JEV: el modelo de IA que no genera texto, genera decisiones (y lo que significa para tu negocio)

Durante años, cuando alguien decía “vamos a meterle IA a este proceso”, en la práctica significaba: conectar un chatbot tipo GPT, pedirle una respuesta en texto, y luego escribir código para interpretar esa respuesta. Funciona, pero es lento, caro, y el modelo puede “alucinar” una respuesta fuera de formato.

El 15 de septiembre de 2026, una startup llamada TypeSafe AI lanzó Jev, un modelo que ataca ese problema desde otro ángulo: en lugar de generar texto, devuelve directamente una decisión tipada — una opción elegida, un puntaje, o una probabilidad de sí/no — junto con qué tan seguro está de esa respuesta. Sin texto que parsear, sin alucinaciones de formato.

La empresa la fundó Diogo Almeida, quien pasó cerca de cuatro años en OpenAI trabajando en el entrenamiento de ChatGPT y GPT-4, junto con Erik Gafni y Sasha Sheng. Levantaron $40 millones de dólares en una ronda semilla liderada por DCVC.

Jev es el primer modelo de lo que TypeSafe llama “System One models” — un guiño a la distinción de Daniel Kahneman entre pensamiento rápido e intuitivo (Sistema 1) y pensamiento lento y analítico (Sistema 2). La idea: no todas las tareas de IA necesitan un modelo que “piense” en párrafos; muchas solo necesitan un juicio rápido y confiable.

Jev no es un chatbot, no redacta, no programa, no conversa. Tampoco es de código o pesos abiertos: TypeSafe no ha publicado su arquitectura ni un paper técnico. Y es importante subrayar algo que la propia empresa reconoce: que una respuesta esté garantizada dentro de un formato no significa que sea correcta. Type-safety no es lo mismo que verdad.

Se le manda un estado (un texto o JSON con la situación) y una o varias preguntas con respuestas predefinidas. El modelo evalúa todas las preguntas en paralelo — no palabra por palabra como un chatbot — y regresa valores estructurados con probabilidad y nivel de confianza para cada una. Tres tipos de pregunta: elegir una opción de una lista, calificar en una escala, o evaluar una afirmación de sí/no.

$0.042 dólares por millón de tokens de entrada (la salida es gratis). Como referencia, los modelos conversacionales frontera cobran entre $0.20 y $10 por millón de tokens de entrada, más un costo de salida ~5 veces mayor. TypeSafe reporta tiempos de respuesta de 70 a 500 milisegundos, contra 3 a 329 segundos de un LLM conversacional típico — aunque estas cifras de velocidad y ahorro (hasta 400 veces más barato en sus propios benchmarks) provienen de pruebas hechas por la propia empresa, no de mediciones independientes.

El más citado, y el más relevante para procesos de negocio: clasificación y enrutamiento de información — tickets de soporte, facturas, alertas de seguridad, cualquier decisión repetitiva de alto volumen que hoy se resuelve con reglas rígidas o con un LLM caro y lento. Otros usos documentados: verificación/guardrails sobre las respuestas de otros modelos de IA, y procesamiento de datos masivos para convertirlos en features accionables.

En la semana desde su lanzamiento, surgieron al menos media docena de alternativas de código abierto (Kev, Laya, Bespoke Nimble, OpenJev, entre otras) que intentan replicar el enfoque. La más cercana en resultados publicados, Bespoke Nimble, reportó 90% de precisión en su propio benchmark contra 93% de Jev — se acercan, pero ninguna ha demostrado superarlo todavía.

También surgió una disputa de autoría: el investigador Nandakishor, autor de un proyecto llamado Laya, sostiene que publicó una arquitectura similar en un paper en marzo de 2025, un año antes del lanzamiento de Jev. La comunidad está dividida — algunos ven paralelismos genuinos, otros señalan que el paper describe un sistema distinto (basado en embeddings y orquestación, no en una arquitectura de modelo). No hay evidencia de que TypeSafe haya usado ese trabajo, y tampoco hay ninguna prueba de que el modelo de Nandakishor sea mejor que Jev en precisión — es, por ahora, un reclamo de prioridad en disputa, no un hecho establecido.

Por separado, un análisis técnico independiente plantea que OpenAI está en buena posición para replicar esta capacidad e integrarla directamente dentro de sus propios modelos conversacionales — una hipótesis razonada, no un anuncio oficial de OpenAI.

Si hoy usas un modelo de IA para tareas simples y repetitivas — clasificar correos, enrutar tickets, decidir si algo necesita revisión humana — vale la pena preguntarse si esa tarea realmente necesita “inteligencia conversacional” o si un modelo de decisión, mucho más rápido y barato, resolvería lo mismo. Es una categoría nueva que apenas está probándose en producción; conviene seguirla de cerca antes de apostarle presupuesto.