TypeSafe AI ha presentado Jev, un nuevo modelo de inteligencia artificial diseñado para tomar decisiones estructuradas en lugar de generar texto como hacen los grandes modelos de lenguaje tradicionales. La compañía lo presenta como su primer «System One Model», una categoría orientada a resolver decisiones rápidas y repetitivas dentro de agentes y sistemas de automatización.
Jev fue presentado el 15 de septiembre de 2026 y parte de un planteamiento diferente al habitual en el mercado de la IA generativa. En lugar de producir una respuesta escrita que después debe interpretar otro software, el modelo devuelve directamente valores estructurados y probabilidades que pueden utilizarse dentro de un programa.
La propuesta está especialmente dirigida a desarrolladores que trabajan con agentes de IA y automatizaciones. TypeSafe AI considera que muchos de los sistemas actuales utilizan modelos de lenguaje demasiado grandes y costosos para resolver decisiones relativamente sencillas, como clasificar una petición, determinar si una tarea es urgente o decidir qué acción debe ejecutarse a continuación.
Jev cambia el texto generado por decisiones estructuradas
La diferencia fundamental de Jev frente a un LLM convencional está en la forma de producir sus resultados. Mientras un modelo de lenguaje genera una cadena de texto token a token, Jev recibe el estado de un programa y un conjunto de preguntas tipadas y responde a todas ellas mediante valores estructurados.
TypeSafe AI denomina «System One» a esta aproximación por su relación con la distinción entre pensamiento rápido y pensamiento deliberado. La compañía considera que buena parte de las decisiones que aparecen dentro de un software son rápidas y repetitivas, por lo que no siempre necesitan recurrir a un modelo completo de razonamiento.
En este planteamiento, una aplicación puede preguntarle a Jev cuestiones como qué categoría corresponde a una entrada, si una acción debe ejecutarse o si una operación debería reintentarse. La respuesta llega en un formato que el programa puede utilizar directamente, sin tener que interpretar primero una explicación escrita.
La compañía sostiene que este diseño elimina los errores de formato o de tipo en la salida, porque las opciones disponibles están definidas previamente. Eso no significa que Jev no pueda equivocarse en una decisión: TypeSafe AI reconoce que la calibración de las probabilidades no garantiza que cada predicción individual sea correcta.
El modelo utiliza muestreo paralelo y probabilidades calibradas
Una de las características técnicas destacadas por TypeSafe AI es el muestreo paralelo. Jev puede evaluar las distintas preguntas de una solicitud en un único paso, en lugar de procesarlas secuencialmente como ocurre con la generación tradicional de texto.
Según los datos publicados por la empresa, su latencia se sitúa entre 70 y 500 milisegundos, dependiendo del proveedor utilizado. TypeSafe AI sostiene que esta arquitectura permite mantener tiempos de respuesta reducidos incluso cuando se incorporan varias decisiones dentro de una misma petición.
El segundo elemento diferencial es el sistema de entrenamiento denominado Reinforcement Learning for Calibrated Decisions (RLCD). La compañía explica que este método está orientado a que las probabilidades proporcionadas por el modelo estén relacionadas con la frecuencia con la que sus decisiones resultan correctas.
Esta característica resulta especialmente importante cuando el software debe decidir si puede actuar automáticamente o si necesita solicitar una revisión. La idea es utilizar la confianza de la predicción como parte del propio flujo de control, de forma que las decisiones con mayor incertidumbre puedan desviarse hacia un sistema más potente o hacia una persona.
Jev también acepta entradas en lenguaje natural, aunque actualmente presenta una limitación importante: solo trabaja con texto. TypeSafe AI señala que puede recibir cadenas, JSON o matrices de texto, pero todavía no procesa directamente imágenes, audio o vídeo.
TypeSafe AI plantea Jev como una capa para agentes de IA
El objetivo de Jev no es sustituir a los grandes modelos de lenguaje, sino ocupar una posición diferente dentro de un sistema de agentes. TypeSafe AI propone utilizarlo como una capa de decisión situada entre el software y los modelos de razonamiento más costosos.
Un ejemplo sería una arquitectura en cascada. Jev podría encargarse primero de clasificar una petición o decidir qué herramienta debe utilizarse. Después, el código convencional podría resolver las operaciones deterministas y únicamente las situaciones más complejas pasarían a un modelo de razonamiento avanzado.
Este enfoque permitiría reservar las llamadas más caras para los casos que realmente las necesitan. Según la propuesta de TypeSafe AI, la función de Jev sería reducir el número de consultas innecesarias a LLM de frontera y, al mismo tiempo, establecer un límite más claro entre las decisiones automáticas y las que requieren supervisión.
La compañía también destaca tres tipos de preguntas que forman la base de su API. El modelo está pensado para trabajar con decisiones estructuradas, de manera que el desarrollador pueda definir qué tipo de respuesta necesita antes de ejecutar la consulta.
El precio y el rendimiento son algunas de las principales apuestas de Jev
TypeSafe AI sitúa el precio de Jev en 0,042 dólares por millón de tokens de entrada, mientras que la salida no tiene coste. La compañía utiliza esta estructura de precios para presentar el modelo como una alternativa destinada a decisiones que pueden ejecutarse en grandes volúmenes.
La empresa también afirma que Jev puede ser considerablemente más rápido y barato que determinados LLM utilizados en sus pruebas internas. En concreto, su página de lanzamiento habla de hasta 193,6 veces más velocidad y 444,6 veces menos coste en comparación con los modelos utilizados en su benchmark.
Estas cifras deben interpretarse como resultados proporcionados por la propia TypeSafe AI. La compañía explica que las pruebas se realizaron desde sus propias máquinas y que los workflows empleados fueron construidos por su equipo, aunque no formaban parte del entrenamiento del modelo.
Además, el benchmark utiliza como referencia el promedio de determinados modelos de lenguaje. Por tanto, los datos permiten conocer cómo TypeSafe AI presenta el rendimiento de Jev, pero no constituyen una comparación independiente de todo el mercado de modelos de IA.
Jev llega con una apuesta centrada en la automatización
El modelo fue desarrollado por Diogo Almeida, que anteriormente participó en el trabajo de OpenAI relacionado con RLHF e InstructGPT. TypeSafe AI ha planteado Jev como el primer paso de una categoría de modelos centrados específicamente en decisiones que el software pueda utilizar directamente.
La compañía también ha anunciado una ronda de financiación de 40 millones de dólares liderada por DCVC. El nombre Jev hace referencia al economista William Stanley Jevons y a una idea relacionada con el aumento de la demanda cuando disminuye el coste de una determinada actividad.
El concepto encaja con la tesis de TypeSafe AI: si tomar una decisión dentro de un software resulta suficientemente barato, rápido y sencillo, los sistemas pueden incorporar muchas más decisiones automatizadas sin depender continuamente de modelos de lenguaje de mayor tamaño.
Por ahora, Jev se encuentra en acceso anticipado y mantiene limitaciones como la entrada exclusivamente textual y la ausencia de conocimiento externo propio. El modelo solo puede trabajar con el estado y la información que recibe del sistema que lo utiliza, por lo que no puede buscar información por sí mismo.
La propia compañía también advierte de que la calibración debe entenderse como una propiedad estadística del conjunto de predicciones. En otras palabras, una probabilidad elevada no convierte automáticamente una respuesta concreta en verdadera. El interés de Jev está en utilizar esas probabilidades dentro de sistemas capaces de decidir cuándo actuar, cuándo reintentar y cuándo pedir ayuda.