estándar es enrutar estas preguntas a través de un modelo de lenguaje. Este genera un párrafo de texto que luego se fuerza a adaptarse a una estructura JSON. Se crea un analizador para ello, se añade lógica de validación, se programa el manejo de intentos repetidos y se diseña una ruta alternativa en caso de que incluso esos intentos fallen. Y al final, en producción, a menudo en medio de la noche, el modelo devuelve un valor de categoría que no existe en ninguna parte de la taxonomía, dañando silenciosamente una tabla de comercialización posterior.

El cuello de botella nunca fue la inteligencia en sí. Fue la interfaz que la rodeaba.

Este es precisamente el vacío que Jev está diseñado para cerrar.

La afirmación principal no es que este modelo razona mejor que otros, sino que la forma de sus resultados finalmente coincide con lo que realmente necesitan las aplicaciones.

Cómo funciona realmente Jev

Toda la interfaz de la API consta únicamente de tres tipos de preguntas.

Una pregunta de elección permite al modelo seleccionar una opción de la lista que proporcionas, y recibes el elemento elegido junto con una probabilidad asignada a cada opción más un valor de confianza general. Puedes incluir hasta 255 opciones en una sola lista.

Una pregunta de puntuación hace que el modelo evalúe la entrada según una escala de niveles ordenados que tú mismo especificas, como la gravedad de un error, el grado de frustración del cliente o el nivel de finalización de una ficha de producto. El número que se obtiene puede situarse entre dos niveles adyacentes en lugar de coincidir exactamente con uno, y la respuesta también incluye la distribución completa detrás de esa puntuación.

Una pregunta binaria representa una afirmación sí-o-no. La respuesta es un único número entre 0 y 1, que representa la probabilidad de que la respuesta sea sí.

Estos tres tipos pueden combinarse libremente dentro de una sola llamada. Cada pregunta se evalúa con respecto al mismo estado de entrada, se juzga de forma independiente y todas se ejecutan simultáneamente. Gracias a este manejo en paralelo, agregar más preguntas a una solicitud apenas afecta el tiempo de respuesta. Cada llamada opera dentro de un presupuesto compartido de aproximadamente 32,000 tokens que abarca tanto el estado como las preguntas.

Ese detalle relacionado con el presupuesto de tokens transforma la forma en que abordarías el diseño de un sistema basado en Jev. Dado que hacer preguntas adicionales cuesta casi nada extra, la estrategia recomendada es plantear todo lo que puedas necesitar, incluso preguntas cuyas respuestas solo son relevantes para ciertas entradas, y simplemente descartar aquello que tu aplicación no utilice. TypeSafe denomina a este patrón “especulativo fan-out”. Para quienes están acostumbrados a un mundo donde cada llamada adicional al modelo implica costo y demora, esta inversión de incentivos lleva un tiempo en ser completamente comprendida.

Cómo es Jev diferente de un LLM

Cuatro características distintivas lo diferencian de un modelo de lenguaje adornado con formato de salida estructurado.

En primer lugar, el objetivo del entrenamiento es diferente. RLHF optimiza un modelo para que genere respuestas que los humanos evalúen positivamente. RLVR se enfoca en respuestas que un verificador pueda verificar, siendo esta la técnica detrás de los modelos de razonamiento. Jev, por su parte, utiliza algo llamado RLCD, que entrena al modelo para que produzca decisiones acompañadas de estimaciones de probabilidad honestas. Si Jev muestra un puntaje de confianza de 0.8, la promesa implícita es que, entre una gran muestra de respuestas similares, aproximadamente el 80 por ciento estará correcto. La calibración no es un subproducto aquí; es el objetivo principal del sistema.

En segundo lugar, el muestreo se realiza de forma paralela en lugar de secuencial. Un modelo de lenguaje típico genera texto token por token, siendo cada nuevo token dependiente de todo lo generado anteriormente. Jev, en cambio, produce una respuesta completa en una sola pasada. Esa es la razón de su velocidad, y también el motivo por el cual generar salida no cuesta nada adicional: no hay una larga secuencia de tokens que se facturen uno por uno.

Tercero, el formato de salida no solo se recomienda, sino que está garantizado. Jev tiene limitaciones físicas que le impiden devolver valores de un conjunto predefinido que se especifica con antelación. Este no es un comportamiento “generalmente conforme”: por diseño, no es posible devolver nada fuera de ese conjunto. Una categoría generada erróneamente no solo es rara, sino que está estructuralmente excluida del espacio de posibles salidas. TypeSafe promete una tasa de error del 0 por ciento en las salidas estructuradas mal formadas, y a diferencia de la mayoría de las cifras de referencia, esta es una consecuencia directa de la arquitectura y no algo medido empíricamente.

Cuarto, la incertidumbre en sí misma se trata como un resultado real y no como algo secundario. Cualquier respuesta de tipo elección o puntuación viene acompañada de un valor de confianza calculado en función de la intensidad del pico de la distribución de probabilidades subyacente. Una distribución uniforme indica una verdadera incertidumbre del modelo. Esto permite que la lógica de la aplicación responda directamente a ese nivel de confianza: actuando automáticamente cuando supera un umbral, recurriendo a una persona cuando cae por debajo de otro, y estableciendo estándares más estrictos para acciones de mayor riesgo que para las de bajo riesgo.

Esa última capacidad es, sin duda, la más valiosa. Cometer errores el cinco por ciento de las veces rara vez ha sido el verdadero obstáculo en estos sistemas. El problema recurrente ha sido no tener forma de identificar cuál es ese cinco por ciento.

Qué realmente indican las cifras de referencia

Esta es la sección donde resulta justificado cierto escepticismo, ya que los materiales de marketing realizan una gran labor de enmarcado informativo, y gran parte de la cobertura en línea simplemente ha repetido las cifras principales sin profundizar en el análisis.

TypeSafe realizó sus propios pruebas de referencia abarcando cuatro casos de uso: respuesta a incidentes de seguridad, observabilidad del seguimiento de agentes, procesamiento de facturas y soporte al cliente, sumando aproximadamente 711 casos de prueba. En lugar de basarse en datos verificados por humanos, las respuestas de referencia se generaron promediando los juicios de GPT 6 Astra y Claude Fable 5.1.

Frente a ese conjunto de referencia, Jev logró acertar la respuesta esperada en el 67.8 por ciento de las ocasiones. GPT 5.6 Terra obtuvo un resultado prácticamente igual, del 67.9 por ciento; un resultado que, a primera vista, parece muy bueno para TypeSafe.

Pero si se examina más abajo la tabla de resultados, la situación cambia. GPT 5.6 Sol alcanzó un 74.1 por ciento de precisión, mientras que Claude Opus 5 logró un 73.1 por ciento. Al analizar específicamente el subconjunto de procesamiento de facturas, Jev obtuvo un 61.8 por ciento frente al 79.1 por ciento de Sol, lo que representa una diferencia de diecisiete puntos, y no pequeña, en exactamente el tipo de tarea de extracción estructurada que muchos usuarios potenciales esperarían que este modelo dominara.

Donde Jev claramente tiene ventaja es en costo y velocidad. Funciona a aproximadamente 0.0004 dólares por caso con una latencia de 0.4 segundos, en comparación con unos tres centavos y diez segundos para Terra; una diferencia de aproximadamente dos órdenes de magnitud en ambas dimensiones.

Sinceramente, Jev presenta un rendimiento más o menos intermedio en términos de precisión similar a los modelos de gama alta, al mismo tiempo que cuesta entre una cuadragésima y una cuatrocientava parte de lo que costan esos modelos, y responde en una fracción de segundo. Si este equilibrio tiene sentido depende por completo del costo que implica obtener una respuesta incorrecta. Al clasificar un millón de consultas de búsqueda, este equilibrio parece excelente. Sin embargo, al aprobar reembolsos automáticamente, se desea que el mecanismo de control de confianza realice un filtrado verdaderamente efectivo.

Hay dos consideraciones importantes que vale la pena tener en cuenta. Estos son números proporcionados por el propio proveedor, y aún no ha habido pruebas independientes a gran escala. Además, como las respuestas de referencia fueron generadas por modelos de OpenAI y Anthropic, toda la comparación tiende sutilmente a favorecer las respuestas que coinciden con esas dos familias de modelos en particular.

Dónde lo utilizaría

Considere un equipo que desarrolle funciones de exploración y comercialización para una plataforma de comercio electrónico dedicada a alimentos y artículos en general, operativa en varios mercados del Golfo. Así es como tal equipo podría priorizar las tareas relacionadas con Jev en su lista de pendientes.

Probablemente, lo primero sería mejorar la comprensión de las consultas a escala de catálogo. Una plataforma que abarca múltiples mercados e idiomas enfrenta una enorme cantidad de consultas de búsqueda. Tareas como clasificar la intención, separar los nombres de marcas de los términos y atributos de categoría, y identificar consultas que probablemente den resultados vacíos se manejan actualmente mediante un conjunto de reglas que pierden eficacia con el tiempo, además de llamadas ocasionales a modelos de lenguaje grande que resultan demasiado costosas para ejecutarse con el volumen total de consultas. Con un costo aproximado de 42 dólares por mil millones de tokens de entrada, realizar este tipo de clasificación para cada consulta, todos los días, se vuelve financieramente viable.

La puntuación de calidad del contenido es otro candidato sólido. Cada ficha de producto podría ser evaluada en función de la claridad del título, las señales de calidad de la imagen y la completitud de los atributos; aquellos con puntuaciones más bajas serían remitidos al equipo de catálogos para su corrección. En esencia, se trata de una pregunta repetida del tipo de puntuación aplicada a una escala de millones, un trabajo que tradicionalmente ha sido demasiado costoso para ejecutarse con modelos de lenguaje grandes y demasiado sutil como para codificarse en reglas rígidas.

La evaluación de relevancia para el ajuste de búsquedas es un tercer caso de uso. En lugar de adquirir datos de relevancia etiquetados por humanos o pagar por un modelo costoso para generarlos, se podrían calificar en masa los pares consulta-producto para crear un conjunto de datos de relevancia fuera de línea. La propia documentación de TypeSafe sobre el reordenamiento de resultados menciona un aumento en la precisión del primer resultado del 5 por ciento al 18 por ciento en una prueba de recuperación de documentos legales, lo cual es una señal prometedora, aunque ese dominio tiene poca similitud con las búsquedas en comercio electrónico.

Finalmente, las medidas de control para las funciones existentes basadas en LLM son una opción natural. Para revisar las entradas y salidas de cualquier función conversacional en busca de intentos de evasión o violaciones de políticas, se necesita una verificación lo suficientemente rápida y económica como para no convertirse en un cuello de botella, y ese es exactamente el perfil para el cual está diseñado Jev.

Dónde no lo usaría

Cualquier situación que requiera una explicación queda descartada. Jev nunca presenta razonamientos, punto final. Cuando un vendedor pregunta por qué su anuncio ha bajado en el ranking, decirle “el modelo le dio una calificación de 2.1 sobre 4” no satisface a nadie.

También son inadecuados los trabajos que exigen concatenar razonamientos en pasos dependientes. TypeSafe lo indica claramente en su propia documentación: divida su problema en preguntas independientes o opte por otra herramienta, ya que los elementos incluidos en una sola solicitud no pueden conocer las respuestas de los demás.

Tenga cuidado en cualquier situación donde la precisión sea más importante que la velocidad de procesamiento. Esa debilidad en el procesamiento de facturas no es una simple advertencia menor; es una señal de alerta real.

Tampoco debería implementarlo en ningún lugar donde no pueda validarlo primero con sus propios datos. Una puntuación promedio del 67,8 por ciento en las cuatro tareas de referencia de otra persona no le dice casi nada sobre cómo manejará el modelo los nombres de productos en árabe o la forma en que se clasifican los alimentos en los mercados del Golfo.

La idea principal

Dejando de lado las métricas del día del lanzamiento, existe una afirmación subyacente que sigue siendo válida independientemente de si Jev se convierte específicamente en el ganador en este campo.

El texto nunca fue la interfaz adecuada entre un modelo y el software destinado a procesar sus resultados. Acabamos utilizandolo simplemente porque era el formato disponible, y luego pasamos años creando analizadores, validadores, lógica de intentos repetidos y verificadores de esquemas solo para compensar. Cada uno de esos componentes existe únicamente para transformar algo creado para ser leído por humanos en algo que una máquina pueda procesar sin problemas.

Si la mayor parte del uso de la IA termina ocurriendo dentro de pipelines de software en lugar de interfaces de chat —y esa parece ser la tendencia probable—, entonces el sistema que realiza ese trabajo probablemente no debería optimizarse desde un principio para generar oraciones legibles. TypeSafe estima que la automatización a gran escala consiste aproximadamente en el 99 por ciento en comunicación máquina a máquina. La cifra exacta es discutible, pero la dirección general es difícil de cuestionar.

Jev podría no resultar ser el modelo que llevará a la industria hasta allí. Tiene un alcance limitado, es aún nuevo, depende de cifras reportadas por los propios usuarios y está por detrás de los modelos de primera categoría en términos de precisión bruta. Pero lo que sí ha logrado es presentar una afirmación concreta y verificable sobre dónde se encuentra realmente el punto de fricción en nuestros sistemas actuales.

Ese punto de fricción es algo con lo que los equipos han tenido que lidiar desde que comenzaron a implementar funciones basadas en inteligencia artificial. Sería un cambio bienvenido verlo desaparecer finalmente.

Leer más

• Comprendiendo la memoria de la IA: Contexto, embeddings, RAG y pesos del modelo explicados — Este artículo explica cómo los sistemas de IA realmente almacenan información, abordando ventanas de contexto, embeddings, bases de datos vectoriales, RAG y parámetros del modelo.
• Temperatura, Top-K y Top-P: Una guía práctica sobre muestreo de LLM — Aprenda cómo los ajustes de temperatura, top-k y top-p controlan la salida de los LLM, con métodos prácticos y errores comunes al ajustar chatbots, asistentes de programación y sistemas RAG.

Fugu Ultra: Cómo un modelo orquestador de IA desafía a GPT y Claude — Explica cómo Fugu Ultra v2 de Sakana AI dirige las tareas entre modelos especializados en lugar de utilizar un único LLM gigante, y cómo se compara en pruebas de rendimiento, precios y transparencia.