Jev AI ha aparecido en septiembre de 2026 con una propuesta bastante peculiar dentro del mundo de la inteligencia artificial: no quiere conversar contigo, escribir textos ni generar código. De hecho, una de sus principales características es precisamente que no genera texto libre.
Su objetivo es otro: tomar decisiones estructuradas que puedan ser utilizadas directamente por un programa.
Detrás de Jev está TypeSafe AI, una empresa fundada por Diogo Almeida, investigador que participó anteriormente en trabajos relacionados con el seguimiento de instrucciones que terminaron formando parte de la investigación detrás de ChatGPT.
La idea de TypeSafe es sencilla de explicar, aunque bastante interesante desde el punto de vista técnico: si un software necesita que una IA decida entre A, B o C, ¿por qué utilizar un enorme modelo conversacional que genera una respuesta en lenguaje natural para después tener que interpretar esa respuesta?
Jev intenta eliminar ese paso intermedio.
¿Qué es Jev AI?
Jev es el primer “System One Model” público de TypeSafe AI, una nueva categoría de modelos diseñada específicamente para realizar decisiones estructuradas dentro de software.
A diferencia de un LLM convencional, Jev no está pensado para recibir una pregunta y devolver un párrafo. El sistema recibe un determinado contexto o “estado” y una serie de preguntas cuyas posibles respuestas están definidas previamente.
Por ejemplo, un programa podría darle a Jev un correo electrónico de un cliente y preguntarle:
- ¿A qué departamento debe enviarse?
- ¿Es urgente?
- ¿Existe riesgo de fraude?
- ¿Qué nivel de prioridad tiene?
En lugar de responder:
“Este correo parece estar relacionado con un problema de facturación, por lo que debería enviarse al departamento correspondiente…”
Jev puede devolver directamente una estructura que el programa pueda utilizar:
{
"departamento": "facturacion",
"urgente": 0.91,
"riesgo_fraude": 0.07
}La diferencia parece pequeña, pero para un programa es enorme.
Un LLM habla con personas. Jev intenta hablar directamente con el software.
La idea detrás de Jev: “decisiones, no texto”
La filosofía de TypeSafe se puede resumir en una frase: “Decisions, not strings”, es decir, “decisiones, no cadenas de texto”.
Los LLM actuales son extraordinariamente buenos generando lenguaje. El problema aparece cuando queremos introducirlos dentro de un programa que necesita una respuesta extremadamente concreta.
Imagina que un agente tiene que decidir:
permitir
bloquear
pedir revisión humanaUn LLM podría contestar perfectamente:
“Después de analizar la situación, considero que lo más apropiado sería bloquear la acción.”
Para una persona, estupendo.
Para un programa, hay que extraer la palabra “bloquear”, comprobar que realmente pertenece a las opciones permitidas y manejar cualquier desviación.
Jev parte del problema desde el lado contrario: las opciones posibles forman parte de la propia pregunta.
Por tanto, el software no tiene que interpretar una respuesta abierta.
¿Cómo funciona Jev?
La arquitectura exacta de Jev no ha sido publicada en todos sus detalles por TypeSafe, pero la empresa explica que ha desarrollado un nuevo modelo orientado a decisiones estructuradas, acompañado de un sistema de muestreo paralelo y un método de entrenamiento denominado Reinforcement Learning for Calibrated Decisions (RLCD).
La diferencia conceptual con un LLM autoregresivo es importante.
Un LLM tradicional
Un modelo generativo produce texto progresivamente. Una palabra o token influye en el siguiente, y así sucesivamente.
token → token → token → token → respuestaJev
Jev está diseñado para responder las decisiones estructuradas de una consulta de forma paralela, en lugar de construir una respuesta textual token a token.
preguntas → decisiones estructuradas + probabilidadesEsto ayuda a explicar por qué TypeSafe puede ofrecer latencias muy bajas en este tipo concreto de tareas.
Qué puede devolver Jev
Actualmente Jev trabaja principalmente con tres tipos de decisiones:
1. Choice
Permite elegir una opción entre varias posibilidades.
Ejemplo:
¿Qué departamento debe atender este mensaje?
- ventas
- soporte
- facturación
- legalJev devuelve la elección junto con probabilidades asociadas a las diferentes opciones.
2. Score
Permite valorar algo dentro de una escala determinada.
Por ejemplo:
Prioridad:
1 = muy baja
2 = baja
3 = media
4 = alta
5 = críticaEl software puede utilizar posteriormente ese resultado para decidir qué hacer.
3. Noul
Es una decisión de tipo verdadero/falso expresada mediante una probabilidad.
Por ejemplo:
¿Este mensaje contiene una solicitud urgente?El resultado puede indicar una probabilidad cercana a 0 o a 1 en lugar de generar una explicación textual.
Jev frente a los LLM actuales
Aquí está la verdadera diferencia.
Jev no es simplemente un LLM pequeño. Tampoco es un sustituto directo de ChatGPT, Claude o Gemini. Está diseñado para resolver un problema diferente.
| Característica | LLM generativo | Jev |
|---|---|---|
| Objetivo principal | Generar lenguaje y razonar | Tomar decisiones estructuradas |
| Salida | Texto libre | Valores estructurados |
| Conversación | Sí | No es su objetivo |
| Generación de código | Sí | No |
| Redacción | Sí | No |
| Clasificación | Sí | Sí |
| Enrutamiento | Sí | Sí, especialmente orientado a ello |
| Probabilidades de decisión | No suelen ser fiables por defecto | Forman parte de la salida |
| Salida directamente consumible por código | Requiere normalmente validación/parseo | Es parte fundamental del diseño |
| Velocidad | Depende mucho del modelo y tarea | Diseñado para baja latencia |
| Flexibilidad | Muy alta | Mucho más limitada |
| Creatividad | Alta | No es su propósito |
Por tanto, comparar Jev directamente con ChatGPT utilizando únicamente la pregunta “¿cuál es más inteligente?” sería perderse lo interesante.
Es como comparar una calculadora con un procesador de textos. Ambos funcionan con información, pero han sido diseñados para tareas completamente diferentes.
Jev vs ChatGPT, Claude y Gemini: la diferencia fundamental
Los grandes LLM actuales intentan ser sistemas generales. Pueden escribir, resumir, programar, traducir, analizar imágenes, utilizar herramientas y mantener conversaciones.
Jev sacrifica deliberadamente buena parte de esa flexibilidad para conseguir otra cosa: decisiones rápidas, estructuradas y fáciles de incorporar a un flujo de software.
| Jev | LLM generativo | |
|---|---|---|
| Entrada | Estado + preguntas estructuradas | Prompt/contexto |
| Salida | Decisión + probabilidad | Texto generado |
| Variabilidad | Diseñada para ser baja | Puede variar entre respuestas |
| Uso principal | Software y automatización | Personas y agentes |
| Interpretación por código | Directa | Normalmente requiere validación |
| Texto libre | No | Sí |
| Razonamiento abierto | No es su objetivo | Sí |
La conclusión importante es que Jev y un LLM pueden convivir dentro del mismo sistema.
¿Por qué puede ser tan rápido?
TypeSafe afirma que Jev puede ofrecer tiempos de respuesta del orden de 70 a 500 milisegundos en sus tareas objetivo.
La compañía también publica comparaciones en las que Jev aparece muy por delante de determinados LLM en velocidad y coste. Sin embargo, hay que poner estas cifras en contexto: son evaluaciones realizadas por la propia TypeSafe y sobre determinados workflows.
La propia empresa reconoce que sus cifras más espectaculares representan el extremo superior de las mejoras que espera obtener en situaciones reales y que algunas de las evaluaciones fueron diseñadas por su propio equipo.
Por eso, una lectura prudente sería:
Jev parece especialmente interesante para tareas de decisión pequeñas y repetitivas donde utilizar un LLM generativo completo resulta innecesariamente caro o lento.
No significa que Jev sea cientos de veces más rápido que cualquier LLM en cualquier tarea.
La importancia de la confianza y la incertidumbre
Uno de los aspectos más interesantes de Jev no es solamente la respuesta, sino la confianza asociada a esa respuesta.
Supongamos que un sistema tiene que decidir si una operación parece fraudulenta.
fraude: 0.97
confianza: 0.94El programa podría establecer una regla como:
- Confianza superior al 90 % → actuar automáticamente.
- Confianza intermedia → realizar comprobaciones adicionales.
- Confianza baja → solicitar revisión humana.
Este concepto puede ser muy importante para los agentes de IA, porque permite diseñar sistemas donde la IA no tenga que tomar siempre una decisión definitiva.
Puede reconocer que no está suficientemente segura y delegar el caso.
¿Jev tiene alucinaciones?
Aquí conviene tener cuidado con el marketing.
TypeSafe afirma que Jev tiene “cero alucinaciones” en el sentido de que sus salidas están limitadas a los tipos y opciones definidos por el programa.
Eso no significa que Jev nunca pueda equivocarse.
Un sistema puede devolver perfectamente una opción válida y aun así elegir la opción incorrecta.
Por ejemplo, si las opciones son:
spam
no_spamJev nunca debería inventarse una tercera categoría llamada quizás_spam.
Pero puede equivocarse y clasificar como spam algo que no lo sea.
La diferencia es fundamental:
“No puede producir una s
