Hace apenas una semana, TypeSafe rompió su periodo de silencio de dos años y anunció el lanzamiento de Jev, un modelo de inteligencia artificial respaldado por una inversión inicial de 40 millones de dólares liderada por DCVC. A diferencia de casi todos los desarrollos recientes en el campo de los grandes modelos de lenguaje (LLM), Jev no se limita a generar texto, sino que está diseñado para tomar decisiones de forma rápida y fiable, orientado especialmente para su integración nativa en aplicaciones de software.
Jev representa la primera propuesta dentro de la nueva categoría que TypeSafe denomina “modelos System One”. Se trata de un modelo que solo trabaja con texto, pero con capacidad para responder a preguntas estructuradas con decisiones tipificadas y probabilidades calibradas, lo que facilita a los programas gestionar la incertidumbre inherente a sus respuestas. Además, TypeSafe ha desarrollado una novedosa arquitectura interna para Jev, un muestreador único—un algoritmo que optimiza la selección de tokens en función de la distribución de probabilidad, controlando la aleatoriedad y consistencia—y un método de entrenamiento basado en el Aprendizaje por Refuerzo para Decisiones Calibradas (RLCD, por sus siglas en inglés).
Modelos secuenciales: rápidos para humans, lentos para máquinas
Diogo Almeida, cofundador y CEO de TypeSafe con experiencia previa en OpenAI — donde co-desarrolló el aprendizaje por refuerzo con retroalimentación humana (RLHF) que fundamenta ChatGPT y GPT-4 — critica la arquitectura secuencial de los LLM actuales. Según Almeida, «los LLM generan texto secuencialmente, lo cual es perfecto para mantener una conversación natural, pero resulta completamente inútil para la computación eficiente». En sus palabras, al comparar ambos sistemas, los modelos de System One como Jev responden decenas de preguntas estructuradas casi instantáneamente, mientras que un LLM puede tardar hasta cientos de veces más. 
Esta lentitud y falta de fiabilidad, según Almeida, contribuyen a que los modelos actuales, optimizados para preferencias humanas, presenten problemas como la pérdida de modos, exceso de confianza y falta de consistencia, limitando su aplicación hacia una inteligencia general artificial.
Jev: precisión sin alucinaciones ni incertidumbres inesperadas
TypeSafe destaca que Jev es 20 a 200 veces más rápido, y de 40 a 400 veces más económico, en comparación con los modelos tradicionales. Además, los «tokens» de salida no implican coste, algo clave para el uso masivo. El CEO subraya que las decisiones emitidas por Jev incluyen probabilidades de confianza, evitando las “alucinaciones” típicas de otros modelos basados en lenguaje: «Jev funciona más como código que como texto, por lo que es rápido, auto-consistente y seguro en los tipos de datos que maneja».
La adopción inicial está siendo excepcional. La plataforma en la nube Vercel ha reportado que, en sus primeras 24 horas en AI Gateway, Jev duplicó el número de equipos de pago que utilizan el modelo frente a cualquier otro lanzamiento anterior, alcanzando casi un 13% de cuota en dicho segmento y superando ampliamente a versiones recientes del GPT o a modelos como Fable 5.1.
Los desarrolladores pueden definir umbrales para que Jev actúe de forma autónoma o recurra a supervisión humana, abonando su integración en flujos de trabajo más complejos. Algunas aplicaciones prácticas incluyen la selección lógica de herramientas o agentes secundarios, validación de la salida de otros modelos, y establecimiento de barreras de seguridad para evitar errores o malentendidos.
Un componente inteligente, no un chatbot ni un generador de código
El desarrollador independiente Flavio Copes aclara que Jev no es un chatbot ni una herramienta de generación de código; se trata de un elemento pequeño e inteligente dentro de una aplicación estándar que da respuestas decididas a preguntas específicas. «La forma más sencilla de entender Jev es como un «if» condicional inteligente dentro del código. En lugar de que la IA ocupe todo el espacio del interfaz, Jev toma decisiones puntuales donde el código convencional necesita un juicio», explica.
Las respuestas de Jev son claras: cada pregunta es respondida con un sí/no con probabilidad, la elección de una opción dentro de un conjunto definido, o la colocación en una escala determinada, siempre acompañada de valores probabilísticos que informan sobre la confianza.
Evaluación con imágenes: un reto fuera de sus capacidades
Para probar los límites de Jev, el ingeniero de IA Bartosz Mikulski sometió al modelo a un reto poco convencional: identificar 400 bocetos hechos a mano convertidos en coordenadas SVG. El resultado fue una precisión cercana al 35%, muy superior al 10% que supondría el azar. Sin embargo, reconoció que Jev mostró una tendencia sesgada, clasificando la mayoría de dibujos como «aviones».
Mikulski enfatiza que este test es injusto para Jev, que está diseñado para analizar texto, no números o imágenes codificadas. Considera que este resultado, pese a sus limitaciones, representa un buen nivel de capacidad en un contexto para el que no fue desarrollado específicamente.
El nombre Jev y su conexión económica
El nombre del modelo rinde homenaje al economista del siglo XIX William Stanley Jevons y su conocida paradoja: cuando la eficiencia en el uso de un recurso aumenta, el consumo total de ese recurso no disminuye sino que, paradójicamente, crece. Ejemplos históricos incluyen el uso del carbón tras la eficiencia en máquinas de vapor o el aumento del tráfico web a pesar de la compresión de datos.
Diogo Almeida concluye con una filosofía clara para su proyecto: «En TypeSafe no buscamos construir a Dios, sino impulsar la productividad». En línea con ello, ha incluido un toque humorístico en la presentación de Jev, reforzando que la tecnología busca ser una herramienta útil y pragmática.
