Jev de TypeSafe AI: el modelo de IA que no escribe texto, sino que toma decisiones

Casi todos los modelos de IA que usamos a diario (GPT, Claude, Gemini) funcionan igual: les das un prompt y te devuelven texto. Eso es perfecto para chatear, redactar o generar código, pero dentro de una aplicación muchas veces no necesitas un párrafo, necesitas un valor: true o false, una categoría, un puntaje.

Ahí es donde entra Jev, el nuevo modelo de TypeSafe AI, presentado el 15 de septiembre de 2026. Jev no genera texto: devuelve decisiones estructuradas con probabilidades que tu código puede usar directamente. La forma más simple de entenderlo: es como un if impulsado por IA.

En este artículo te explico qué es, en qué se diferencia de un LLM, cuánto cuesta, cómo integrarlo con tu agente de IA y dos ejemplos que construí: un Snake que se juega solo y un panel de soporte que clasifica 300 tickets en segundos.

¿Qué es Jev y qué es un "System One Model"?

Jev es el primer modelo de una nueva categoría que TypeSafe llama System One Models. El nombre viene del libro Pensar rápido, pensar despacio de Daniel Kahneman: el "Sistema 1" es el pensamiento rápido e intuitivo, y el "Sistema 2" el lento y deliberado. Según TypeSafe, los LLM actuales con razonamiento encajan en el Sistema 2, mientras que la mayoría de las decisiones dentro del software necesitan respuestas rápidas tipo Sistema 1.

La empresa está liderada por Diogo Almeida, quien trabajó en OpenAI en la investigación que terminó dando origen a ChatGPT. Tras dos años en modo stealth, presentaron Jev junto con un método de entrenamiento propio llamado RLCD (Reinforcement Learning for Calibrated Decisions), que en lugar de optimizar respuestas que "le gustan" a las personas (como RLHF), optimiza probabilidades calibradas: si el modelo dice 90%, debería acertar alrededor del 90% de las veces.

📖 Anuncio oficial: Introducing System One Models & Jev

Jev vs. un LLM tradicional

La idea clave: como Jev solo puede responder dentro de las opciones que tú defines, no puede devolver un valor fuera de tu esquema ni "irse por las ramas". Ojo: eso no significa que siempre acierte; significa que la respuesta siempre tendrá la forma que tu aplicación espera.

Cómo funciona: estado + preguntas

Una llamada a Jev tiene dos partes:

• State (estado): la información que el modelo necesita para decidir. Jev no es un modelo que "sabe de todo" como un LLM; tú le das el contexto (el mensaje del cliente, el estado del juego, los equipos de tu empresa, etc.).
• Questions (preguntas): lo que quieres decidir sobre ese estado. Puedes enviar varias preguntas en una sola llamada y se evalúan en paralelo.

Además, tiene límites de contexto pequeños comparados con un LLM: la documentación comunitaria indica 64k tokens para el estado y todas las preguntas juntas, así que no está pensado para cargar documentos enormes.

Los tres tipos de preguntas

1. Noul (sí/no): devuelve la probabilidad de que algo sea verdadero. Ejemplo: "¿Este mensaje es una queja?" → 0.95.
2. Choice (opciones): elige entre varias opciones y te da la probabilidad de cada una. Ejemplo: "¿A qué equipo lo asigno?" → facturación 70%, soporte 20%, ventas 10%. Admite hasta 255 opciones.
3. Score (puntaje): un valor numérico dentro de un rango. Ejemplo: "¿Qué tan frustrado está el cliente?" → 7 de 10.

Un ejemplo ilustrativo de cómo pensarlo en una app de soporte (la sintaxis exacta está en la documentación oficial):

{
  "state": "Cliente escribió dos veces esta semana: le cortaron el servicio aunque dice que ya pagó.",
  "questions": {
    "es_queja":    { "type": "noul",   "question": "¿Es una queja?" },
    "equipo":      { "type": "choice", "options": ["facturación", "soporte técnico", "ventas", "otro"] },
    "frustracion": { "type": "score",  "question": "¿Qué tan frustrado está el cliente?" }
  }
}

Las tres decisiones se resuelven en una sola petición, y con esos valores tu aplicación puede priorizar el ticket, asignarlo o disparar una automatización.

¿Para qué sirve (y para qué no)?

Sirve para:

• Clasificar, enrutar y priorizar correos, tickets o errores.
• Procesar grandes volúmenes de datos donde un LLM sería caro.
• Aplicaciones en tiempo real (juegos, automatización de navegador).
• Validar o "vigilar" salidas de otros LLM (guardrails, detección de jailbreaks, revisión de código).

No sirve para:

• Generar artículos, respuestas de chat o código.
• Razonamientos largos o tareas de "Sistema 2".
• Preguntas que requieren conocimiento especializado que no le das en el estado.

Precio y cómo obtener acceso

Jev cuesta $0.042 por millón de tokens de entrada y la salida es gratuita. En mis pruebas en el playground, cinco ejecuciones con varias preguntas cada una costaron alrededor de un centavo de dólar.

Por ahora está en acceso anticipado con lista de espera. Puedes unirte desde typesafe.ai y, una vez aprobado, gestionar tus API keys desde la consola de TypeSafe. En la consola tienes un playground donde defines el estado y las preguntas, ejecutas y ves las probabilidades de cada respuesta.

Cómo usar Jev con Claude Code y otros agentes

TypeSafe publica una skill oficial para agentes que le enseña a tu agente la API, los tres tipos de preguntas y buenas prácticas.

En Claude Code:

claude plugin marketplace add typesafe-ai/skills
claude plugin install typesafe@typesafe-ai

En otros agentes (Codex, Cursor, etc.) vía skills.sh:

npx skills add typesafe-ai/skills --skill typesafe-ai

Luego basta con pedirle a tu agente algo como "usa la skill de TypeSafe para…". El código fuente de la skill está en github.com/typesafe-ai/skills.

Ejemplo 1: un Snake que juega solo con Jev

Le pedí a Claude Code crear una app en Next.js con el clásico juego de la culebrita, usando la skill de TypeSafe. En cada paso, el juego envía a Jev el estado (posición de la serpiente, dirección de la comida, su cuerpo) y una pregunta de tipo choice con cuatro opciones: arriba, abajo, izquierda, derecha. También se le indican objetivos como mantenerse vivo, acercarse a la comida y evitar las paredes.

La interfaz muestra en tiempo real la probabilidad de cada dirección, la confianza, la latencia y el costo acumulado. No es un modelo entrenado para el juego: cada movimiento es una consulta en vivo a la API, con latencias alrededor de 355 ms. No es lo bastante rápido para todo (conducción autónoma, por ejemplo, queda lejos), pero demuestra que ya se puede meter IA dentro de un loop de tiempo real.

Ejemplo 2: clasificar 300 tickets de soporte en 37 segundos

El segundo ejemplo fue un panel de atención al cliente con 300 mensajes ficticios (clientes, planes, canal: correo, chat o formulario). Manualmente, alguien tendría que leer cada ticket, decidir si es un error, un cobro, un reembolso o una consulta, y asignarle área y prioridad.

Con la skill de Jev, el agente añadió un botón "Clasificar todo con Jev" que, para cada ticket, decide el área (facturación, técnico, ventas, cuentas) y la prioridad. Resultado: 300 tickets clasificados en unos 37 segundos. En una app real, las categorías vendrían de tu base de datos, así que si cambian, la clasificación se adapta sin reescribir lógica.

Esto ya se podía hacer con un LLM, pero más lento y bastante más caro, porque cada respuesta implica generar texto.

Otros casos de uso que la comunidad ya está explorando

• Automatización del navegador por voz: transcribes la instrucción con otro modelo y Jev decide la acción (clic, cambiar de página).
• Revisión de código en tiempo real: evaluar si un bloque cumple reglas de seguridad o de estilo.
• Bots de trading: decisiones rápidas de compra/venta sobre datos que cambian constantemente.
• Demos oficiales: TypeSafe mostró a Jev jugando Doom (con el estado del juego en texto, no imágenes) y resolviendo Wikiracing.

Hay una lista comunitaria con herramientas y proyectos en awesome-jev.

Lo que hay que tomar con cautela

• Los benchmarks de velocidad y costo (hasta 193.6x más rápido y 444.6x más barato en sus flujos) son del propio fabricante; TypeSafe reconoce que probablemente están en el extremo alto de las ganancias reales. Puedes revisar sus evaluaciones en evals.typesafe.ai.
• La propia empresa admite que no puede demostrar que el precio actual no esté subsidiado.
• Jev te da un número, no una explicación. En sectores regulados donde necesitas justificar decisiones, conviene combinarlo con un LLM para los casos dudosos.

Conclusión

Para el usuario final, Jev probablemente no cambie nada. Pero para quienes desarrollamos apps empresariales y SaaS, abre una puerta interesante: agregar decisiones inteligentes a una aplicación a un costo y velocidad que antes no eran viables. Mi apuesta es que esta categoría llegó para quedarse y que otros laboratorios lanzarán modelos parecidos pronto.

Si ya estás construyendo agentes o automatizaciones, vale la pena unirte a la lista de espera y probarlo.

Preguntas frecuentes

¿Jev reemplaza a ChatGPT o Claude? No. Jev no genera texto. Es un complemento: Jev decide rápido y barato; el LLM se encarga de redactar, razonar o explicar.

¿Cuánto cuesta Jev? $0.042 por millón de tokens de entrada; los tokens de salida son gratuitos.

¿Jev puede alucinar? No puede devolver valores fuera del esquema que defines, pero sí puede equivocarse al elegir entre las opciones válidas.

¿Funciona en español? Sí, en mis pruebas respondió sin problemas a estados y preguntas en español.

¿Cómo lo integro con mi agente de IA? Instalando la skill oficial typesafe-ai/skills en Claude Code o con npx skills en otros agentes.

📺 Mira el video completo en mi canal de YouTube, y si necesitas ayuda para integrar IA en tu proyecto, puedes reservar una asesoría en fazt.dev.