Blog›Guides

Jev: El modelo de IA System One que decide en lugar de chatear

TypeSafe AI lanzó Jev, un modelo "System One" que no es de chat y que devuelve decisiones tipadas con probabilidades calibradas en lugar de prosa. Esto es lo que es, las afirmaciones de rendimiento y por qué complementa el prompting generativo.

Jev: El modelo de IA "System One" que decide en lugar de conversar

Durante tres años, la conversación sobre IA ha girado en torno a modelos que hablan: asistentes de chat que escriben ensayos, código y respuestas. En septiembre de 2026, una startup llamada TypeSafe AI lanzó algo deliberadamente diferente. Jev no conversa en absoluto. No escribe prosa ni código. Dado un estado y una lista de preguntas tipadas, devuelve respuestas tipadas con probabilidades calibradas, en unos pocos cientos de milisegundos. TypeSafe lo llama el primer "Modelo System One", y vale la pena entender por qué ese enfoque importa para cualquiera que construya con IA.

System 1 vs System 2

El nombre es un guiño a *Thinking, Fast and Slow* de Daniel Kahneman, que divide la cognición humana en System 1 (rápido, automático, intuitivo) y System 2 (lento, deliberado, esforzado). La mayoría de los grandes modelos de lenguaje actuales son máquinas System 2: razonan paso a paso, generan salidas largas y son maravillosos para escritura abierta y resolución de problemas. Pero una gran cantidad de IA de producción real no es abierta en absoluto. Es una decisión rápida de sí/no o de cuál-de-estos, ejecutada millones de veces: ¿es esta transacción fraude?, ¿a qué cola va este ticket?, ¿viola esta imagen la política?, ¿cuál es el siguiente paso en este flujo de trabajo.

Jev apunta exactamente a esa capa System 1. En lugar de pedirle a un modelo de chat que "responda en JSON" y esperar que cumpla, le entregas a Jev una pregunta tipada con un conjunto fijo de respuestas y devuelve una de ellas con una probabilidad adjunta.

Cómo funciona realmente

La interfaz es el punto clave:

Envías estado - una factura, un ticket de soporte, una alerta de seguridad, una lista de productos.

Envías preguntas tipadas - cada una con un conjunto definido de respuestas posibles.

Jev devuelve respuestas tipadas - la opción elegida más una puntuación de confianza calibrada, lo suficientemente rápida como para integrarse en línea en una solicitud.

Debido a que la salida está restringida y tipada en lugar de ser texto libre, tu código la consume directamente, sin análisis de prosa, sin fallos de "el modelo envolvió el JSON en backticks otra vez". Y como no genera cientos de tokens de explicación, es dramáticamente más barato y rápido en estas tareas estrechas.

Los números (y el asterisco)

En el lanzamiento, TypeSafe reportó que Jev corre aproximadamente 193 veces más rápido que Claude Sonnet 5 y cuesta alrededor de 444 veces menos que Claude Opus 5 en cargas de decisión. Esas son cifras llamativas, y vienen con un asterisco honesto: los benchmarks son propios de TypeSafe, los flujos de trabajo fueron escritos por el equipo de TypeSafe, y la empresa dice que las ganancias se sitúan en el extremo alto del uso real esperado. La verificación independiente era aún escasa en las primeras semanas. Trata los números principales como una afirmación del proveedor, no como un benchmark establecido, y prueba con tu propia carga de trabajo.

TypeSafe está liderada por Diogo Almeida, un ex investigador de OpenAI vinculado al trabajo temprano de ChatGPT, lo cual es parte de por qué el lanzamiento atrajo tanta atención.

Por qué los creadores de prompts deberían importarse

Si vives en el mundo de los prompts generativos, como la mayor parte de nuestro catálogo, Jev no es un competidor para tus prompts de imagen y video, ni para tus recetas de ChatGPT y Claude. Es un complemento. El patrón que está emergiendo es una pila de dos velocidades:

System 2 (modelos generativos) para el trabajo creativo y de razonamiento: escribir, diseñar, codificar, idear. Aquí es donde un buen prompting brilla.

System 1 (modelos de decisión como Jev) para la clasificación y el enrutamiento rápido alrededor de eso: filtrar, puntuar, moderar, decidir qué hacer después.

La conclusión práctica: mientras construyes flujos de trabajo de IA, nota qué partes son genuinamente abiertas (mantén esas en un modelo de chat fuerte e invierte en el prompt) y qué partes son realmente solo una decisión rápida (un clasificador tipado será más barato, más rápido y más confiable allí). Saber a qué modo pertenece una tarea se está convirtiendo silenciosamente en una habilidad de prompting propia.

Lee el desglose completo en nuestra wiki: Jev.