- Jev es un modelo de IA especializado en devolver decisiones estructuradas y tipadas en lugar de generar texto conversacional.
- Se basa en el concepto de 'Sistema Uno', priorizando la velocidad y la eficiencia en tareas de clasificación, puntuación y enrutamiento.
- Reduce drásticamente los costes y la latencia en comparación con los LLM tradicionales al eliminar la generación de tokens de salida.
Si te pasas el día peleándote con prompts para que un LLM te devuelva un JSON que no esté roto o intentando que no alucine al clasificar un ticket, tienes que echarle un ojo a lo que está haciendo TypeSafe AI. Han lanzado Jev, un modelo que rompe totalmente con la lógica de ChatGPT o Claude, porque pasa olímpicamente de escribir frases y se centra exclusivamente en tomar decisiones que cualquier programa pueda leer sin despeinarse.
Básicamente, estamos hablando de una herramienta diseñada para el software, no para los humanos. Mientras que la IA convencional intenta ser un asistente polifacético que razona y redacta, Jev se posiciona como una capa de decisión ultrarrápida. Es el eslabón perdido entre el código determinista (los típicos ‘if’ y ‘else’) y la potencia semántica de los modelos de lenguaje, permitiendo que las automatizaciones sean mucho más fluidas y baratas.
La filosofía del Sistema Uno
Para entender Jev, hay que mirar hacia la psicología de Daniel Kahneman. TypeSafe AI ha bautizado a su creación como un modelo de Sistema Uno. En términos sencillos, el Sistema 1 es ese pensamiento rápido, intuitivo y casi automático que usamos para cosas cotidianas, mientras que el Sistema 2 es el razonamiento lento, deliberado y costoso. Los LLM actuales son puro Sistema 2; intentan razonar cada palabra, lo que los hace lentos y caros para tareas simples.
Jev hace justo lo contrario: se especializa en esos juicios rápidos y repetitivos. Su nombre es un guiño a William Stanley Jevons y su paradoja económica, sugiriendo que cuando el coste de una decisión cae en picado, la cantidad de decisiones que podemos tomar explota. Fue desarrollado por Diogo Almeida, quien ya traía un bagaje importante de OpenAI habiendo trabajado en InstructGPT, y el proyecto cuenta con un respaldo financiero potente de 40 millones de dólares liderados por DCVC.
¿En qué se diferencia realmente de un LLM?
La diferencia no es el tamaño del modelo, sino cómo entrega la información. Un LLM genera texto token a token, y tú tienes que rezar para que el formato sea el correcto. Jev, en cambio, utiliza un muestreo paralelo. No escribe; elige. Tú le defines las opciones y él te devuelve el valor exacto, eliminando la necesidad de parsear texto y, por extensión, acabando con los errores de tipo. Si le pides un valor booleano, recibirás un booleano, no una explicación de por qué es verdadero.
Otro punto clave es el entrenamiento. Mientras que la mayoría de IAs se optimizan mediante RLHF para agradar a los humanos, Jev usa RLCD (Reinforcement Learning for Calibrated Decisions). El objetivo aquí no es que la respuesta sea \»bonita\», sino que la probabilidad asociada a la decisión sea honesta. Esto significa que cuando Jev dice que tiene un 90% de confianza, esa cifra es un indicador fiable de precisión, algo fundamental para decidir si una acción se ejecuta sola o si debe pasar por el filtro de un humano.
Las tres herramientas básicas: Primitivas
Toda la magia de Jev se resume en tres tipos de preguntas que puedes hacerle en una sola petición:
- Choice (Elección): El modelo elige una opción de una lista de hasta 255 posibilidades. No solo te da la ganadora, sino el mapa de probabilidades de todas las opciones y una puntuación de confianza. Incluye la opción \»other\» para evitar que el modelo fuerce una respuesta incorrecta.
- Score (Puntuación): Asigna un valor en una escala definida (de 2 a 10 niveles). Lo interesante es que devuelve valores decimales (como 1.4), lo que permite captar matices entre categorías que un número entero ignoraría.
- Noul (Evaluación): Es la versión simplificada de sí o no. Devuelve una probabilidad entre 0 y 1. Cuanto más cerca de 1, más rotundo es el \»sí\».
Lo más potente es que puedes lanzar todas estas preguntas a la vez sobre un mismo estado (texto, JSON o array). Por ejemplo, en un flujo de soporte, podrías preguntar simultáneamente la categoría del problema, el nivel de enfado del cliente y si pide un reembolso, todo en un único viaje de red y en una fracción de segundo.
Rendimiento, costes y la «letra pequeña»
Los números que maneja TypeSafe son, sinceramente, una locura. Hablan de latencias que van desde los 70 hasta los 500 milisegundos y un precio de 0,042 dólares por millón de tokens de entrada, con la salida totalmente gratis. Según sus propios benchmarks, Jev puede llegar a ser cientos de veces más rápido y barato que los modelos de frontera como GPT-4 o Claude.
Eso sí, hay que tomar estas cifras con cautela. La propia empresa admite que sus pruebas fueron hechas internamente y que los resultados pueden variar. No obstante, hay pruebas externas que confirman que, en tareas de clasificación masiva, el ahorro es abismal. Por ejemplo, procesar miles de issues de GitHub puede costar céntimos con Jev frente a decenas de dólares con modelos generativos, manteniendo una precisión similar o incluso superior en rutas conocidas.
Casos de uso: ¿Dónde brilla y dónde falla?
Jev es la herramienta perfecta para el enrutamiento de leads, la moderación de contenido, el triaje de tickets o la creación de guardrails para otras IAs. Un caso muy interesante es la navegación web (como en el proyecto jev-ultrafast), donde Jev decide qué elemento de la página pulsar sin necesidad de describir la pantalla, lo que hace que la automatización sea increíblemente ágil.
Sin embargo, no intentes usarlo para todo. Jev no sabe escribir, no genera código y no puede razonar pasos complejos. Además, tiene puntos débiles claros: no es bueno con las matemáticas, se marea con las fechas y puede fallar si el contexto tiene demasiado ruido. Tampoco es un sistema de seguridad; puede decir que algo \»parece peligroso\», pero la autorización final debe estar en código, no en la IA.
Integración técnica y ecosistema
Para los desarrolladores, entrar en el mundo de Jev es bastante sencillo. Existe un SDK oficial para JavaScript y Python (versión 0.6.0), y también se puede integrar mediante una simple petición POST. Además, ya está disponible en el AI Gateway de Vercel, lo que facilita enormemente la gestión de claves y la facturación si ya usas ese entorno.
La arquitectura recomendada es la de cascada de decisiones: Jev filtra y clasifica el volumen masivo de datos de forma económica, el código maneja las reglas deterministas y solo los casos más ambiguos o complejos se envían a un LLM costoso. De esta forma, optimizas el presupuesto y reduces la latencia global del sistema, utilizando a Jev como el vigilante de primera línea.
Esta nueva categoría de modelos transforma la IA de un chatbot que intenta imitarnos a una herramienta de precisión quirúrgica para el software. Al separar la capacidad de decisión de la de generación, Jev permite construir agentes mucho más robustos, donde la confianza calibrada dicta el flujo de trabajo y los costes dejan de ser un impedimento para la automatización a gran escala.
