TypeSafe AI lanzó el 16 de septiembre de 2026 un modelo que no escribe una sola frase. Se llama Jev, y devuelve decisiones con su probabilidad, como un if o un switch, pero entendiendo lenguaje natural.
El problema: tu código no quiere un párrafo
Cuando usas un LLM tradicional para tomar una decisión dentro de tu app, pasa esto:
Un modelo "System One": por qué el nombre viene de Kahneman
El nombre sale de Pensar rápido, pensar despacio: el Sistema 1 es intuitivo y rápido, el Sistema 2 es lento y deliberado.
| Sistema 2 (LLMs) | Sistema 1 (Jev) | |
|---|---|---|
| Ejemplos | GPT, Claude, Gemini | Jev |
| Qué hace | Razona, escribe y explica | Devuelve decisiones tipadas con probabilidades calibradas |
El propio "Jev" toma su nombre de William Stanley Jevons: cuando algo se vuelve más eficiente, su demanda aumenta en vez de caer. TypeSafe apuesta a que, si decidir con IA se vuelve casi gratis, la usaremos en muchos más lugares de los que hoy imaginamos.
Cómo responde: choice, score y noul
Le mandas un estado en lenguaje natural y preguntas tipadas en una sola petición HTTP.
Choice
Elige una opción de una lista que tú defines (hasta 255 opciones), con probabilidad por opción y confianza global.
Score
Puntúa en una escala de 2 a 10 niveles que tú defines. Puede caer entre dos niveles, por ejemplo 1.04 sobre 2.
Noul
Responde una pregunta de sí/no como una probabilidad entre 0 y 1 de que el enunciado sea cierto.
De reglas frágiles a decisiones con probabilidad
RLCD: entrenado para no mentir sobre su certeza
Reinforcement Learning for Calibrated Decisions: si Jev dice 80%, debería acertar cerca del 80% de las veces.
Los números: velocidad y costo
Cifras reportadas por TypeSafe AI, aún sin verificación independiente.
Para qué sirve: casos de uso reales
El patrón se repite: confianza alta ejecuta sola, confianza baja escala a un humano.
Soporte
Enrutar tickets, detectar frustración y pedidos de reembolso.
Seguridad
Triage de incidentes y chequeos de riesgo.
Agentes
Escoger qué herramienta usar y calificar trazas.
Guardrails
Verificar y moderar la salida de otros LLM.
Datos
Clasificar y extraer información a gran escala.
Tiempo real
Jugó Doom: ~10 decisiones/s por ~$7 la hora.
Lo que no te dicen
Antes de meter esto en producción, vale la pena tener esto claro.
"Sin alucinaciones" ≠ sin errores
No inventa campos fuera del esquema, pero sí puede elegir la opción equivocada dentro de las que le diste.
Solo elige lo que tú le das
Si la respuesta correcta no está entre las opciones definidas, igual escoge una.
No explica, no ve, no sabe del mundo
Solo procesa texto, sin razonamiento visible, y depende del estado que le pases.
Benchmarks del proveedor
Velocidad y costo aún no reproducidos de forma independiente. En tareas complejas, GPT Sol (74.1%) y Claude Opus 5 (73.1%) le ganan.
Hacia dónde va esto
Proyecciones a futuro, según TypeSafe AI.
Arquitectura híbrida
El LLM razona, Jev decide y el código ejecuta. Cada pieza en lo suyo.
Agentes mucho más baratos
Miles de micro-decisiones por centavos en lugar de dólares.
IA en tiempo real
Juegos, monitoreo y sistemas autónomos que necesitan responder en milisegundos.
La paradoja de Jevons
El nombre lo insinúa: si decidir se vuelve barato, usaremos IA en todas partes.
El artículo en imágenes
Toca cualquier imagen para verla en grande.
No reemplaza a los LLM. Los complementa.
Si construyes agentes o automatizaciones, la pregunta ya no es solo qué modelo usar, sino qué tipo de modelo necesita cada decisión de tu flujo.
¿Vas a construir tu próximo agente de IA?
Guarda este artículo para cuando decidas qué modelo necesita cada decisión de tu flujo, y sigue explorando IA aplicada al desarrollo.