¿Qué es JEV y cómo funciona la IA que decide sin generar palabras?

JEV es un nuevo modelo de inteligencia artificial creado por TypeSafe AI con una particularidad que rompe con la imagen habitual de la IA: no está diseñado para conversar, redactar artículos, resumir documentos ni encadenar palabras hasta fabricar una respuesta. Su trabajo es otro. Recibe información, la evalúa y devuelve decisiones estructuradas con probabilidades que un programa puede utilizar directamente.

Dicho de una manera menos técnica, JEV no pretende decirnos algo bonito, convincente o siquiera legible. Pretende decidir. Ante un correo de un cliente, por ejemplo, puede determinar si debe enviarse a ventas, facturación o soporte; ante la acción de otro sistema de IA, valorar si debe continuar, detenerse o pasar el caso a una persona. No genera una frase para explicar su elección. Devuelve un valor preparado para que otro software actúe sobre él.

Ahí está la gracia del invento. Durante años hemos usado enormes modelos capaces de escribir sonetos para resolver tareas que, en ocasiones, se parecen bastante a decidir entre tres casillas.

Qué es JEV y por qué TypeSafe habla de una IA de «Sistema Uno»

TypeSafe AI presentó JEV el 15 de septiembre de 2026 como su primer modelo denominado «System One», o Sistema Uno. El nombre toma prestada la conocida distinción entre pensamiento rápido y pensamiento deliberativo popularizada por el psicólogo Daniel Kahneman, aunque aquí se utiliza como una metáfora de diseño informático, no como una afirmación de que una máquina piense como un ser humano.

La compañía quiere separar dos trabajos que hasta ahora suelen recaer sobre los grandes modelos de lenguaje. Por un lado está la generación: redactar, conversar, programar, explicar. Por otro, las pequeñas decisiones que un sistema necesita tomar continuamente mientras funciona.

JEV se concentra en esa segunda capa. TypeSafe lo define como un modelo orientado a decisiones rápidas, estructuradas y probabilísticas. No necesita construir una oración palabra a palabra porque las posibles formas de respuesta están definidas antes de hacer la consulta.

La empresa está fundada por Diogo Almeida, antiguo investigador de OpenAI que trabajó en métodos relacionados con el seguimiento de instrucciones de los modelos de lenguaje y la investigación que precedió al desarrollo de ChatGPT. Tras dos años de trabajo interno, TypeSafe ha convertido esa experiencia en una propuesta bastante diferente del chatbot clásico.

El propio nombre JEV tampoco salió de una tómbola tecnológica. Hace referencia al economista británico William Stanley Jevons y, en particular, a la paradoja que lleva su apellido: mejorar la eficiencia con la que se utiliza un recurso puede acabar aumentando su consumo. TypeSafe traslada esa idea a la inteligencia artificial; si cada decisión resulta muchísimo más barata, el software podría permitirse tomar muchas más.

Cómo funciona JEV sin generar texto

Un modelo de lenguaje convencional produce su salida de forma secuencial. Simplificando mucho, calcula qué token —una palabra o fragmento de palabra— debe aparecer a continuación, después otro, después otro. Así termina construyendo una respuesta. JEV prescinde de esa mecánica en su salida.

El programa le proporciona un estado, que puede contener texto o información estructurada, y después formula una serie de cuestiones con respuestas delimitadas de antemano. El modelo las evalúa y devuelve resultados estructurados.

Choice, Score y Noul: las tres respuestas posibles

TypeSafe ha creado tres primitivas para hacerlo: Choice, Score y Noul. Choice sirve para escoger entre opciones previamente establecidas. Si llega una incidencia, el sistema podría seleccionar «facturación», «soporte técnico» o «ventas» y acompañar cada alternativa con su probabilidad.

Score coloca la situación dentro de una escala definida por el desarrollador. Puede utilizarse para estimar, por ejemplo, el nivel de urgencia de un caso o la calidad de una determinada respuesta.

Noul devuelve una probabilidad entre 0 y 1 sobre una proposición concreta. En algunas integraciones externas aparece presentado como una pregunta booleana —verdadero o falso—, pero la API propia de TypeSafe conserva el nombre Noul.

Hay otro detalle importante: distintas preguntas sobre el mismo estado pueden evaluarse en paralelo y dentro de la misma llamada. El sistema no necesita escribir primero una respuesta para empezar la siguiente. Esa arquitectura es una de las razones con las que TypeSafe explica su diferencia de velocidad y coste frente a un LLM utilizado como clasificador.

Un ejemplo sencillo de lo que realmente hace

Pensemos en una tienda online que recibe este mensaje: «Me habéis cobrado dos veces el mismo pedido y necesito recuperar el dinero cuanto antes». Un chatbot convencional podría generar algo parecido a que el usuario parece tener un problema de facturación relacionado con un cargo duplicado y muestra cierta urgencia. Después, el programa tendría que interpretar esa frase o exigir al modelo que la transforme en JSON.

JEV puede recibir el mismo mensaje y devolver directamente algo equivalente a departamento: facturación; urgencia: alta; solicitud de devolución: probable, acompañado de sus estimaciones probabilísticas.

No es tan espectacular en una demostración. Precisamente ése es el punto. Para el ordenador que está esperando saber qué hacer, un párrafo de prosa era equipaje.

Por qué puede ser mucho más rápido y barato que un LLM

TypeSafe publica para JEV una latencia aproximada de 70 a 500 milisegundos por llamada y un precio de 0,042 dólares por cada millón de tokens de entrada. Según su tarifa directa, las salidas no se cobran.

La compañía sostiene que, en determinados flujos de trabajo evaluados por ella misma, JEV llegó a ser 193,6 veces más rápido y 444,6 veces más barato que modelos de lenguaje utilizados para resolver tareas comparables. En su comunicación comercial redondea esas cifras hasta aproximadamente 200 y 400 veces.

Conviene poner aquí una chincheta. No significa que JEV sea 200 veces más rápido que cualquier modelo de IA haciendo cualquier cosa. TypeSafe reconoce que esos resultados se encuentran en el extremo alto de las mejoras observadas y proceden de evaluaciones diseñadas por la propia compañía. No existe todavía una batería amplia de pruebas independientes que permita convertir esas cifras en una ley universal.

La comparación, además, tiene sentido únicamente para el terreno que JEV pisa. Pedirle que escriba una noticia, explique física cuántica o programe una aplicación sería como comparar una calculadora con un novelista y declarar vencedora a la calculadora porque hace divisiones antes. Son herramientas distintas.

La ventaja económica aparece cuando una aplicación realiza miles o millones de pequeñas evaluaciones: clasificar, puntuar, verificar, escoger una ruta o decidir si se ejecuta otra acción. Ahí generar veinte o cincuenta palabras cada vez puede convertirse en una factura considerable y, sobre todo, en tiempo perdido.

Para qué sirve JEV en aplicaciones reales

Uno de sus terrenos más evidentes es la atención al cliente. En lugar de pedir a un modelo generativo que lea cada consulta, explique de qué trata y produzca después una categoría, JEV puede clasificarla directamente y asignarle una prioridad.

También encaja en sistemas con agentes de IA. Un agente suele funcionar mediante un bucle: observa lo ocurrido, decide el siguiente movimiento, llama a una herramienta, examina el resultado y vuelve a decidir. Utilizar un gran LLM para cada una de esas pequeñas bifurcaciones puede resultar caro y lento. JEV intenta ocupar precisamente ese espacio.

Puede emplearse para valorar si un agente debería continuar, reintentar una operación, cambiar de herramienta, detenerse o solicitar revisión humana. Otro posible uso está en los sistemas RAG, que recuperan documentos antes de responder: el modelo puede puntuar cuáles parecen relevantes y descartar material antes de enviarlo a una IA generativa más costosa.

La moderación de contenidos, la clasificación documental y la evaluación automática de las respuestas producidas por otros modelos entran en el mismo territorio, igual que determinadas tareas de detección de señales de riesgo.

TypeSafe incluso ha mostrado una prueba con Doom, donde JEV recibe una representación estructurada del estado de la partida y decide cómo reaccionar. No contempla la pantalla como una persona; trabaja con datos que describen lo que ocurre. Es una distinción menos cinematográfica, pero bastante importante.

La idea empieza, además, a escapar del laboratorio. Vercel incorporó JEV a AI Gateway apenas un día después de su presentación y posteriormente amplió las formas de acceder al modelo. Cloudflare también lo documenta entre sus modelos disponibles y LangChain ha publicado ejemplos sobre su uso dentro de arquitecturas de agentes. El interés, al menos entre desarrolladores, ha aparecido deprisa.

JEV no «alucina» texto, pero sí puede tomar una mala decisión

TypeSafe utiliza una afirmación llamativa para explicar su modelo: JEV no puede sufrir alucinaciones en el mismo sentido que un generador de texto porque, sencillamente, no tiene libertad para inventarse una cadena de palabras fuera de la estructura solicitada.

Eso requiere una precisión. Que un modelo no pueda devolver el tipo de dato equivocado no significa que siempre acierte.

Si debe elegir entre «fraude» y «operación legítima», el formato puede ser impecable y la clasificación estar equivocada. Si puntúa el riesgo de una acción, su estimación puede ser demasiado alta o demasiado baja. Un error perfectamente ordenado sigue siendo un error.

TypeSafe intenta afrontar ese problema mediante un sistema de probabilidades calibradas y una técnica de entrenamiento propia llamada Reinforcement Learning for Calibrated Decisions (RLCD), aprendizaje por refuerzo para decisiones calibradas. La intención es que la confianza expresada por el modelo tenga una relación útil con la frecuencia real de aciertos.

Eso permite construir reglas bastante sensatas alrededor del modelo. Una aplicación puede ejecutar automáticamente decisiones cuando la probabilidad supera determinado umbral y mandar los casos dudosos a una persona o a un modelo más potente. La IA no elimina así la incertidumbre; intenta ponerle un número. No es poca diferencia.

Y tampoco desaparecen cuestiones conocidas de cualquier sistema automatizado: la calidad de los datos, los sesgos, la definición de los criterios o las consecuencias de un falso positivo. Una respuesta estructurada facilita el control técnico, pero no convierte una decisión algorítmica en neutral por arte de magia.

Una IA que quiere decidir, no conversar

La importancia de JEV quizá no esté en enfrentarlo a ChatGPT, Claude, Gemini o cualquier otro gran modelo generativo. Su propuesta tiene más sentido como complemento de los LLM.

Los grandes modelos continúan siendo mucho más apropiados cuando hace falta lenguaje abierto: escribir, razonar sobre problemas complejos, conversar, condensar información o producir código. JEV entra cuando el abanico de salidas puede limitarse con claridad y lo importante es obtener una decisión rápida que el software pueda consumir.

Un mismo sistema puede, de hecho, utilizar ambos. JEV clasifica una consulta y determina su urgencia; un modelo generativo redacta la respuesta. JEV comprueba después determinadas propiedades de esa respuesta y el código decide finalmente si se envía, se revisa o se descarta. Cada herramienta hace la parte para la que fue concebida.

Ese reparto puede acabar siendo más relevante que la habitual carrera por fabricar un chatbot un poco más elocuente. Buena parte del software cotidiano no necesita que una máquina converse con nosotros. Necesita que, detrás de la pantalla y sin montar una conferencia cada vez, tome millones de decisiones pequeñas con rapidez, coste controlado y una incertidumbre medible.

JEV apuesta justamente por eso: menos palabras y más decisiones. Falta comprobar, con uso real y evaluaciones independientes, hasta dónde llega la promesa. Pero la idea que plantea TypeSafe resulta incómodamente razonable: quizá llevábamos demasiado tiempo utilizando máquinas extraordinariamente buenas hablando para trabajos en los que nadie les había pedido que dijeran nada.